TTQS 三類專業人員 您好：
感謝您參加 114年TTQS三類專業人員回流訓練課程。
恭喜! 左永安顧問
通過 ICAP 職能導向課程
課程名稱：生成式AI行銷素材實 務班
30小時認證
訓練期間：民國114年05月05日起 至114年05月16日
T1.1 選擇AI工具
T2.1 遵守AI使用規範
T3.1 應用AI創造行銷素材
製造業AI/GAI應用發展重點
製造業實務面臨的問題種類多元,包含
1.分類 (瑕疵檢測、垃圾郵件過濾)
2.分群 (市場區隔、客戶群體細分)
3.序列預測
(市場需求預測、物料庫存管理、設備預測性維護),以及
4.生成 (數據生成、產品設計)等,
這些問題 適用的AI演算法
按 主要功能 與 應用目的,
可以將其分為
鑑別式AI(Discriminative Al) 與 生成式AI(Generative Al)
鑑別式AI(Discriminative Al)
擅長 分類 和歸納數據,根據 數據特徴差異 分析數據類別,
常用於 語音辨識、圖片 與 影像辨識等應用;
生成式AI(Generative Al)
則 擅長創造數據,能生成 類似訓練數據 的文字、圖片、影像、程式碼等。
由上述可知,鑑別式AI和生成式AI各有專長,並不互相替代,
而是根據不同應用場景,選用合適的Al技術滿足需求。
由於技術特性差異,兩類型AI用於製造業時方案開發的著重點也不同。
以下將透過建構AI方案流程,說明兩類AI技術
在 數據收集、模型選擇、模型訓練、模型部署 與 優化作業流程中
的 重點差異。
(1)數據收集方面,鑑別式AI 更重視 數據品質,
依賴 數據標記 與高度準確性、一致性的數據 掌握數據特徴,
然而 數據 處理過程 費時。
而生成式Al通常需要先進行 領域知識數據 的微調(Fine-tuning),
再向客戶 收集內部數據
進行檢索增強生成(Retrieval-AugmentedGeneration,RAG),
以便生成更精確内容。
(2)模型選擇上,
鑑別式AI方案業者
可能採用 社群 或 研究機構 公開的 開源 且 高效 的模型,
或是自行開發模型。
且由於鑑別式AI 應用 對應 特定問題,因此業者傾向選用
結構 較簡單 且 易於解釋的 模型,如
1.決策樹、
2.支援向量機器(Support Vector Machine, SVM)和
3.類神經網絡、
4.群集分析(K-means Clustering)
等用於準確 分類 或 預測 的模型;
生成式AI方案商
則多是選擇現有的大型語言模型,如
GPT、Llama、BLOOM、Falcon、BERT等,
並在此基礎上 進行 應用開發。
開源地端模型 與 智慧製造
開源地端模型 透過在 本地端部署具有
1.可自訂性
2.低延遲
3.高安全性
的AI 演算法，
能夠實現智慧製造中的
1.即時品質 監控
2.預測性 維護
3.生產流程 優化
開源地端模型指的是
那些 公開
1.釋出其源代碼、
2.模型架構 與
3.部分或全部權 重，並且
4.能夠在本地硬體(例如個人電腦或內部伺服器)上
部署 與 運行的 語言模型。
•此類模型允許使用者在無需依賴雲端服務的情況下，
自行管理 與 調整模 型，從而更好地保護
資料隱私 並 滿足個別化需求。
主要特性與優勢–
靈活度高：使用者可按需求 查閱、修改與優化 模型。
隱私保護：資料在本地運算，降低 外洩風險。
即時響應：減少 網路 傳輸延遲，提高 系統 反應速度。
常見的開源地端模型–
GPT-2：
由 OpenAI發布，擁有多個不 同參數規模的版本，
其中較小版本對硬 體資源要求較低。
LLaMA：
Meta發布的系列模型，雖然 使用上可能需遵循特定限制
( LLaMA 的 原始權重僅對符合條件的 學術研究者 及 機構 開放)，
但也被廣泛 應用於 本地化 研究與實驗–
T5 系列：
由 Google 提出，該模型基 於「文本轉文本」架構，可根據任務需 求進行微調。
針對資源有限的情況，可 選擇 T5-Small 或 T5-Base 版本。
數位孿生技術 與 虛擬優化
虛實 融合模擬– 數位孿生
是指在 虛擬環境中建立
1.產品、
2.生產線或
3.整座工廠
的 精確 數位 模型，並以 實際資料 加以驅動。
未來更多製造商 將運用 數位孿生 來 優化生產。
透過在虛擬工廠中模擬 各種 生產 參數變化，AI可以預測 不同設定對
產出、品質的影響，協助 找出 最佳方案。
產品 研發 與 產線 導入–數位孿生
除 優化現有流程，對 新產品導入 也 極為有利。
研發團隊 可先 行建立 產品的 數位孿生，
在虛擬環境中 模擬 製造與組裝過程，預估 良 率 和 周期。
若結果不理想，可在虛擬模型中 反覆修改 設計 和 製程，
直到達標 再轉 到 實體試產，大幅縮短 研發週期。
模型訓練
模型訓練 是 機器學習過程 的 核心階段，其目標是透過學習
輸入特徵 與 輸出結 果 之間的 映射關係，找出最優的模型參數。
模型訓練 通 常涉及
1.損失函數的設置、
2.優化演算法的選擇以及
3.避免過擬合的策略。
1.. 損失函數
損失函數（Loss Function）是一種用來衡量 模型預測值 與 實際目標
之間差異的 函數。
透過損失函數的計算，模型可以得知 自身的損失（Loss，代表不準確度），
損失值越高，表示模型預測結果與實際值的誤差越大，反之則表示模型越準確。
因此，損失函數 可以視為 評估模型好壞的指標。
在模型訓練過程中，系統會不斷計算損失，並
透過 優化器（Optimizer）
a. 均方誤差（Mean Squared Error, MSE）：
用於迴歸任務，計算 預測值 與 真實值 之 間 平方誤差 的 平均值。
b. 交叉熵損失（Cross-Entropy Loss）：
用於分類任務，衡量預測概率分佈與真實分 佈之間的差異。
2. 優化演算法
模型的訓練過程 透過 優化演算法 調整參數，以最小化 損失函數的值。
最常見 的優化演算法是 梯度下降法 及其變種：
使用 梯度下降（Gradient Descent）
等方法來最小化損失，藉此降低模型的誤差，以達 到最佳化的目的。
常見的損失函數包括：
a. 批次梯度下降（Batch Gradient Descent, BGD）：
基於整個 數據集 計算 損失函數 的梯度 並 更新參數。
b. 隨機梯度下降（Stochastic Gradient Descent, SGD）：
每次迭代僅使用一個樣本來 更新參數，速度較快但收斂不穩定。
c. Adam（Adaptive Moment Estimation）演算法：
結合了 動量法 和 RMSProp，能夠 自適應學習率，是目前最廣泛使用的
優化方法之一。
3.. 過擬合的防範
過擬合是模型在訓練數據上表現優異，但在測試數據上 表現不佳的現象。
為 了避免過擬合，通常採用以下策略：
Regularization：
在損失函數中添加懲罰項，如L1和 L2正則化。
Early Stopping：
當模型在驗證集上的表現開始下降時，停止訓練。
Data Augmentation：
透過 隨機旋轉、翻轉等方式 擴展 訓練數據集，提升模型的 泛 化能力。
