搜尋結果
2023年1月2日 · 優缺點分析. 發佈日期: 2023 年 1 月 2 日 作者: ALPHA Camp. 內容目錄. No-Code/Low-Code 是什麼？ 優點： 缺點： No-Code/Low-Code 平台可以做哪些事？ 1. Web與移動應用開發. 2. 業務流程自動化. 3. 數據分析與報告. 4. 系統集成. 5. 原型設計與測試. 熱門 No-Code/Low-Code 平台和工具介紹. 1. OutSystems. 2. Microsoft Power Apps. 3. Bubble. 4. Appian. 5. Zapier. 6. Quick Base. 7. Mendix. 結論.
2024年1月24日 · 開源 AI 平台介紹 4 點加速 AI 開發. 發佈日期: 2024 年 1 月 24 日 作者: 黃 昱嘉. 內容目錄. 對開發者的重要性：多、省時、簡便且標準化. 「多」：大量且多樣的 AI 模型. 「省時」：直接在平台頁面預覽測試. 「簡便」：透過 API 遠端串接模型. 「標準化」：統一的程式碼介面. Hugging Face 的商業模式. Hugging Face 的使命：機器學習大眾化. Hugging Face 整合超過 47 萬個開源、預先訓練好的 AI 模型，供任何人下載使用。 由於訓練模型非常昂貴，這樣的平台可以大幅降低開發 AI 產品的時間與成本。 他們也積極推動開源社群，致力於打造更安全與開放的 AI 模型。
2024年2月26日 · 什麼是 RAG？ 跟模型微調有什麼差別？ 在我 前一篇分享 OpenAI 研究員 Andrej Karpathy 介紹 LLMs 的文章 曾介紹到，通常 LLMs 的訓練會經過兩個階段：產出基本模型（base model）、曠日廢時且需要投入大量資源的「預訓練」階段，以及後續頻繁進行的「模型微調（fine-tuning）」階段。 在上述的訓練過程中，若希望 LLMs 理解特定領域的知識，就得從模型微調的階段下手，將特定領域的專業知識輸入基本模型進行訓練。 但模型的微調不僅得仰賴硬體的運算，且無法很快地將公司或組織的新資料納入模型之中，這都會對客製化 LLMs 的落地應用形成限制。 而 RAG 就能夠突破上述的限制。
2023年11月8日 · LangChain的特點. 易於使用 ：LangChain提供了一系列API，讓開發者可以快速啟動和運行LLM，而無需深入了解模型的內部運作機制。 高度靈活 ：透過配置和擴展機制，開發者可以根據需要自定義LangChain的行為，使其適應不同的應用場景。 生態系統整合 ：LangChain旨在與現有的AI工具和框架無縫集成，支持多種LLM和第三方服務，從而促進生態系統的互操作性。 LangChain的應用場景. 自動文本生成 ：利用LLM生成文章、報告或其他文本內容。 智能問答系統 ：構建基於LLM的問答系統，提供精確的答案和解釋。 語言理解和分析 ：使用LLM進行語言分析，從文本中提取有用的見解和信息。 個性化推薦 ：根據用戶的互動和偏好，利用LLM生成個性化的內容和推薦。
2024年4月3日 · 1. 與科技團隊溝通的能力。 2. 建構小型網路應用程式／工具，讓工作更有效率的能力（例如：建構了一支網路爬蟲，收集競爭對手的價格資訊並匯出到 Excel 工作表）。 3. 建構一個簡單的原型、測試初步想法、解決問題的能力。
2023年9月12日 · Ching 和 Jessie 經歷一番人生思考後轉動職涯方向盤，選擇了產業選擇多元、薪資有成長性、最有機會遠距和出國工作的職種軟體工程師，也都來到線上學校 ALPHA Camp (AC) 的 「JavaScript 全端開發課程」 。 裸辭轉職怕不怕失敗？ 線上自學擔心半途而廢？ 半年轉職成功只能是夢？ 他們異口同聲地說當然會擔憂、也會焦慮，但在 AC 的 3 個月以來，看到累積的學習成果和穩定持續地前進，就知道自己離終點越來越近了。 Ching 和 Jessie 怎麼做到的？ 他們堅定地說除了自我要求與堅持，AC 的「進度班」幫他們聚焦學習與完成進度，能持續穩定前進；而「live QA」則幫他們突破卡關與紮實技術，建立轉職基本能力。 一起來看看他們的學習生活！
2023年6月4日 · 1. 設計、開發和實施生成式AI模型. 設計階段： 確定最佳算法來實現預期結果，要求對各種生成式AI算法及其優缺點有深入理解。 開發階段： 包括用現有數據訓練模型並進行微調以提升性能。 實施階段： 將AI模型整合到現有系統中或圍繞模型設計新系統，需要強大的軟件開發理解能力。 2. 調整現有生成式AI模型. 調整和精煉預先存在的模型以增強性能、適應新數據或滿足特定項目需求。 分析模型行為，識別表現不佳或產生意外結果的領域。 可能涉及調整超參數、修改模型架構或豐富訓練數據集。 3.
