AI Agent
能依照目標規劃步驟、呼叫工具、讀寫资料並回報結果的 AI 系统。企业导入时要特別設計权限、紀錄、失敗处理与人工覆核。
能依照目標規劃步驟、呼叫工具、讀寫资料並回報結果的 AI 系统。企业导入时要特別設計权限、紀錄、失敗处理与人工覆核。
AI 治理，指企业對 AI 使用範圍、资料來源、风险、权限、審核与责任歸屬的管理制度。
AI 素養，指團隊理解 AI 能力、限制、风险与使用方法的程度，是企业导入 AI 前的重要基礎。
AI 导入準備度，评估流程、资料、系统、权限、人才与管理制度是否足以支撐 AI 项目落地。
AI 风险管理，包含错誤输出、资料外泄、偏見、合規、模型成本与运维风险的辨識、监控与改善。
AI 搜寻最佳化，让网站内容、结构化资料与專業脈絡更容易被搜寻引擎与 AI 搜寻理解、摘要与引用。
演算法，是解決問題的一组步驟。AI 模型背後通常由多種演算法、资料与參数共同構成。
应用程序介面，让不同系统彼此交换资料或呼叫功能。LLM 串接常透过 API 進行，但仍需权限、日誌与流程設計。
通用人工智慧，指可在多数任務上達到或超越人類泛化能力的 AI。现阶段企业导入多以特定任務型 AI 为主。
注意力機制，是 Transformer 模型用來判斷输入内容彼此关聯的重要方法，也是现代 LLM 的核心概念之一。
Answer Engine Optimization，让内容更容易被回答型搜寻、AI 摘要与問答介面理解与引用的内容与技術最佳化。
常被用來表示 AI Engine Optimization 或 AI 搜寻最佳化，但市場定義尚未完全一致。实务上可搭配 AEO 与 SEO 一起說明。
偏見，指资料、模型或流程中的不平衡造成输出偏差。企业應透过资料检查、人工覆核与監測降低风险。
聊天机器人，透过对话介面回應使用者。现代 chatbot 可串接 LLM、知识庫、客服系统与企业流程。
切分资料，常用於 RAG，把文件拆成可检索的小段落。切太細会失去脈絡，切太大会影響搜寻精準度。
分類，让模型把资料歸到指定類別，例如案件類型、客服問題、文件主題或风险等級。
電腦視覺，让系统理解圖片或影像内容，可用於瑕疵檢測、影像辨識、监控分析与医疗影像辅助。
上下文視窗，指 LLM 一次能讀取与处理的文字量。視窗越大不代表越準，仍需资料整理与提示設計。
资料治理，管理资料來源、品质、权限、版本、保留期限与责任歸屬，是 AI 可被信任的基礎。
资料标注，为资料加上正確答案或分類，常用於训练、评估与改善模型。
资料管線，指资料从來源取得、清理、轉换、储存到分析或模型使用的流程。
资料隐私，保護个人资料与敏感资讯不被未授權使用，是 AI 导入时必須納入的設計條件。
资料集，用於训练、測試、评估或检索的资料集合。资料品质会直接影響 AI 品质。
深度学习，使用多層神經网络从大量资料中学习特徵与模式，常見於语言、影像与语音模型。
擴散模型，常用於生成圖片、影片或音訊，透过逐步去噪产生新内容。
嵌入向量，把文字、圖片或资料轉成数值向量，方便進行语义搜寻、相似度比對与 RAG 检索。
评估流程，用來測試 AI 输出的正確性、穩定性、安全性与成本。企业项目應建立固定測試題与通过標準。
可解釋 AI，让模型输出或決策过程更容易被人理解，特別适合高风险或需稽核的流程。
微調，在既有模型上用特定资料再训练，使其更貼近某个任務、語氣或分類需求。
基礎模型，使用大量资料預训练，可被延伸到文字、影像、语音、程序或多模態任務。
生成式 AI，可产生文字、圖片、程序、摘要、音訊或影片。企业應搭配资料、权限与覆核流程使用。
圖形处理器，擅長平行運算，是训练与推論大型 AI 模型常用的硬體。
防護欄，限制 AI 的输入、输出、工具呼叫与资料使用範圍，降低越權、错誤或不安全内容风险。
幻覺，指 AI 产生看似合理但不正確或沒有根據的内容。RAG、來源引用与人工覆核可降低风险。
人在迴路中，保留人工審核、確認或修正節点，让 AI 辅助流程而不是完全自動決策。
推論，模型接收输入後产生输出的过程。企业系统需关注推論速度、成本、穩定性与资料保護。
知识庫，集中管理文件、FAQ、規範、案例与內部知识，可搭配 RAG 提供有來源依據的回答。
大型语言模型，能理解与产生自然语言，可用於摘要、問答、分類、撰寫、翻譯与流程辅助。
延遲，指使用者送出請求到系统回應的时間。AI 功能常需平衡模型能力、速度与成本。
机器学习，让系统从资料中学习规则与模式，不必完全依賴人工撰寫规则。
中繼资料，用來描述资料來源、时間、作者、分類、权限或状态，對搜寻、RAG 与治理很重要。
机器学习运维，管理模型部署、监控、版本、资料、測試与回滾，使 AI 系统能長期穩定運作。
模型漂移，指资料或環境改變後模型表现下降。需要透过监控、评估与重新训练处理。
模型监控，追蹤準確率、错誤率、延遲、成本、输出品质与異常行为。
模型路由，依任務、成本、速度或品质需求選擇不同模型，常用於多模型企业架構。
多模態 AI，能同时处理文字、圖片、声音、影片或表格等不同资料型態。
自然语言处理，让電腦理解、分析与产生人類语言，是 LLM、摘要、分類与問答的基礎領域。
神經网络，以多層節点学习资料特徵与关係，是深度学习模型的核心。
編排，安排多个模型、工具、资料來源与流程步驟的執行順序，常見於 AI Agent 与企业自動化。
參数，模型學到的內部数值。參数量通常影響模型能力与運算成本，但不是唯一品质指標。
可识别个人资料，例如姓名、電話、身分证字號、病歷或地址。AI 系统要避免未授權使用或外泄。
提示詞，使用者或系统給模型的指令与上下文。好的 prompt 需要明確目標、资料、格式与限制。
提示工程，設計 prompt、範例、限制与输出格式，使模型更穩定完成任務。
提示注入，攻擊者透过输入誘導模型忽略原本规则或泄漏资讯。需要输入检查、权限与工具防護。
Retrieval-Augmented Generation，先从知识庫或资料來源检索内容，再让 LLM 根據检索結果回答。
排序，依相关性、重要性或評分把結果排列，常用於搜寻、推荐、審查与资料检索。
推荐系统，依使用者行为、内容特徵或相似度提供產品、文章、服務或下一步建議。
強化学习，透过獎勵与回饋让模型学习行为策略，常見於控制、遊戲、机器人与模型對齊研究。
負责任 AI，強調公平、透明、安全、隐私、可解釋与可問責的 AI 使用原則。
检索，从资料庫、搜寻引擎或知识庫找出与問題相关的内容，是 RAG 的关鍵步驟。
语义搜寻，依意思与脈絡找资料，而不只靠完全相同的关鍵字。常搭配 embedding 与向量资料庫。
情緒分析，判斷文字中的正面、負面或中立情緒，可用於客服、評論、社群与問卷分析。
小型语言模型，規模較小、成本較低，适合邊緣設備、特定任務或需要更快回應的場景。
语音辨識，把语音轉成文字，可用於会議記錄、客服、字幕与语音操作。
结构化资料，有固定栏位与格式的资料，例如表單、资料庫表格、JSON-LD 与報表栏位。
監督式学习，使用有正確答案的资料训练模型，例如分類、預測与辨識。
合成资料，由系统产生的资料，可用於測試、训练或保護隐私，但仍需品质检查。
溫度，控制模型输出的隨機程度。溫度低通常較穩定，溫度高較有創意但更可能不一致。
模型处理文字的基本單位，可能是字、詞或片段。token 数会影響成本、速度与上下文容量。
工具呼叫，让 LLM 在需要时呼叫 API、资料庫、搜寻、計算或企业系统功能。
训练资料，用來建立或調整模型的资料。资料品质、授權与代表性会影響模型表现与风险。
一種以注意力機制为核心的模型架構，是现代 LLM 与許多生成式 AI 模型的基礎。
非结构化资料，沒有固定栏位的资料，例如 PDF、Email、圖片、音訊、影片与自由文字。
非監督式学习，使用沒有標籤的资料找出模式、群集或特徵。
向量资料庫，储存 embedding 並支援相似度搜寻，是許多 RAG 与语义搜寻架構的重要元件。
視覺语言模型，能同时理解圖片与文字，可用於圖片問答、文件理解、畫面分析与多模態流程。
工作流程自動化，把重複步驟、通知、審核、资料同步与報表產出交由系统執行。AI 可作为其中的判斷或摘要節点。
零樣本学习，模型在沒有特定範例或训练资料的情況下，直接依任務描述完成工作。