許多機器學習 (ML) 術語的主要真實來源是 ML 詞彙表。我們並非要複製他們的作品，而是只納入機器學習詞彙表未收錄的常用字詞。
AI 系統藍圖
建構新的 AI 功能或產品時，請定義 AI 系統藍圖，將 AI 的機會對應到解決方案的建構方式。您應定義：
- 您要建構什麼？有哪些 AI 應用情境？可為使用者帶來哪些價值？
- 您的應用程式將如何運作？
- 如何確保系統的每個部分都以負責任的方式開發？
如要瞭解藍圖，請參閱網頁版 AI 簡介。
複合式 AI 架構
複合式 AI 架構：結合一或多個模型和其他元件 (例如資料庫、API 和安全防護措施)，共同提供強大且能感知情境的行為
脈絡工程
脈絡工程：針對特定要求動態選取最相關的資訊 (權杖)，盡可能獲得有價值的結果。
資料偏移
資料偏移是指訓練資料不再能代表現實情況。使用者行為、資料收集方式和資料環境隨時可能改變，導致模型效能降低。
確定性軟體
如果輸入內容相同，決定性軟體一律會按照相同的步驟產生相同的輸出結果。這類軟體最可靠，因為可預測且執行效率高。
人工智慧並非決定性技術，即使提示詞相同，路徑和結果也可能大相逕庭。
評估導向開發 (EDD)
評估導向開發 (EDD) 架構提供可重複執行的測試程序，可逐步改善輸出內容、偵測迴歸，並隨著時間推移，讓模型行為符合使用者和產品的期望。
這就像是測試推動開發 (TDD)，但適用於 AI 的不確定性。與確定性單元測試不同，AI 評估無法以硬式編碼方式設定，因為輸出內容 (包括格式正確和失敗的內容) 可能會以您無法預測的許多不同形式呈現。
生成式 AI
生成式 AI 是一種機器學習系統，可生成內容。也就是說，這個模型可以撰寫文字、生成圖片、產生程式碼，甚至設計完整的使用者介面。
管理
我們涵蓋 AI 管理的三個面向：
- 隱私權：負責任地處理資料、說明蒐集的資料類型，並盡量減少離開瀏覽器的資料。
- 公平性：檢查模型是否有歧視行為 (偏誤)，並建立可供使用者標記問題的迴圈。
- 信任和透明度：設計系統時應秉持透明原則，並校正信任度，讓使用者在不確定性和潛在錯誤的情況下，仍能持續從中獲益。
最後一個層面是安全，這是 AI 治理的重要層面。我們會在未來的單元中提供更多安全性相關資訊。
在此期間，建議您參閱 Google 安全 AI 架構 (SAIF) 和 Google 安全性網誌。
型號
模型是 AI 系統最重要的骨幹。模型的核心是一組參數和結構，可支援系統進行預測。模型運作方式會因訓練方式 (受監督或不受監督) 和模型用途 (預測或生成) 而異。
模型資訊卡
模型資訊卡是模型設計和評估方式的結構化總覽。這些原則是支援 Google 負責任的 AI 技術做法的重要構件。
模型權重
模型權重 是決定特定資訊重要性的數值。這些值會在模型訓練中持續更新，直到設定理想權重為止。您可以修改開放式模型的權重，例如 Gemma。
AI 的商機
AI 解決方案可分為多個類別：
- 洞察：協助您做出更明智的決策。
- 便利性：移除阻礙。
- 自動化：取代重複性工作。
- 增強：協助使用者處理複雜或創意工作。
- 個人化：根據個人需求和偏好調整產品。
「探索用途」一文會詳細說明這項功能。
平台
用戶端 AI 會直接在瀏覽器中執行，這表示資料可以保留在使用者裝置上，維持私密性，且不會有網路延遲問題。不過，用戶端 AI 必須有明確定義的特定用途，才能發揮良好效用。
伺服器端 AI 包括在雲端代管及執行推論的模型。這項服務功能強大且具備擴充性，但可能較為昂貴，且需要網路連線。
預測式 AI
預測式 (或分析式) AI 是一組演算法，可協助您瞭解現有資料，並預測接下來可能發生的情況。預測式 AI 模型會根據歷來模式學習預測結果、發掘洞察資訊，並做出更明智的決策。
提示工程
提示工程是指撰寫及重新撰寫提示，以產生符合使用者期望的輸出內容。撰寫得當的提示：
- 說明 LLM 應如何生成回覆。
- 包含多個可隨時間進行版本控管、測試及改良的元件。
- 可做為共用構件，供跨團隊協作。
提示工程有許多技巧，您可以在提示工程單元中瞭解。
提示類型
提示類型就像提示的目標對象。如要進一步瞭解這項技術，請參閱提示工程單元。
系統提示
系統提示由應用程式開發人員提供，用於定義模型的整體行為。您可以設定模型的角色 (「你是寫作助理」)、預期語氣、輸出格式 (例如嚴格的 JSON 結構定義) 和任何全域限制。這項提示在各項要求中保持穩定。
使用者提示詞
使用者提示包含直接要求，可產生輸出內容。使用者提供某種形式的輸入變數 (例如選取的文字或預期樣式)，並要求執行特定工作。例如「為這篇文章生成三個標題」、「繼續撰寫這個段落」或「將這段文字改得更正式」。