AI Agent
能依照目標規劃步驟、呼叫工具、讀寫資料並回報結果的 AI 系統。企業導入時要特別設計權限、紀錄、失敗處理與人工覆核。
能依照目標規劃步驟、呼叫工具、讀寫資料並回報結果的 AI 系統。企業導入時要特別設計權限、紀錄、失敗處理與人工覆核。
AI 治理，指企業對 AI 使用範圍、資料來源、風險、權限、審核與責任歸屬的管理制度。
AI 素養，指團隊理解 AI 能力、限制、風險與使用方法的程度，是企業導入 AI 前的重要基礎。
AI 導入準備度，評估流程、資料、系統、權限、人才與管理制度是否足以支撐 AI 專案落地。
AI 風險管理，包含錯誤輸出、資料外洩、偏見、合規、模型成本與維運風險的辨識、監控與改善。
AI 搜尋最佳化，讓網站內容、結構化資料與專業脈絡更容易被搜尋引擎與 AI 搜尋理解、摘要與引用。
演算法，是解決問題的一組步驟。AI 模型背後通常由多種演算法、資料與參數共同構成。
應用程式介面，讓不同系統彼此交換資料或呼叫功能。LLM 串接常透過 API 進行，但仍需權限、日誌與流程設計。
通用人工智慧，指可在多數任務上達到或超越人類泛化能力的 AI。現階段企業導入多以特定任務型 AI 為主。
注意力機制，是 Transformer 模型用來判斷輸入內容彼此關聯的重要方法，也是現代 LLM 的核心概念之一。
Answer Engine Optimization，讓內容更容易被回答型搜尋、AI 摘要與問答介面理解與引用的內容與技術最佳化。
常被用來表示 AI Engine Optimization 或 AI 搜尋最佳化，但市場定義尚未完全一致。實務上可搭配 AEO 與 SEO 一起說明。
偏見，指資料、模型或流程中的不平衡造成輸出偏差。企業應透過資料檢查、人工覆核與監測降低風險。
聊天機器人，透過對話介面回應使用者。現代 chatbot 可串接 LLM、知識庫、客服系統與企業流程。
切分資料，常用於 RAG，把文件拆成可檢索的小段落。切太細會失去脈絡，切太大會影響搜尋精準度。
分類，讓模型把資料歸到指定類別，例如案件類型、客服問題、文件主題或風險等級。
電腦視覺，讓系統理解圖片或影像內容，可用於瑕疵檢測、影像辨識、監控分析與醫療影像輔助。
上下文視窗，指 LLM 一次能讀取與處理的文字量。視窗越大不代表越準，仍需資料整理與提示設計。
資料治理，管理資料來源、品質、權限、版本、保留期限與責任歸屬，是 AI 可被信任的基礎。
資料標註，為資料加上正確答案或分類，常用於訓練、評估與改善模型。
資料管線，指資料從來源取得、清理、轉換、儲存到分析或模型使用的流程。
資料隱私，保護個人資料與敏感資訊不被未授權使用，是 AI 導入時必須納入的設計條件。
資料集，用於訓練、測試、評估或檢索的資料集合。資料品質會直接影響 AI 品質。
深度學習，使用多層神經網路從大量資料中學習特徵與模式，常見於語言、影像與語音模型。
擴散模型，常用於生成圖片、影片或音訊，透過逐步去噪產生新內容。
嵌入向量，把文字、圖片或資料轉成數值向量，方便進行語意搜尋、相似度比對與 RAG 檢索。
評估流程，用來測試 AI 輸出的正確性、穩定性、安全性與成本。企業專案應建立固定測試題與通過標準。
可解釋 AI，讓模型輸出或決策過程更容易被人理解，特別適合高風險或需稽核的流程。
微調，在既有模型上用特定資料再訓練，使其更貼近某個任務、語氣或分類需求。
基礎模型，使用大量資料預訓練，可被延伸到文字、影像、語音、程式或多模態任務。
生成式 AI，可產生文字、圖片、程式、摘要、音訊或影片。企業應搭配資料、權限與覆核流程使用。
圖形處理器，擅長平行運算，是訓練與推論大型 AI 模型常用的硬體。
防護欄，限制 AI 的輸入、輸出、工具呼叫與資料使用範圍，降低越權、錯誤或不安全內容風險。
幻覺，指 AI 產生看似合理但不正確或沒有根據的內容。RAG、來源引用與人工覆核可降低風險。
人在迴路中，保留人工審核、確認或修正節點，讓 AI 輔助流程而不是完全自動決策。
推論，模型接收輸入後產生輸出的過程。企業系統需關注推論速度、成本、穩定性與資料保護。
知識庫，集中管理文件、FAQ、規範、案例與內部知識，可搭配 RAG 提供有來源依據的回答。
大型語言模型，能理解與產生自然語言，可用於摘要、問答、分類、撰寫、翻譯與流程輔助。
延遲，指使用者送出請求到系統回應的時間。AI 功能常需平衡模型能力、速度與成本。
機器學習，讓系統從資料中學習規則與模式，不必完全依賴人工撰寫規則。
中繼資料，用來描述資料來源、時間、作者、分類、權限或狀態，對搜尋、RAG 與治理很重要。
機器學習維運，管理模型部署、監控、版本、資料、測試與回滾，使 AI 系統能長期穩定運作。
模型漂移，指資料或環境改變後模型表現下降。需要透過監控、評估與重新訓練處理。
模型監控，追蹤準確率、錯誤率、延遲、成本、輸出品質與異常行為。
模型路由，依任務、成本、速度或品質需求選擇不同模型，常用於多模型企業架構。
多模態 AI，能同時處理文字、圖片、聲音、影片或表格等不同資料型態。
自然語言處理，讓電腦理解、分析與產生人類語言，是 LLM、摘要、分類與問答的基礎領域。
神經網路，以多層節點學習資料特徵與關係，是深度學習模型的核心。
編排，安排多個模型、工具、資料來源與流程步驟的執行順序，常見於 AI Agent 與企業自動化。
參數，模型學到的內部數值。參數量通常影響模型能力與運算成本，但不是唯一品質指標。
可識別個人資料，例如姓名、電話、身分證字號、病歷或地址。AI 系統要避免未授權使用或外洩。
提示詞，使用者或系統給模型的指令與上下文。好的 prompt 需要明確目標、資料、格式與限制。
提示工程，設計 prompt、範例、限制與輸出格式，使模型更穩定完成任務。
提示注入，攻擊者透過輸入誘導模型忽略原本規則或洩漏資訊。需要輸入檢查、權限與工具防護。
Retrieval-Augmented Generation，先從知識庫或資料來源檢索內容，再讓 LLM 根據檢索結果回答。
排序，依相關性、重要性或評分把結果排列，常用於搜尋、推薦、審查與資料檢索。
推薦系統，依使用者行為、內容特徵或相似度提供產品、文章、服務或下一步建議。
強化學習，透過獎勵與回饋讓模型學習行為策略，常見於控制、遊戲、機器人與模型對齊研究。
負責任 AI，強調公平、透明、安全、隱私、可解釋與可問責的 AI 使用原則。
檢索，從資料庫、搜尋引擎或知識庫找出與問題相關的內容，是 RAG 的關鍵步驟。
語意搜尋，依意思與脈絡找資料，而不只靠完全相同的關鍵字。常搭配 embedding 與向量資料庫。
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、社群與問卷分析。
小型語言模型，規模較小、成本較低，適合邊緣設備、特定任務或需要更快回應的場景。
語音辨識，把語音轉成文字，可用於會議記錄、客服、字幕與語音操作。
結構化資料，有固定欄位與格式的資料，例如表單、資料庫表格、JSON-LD 與報表欄位。
監督式學習，使用有正確答案的資料訓練模型，例如分類、預測與辨識。
合成資料，由系統產生的資料，可用於測試、訓練或保護隱私，但仍需品質檢查。
溫度，控制模型輸出的隨機程度。溫度低通常較穩定，溫度高較有創意但更可能不一致。
模型處理文字的基本單位，可能是字、詞或片段。token 數會影響成本、速度與上下文容量。
工具呼叫，讓 LLM 在需要時呼叫 API、資料庫、搜尋、計算或企業系統功能。
訓練資料，用來建立或調整模型的資料。資料品質、授權與代表性會影響模型表現與風險。
一種以注意力機制為核心的模型架構，是現代 LLM 與許多生成式 AI 模型的基礎。
非結構化資料，沒有固定欄位的資料，例如 PDF、Email、圖片、音訊、影片與自由文字。
非監督式學習，使用沒有標籤的資料找出模式、群集或特徵。
向量資料庫，儲存 embedding 並支援相似度搜尋，是許多 RAG 與語意搜尋架構的重要元件。
視覺語言模型，能同時理解圖片與文字，可用於圖片問答、文件理解、畫面分析與多模態流程。
工作流程自動化，把重複步驟、通知、審核、資料同步與報表產出交由系統執行。AI 可作為其中的判斷或摘要節點。
零樣本學習，模型在沒有特定範例或訓練資料的情況下，直接依任務描述完成工作。