# HANDOFF — 科目一全 9 章 章節重點筆記頁（共 27 張） > 日期：2026-05-13 > 派工人：Heiter > 圖檔規格：16:9 / 2048x1152 > 性質：**新增頁**，獨立輸出到 `output4/recap/L21XXX/`（之後由 Heiter 建資料夾） > 對應資料來源：`chunks/L21101.txt` ~ `chunks/L21302.txt`（教材原文） ## 27 張清單 | # | 檔名 | 章 | 主題 | |---|---|---|---| | 1 | L21101_recap_p01_nlp_evolution_summary.png | L21101 | NLP 定義 + 四世代演進 + 前處理 5 法 | | 2 | L21101_recap_p02_word_embedding_summary.png | L21101 | 詞彙向量化五階段（離散→分布式→語境型） | | 3 | L21101_recap_p03_transformer_apps_summary.png | L21101 | Transformer / BERT / GPT + 應用 + 三層風險 | | 4 | L21102_recap_p01_cv_tasks_summary.png | L21102 | CV 五大任務 + 三階段演進 + 標註與前處理 | | 5 | L21102_recap_p02_cnn_detection_summary.png | L21102 | CNN 架構 + 知名模型 + 物件偵測 3 法 | | 6 | L21102_recap_p03_segmentation_apps_summary.png | L21102 | 影像分割（語意/實例）+ IOU + 四大應用 + 風險 | | 7 | L21103_recap_p01_genai_evolution_summary.png | L21103 | 生成式 vs 鑑別式 + 五階段演進 | | 8 | L21103_recap_p02_genai_tools_summary.png | L21103 | 文本/圖像/語音三大生成領域 + 工具 + 指標 | | 9 | L21103_recap_p03_genai_risk_summary.png | L21103 | 五大風險 + 五大未來趨勢 | | 10 | L21104_recap_p01_modality_summary.png | L21104 | 多模態定義 + 四種模態 + 三階段演進 | | 11 | L21104_recap_p02_clip_fusion_summary.png | L21104 | CLIP 對比學習 + ASR/NLU/TTS + Sensor Fusion | | 12 | L21104_recap_p03_multimodal_apps_summary.png | L21104 | 三大應用情境 + 風險挑戰 + 未來趨勢 | | 13 | L21201_recap_p01_eval_feasibility_summary.png | L21201 | 業務需求 + 技術可行性 + 成本效益（ROI/NPV/Payback） | | 14 | L21201_recap_p02_org_maturity_summary.png | L21201 | 數位資料成熟度 + 跨部門 + 預算資源 | | 15 | L21201_recap_p03_risk_poc_summary.png | L21201 | 法規/技術/組織風險 + 風險矩陣 + POC 設計 | | 16 | L21202_recap_p01_planning_resources_summary.png | L21202 | 規劃三原則 + 人力角色 + 硬體與工具 | | 17 | L21202_recap_p02_pm_methods_summary.png | L21202 | WBS / 甘特 / Sprint(Scrum) / 任務追蹤工具 | | 18 | L21202_recap_p03_mode_poc_summary.png | L21202 | 三種導入模式 + POC + 規劃成果整合 | | 19 | L21203_recap_p01_risk_types_summary.png | L21203 | 技術/組織/法規三層風險識別 | | 20 | L21203_recap_p02_compliance_summary.png | L21203 | GDPR / PDPA / HIPAA / PCI-DSS 法規對照 | | 21 | L21203_recap_p03_bias_mitigation_summary.png | L21203 | 偏見來源 + 四倫理原則 + 四控管策略 + MLOps 監控 | | 22 | L21301_recap_p01_data_collection_summary.png | L21301 | 內外部資料源 + 清理 + 品質 5 指標 | | 23 | L21301_recap_p02_feature_eng_summary.png | L21301 | 數值/類別處理 + 特徵選擇 + 降維 + AutoML | | 24 | L21301_recap_p03_model_choice_summary.png | L21301 | 六大模型族（迴歸/分類/非監督/深度/強化/生成） | | 25 | L21302_recap_p01_integration_arch_summary.png | L21302 | 系統集成 5 面向 + 微服務 + 容器化 K8s + API 封裝 | | 26 | L21302_recap_p02_deployment_modes_summary.png | L21302 | 公有雲/私有雲/邊緣/混合四部署模式 | | 27 | L21302_recap_p03_mlops_governance_summary.png | L21302 | CI/CD + 漂移監控 + 三層 KPI + 跨部門治理 | ## 共通負向約束 ``` 1. 嚴禁畫成科目一其他章節或科目二/科目三章節 — 本張限定該 L-code 範圍。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 下節見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁的字樣）。 3. 嚴禁右上角頁碼。 4. 教材原詞必須完整出現（含中英括號對照詞、公式符號）。 5. 不要把 BERT / GPT 訓練方式互換、不要把 Bagging / Boosting 互換、不要把 Agglomerative / Divisive 倒置、不要把 GAN 生成器與判別器搞錯、不要把語意/實例分割互換、不要把監督/非監督/強化式互換、不要把 GDPR/PDPA/HIPAA/PCI-DSS 適用範圍張冠李戴 — 這些是教材最常考的干擾陷阱，本頁是「重點速記」，所有對照必須完全正確。 ``` --- ## 張 1：L21101_recap_p01_nlp_evolution_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：自然語言處理（Natural Language Processing, NLP）、自然語言理解（Natural Language Understanding, NLU）、自然語言生成（Natural Language Generation, NLG）、規則式方法（Rule-based）、ELIZA、專家系統（Expert System）、統計語言模型（Statistical Language Models）、N-gram、隱馬可夫模型（Hidden Markov Model, HMM）、條件隨機場（Conditional Random Field, CRF）、深度學習模型、循環神經網路（Recurrent Neural Network, RNN）、長短期記憶網路（Long Short-Term Memory, LSTM）、門控循環單元（Gated Recurrent Unit, GRU）、預訓練語言模型（Pre-trained Language Models）、BERT、GPT、RoBERTa、T5、分詞（Tokenization）、詞性標注（Part-of-Speech Tagging, POS）、詞形還原（Lemmatization）、詞幹提取（Stemming）、停用詞移除（Stopword Removal）。 左上角標示「L21101」。主標題以黑色粗手寫體寫「L21101 重點速記 ① NLP 演進與前處理」，旁邊配小圖示（書本+對話泡泡 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 50% 高）】 標題「① 考點地圖｜NLP 三大任務 + 四世代演進」。用手繪編號縱向列出： - ① NLP 三大任務 — 綠色「核心架構」標籤；一句話：「理解 Understand / 處理 Process / 生成 Generate；NLU=理解端、NLG=生成端、NLP=總稱」 - ② 第一階段 規則式（1980s-1990s）— 棕色「手工規則」標籤；一句話：「ELIZA、專家系統；高可解釋但擴展性差」 - ③ 第二階段 統計語言模型（1990s-2010s）— 藍色「機率建模」標籤；一句話：「N-gram、HMM、CRF；自動學習但無深層語意」 - ④ 第三階段 深度學習（2010s）— 紫色「序列建模」標籤；一句話：「RNN/LSTM/GRU；解決長距依賴但難並行」 - ⑤ 第四階段 預訓練語言模型（2018-至今）— 橙色「Transformer 預訓練」標籤；一句話：「BERT/GPT/RoBERTa/T5；遷移學習主流」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 50% 高）】 標題「② 易混淆比較表｜NLP / NLU / NLG 與前處理」。用手繪表格列 4 組對照： - 對照組 1：**NLP vs NLU vs NLG** — NLP 是**總稱**（涵蓋所有語言技術）；NLU 是「**理解**」階段（意圖辨識、NER、情感分析）；NLG 是「**生成**」階段（自動摘要、回應生成、報告撰寫）。**別把 NLU 和 NLG 任務寫反**（紅字底線） - 對照組 2：**詞形還原 Lemmatization vs 詞幹提取 Stemming** — Lemmatization **靠語法規則與字典**還原為字典形（running→run），語意保留好；Stemming **靠字首字尾裁剪**（happiness→happi），快但結果不一定為有效單字 - 對照組 3：**RNN vs LSTM vs GRU** — RNN 有梯度消失問題；LSTM **引入記憶單元與門控機制**捕捉長距依賴；GRU 是 LSTM 簡化版，**整合部分門控**運算更快 - 對照組 4：**N-gram vs HMM vs CRF** — N-gram 計算詞彙共現機率；HMM 推測**隱藏狀態**（語音辨識、詞性標注）；CRF 是**圖形模型**用於序列標注（NER 常用） 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 30% 高）】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - NLP 三層：「Understand / Process / Generate；NLU 理解 + NLG 生成 = NLP 總稱」 - 規則式：「ELIZA + 專家系統 = 高解釋但僵化」 - 統計模型：「N-gram + HMM + CRF = 機率自動學但無深層語意」 - 深度學習：「RNN/LSTM/GRU = 解決長距依賴但難並行」 - 預訓練模型：「BERT/GPT + Transformer = 預訓練再微調的主流範式」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 30% 高，暖黃色重點框）】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **NLU = 理解端**（意圖辨識、NER）；**NLG = 生成端**（摘要、回應）；別把任務寫反！ - ★ **HMM 處理「隱藏狀態」**，常用於詞性標注與語音辨識；**CRF 是圖形模型**用於序列標注（如 NER） - ★ **LSTM 解決 RNN 梯度消失**，GRU 是 LSTM 簡化版而非 RNN 簡化版 - ★ **前處理 5 法順序**：分詞 Tokenization → 詞性標注 POS → 詞形還原/詞幹提取 → 停用詞移除；中文需斷詞字典輔助 - ★ **Lemmatization 保留字典形（run）**；**Stemming 可能裁出無效單字（happi）**；別把優缺點互換 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21102 / L21103 / L21104 等其他章節 — 本章是 L21101。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 NLU / NLG 任務寫反、不要把 LSTM / GRU 簡化關係寫反、不要把 HMM 與 CRF 應用倒置 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21101_recap_p01_nlp_evolution_summary.png ``` --- ## 張 2：L21101_recap_p02_word_embedding_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：詞彙向量化（Word Vectorization）、文字表示學習（Representation Learning）、One-hot Encoding、Bag of Words（BoW）、tf-idf（Term Frequency-Inverse Document Frequency）、TF、IDF、N-grams、Bi-grams、Tri-grams、分布式詞嵌入（Distributed Word Embedding）、Word2Vec、CBOW（Continuous Bag of Words）、Skip-gram、GloVe（Global Vectors for Word Representation）、FastText、子詞（subwords）、OOV（Out-of-Vocabulary）、語境型詞嵌入（Contextualized Word Embeddings）、ELMo（Embeddings from Language Models）、雙向 LSTM（BiLSTM）、BERT（Bidirectional Encoder Representations from Transformers）、Masked Language Model（MLM）、GPT（Generative Pre-trained Transformer）、自迴歸（Autoregressive）、語境型表示（Contextual Representation）、非語境型表示（Non-contextual Representation）、分布式表示（Distributed Representation）。 公式符號鎖定：TF $\mathrm{TF}(t,d) = \frac{該詞\,t\,在文件\,d\,中出現次數}{文件\,d\,中總詞彙數}$；IDF $\mathrm{IDF}(t,D) = \log\left(\frac{|D|}{|\{d \in D : t \in d\}|}\right)$；tf-idf $= \mathrm{TF} \times \mathrm{IDF}$；Word2Vec 語意推理「king - man + woman ≈ queen」。 左上角標示「L21101」。主標題以黑色粗手寫體寫「L21101 重點速記 ② 詞彙向量化五階段」，旁邊配小圖示（向量空間 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高）】 標題「① 考點地圖｜文字表示 5 階段」。用 5 個圓圈手繪編號縱向列出： - ① 純離散表示 — 紅色「稀疏 / 無語意」標籤；一句話：「One-hot Encoding、Bag of Words；維度高、無語意關聯」 - ② 統計型表示 — 橙色「詞頻權重」標籤；一句話：「tf-idf = TF × IDF；強調重要詞、忽略上下文」 - ③ 統計共現表示 — 黃色「有限分布性」標籤；一句話：「N-grams（Bi-grams/Tri-grams）；保留語序但長句稀疏」 - ④ 靜態詞嵌入（分布式 + 非語境型）— 綠色「語意空間」標籤；一句話：「Word2Vec / GloVe / FastText；每詞固定向量、無法處理多義」 - ⑤ 語境型詞嵌入（分布式 + 動態語境）— 藍色「上下文動態」標籤；一句話：「ELMo / BERT / GPT；同詞不同語境有不同向量」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高）】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**One-hot vs Bag of Words vs tf-idf** — One-hot 每詞單一位置為 1；BoW **計算詞頻**忽略順序；tf-idf 結合**詞頻 TF + 稀有度 IDF**，能強調關鍵詞 - 對照組 2：**Word2Vec CBOW vs Skip-gram** — CBOW 用**上下文預測中心詞**（訓練快、適合小語料）；Skip-gram 用**中心詞預測上下文**（對低頻詞更有效、語意捕捉好）。**別搞反方向！**（紅字底線） - 對照組 3：**Word2Vec vs GloVe** — Word2Vec **基於局部上下文**（神經網路學共現）；GloVe **用全局共現矩陣分解**（統計+矩陣分解）；兩者都是**靜態詞向量** - 對照組 4：**靜態 vs 語境型詞嵌入** — Word2Vec/GloVe/FastText 是**靜態**（同詞同向量，無法處理 bank=銀行/河岸）；ELMo/BERT/GPT 是**語境型**（同詞依語境動態變化）（紅字底線） - 對照組 5：**FastText 的優勢** — 把詞切成 **n-gram 子詞**（playing→pla,lay,ayi,yin,ing），可處理 **OOV 未見過的新詞** 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高）】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 純離散：「One-hot + BoW = 稀疏 + 無語意 + 無語序」 - 統計型：「tf-idf = TF × IDF；強調關鍵詞，但無語境」 - N-grams：「保留短期語序，但長句稀疏 + 維度爆炸」 - 靜態詞嵌入：「Word2Vec/GloVe/FastText = 分布式向量 + 不處理多義」 - 語境型：「ELMo/BERT/GPT = 動態向量 + 解決多義詞 + 高算力」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框）】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **CBOW = 上下文預測中心詞**；**Skip-gram = 中心詞預測上下文**；別搞反！ - ★ **tf-idf = TF × IDF**；IDF 取 log，越稀有的詞 IDF 越高 - ★ **GloVe 用「全局共現矩陣分解」**，Word2Vec 用「局部上下文」，別把方法寫反 - ★ **「king - man + woman ≈ queen」** 是 Word2Vec 經典語意推理案例 - ★ **靜態詞嵌入無法處理多義詞**（bank 銀行 vs 河岸都同一向量）；要靠 BERT/ELMo/GPT 等語境型嵌入才能區分 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式以手寫公式框呈現並保持符號正確。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21102 / L21103 / L21104 等其他章節 — 本章是 L21101。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 CBOW / Skip-gram 方向搞反、不要把 Word2Vec 與 GloVe 訓練機制互換、不要把靜態/語境型分類搞錯 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21101_recap_p02_word_embedding_summary.png ``` --- ## 張 3：L21101_recap_p03_transformer_apps_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：Transformer、自注意力機制（Self-Attention）、Encoder-Decoder 架構、全平行架構（Fully Parallel Architecture）、長距離依賴（Long-Range Dependencies）、BERT（Bidirectional Encoder Representations from Transformers）、雙向 Transformer 編碼器、Masked Language Model（MLM）、Next Sentence Prediction（NSP）、GPT（Generative Pre-trained Transformer）、自迴歸預測（Autoregressive Prediction）、單向 Transformer Decoder、預訓練再微調（Pre-train and Fine-tune）、Prompt-based Learning、Few-shot Learning、Zero-shot Learning、檢索增強生成（Retrieval-Augmented Generation, RAG）、低秩自適應（Low-Rank Adaptation, LoRA）、文字分類（Text Classification）、情感分析（Sentiment Analysis）、對話系統（Chatbot）、機器翻譯（Machine Translation）、命名實體辨識（Named Entity Recognition, NER）、關係抽取（Relation Extraction）、資料隱私、模型偏見（Model Bias）、WEAT（Word Embedding Association Test）、模型幻覺（Model Hallucination）、拉普拉斯平滑、匿名化（Anonymization）、去識別化（De-identification）。 左上角標示「L21101」。主標題以黑色粗手寫體寫「L21101 重點速記 ③ Transformer / BERT / GPT + 應用 + 三層風險」，旁邊配小圖示（齒輪+腦圖 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高）】 標題「① 考點地圖｜Transformer 系列 + 應用 + 風險」。用手繪編號縱向列出： - ① Transformer 三大核心 — 紫色「2017 Google」標籤；一句話：「Self-Attention（全局語境）+ Encoder-Decoder + 全平行架構，解決長距依賴 + 並行加速」 - ② BERT — 藍色「雙向理解」標籤；一句話：「雙向 Transformer Encoder + MLM + NSP；擅長理解類（分類/QA/NER）」 - ③ GPT — 橙色「單向生成」標籤；一句話：「單向 Transformer Decoder + Autoregressive；擅長文本生成、對話、續寫」 - ④ Prompt-based 學習 — 綠色「少 / 零樣本」標籤；一句話：「Few-shot 給少量示例 / Zero-shot 全無示例；填空問答格式即用」 - ⑤ 強化技術 — 紅色「外掛優化」標籤；一句話：「RAG 外部知識檢索 / LoRA 低秩微調節省資源」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高）】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**BERT vs GPT 訓練方式** — BERT = **雙向 Transformer Encoder**，用 **MLM 遮蔽預測 + NSP 句子關聯**；GPT = **單向 Transformer Decoder**，用 **Autoregressive 自迴歸預測**。**別把雙向/單向搞反！**（紅字底線） - 對照組 2：**BERT vs GPT 應用領域** — BERT 擅長**理解類任務**（分類、QA、NER、資訊擷取）；GPT 擅長**生成類任務**（對話、摘要、翻譯、續寫） - 對照組 3：**Few-shot vs Zero-shot** — Few-shot 提供**少量示例**輔助任務學習；Zero-shot **完全無示例**靠原有語言理解直接輸出（紅字底線） - 對照組 4：**RAG vs LoRA** — RAG **整合外部知識檢索**提升回答事實性（適合知識問答）；LoRA **加輕量參數做高效微調**節省算力（適合邊緣部署） - 對照組 5：**去識別化 vs 匿名化** — 去識別化「**部分保留可識別性**」（代碼替換可還原）；匿名化「**徹底移除無法再識別**」（用於開放資料）（紅字底線） 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高）】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - Transformer：「Self-Attention + Encoder-Decoder + 全平行 = 長距依賴 + 並行加速」 - BERT：「雙向 Encoder + MLM = 理解類任務王者（分類/QA/NER）」 - GPT：「單向 Decoder + 自迴歸 = 生成類任務王者（對話/續寫/翻譯）」 - Prompt 學習：「Few-shot 給示例 / Zero-shot 全無示例；無需重訓即用」 - 三層風險：「資料層（隱私/偏見/版權）/ 模型層（Bias/公平）/ 應用層（幻覺/語意誤判）」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框）】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **BERT = 雙向 Encoder + MLM**；**GPT = 單向 Decoder + 自迴歸**；別把方向 / 任務互換！ - ★ **Self-Attention 解決 RNN 無法捕捉長距依賴**，且可全平行計算（不像 RNN 必須逐字處理） - ★ **Zero-shot = 完全無示例**；**Few-shot = 少量示例**；別與微調（Fine-tuning）混 - ★ **模型幻覺（Hallucination）= 模型編出看似正確但虛假的內容**（如「法國首都柏林」），需事實檢查 - ★ **WEAT 是檢測詞嵌入偏見的工具**；拉普拉斯平滑用於樸素貝氏零機率，別張冠李戴 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21102 / L21103 / L21104 等其他章節 — 本章是 L21101。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 BERT / GPT 雙向單向 / Encoder-Decoder 互換、不要把 Few-shot / Zero-shot 互換、不要把 RAG / LoRA 功能寫反 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21101_recap_p03_transformer_apps_summary.png ``` --- ## 張 4：L21102_recap_p01_cv_tasks_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：電腦視覺（Computer Vision, CV）、影像分類（Image Classification）、物件偵測（Object Detection）、語意分割（Semantic Segmentation）、實例分割（Instance Segmentation）、影像生成與合成（Image Generation & Synthesis）、特徵工程（Feature Engineering）、Canny、SIFT、SURF、ORB、SVM、KNN、隨機森林、AlexNet、ImageNet、VGGNet、GoogLeNet、ResNet、DenseNet、YOLO、Faster R-CNN、FCN、U-Net、FaceNet、CLIP（Contrastive Language-Image Pre-Training）、Vision Transformer（ViT）、DALL·E、Stable Diffusion、Midjourney、SAM（Segment Anything Model）、Ground Truth、類別標籤（Label）、邊界框（Bounding Box）、像素遮罩、關鍵點標注（Keypoint Annotation）、OCR、LabelImg、CVAT、Roboflow、Resize、Padding、Cropping、Pixel Normalization、直方圖均衡化、Gamma 校正、資料擴增（Data Augmentation）、自動化標註（Auto-labeling）、半監督式學習、主動學習。 左上角標示「L21102」。主標題以黑色粗手寫體寫「L21102 重點速記 ① CV 任務 + 演進 + 標註前處理」，旁邊配小圖示（相機+眼睛 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 50% 高)】 標題「① 考點地圖｜CV 五大任務 + 三階段演進」。用手繪編號縱向列出： - ① CV 五大任務 — 紫色「核心任務」標籤；一句話：「影像分類 → 物件偵測 → 語意分割 → 實例分割 → 影像生成」 - ② 早期階段（1980s-2010）— 棕色「特徵工程」標籤；一句話：「Canny 邊緣 / SIFT/SURF/ORB 特徵點 + SVM/KNN/RF 傳統分類器，依賴人工設計」 - ③ CNN 革命（2012-2020）— 藍色「深度學習」標籤；一句話：「2012 AlexNet 奪 ImageNet 冠軍；VGG/GoogLeNet/ResNet/DenseNet 接力，自動學特徵」 - ④ 多模態與生成式（2020-至今）— 橙色「跨模態」標籤；一句話：「CLIP 圖文對齊 / ViT 視覺 Transformer / DALL·E / Stable Diffusion / SAM」 - ⑤ 影像標註與前處理 — 綠色「資料品質」標籤；一句話：「依任務選標註法（Label/BBox/像素遮罩/Keypoint）+ Resize/正規化/資料擴增」 【區塊 B — 易混淆對照（右上，佔約 60% 寬 × 50% 高)】 標題「② 易混淆對照｜A vs B 純對比」。**版面鎖死純 2 欄手繪表格**，每列只放一組「易混 A vs 易混 B」的兩兩對比，**嚴禁出現 3 個以上並列項目**，也**嚴禁把「分類/偵測/語意/實例」4 任務、「Label/BBox/Mask/Keypoint」5 標註方式等並列列舉塞進此區**（那些已在區塊 A 考點地圖呈現）。表格欄位設計：第 1 欄「易混 A」、第 2 欄「易混 B」、第 3 欄「差異關鍵」（紅字底線重點詞）。共 4 列： - 對照 1：**語意分割（Semantic Segmentation）** vs **實例分割（Instance Segmentation）** — 差異：語意「每像素標類別、**同類不分實體**」；實例「每像素標類別 + **不同實體分開**（車 A、車 B）」 - 對照 2：**CNN** vs **ViT（Vision Transformer）** — 差異：CNN「依賴**卷積核擷取局部特徵**」；ViT「借鑒 **NLP Transformer 架構**、將圖切 patch」 - 對照 3：**SAM（Segment Anything Model）** vs **SVM（Support Vector Machine）** — 差異：SAM「Meta 推出的**影像分割模型**、強調可遷移性」；SVM「**傳統機器學習分類器**」（紅字提醒：縮寫像、別搞混） - 對照 4：**CLIP** vs **ViT** — 差異：CLIP「**圖文對齊跨模態**（影像+文字）」；ViT「**純視覺 Transformer**」（紅字提醒：CLIP ≠ ViT） 每組對照之間用細虛線分隔，左右兩欄寬度相近，第 3 欄差異關鍵以紅字底線標出最常考的關鍵詞。 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 30% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 五大任務：「分類（標籤）→ 偵測（框）→ 語意分割（像素）→ 實例分割（像素+ID）→ 生成」 - 早期 CV：「Canny 邊緣 + SIFT 特徵點 + SVM 分類 = 手工特徵主導」 - 2012 轉折：「AlexNet 奪 ImageNet 冠軍 = CNN 時代起點」 - 2020 新階段：「CLIP / ViT / DALL·E / SAM = 跨模態 + 生成式」 - 前處理：「Resize + 正規化 + Data Augmentation = 強化泛化抗過擬合」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 30% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **語意分割 = 每像素分類但不區分實體**；**實例分割 = 每像素分類 + 區分不同實體**；別搞反！ - ★ **2012 AlexNet 在 ImageNet 競賽勝出**是 CV 從傳統特徵工程進入 CNN 時代的標誌點 - ★ **SAM 是 Meta 推的影像分割模型**，強調可遷移性與普適性；別與 SVM 搞混 - ★ **Data Augmentation（翻轉/旋轉/裁剪/色彩偏移）= 強化泛化、對抗過擬合**；通常與訓練同步 - ★ **CLIP 跨模態（影像+文字）**；CLIP ≠ ViT；ViT 是純視覺 Transformer 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21101 / L21103 / L21104 等其他章節 — 本章是 L21102。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把語意分割 / 實例分割定義互換、不要把 SAM 與 SVM 搞混、不要把 CLIP 寫成純視覺模型 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 5. **區塊 B 易混淆對照** 嚴禁退化成「N 項並列列舉表」— 必須是純 2 欄「左 A vs 右 B + 差異關鍵」結構，每列只放真正會混淆的兩個概念；3 個以上並列項目一律放區塊 A，不要塞進此區。 輸出檔名：L21102_recap_p01_cv_tasks_summary.png ``` --- ## 張 5：L21102_recap_p02_cnn_detection_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：卷積神經網路（Convolutional Neural Network, CNN）、卷積層（Convolutional Layer）、特徵圖（Feature Map）、池化層（Pooling Layer）、最大池化（Max Pooling）、激活層（Activation Layer）、ReLU、全連接層（Fully Connected Layer）、Softmax、Dropout、殘差結構（Residual Connection）、LeNet、AlexNet、VGG、ResNet、Top-5 錯誤率（Top-5 Error）、混淆矩陣（Confusion Matrix）、準確率（Accuracy）、YOLO（You Only Look Once）、Faster R-CNN、Region Proposal Network（RPN）、SSD（Single Shot Multibox Detector）、Bounding Box、人臉辨識、車牌辨識（Automatic Number Plate Recognition, ANPR）、工業瑕疵檢測。 公式符號鎖定：Top-5 錯誤率「真實類別位於模型預測的前五名內即視為正確」。 左上角標示「L21102」。主標題以黑色粗手寫體寫「L21102 重點速記 ② CNN 架構 + 物件偵測 3 法」，旁邊配小圖示（神經網路 + 框框 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜CNN 5 層架構 + 物件偵測 3 法」。用手繪編號縱向列出： - ① CNN 5 層架構 — 藍色「特徵自動萃取」標籤；一句話：「卷積層 → 池化層 → 激活層（ReLU）→ 全連接層 → 輸出層（Softmax）」 - ② 4 大知名 CNN 模型 — 紫色「歷代演進」標籤；一句話：「LeNet（5 層手寫數字）/ AlexNet（8 層 ReLU+Dropout）/ VGG（深度+3×3 小卷積）/ ResNet（152 層+殘差解梯度消失）」 - ③ YOLO — 橙色「即時偵測」標籤；一句話：「基於迴歸一次預測 BBox + 類別；速度快適合即時」 - ④ Faster R-CNN — 綠色「高準度」標籤；一句話：「RPN 生成候選框 + 分類迴歸；準確度高但速度較慢」 - ⑤ SSD — 紅色「平衡型」標籤；一句話：「Single Shot Multibox + 多尺度特徵；速度與準確度平衡」 【區塊 B — 易混淆對照（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆對照｜A vs B 純對比」。**版面鎖死純 2 欄手繪表格**，每列只放一組「易混 A vs 易混 B」的兩兩對比，**嚴禁出現 3 個以上並列項目**，也**嚴禁把 CNN 5 層、YOLO/Faster R-CNN/SSD 等並列列舉塞進此區**（那些已在區塊 A 考點地圖呈現）。表格欄位設計：第 1 欄「易混 A」、第 2 欄「易混 B」、第 3 欄「差異關鍵」（紅字底線重點詞）。共 4 列： - 對照 1：**YOLO** vs **Faster R-CNN** — 差異：YOLO「**一階段迴歸、速度王**、適合即時偵測（人臉/車牌）」；Faster R-CNN「**兩階段（RPN+分類）、準度王**、適合精密檢測」（紅字底線：速度 vs 準度，別寫反） - 對照 2：**ResNet** vs **VGG** — 差異：ResNet「引入**殘差結構（Residual Connection）解梯度消失**、可堆 152 層」；VGG「**深度 + 3×3 小卷積**強化表現、但深度受梯度消失限制」（紅字提醒：ResNet 解的是梯度消失、不是 Dropout） - 對照 3：**Top-5 錯誤率** vs **Accuracy** — 差異：Top-5「**真實類別位於模型預測前 5 名內即算對**」（ImageNet 1000 類常用）；Accuracy「**預測正確 / 總樣本**」 - 對照 4：**ReLU** vs **Sigmoid** — 差異：ReLU「**AlexNet 引入、解梯度消失**、計算快」；Sigmoid「容易**梯度消失**、不適合深層網路」（紅字提醒：AlexNet 用的是 ReLU + Dropout，不是 Sigmoid 或 Batch Norm） 每組對照之間用細虛線分隔，左右兩欄寬度相近，第 3 欄差異關鍵以紅字底線標出最常考的關鍵詞。 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - CNN 5 層：「卷積（局部特徵）→ 池化（降維）→ 激活（非線性）→ 全連接 → 輸出」 - LeNet/AlexNet：「LeNet 早期手寫；AlexNet 2012 奪冠 = CNN 時代開端」 - VGG/ResNet：「VGG 深 + 3×3 小卷積；ResNet 殘差 152 層解梯度消失」 - YOLO：「一階段迴歸 = 即時應用首選（人臉/車牌/即時影像）」 - Faster R-CNN：「兩階段（RPN+分類）= 高準度（精密檢測首選）」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **CNN 五層順序**：卷積 → 池化 → 激活 → 全連接 → 輸出；別搞錯位置！ - ★ **ResNet 引入殘差結構解梯度消失**，允許 152 層深；別說是用 Dropout 解 - ★ **YOLO = 速度王 / Faster R-CNN = 準度王 / SSD = 平衡**；別把速度/準度的權衡寫反 - ★ **Top-5 錯誤率「真實類在前 5 名內即算對」**，常用於 ImageNet（1000 類），別與 Accuracy 混 - ★ **AlexNet 用 ReLU 激活 + Dropout 正則化**；別寫成 Sigmoid 或 Batch Norm 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21101 / L21103 / L21104 等其他章節 — 本章是 L21102。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 YOLO / Faster R-CNN 速度準度權衡寫反、不要把 ResNet 寫成解 Dropout、不要把 CNN 層級順序搞錯 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 5. **區塊 B 易混淆對照** 嚴禁退化成「N 項並列列舉表」— 必須是純 2 欄「左 A vs 右 B + 差異關鍵」結構，每列只放真正會混淆的兩個概念；3 個以上並列項目一律放區塊 A，不要塞進此區。 輸出檔名：L21102_recap_p02_cnn_detection_summary.png ``` --- ## 張 6：L21102_recap_p03_segmentation_apps_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：影像分割（Image Segmentation）、語意分割（Semantic Segmentation）、實例分割（Instance Segmentation）、FCN（Fully Convolutional Network）、上採樣層（Upsampling Layer）、U-Net、跳躍連接（Skip Connections）、編碼器（Encoder）、解碼器（Decoder）、Mask R-CNN、Faster R-CNN、IOU（Intersection over Union）、人臉辨識、車牌辨識（ANPR）、工業瑕疵偵測、影像分類（醫療）、影像分割（醫療）、自動駕駛（Autonomous Driving）、車道線偵測（Lane Detection）、多模態融合（Multimodal Fusion）、雷達、LiDAR、擴增實境（Augmented Reality, AR）、虛擬實境（Virtual Reality, VR）、模型偏見、誤檢（False Positive）、漏檢（False Negative）、Bias Audit、AUC、精確度、召回率、邊緣設備、MobileNet、YOLOv5-Nano、資料漂移（Data Drift）、MLOps、GDPR、HIPAA、個人識別資料（PII）。 公式符號鎖定：IOU $= \frac{Area_{Intersection}}{Area_{Union}}$，範圍 0 到 1，通常 >0.5 或 >0.7 視為成功預測。 左上角標示「L21102」。主標題以黑色粗手寫體寫「L21102 重點速記 ③ 影像分割 + 四大應用 + 風險」，旁邊配小圖示（分割遮罩+齒輪 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜分割 3 模型 + 4 應用領域 + 3 大風險」。用手繪編號縱向列出： - ① FCN — 紫色「全卷積」標籤；一句話：「Fully Convolutional + 上採樣 Upsampling 還原像素級分類；端到端訓練」 - ② U-Net — 藍色「醫療專用」標籤；一句話：「對稱 Encoder-Decoder + Skip Connections，醫療影像分割王者」 - ③ Mask R-CNN — 綠色「實例分割」標籤；一句話：「Faster R-CNN 擴展 + 二進制 mask 分支 = 物件偵測 + 像素分割」 - ④ 四大應用 — 橙色「實務情境」標籤；一句話：「監控安防（人臉/ANPR）/ 醫療（CT/MRI 分類分割）/ 智慧製造零售 / AR/VR/ 自駕」 - ⑤ 三大風險 — 紅色「導入挑戰」標籤；一句話：「資料隱私合規（GDPR/HIPAA/PII）/ 模型偏見公平性 / 部署維運（資料漂移/算力）」 【區塊 B — 易混淆對照（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆對照｜A vs B 純對比」。**版面鎖死純 2 欄手繪表格**，每列只放一組「易混 A vs 易混 B」的兩兩對比，**嚴禁出現 3 個以上並列項目**，也**嚴禁把「FCN/U-Net/Mask R-CNN」三模型並列、模型偏見 3 大來源等列舉塞進此區**（那些已在區塊 A 考點地圖呈現）。表格欄位設計：第 1 欄「易混 A」、第 2 欄「易混 B」、第 3 欄「差異關鍵」（紅字底線重點詞）。共 4 列： - 對照 1：**FCN** vs **U-Net** — 差異：FCN「**Fully Convolutional + 上採樣 Upsampling**、端到端基礎語意分割」；U-Net「**對稱 Encoder-Decoder + Skip Connections**、醫療影像不平衡資料專用」 - 對照 2：**U-Net** vs **Mask R-CNN** — 差異：U-Net「**語意分割**（每像素分類、不分實體）」；Mask R-CNN「**實例分割**（基於 Faster R-CNN + mask 分支、區分不同實體）」（紅字底線：語意 vs 實例，別把用途互換） - 對照 3：**False Positive（誤檢）** vs **False Negative（漏檢）** — 差異：FP「**將健康人誤診為病人**」（多餘檢查）；FN「**未偵測到瑕疵、不良品流入市場**」（紅字底線：別把例子寫反） - 對照 4：**GDPR** vs **HIPAA** — 差異：GDPR「**歐盟一般個資保護**（個人識別資料 PII：人臉/車牌/住址）」；HIPAA「**美國醫療資訊保護法**（病歷與健康資料）」 每組對照之間用細虛線分隔，左右兩欄寬度相近，第 3 欄差異關鍵以紅字底線標出最常考的關鍵詞。IOU 公式與 >0.5/0.7 門檻保留在區塊 C 一句話結論或區塊 D 考前提醒，不放此區。 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - FCN：「全卷積 + 上採樣 = 端到端語意分割基礎」 - U-Net：「Encoder-Decoder 對稱 + Skip Connections = 醫療影像王者」 - Mask R-CNN：「Faster R-CNN + mask 分支 = 實例分割（檢測+像素）」 - IOU：「交集/聯集；>0.5 或 0.7 = 成功預測」 - 三層風險：「資料隱私（PII/GDPR/HIPAA）/ 模型偏見 / 部署維運（漂移+算力）」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **U-Net = Encoder-Decoder 對稱 + Skip Connections**，**專為醫療影像不平衡資料設計** - ★ **Mask R-CNN = Faster R-CNN 擴展 + mask 分支**，做**實例分割**（不是純語意分割） - ★ **IOU 公式：交集面積 / 聯集面積**；別寫成「交集/真實面積」或「交集/預測面積」 - ★ **個人識別資料（PII）**包含人臉、車牌、住址；GDPR / HIPAA 是主要法規 - ★ **邊緣部署需用輕量模型**（MobileNet / YOLOv5-Nano）；資料漂移要靠 MLOps 監控 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式以手寫公式框呈現並保持符號正確。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21101 / L21103 / L21104 等其他章節 — 本章是 L21102。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 U-Net / Mask R-CNN 用途互換、不要把 IOU 公式分母寫成「真實面積」或「預測面積」、不要把 False Positive / False Negative 例子寫反 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 5. **區塊 B 易混淆對照** 嚴禁退化成「N 項並列列舉表」— 必須是純 2 欄「左 A vs 右 B + 差異關鍵」結構，每列只放真正會混淆的兩個概念；3 個以上並列項目（FCN/U-Net/Mask R-CNN 三模型、模型偏見 3 大來源等）一律放區塊 A，不要塞進此區。 輸出檔名：L21102_recap_p03_segmentation_apps_summary.png ``` --- ## 張 7：L21103_recap_p01_genai_evolution_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：生成式人工智慧（Generative Artificial Intelligence, Generative AI）、鑑別式 AI（Discriminative AI）、感知 AI（Perception AI）、生成式 AI、代理式 AI（Agentic AI）、物理 AI（Physical AI）、變分自編碼器（Variational Autoencoder, VAE）、變分推斷（Variational Inference）、潛在分佈（Latent Distribution）、RNN、對抗生成網路（Generative Adversarial Network, GAN）、生成器（Generator）、判別器（Discriminator）、DCGAN、CycleGAN、StyleGAN、模式崩潰（Mode Collapse）、Transformer、自注意力機制（Self-Attention）、大型語言模型（Large Language Model, LLM）、BERT、GPT、T5、擴散模型（Diffusion Models）、Denoising Diffusion Probabilistic Models（DDPM）、Stable Diffusion、DALL·E、Flamingo、Gemini、CLIP、跨模態對齊、巨型模型、Agentic、Autonomous Agent、指令驅動（Instruction Tuning）、RAG、記憶功能、ChatGPT、Claude、Gemini、LLaMA、Mistral、Command-R。 左上角標示「L21103」。主標題以黑色粗手寫體寫「L21103 重點速記 ① 生成式 vs 鑑別式 + 五階段演進」，旁邊配小圖示（魔法棒+創作 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜AI 四階段 + 生成式五演進」。用手繪編號縱向列出： - ① 黃仁勳 AI 四階段 — 紫色「2025 CES」標籤；一句話：「Perception AI → Generative AI → Agentic AI → Physical AI」 - ② 第一階段 VAE / RNN（2013-2015）— 棕色「初期探索」標籤；一句話：「變分推斷學潛在分佈；生成模糊、訓練困難」 - ③ 第二階段 GAN 時代（2014-2020）— 藍色「對抗訓練」標籤；一句話：「生成器 vs 判別器；DCGAN/CycleGAN/StyleGAN；訓練不穩定」 - ④ 第三階段 Transformer 崛起（2017-）— 綠色「自注意力」標籤；一句話：「Self-Attention 全局語境；BERT/GPT/T5 LLM 主導」 - ⑤ 第四階段 擴散與多模態（2020-）— 橙色「逐步去噪」標籤；一句話：「Stable Diffusion / DALL·E / Flamingo / Gemini；CLIP 跨模態對齊」 - ⑥ 第五階段 巨型模型 + Agent 化（2023-至今）— 紅色「代理化」標籤；一句話：「GPT-4 / Gemini 1.5；指令驅動 + 工具整合 + RAG」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**生成式 AI vs 鑑別式 AI** — 生成式「**學分佈創造新樣本**」（GPT/VAE/GAN/Diffusion）；鑑別式「**辨識分類預測**」（SVM/決策樹/RF/Logistic Regression）。**目標完全不同！**（紅字底線） - 對照組 2：**GAN 兩大核心** — **生成器（Generator）創造偽造樣本** vs **判別器（Discriminator）判真偽**；對抗訓練、形成動態平衡；**別搞錯誰生成誰判斷**（紅字底線） - 對照組 3：**VAE vs GAN vs Diffusion** — VAE「**變分推斷學潛在分佈**」（結構好但生成模糊）；GAN「**對抗訓練**」（寫實但易模式崩潰）；Diffusion「**逐步去噪**」（高品質但慢） - 對照組 4：**Transformer 階段的代表** — 不是 GAN！是 **BERT（雙向理解）/ GPT（自迴歸生成）/ T5（文本轉文本）**；其中 GPT 系列引爆對話式生成 - 對照組 5：**多模態整合代表** — CLIP（OpenAI 圖文對齊）/ DALL·E（文生圖）/ Flamingo（視覺問答）/ Gemini（多模態統一）；別把 Whisper 列入此列（Whisper 是 ASR） 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 生成 vs 鑑別：「生成式 = 學分佈創造；鑑別式 = 分類辨識；目標完全不同」 - VAE：「變分推斷 + 潛在分佈 = 結構好但生成模糊」 - GAN：「生成器 + 判別器 + 對抗訓練 = 寫實但易模式崩潰」 - Transformer：「Self-Attention + LLM = NLP 主導 + 跨模態基礎」 - 擴散模型：「逐步去噪 + 高品質 = Stable Diffusion / DALL·E 主流」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **GAN 兩核心：Generator（生成器）+ Discriminator（判別器）**；別寫成 Encoder/Decoder（那是 VAE/Transformer） - ★ **模式崩潰（Mode Collapse）= GAN 的訓練不穩定問題**；不是 VAE 的問題 - ★ **Diffusion Models = 逐步去噪**（不是 GAN 的對抗訓練）；代表 DDPM、Stable Diffusion - ★ **黃仁勳 AI 四階段順序**：感知 → 生成 → 代理 → 物理；別把順序倒置 - ★ **生成式對應 GPT/VAE/GAN/Diffusion；鑑別式對應 SVM/決策樹/RF/Logistic** 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21101 / L21102 / L21104 等其他章節 — 本章是 L21103。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 GAN 生成器/判別器角色互換、不要把 Mode Collapse 歸給 VAE、不要把 Diffusion 寫成對抗訓練、不要把 AI 四階段順序倒置 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21103_recap_p01_genai_evolution_summary.png ``` --- ## 張 8：L21103_recap_p02_genai_tools_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」,透明度約 35%,像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：文本生成（Text Generation）、GPT（Generative Pre-trained Transformer）、ChatGPT、Claude（Anthropic）、Gemini（Google DeepMind）、LLaMA（Meta AI）、Mistral、Command-R（Cohere）、BLEU、ROUGE、ROUGE-N、ROUGE-L、ROUGE-S、人工評估、流暢性（Fluency）、準確性（Accuracy）、幻覺（Hallucination）、圖像生成（Image Generation）、Diffusion Models、Stable Diffusion、DALL·E 2、Imagen、StyleGAN、BigGAN、ControlNet、InstructPix2Pix、Midjourney、Stable Diffusion WebUI、Adobe Firefly、Canva AI、LoRA（Low-Rank Adaptation）、語音合成（Voice Synthesis）、文字轉語音（Text-to-Speech, TTS）、Tacotron 2、FastSpeech 2、WaveNet、非自迴歸（Non-Autoregressive）、VITS（Variational Inference Text-to-Speech）、Whisper（OpenAI）、ElevenLabs、Microsoft Azure TTS、Google Cloud TTS、Amazon Polly、MOS（Mean Opinion Score）、WER（Word Error Rate）、生成延遲、Prompt Engineering。 左上角標示「L21103」。主標題以黑色粗手寫體寫「L21103 重點速記 ② 文本/圖像/語音三大生成」，旁邊配小圖示（文字+畫筆+音波 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜三大生成領域 + 評估指標」。用手繪編號縱向列出： - ① 文本生成 — 藍色「LLM 主導」標籤；一句話：「GPT/ChatGPT/Claude/Gemini/LLaMA；指標 BLEU/ROUGE/人工評估」 - ② 圖像生成 — 紫色「Diffusion + GAN」標籤；一句話：「Stable Diffusion/DALL·E 2/Imagen（擴散）vs StyleGAN/BigGAN（GAN）；工具 Midjourney/Firefly/Canva AI」 - ③ 語音合成（TTS）— 綠色「Seq2Seq + VAE+GAN」標籤；一句話：「Tacotron 2 + WaveNet / FastSpeech 2（非自迴歸）/ VITS（VAE+GAN 端到端）/ Whisper（ASR）」 - ④ 控制與微調 — 橙色「精準控制」標籤；一句話：「ControlNet 控姿態邊緣 / InstructPix2Pix 局部編輯 / LoRA 低秩微調」 - ⑤ 三大評估指標 — 紅色「品質衡量」標籤；一句話：「文本 BLEU/ROUGE / 語音 MOS/WER / 圖像通常人工評估」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**BLEU vs ROUGE vs 人工評估** — BLEU **詞彙相似度 + 簡短懲罰**（機器翻譯主用）；ROUGE **召回率導向 + n-gram 重疊**（自動摘要主用）；人工評估 **流暢性 + 準確性**（對話/創意寫作）（紅字底線） - 對照組 2：**MOS vs WER** — MOS「**人工評估語音自然度**」（1-5 分平均）；WER「**詞錯誤率**」衡量語音辨識準確性；別把 MOS 用在文本評估 - 對照組 3：**Tacotron 2 vs FastSpeech 2 vs VITS** — Tacotron 2 **Seq2Seq（卷積+循環）+ WaveNet**；FastSpeech 2 **非自迴歸（Non-Autoregressive）速度快**；VITS **VAE + GAN 端到端**（紅字底線） - 對照組 4：**Whisper 的定位** — Whisper **是 ASR（語音辨識）模型**，不是 TTS！但常與 TTS 搭配（先辨識再合成） - 對照組 5：**圖像生成主流：Diffusion vs GAN** — Diffusion **逐步去噪、品質高**（Stable Diffusion、DALL·E 2）；GAN **對抗訓練、寫實**（StyleGAN、BigGAN）；近年 Diffusion 為主流 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 文本生成：「GPT/Claude/Gemini = LLM 三巨頭；BLEU/ROUGE/人工三指標」 - 圖像生成：「Diffusion（高品質）+ GAN（寫實）+ ControlNet（控制）」 - 語音合成：「Tacotron 2（Seq2Seq）+ FastSpeech 2（非自迴歸）+ VITS（端到端）」 - 工具平台：「Midjourney（雲端）+ Stable Diffusion WebUI（本地+LoRA）+ Adobe Firefly + Canva AI」 - 評估指標：「BLEU 翻譯 / ROUGE 摘要 / 人工對話 / MOS 語音自然 / WER 語音錯誤」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **BLEU = 機器翻譯主用 / ROUGE = 自動摘要主用**；別搞反！ - ★ **Whisper 是 ASR（語音辨識），不是 TTS！** 但常與 TTS 雙向搭配 - ★ **FastSpeech 2 是非自迴歸（Non-Autoregressive）**，速度比 Tacotron 2 快 - ★ **VITS = VAE + GAN 端到端 TTS**；別寫成單純 VAE 或單純 GAN - ★ **LoRA = 低秩自適應微調**，節省算力（不是用來生成新內容；是用來微調預訓練模型） 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21101 / L21102 / L21104 等其他章節 — 本章是 L21103。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 BLEU / ROUGE 主用領域互換、不要把 Whisper 寫成 TTS、不要把 Tacotron 2 / FastSpeech 2 自迴歸性質寫反 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21103_recap_p02_genai_tools_summary.png ``` --- ## 張 9：L21103_recap_p03_genai_risk_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：內容真偽、資訊可信度、智慧財產權、授權爭議、偏見放大、倫理風險、深偽（Deepfake）、可控性、輸出結果不確定性、多模態生成、可控生成、提示工程（Prompt Engineering）、小型化、邊緣部署、模型對齊（Alignment）、防濫用機制、回饋式強化學習（Reinforcement Learning with Human Feedback, RLHF）、紅隊測試（Red Teaming）、法規制定、全球治理、歐盟 AI 法案（EU AI Act）、美國 AI 政策框架、國際技術標準、生成式 AI、Hallucination、Mode Collapse、IoT 設備、地端執行。 左上角標示「L21103」。主標題以黑色粗手寫體寫「L21103 重點速記 ③ 五大風險 + 五大未來趨勢」，旁邊配小圖示（警示三角+羅盤 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜5 大風險 + 5 大趨勢」。用手繪編號縱向列出： - ① 風險 A — 紅色「內容真偽」標籤；一句話：「偽造新聞 / 改造人物 / 合成語音 → 社會誤導；影響選舉/金融/名譽」 - ② 風險 B — 橙色「IP/授權」標籤；一句話：「訓練資料含著作權內容 → 衍生侵權爭議」 - ③ 風險 C — 紫色「偏見倫理」標籤；一句話：「訓練偏見 → 醫療/司法/招聘倫理問題」 - ④ 風險 D — 黑色「Deepfake」標籤；一句話：「圖像 + 語音合成 → 詐騙與假訊息工具，需法律規範」 - ⑤ 風險 E — 藍色「可控性」標籤；一句話：「Prompt 引導不準 → 輸出不相關或不適當」 - ⑥ 五大趨勢 — 綠色「未來方向」標籤；一句話：「多模態崛起 / 可控生成 + Prompt 工程 / 小型化邊緣部署 / 對齊 + RLHF 紅隊 / 法規制定 EU AI Act」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**Hallucination vs Mode Collapse** — Hallucination「**LLM 編出看似正確但虛假內容**」（如「法國首都柏林」）；Mode Collapse「**GAN 生成多樣性下降只產出少數樣本**」（紅字底線） - 對照組 2：**Deepfake vs 一般生成內容** — Deepfake **專指偽造特定人物影像或聲音**（詐騙、假訊息）；其他生成內容可能合法 - 對照組 3：**RLHF vs 紅隊測試** — RLHF「**人類回饋強化學習**，提升模型對齊」；紅隊測試「**主動測試模型漏洞**確認安全性」（兩者互補） - 對照組 4：**邊緣部署 vs 雲端部署** — 邊緣「**地端執行可保隱私**」（手機/PC/IoT）；雲端「**強大算力但有資料外流疑慮**」（紅字底線） - 對照組 5：**EU AI Act 與美國 AI 框架** — 歐盟以**風險分級嚴格立法**為主；美國以**政策框架 + 行政命令**為主；兩者治理思維不同 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 5 大風險：「真偽 + IP/授權 + 偏見 + Deepfake + 可控性」 - 多模態趨勢：「整合文+圖+音+影+3D = 高互動智慧代理」 - 可控生成：「Prompt Engineering 成關鍵技能」 - 小型化：「邊緣部署 = 隱私保護 + IoT/手機運算」 - 對齊 + 法規：「RLHF + 紅隊測試 + EU AI Act 為主框架」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **Hallucination（幻覺）= LLM 生成虛假內容**；**Mode Collapse（模式崩潰）= GAN 多樣性下降**；別搞混 - ★ **Deepfake = 偽造特定人物影音**，是濫用風險的代表；需法律與技術偵測雙管齊下 - ★ **RLHF = 模型對齊技術**；不是模型生成方法；常與紅隊測試搭配 - ★ **邊緣部署 + 小型化模型 = 因應隱私 + IoT/手機算力限制** - ★ **EU AI Act 是全球首部完整 AI 法規框架**；以風險分級為核心；別誤寫為美國法案 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21101 / L21102 / L21104 等其他章節 — 本章是 L21103。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 Hallucination / Mode Collapse 互換、不要把 RLHF 寫成生成方法、不要把 EU AI Act 寫成美國法案 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21103_recap_p03_genai_risk_summary.png ``` --- ## 張 10：L21104_recap_p01_modality_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：多模態人工智慧（Multimodal Artificial Intelligence, Multimodal AI）、模態（Modality）、文字、影像、語音、音訊、感測器資料、跨模態表示學習（Cross-modal Embeddings）、CLIP（Contrastive Language-Image Pre-training）、對比學習（Contrastive Learning）、特徵串接（Feature Concatenation）、SVM、決策樹、多模態深度學習（Multimodal Deep Learning）、融合層（Fusion Layer）、CNN、RNN、Transformer、自注意力機制（Self-Attention）、M3AE（Masked Multimodal Autoencoder）、Flamingo、BLIP-2、Vision-Language Fusion、GPT-4、Meta ImageBind、語意對齊（Semantic Alignment）、融合學習（Fusion Learning）、深度、紅外線、向量空間。 左上角標示「L21104」。主標題以黑色粗手寫體寫「L21104 重點速記 ① 多模態定義 + 四模態 + 三階段演進」，旁邊配小圖示（文+圖+音+感測器 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 50% 高)】 標題「① 考點地圖｜四種模態 + 三階段演進」。用手繪編號縱向列出： - ① 四種模態 — 紫色「異質資料」標籤；一句話：「文字（離散+語意）/ 影像（空間+紋理）/ 語音音訊（時間+情緒）/ 感測器資料（環境連續）」 - ② 早期階段 — 棕色「特徵串接」標籤；一句話：「Feature Concatenation + SVM/決策樹；無語意對齊、無擴展性」 - ③ 深度學習階段 — 藍色「模態專屬網路」標籤；一句話：「CNN 影像 + RNN 文字/語音 + Fusion Layer 整合 = Multimodal Deep Learning」 - ④ 當前階段 — 綠色「Transformer 統一」標籤；一句話：「Self-Attention + M3AE / Flamingo / BLIP-2；Vision-Language Fusion」 - ⑤ 代表新模型 — 橙色「2024+」標籤；一句話：「GPT-4（文+圖）/ Meta ImageBind（影音 + 深度 + 紅外線統一向量）」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 50% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 4 組對照： - 對照組 1：**單模態 vs 多模態** — 單模態「NLP 只處理文字 / CV 只處理影像」；多模態「**同時處理 2 種以上模態**並進行語意對齊」（紅字底線） - 對照組 2：**特徵串接 vs Fusion Layer vs Transformer 統一架構** — 特徵串接「**簡單合併特徵**，無對齊」；Fusion Layer「**模態專屬網路 + 融合層**」；Transformer「**Self-Attention 共享語意空間**」（紅字底線） - 對照組 3：**CLIP 訓練機制** — **對比學習（Contrastive Learning）**，將「圖片+對應文字」拉近、不相關拉遠；不是 GAN 的對抗訓練 - 對照組 4：**M3AE / Flamingo / BLIP-2 用途** — M3AE「**遮罩多模態自編碼**」；Flamingo「**少樣本學習**圖文任務」；BLIP-2「**強化 VQA + 生成**」 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 30% 高)】 標題「③ 一句話結論｜記憶錨點」。用 4 個短句條列： - 多模態定義：「同時處理 2+ 種模態 + 語意對齊 = 跨模態理解」 - 四種模態：「文字 / 影像 / 語音音訊 / 感測器資料」 - 演進三階段：「特徵串接 → 模態專屬網路+融合層 → Transformer 統一架構」 - 跨模態學習：「Cross-modal Embeddings + CLIP 對比學習 = 共享向量空間」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 30% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **模態（Modality）= 不同感官資料型態**；文字+影像才算多模態；單一文字+語音 ASR 也算多模態 - ★ **CLIP 用「對比學習」(Contrastive Learning) 訓練**，不是對抗訓練、不是遮罩預訓練 - ★ **Vision-Language Fusion 是當前主流**；別把它寫成「特徵串接」的歷史方法 - ★ **Meta ImageBind 嘗試將 6 種模態（含深度、紅外線）映射至同一向量空間** - ★ **GPT-4 具備文字 + 圖像輸入能力**，是 LLM 跨入多模態的代表 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21101 / L21102 / L21103 等其他章節 — 本章是 L21104。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 CLIP 訓練機制寫成 GAN 的對抗訓練、不要把演進三階段順序倒置 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21104_recap_p01_modality_summary.png ``` --- ## 張 11：L21104_recap_p02_clip_fusion_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：CLIP（Contrastive Language-Image Pre-training）、對比學習（Contrastive Learning）、對比損失（Contrastive Loss）、圖片編碼器（Vision Transformer 或 ResNet）、文字編碼器（Transformer）、圖文匹配（Image-Text Matching）、圖文檢索（Image-Text Retrieval）、圖片標題生成（Image Captioning）、Zero-shot 學習、語音辨識（Automatic Speech Recognition, ASR）、Whisper、自然語言理解（Natural Language Understanding, NLU）、BERT、GPT、TTS（Text-to-Speech）、神經機器翻譯（Neural Machine Translation, NMT）、感測融合（Sensor Fusion）、早期融合（Early Fusion）、晚期融合（Late Fusion）、雷達、超音波、溫濕度、GPS、加速度計、BLIP / BLIP-2、Visual Question Answering（VQA）、Flamingo（DeepMind）、少樣本學習（Few-shot Learning）、M3AE、遮罩預訓練（Masked Pre-training）、4 億對圖文資料。 左上角標示「L21104」。主標題以黑色粗手寫體寫「L21104 重點速記 ② CLIP 對比學習 + ASR/NLU/TTS + 感測融合」，旁邊配小圖示（圖文配對+音波 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜CLIP + 語音 + 感測 + 模型 4 群」。用手繪編號縱向列出： - ① CLIP 核心 — 紫色「OpenAI 2021」標籤；一句話：「對比學習 + 4 億對圖文資料；圖片編碼器（ViT/ResNet）+ 文字編碼器（Transformer）共享向量空間；Zero-shot 強」 - ② CLIP 三大功能 — 藍色「圖文應用」標籤；一句話：「圖文匹配 / 圖文檢索（文搜圖 + 圖搜文）/ 圖片標題生成」 - ③ 語音模態整合 — 綠色「ASR + NLU + TTS」標籤；一句話：「ASR（Whisper）→ NLU（BERT/GPT）→ TTS / NMT 跨語言；語音助理、客服系統」 - ④ 感測融合 — 紅色「Sensor Fusion」標籤；一句話：「Early Fusion（資料層）vs Late Fusion（特徵層）；雷達/超音波/溫濕度/GPS/加速度計」 - ⑤ 多模態代表模型 — 橙色「BLIP/Flamingo/M3AE」標籤；一句話：「BLIP-2 強 VQA / Flamingo Few-shot / M3AE 遮罩自編碼」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**CLIP 對比學習 vs GAN 對抗學習** — CLIP **對比學習**：把「圖文配對」拉近、不相關拉遠；GAN **對抗訓練**：生成器 vs 判別器互搏。**訓練機制完全不同！**（紅字底線） - 對照組 2：**Early Fusion vs Late Fusion** — Early「**資料層級整合**」（拼接原始特徵後送入單一模型）；Late「**特徵層級整合**」（各模態獨立提取特徵後再合併決策）（紅字底線） - 對照組 3：**ASR vs NLU vs TTS vs NMT** — ASR「語音 → 文字」（Whisper）；NLU「文字 → 意圖」（BERT/GPT）；TTS「文字 → 語音」；NMT「跨語言翻譯」（紅字底線） - 對照組 4：**Whisper 的角色** — Whisper 是 **OpenAI 的 ASR 語音辨識模型**；常被多模態系統用來「語音 → 文字」前處理；別誤寫為 TTS - 對照組 5：**Flamingo vs BLIP-2** — Flamingo **少樣本學習（Few-shot）擅長新圖文任務**；BLIP-2 **強化 VQA 與生成** 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - CLIP：「對比學習 + 4 億圖文對 = 共享語意空間 + 強 Zero-shot」 - 語音流程：「ASR（Whisper）→ NLU（BERT/GPT）→ TTS / NMT」 - 感測融合：「Early Fusion 資料層 vs Late Fusion 特徵層」 - 圖文模型：「BLIP-2 VQA / Flamingo Few-shot / M3AE 遮罩」 - 圖文檢索：「文搜圖 + 圖搜文 = CLIP 雙向能力」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **CLIP = 對比學習（Contrastive Learning）**，不是對抗訓練（那是 GAN） - ★ **CLIP 用 4 億對圖文資料**訓練，圖片用 ViT 或 ResNet 編碼，文字用 Transformer 編碼 - ★ **Early Fusion = 資料層融合**；**Late Fusion = 特徵層融合**；別搞反！ - ★ **Whisper 是 ASR（語音辨識）**，不是 TTS；常用於多模態前處理 - ★ **Flamingo 強少樣本學習；BLIP-2 強圖文問答 VQA**；別把功能互換 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21101 / L21102 / L21103 等其他章節 — 本章是 L21104。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 CLIP 寫成對抗訓練、不要把 Early Fusion / Late Fusion 層級互換、不要把 Whisper 寫成 TTS — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21104_recap_p02_clip_fusion_summary.png ``` --- ## 張 12：L21104_recap_p03_multimodal_apps_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：智慧醫療、電子病歷（Electronic Medical Records, EMR）、CT、MRI、心電圖（ECG）、血糖、血壓、HIPAA、ROUGE、零售、POS、BI Dashboard、F1 分數、Precision、IOU、虛實整合、元宇宙、Avatar、語音、手勢、Latency、WER、姿勢辨識、資料對齊、Dynamic Time Warping（DTW）、弱監督學習（Weakly Supervised Learning）、DALL·E、剪枝（Pruning）、量化（Quantization）、知識蒸餾（Knowledge Distillation）、LoRA、MobileNet、NVIDIA TensorRT、Intel OpenVINO、Deepfake、對抗訓練（Adversarial Training）、End-to-End Encryption、GDPR、個人資料保護法、統一架構、自我監督學習（Self-supervised Learning）、代理式 AI、法規、倫理、機器學習運維（MLOps）。 左上角標示「L21104」。主標題以黑色粗手寫體寫「L21104 重點速記 ③ 三大應用 + 風險 + 未來趨勢」，旁邊配小圖示（醫療+零售+VR icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜3 應用 + 3 風險 + 5 趨勢」。用手繪編號縱向列出： - ① 醫療領域 — 紫色「診斷決策」標籤；一句話：「CT/MRI 影像 + EMR 病歷 + ECG/血糖/血壓；Accuracy/FPR/ROUGE」 - ② 零售與顧客行為 — 藍色「行為洞察」標籤；一句話：「攝影機 + POS + 評論 + 社群；Precision/IOU/F1；BI Dashboard 視覺化」 - ③ 虛實整合（元宇宙）— 綠色「沉浸互動」標籤；一句話：「Avatar + 語音 + 手勢 + 3D 模型；Latency/WER/姿勢辨識準確率」 - ④ 三大風險 — 紅色「導入挑戰」標籤；一句話：「資料對齊與標註（DTW/弱監督）/ 運算與部署（剪枝量化蒸餾 LoRA）/ 隱私法規（GDPR/Deepfake）」 - ⑤ 五大趨勢 — 橙色「未來方向」標籤；一句話：「統一架構 / 即時低資源邊緣 / 自我監督學習 / 與 Agentic AI 整合 / 法規倫理框架」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**醫療多模態整合資料** — CT/MRI（影像）+ EMR（**電子病歷文字**）+ ECG/血糖/血壓（**生理訊號**）；別把 EMR 寫成影像或感測器 - 對照組 2：**模型壓縮三技術** — **剪枝（Pruning）= 移除冗餘權重**；**量化（Quantization）= 降低位元精度**；**知識蒸餾（Knowledge Distillation）= 大模型教小模型**（紅字底線） - 對照組 3：**LoRA vs 剪枝/量化** — LoRA「**低秩自適應微調**」（節省訓練成本）；剪枝量化「**部署優化**」（節省推論資源）；目的不同 - 對照組 4：**DTW vs CLIP 對齊** — DTW「**時序對齊演算法**」（不同採樣頻率對齊）；CLIP 對比學習「**語意對齊**」（同一向量空間）（紅字底線） - 對照組 5：**Deepfake 防範** — **對抗訓練（Adversarial Training）+ 生成內容檢測機制**；不是純加密就能防 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 醫療：「影像 + EMR + 生理訊號 = 全方位診斷支援」 - 零售：「攝影機 + POS + 評論 = 動線分析 + 情感推薦」 - 虛實：「Avatar + 語音 + 手勢 + 3D = 沉浸體驗」 - 模型壓縮：「Pruning + Quantization + Knowledge Distillation + LoRA」 - 趨勢：「統一架構 / 邊緣 / 自監督 / Agent 整合 / 法規倫理」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **EMR = 電子病歷（文字）**，不是影像或感測器；醫療多模態整合三種資料：影像 + EMR + 生理訊號 - ★ **DTW（Dynamic Time Warping）= 時序對齊**；CLIP 對比學習 = 語意對齊；解決問題不同 - ★ **剪枝 = 移除冗餘 / 量化 = 降位元 / 知識蒸餾 = 大模型教小**；別把三者功能寫反 - ★ **End-to-End Encryption + 對抗訓練是雙重防護**，缺一不可 - ★ **未來趨勢「統一架構」= 不再為各模態設計分離模組**；改用通用架構共享表示 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21101 / L21102 / L21103 等其他章節 — 本章是 L21104。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 EMR 寫成影像、不要把剪枝/量化/蒸餾三者互換、不要把 DTW 寫成語意對齊 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21104_recap_p03_multimodal_apps_summary.png ``` --- ## 張 13：L21201_recap_p01_eval_feasibility_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：AI 導入評估、業務需求與痛點分析、利益關係人（Stakeholders）、現況流程（As-Is）、理想流程（To-Be）、關鍵績效指標（Key Performance Indicators, KPI）、技術可行性、資料品質（Data Quality）、IT 能力（IT Resources）、系統整合性（System Integration）、AI 適配性、監督式學習、非監督式學習、強化式學習、生成式模型、成本效益、投資報酬率（ROI, Return on Investment）、淨現值（NPV, Net Present Value）、回收期（Payback Period）、折現率、初期投資、現金流、資源限制、推動優先順序。 公式符號鎖定：ROI $= \frac{投資回報 - 投資成本}{投資成本} \times 100\%$；NPV $= \sum \frac{每期現金流}{(1 + 折現率)^{期數}} - 初期投資$；回收期 $= \frac{初期投資成本}{每年淨現金流}$。 左上角標示「L21201」。主標題以黑色粗手寫體寫「L21201 重點速記 ① 需求 + 技術 + 成本三可行性」，旁邊配小圖示（放大鏡+天平 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 50% 高)】 標題「① 考點地圖｜三大可行性面向」。用手繪編號縱向列出： - ① 業務需求 — 紫色「痛點分析」標籤；一句話：「跨部門訪談 + 流程觀察 + 現況 As-Is vs 理想 To-Be 落差；KPI 提升點」 - ② 技術可行性 — 藍色「資料 + IT + 適配」標籤；一句話：「資料品質（完整/一致/代表）/ IT 能力與系統整合 / AI 適配性（監督/非監督/強化/生成）」 - ③ 成本效益 — 綠色「ROI/NPV/Payback」標籤；一句話：「初期成本 + 預期 KPI；ROI 回報率 / NPV 折現現值 / Payback 回收期」 - ④ 三大原則 — 橙色「決策依據」標籤；一句話：「技術成熟度 + 效益預期 + 可擴展性 = 推動優先順序判準」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 50% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 4 組對照： - 對照組 1：**ROI vs NPV vs Payback Period** — ROI「**回報率**：（回報-成本）/成本」；NPV「**折現未來現金流**淨值；NPV>0 才值得」；Payback「**回收時間**」（紅字底線） - 對照組 2：**As-Is vs To-Be** — As-Is「**現況流程**」記錄當前痛點；To-Be「**理想流程**」描繪 AI 導入後願景；兩者**差距 = 導入機會** - 對照組 3：**Payback Period 的盲點** — Payback **不考慮資金時間價值**；故須與 NPV 搭配評估，不能單獨用 - 對照組 4：**業務需求 vs 技術可行性順序** — 業務需求是**第一步**（先確認痛點）；技術可行性是**第二步**（後驗證資料/IT 條件）；別把順序倒置 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 30% 高)】 標題「③ 一句話結論｜記憶錨點」。用 4 個短句條列： - 三可行性：「業務需求（為什麼做）+ 技術可行（能不能做）+ 成本效益（值不值得）」 - ROI：「（回報-成本）/成本 × 100%；越高越值得」 - NPV：「未來現金流折現後減初期投資；>0 = 有價值」 - Payback：「回收時間；短=低風險；需與 NPV 搭配看」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 30% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **AI 導入評估第一步 = 業務痛點與需求辨識**，不是先選演算法（這是常見錯題選項陷阱） - ★ **ROI 公式記法：(回報 - 成本) / 成本 × 100%**；別寫成 (回報/成本) - ★ **NPV 評估長期專案；NPV > 0 = 專案可帶來超過初期投入的價值** - ★ **Payback Period 不考慮時間價值**；不能單獨判斷，須搭配 NPV - ★ **「商業價值評估」對應 預期效益與回報**（不是模型參數量、不是開發人員數） 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式以手寫公式框呈現並保持符號正確。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21202 / L21203 等其他章節 — 本章是 L21201。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 ROI / NPV / Payback 公式互換、不要把 As-Is / To-Be 寫反、不要把評估第一步寫成「演算法選擇」 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21201_recap_p01_eval_feasibility_summary.png ``` --- ## 張 14：L21201_recap_p02_org_maturity_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：組織成熟度、數位成熟度（Digital Maturity）、ERP、CRM、資料倉儲、資料治理（Data Governance）、資料標準、權限控管、資料取得流程、API、ETL、自動化資料流、組織能力（Organizational Capability）、跨部門協作（Cross-functional Collaboration）、AI 專案辦公室、數位轉型小組、資源盤點（Resource Inventory）、預算與來源規劃、補助計畫、內部專案提案、導入條件（Implementation Conditions）、試辦環境、測試資料、專責團隊。 左上角標示「L21201」。主標題以黑色粗手寫體寫「L21201 重點速記 ② 組織成熟度 + 跨部門 + 預算資源」，旁邊配小圖示（建築積木+人員 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 50% 高)】 標題「① 考點地圖｜組織三大盤點面向」。用手繪編號縱向列出： - ① 數位與資料成熟度 — 藍色「資料根基」標籤；一句話：「ERP/CRM/資料倉儲 + 資料治理（標準/權限/負責單位）+ 資料取得（API/ETL/自動化）」 - ② 團隊能力與跨部門協作 — 綠色「人才協作」標籤；一句話：「組織能力（AI/資料/系統整合）+ 跨部門溝通（統一窗口/PM）+ 導入推動單位（AI 辦公室/數位轉型小組）」 - ③ 資源與預算支持 — 橙色「資金時程」標籤；一句話：「資源盤點（資金/人力/時間）+ 預算來源（年度/補助/提案）+ 導入條件（試辦環境/測試資料/專責團隊）」 - ④ 評估目的 — 紫色「補強瓶頸」標籤；一句話：「找出需補強的關鍵環節，擬定務實時程，避免資源斷鏈與部門抗拒」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 50% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 4 組對照： - 對照組 1：**Digital Maturity vs Data Governance** — Digital Maturity「**整體流程數位化程度**」（ERP/CRM 系統是否建置）；Data Governance「**資料正確性 + 可追溯性 + 權限**」與資料管理制度（紅字底線） - 對照組 2：**API vs ETL** — API「**系統間即時介接**」（取得即時資料）；ETL「**Extract-Transform-Load 批次資料整合流程**」（資料倉儲常用） - 對照組 3：**組織能力 vs 跨部門協作** — 組織能力「**內部 AI / 資料 / 工程人才**是否充足」；跨部門協作「**部門間是否能順暢溝通**並有統一窗口」（紅字底線） - 對照組 4：**導入條件 vs 資源盤點** — 導入條件「**試辦環境 + 測試資料 + 專責團隊**」（POC 前提）；資源盤點「**資金 + 人力 + 時間**」（總體可調度資源） 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 30% 高)】 標題「③ 一句話結論｜記憶錨點」。用 4 個短句條列： - 數位資料成熟度：「ERP/CRM/資料倉儲 + 資料治理 + API/ETL 自動流」 - 團隊跨部門：「核心人才 + 統一窗口 + AI 專案辦公室」 - 資源預算：「資金+人力+時間 + 預算來源 + 試辦環境」 - 評估目的：「識別補強環節 + 擬定務實時程 + 避免內部抗拒」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 30% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **Digital Maturity ≠ Data Governance**；前者看數位化程度（系統建置），後者看資料治理制度（標準/權限） - ★ **API = 即時介接**；**ETL = Extract-Transform-Load 批次流程**；別搞混 - ★ **AI 專案辦公室 / 數位轉型小組是「導入推動責任單位」**，避免無人負責 - ★ **資源盤點重點：資金 / 人力 / 時間三項**，不只是預算 - ★ **跨部門協作需「統一窗口 + 專案負責人」**，才能整合需求與進度 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21202 / L21203 等其他章節 — 本章是 L21201。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 Digital Maturity / Data Governance 互換、不要把 API / ETL 功能寫反 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21201_recap_p02_org_maturity_summary.png ``` --- ## 張 15：L21201_recap_p03_risk_poc_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：法規遵循（Legal Compliance）、個人資料保護法、GDPR、資料隱私（Data Privacy）、資料跨境傳輸、侵權與版權風險、資料缺口、資料品質不足、模型穩定性（Model Stability）、黑箱風險、可解釋性、可解釋 AI（Explainable AI, XAI）、產出內容不確定性、組織變革（Organizational Change）、決策文化、數據信任度、跨部門配合、風險矩陣（Risk Matrix）、風險等級（Risk Level）、發生機率（Probability）、影響程度（Impact）、低風險（Low Risk）、中風險（Medium Risk）、高風險（High Risk）、風險緩解策略（Risk Mitigation）、概念驗證（Proof of Concept, POC）、保障機制、風險轉移、量化評估、效能指標（Performance Metrics）、質性評估、使用者回饋（User Feedback）、技術適配性、預期效益驗證、組織接受度、問題與瓶頸辨識。 公式符號鎖定：風險等級 $= 發生機率 \times 影響程度$；發生機率「低 Rare / 中 Possible / 高 Likely」；影響程度「輕微 Minor / 重大 Major / 災難性 Critical」。 左上角標示「L21201」。主標題以黑色粗手寫體寫「L21201 重點速記 ③ 風險合規 + 風險矩陣 + POC」，旁邊配小圖示（盾牌+矩陣 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜風險三層 + 矩陣 + POC」。用手繪編號縱向列出： - ① 法規與隱私風險 — 紅色「合規」標籤；一句話：「個資法 + GDPR + 資料跨境傳輸 + 侵權版權；生成內容尤需檢視」 - ② 技術風險 — 橙色「模型穩定」標籤；一句話：「資料缺口 + 品質不足 + 模型不穩 + 黑箱（用 XAI 補）+ 生成偏見」 - ③ 組織文化變革 — 紫色「人員阻力」標籤；一句話：「員工取代不安 + 經驗轉數據文化 + 跨部門配合度」 - ④ 風險矩陣 — 藍色「視覺化評估」標籤；一句話：「發生機率 × 影響程度 = 風險等級；3×3 或 5×5 格式」 - ⑤ POC 設計四要素 — 綠色「概念驗證」標籤；一句話：「範圍清晰可控 + 代表性流程 + 資料技術備好 + 利益關係人支持高」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**Low / Medium / High Risk 等級對應行動** — Low「**可接受、可監控**」；Medium「**需規劃因應對策**」；High「**應優先處理、必要時迴避或延後導入**」（紅字底線） - 對照組 2：**風險矩陣兩軸** — 軸 1「**發生機率（Probability）**」；軸 2「**影響程度（Impact）**」；交叉得風險等級 - 對照組 3：**XAI 的目的** — 增強使用者對 AI 決策的**信任**、協助開發者理解模型行為與偏誤、支援合規/道德/審核需求；別寫成「提升模型準確度」 - 對照組 4：**POC 四要素** — 範圍清晰可控（小範圍）+ 代表性流程（可擴展）+ 資料技術備好（基礎條件）+ 利益關係人支持高（合作意願）（紅字底線） - 對照組 5：**POC 評估指標** — 量化「**效能指標** Performance Metrics」（準確率/速度/成本）+ 質性「**使用者回饋** User Feedback」（問卷/訪談/日誌） 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 風險三層：「法規（GDPR/個資/版權）+ 技術（黑箱/穩定）+ 組織（文化/抗拒）」 - 風險矩陣：「機率 × 影響 = 等級；High 須優先處理」 - XAI：「可解釋 AI = 增強信任 + 合規 + 偵測偏誤」 - POC 四要素：「小範圍 + 代表性 + 資料就緒 + 高支持度」 - POC 評估：「量化效能 + 質性回饋 + 雙軌驗證」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **風險等級 = 發生機率 × 影響程度**；別寫成相加 - ★ **High Risk 須優先處理、必要時迴避或延後導入**，不是接受 - ★ **XAI 用於增強透明度與信任**，不是提升模型準確度 - ★ **POC「範圍清晰、風險可控」= 小範圍單位**進行測試；不是全公司同時導入 - ★ **POC 的 4 個判斷依據**：技術適配性 + 預期效益驗證 + 組織接受度 + 問題與瓶頸辨識 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式以手寫公式框呈現並保持符號正確。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21202 / L21203 等其他章節 — 本章是 L21201。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把風險等級公式寫成相加、不要把 XAI 寫成「提升準確度」、不要把 High Risk 處置寫成「接受」 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21201_recap_p03_risk_poc_summary.png ``` --- ## 張 16：L21202_recap_p01_planning_resources_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：導入規劃、情境導向、目的導向、資源盤點、彈性調整、人力資源、專案負責人（Project Manager）、PMP、資料工程師、ETL、AI 模型開發者、TensorFlow、PyTorch、UI/UX 設計師、業務顧問、系統架構師、AWS Lambda、API 介接、測試工程師、壓力測試、硬體資源、GPU 伺服器、NVIDIA A100、雲端平台、AWS、Google Cloud、Azure、本地運算設備、開發工具、Python、Spark、Hadoop、Git、源代碼管理、版本控制、跨部門協作、協作流程設計、例行同步節奏、共用工具平台。 左上角標示「L21202」。主標題以黑色粗手寫體寫「L21202 重點速記 ① 規劃原則 + 人力 + 硬體」，旁邊配小圖示（齒輪+人員 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜規劃 3 原則 + 7 角色 + 3 資源」。用手繪編號縱向列出： - ① 規劃 3 原則 — 紫色「核心」標籤；一句話：「情境/目的導向（產業需求）+ 資源盤點（規模匹配）+ 彈性調整（動態變動）」 - ② 7 個關鍵角色 — 藍色「人力資源」標籤；一句話：「PM / 資料工程師 / 模型開發者 / UI/UX / 業務顧問 / 系統架構師 / 測試工程師」 - ③ 硬體資源 — 綠色「三層配置」標籤；一句話：「GPU 伺服器（A100 加速）+ 雲端平台（AWS/GCP/Azure 彈性）+ 本地設備（資料敏感）」 - ④ 開發工具 — 橙色「框架版控」標籤；一句話：「Python + TensorFlow/PyTorch + Spark/Hadoop（大資料）+ Git 版控」 - ⑤ 跨部門協作 — 紅色「三大機制」標籤；一句話：「協作流程設計（責任範圍）+ 例行同步節奏（週會）+ 共用工具平台（Jira/Notion/Slack）」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**PM vs 系統架構師 vs 測試工程師** — PM「**整體協調 + 進度管理 + 跨部門溝通**」；系統架構師「**技術架構 + 部署方案**」；測試工程師「**驗證效能 + 系統穩定**」（壓力測試）（紅字底線） - 對照組 2：**資料工程師 vs AI 模型開發者** — 資料工程師「**ETL + 資料整合**」；模型開發者「**模型設計 + 訓練 + 優化**」（TensorFlow/PyTorch） - 對照組 3：**雲端平台 vs 本地運算設備** — 雲端「**彈性擴充 + 全球節點**」（AWS/GCP/Azure）；本地「**資料敏感性高、需在內部處理**」（醫療/金融）（紅字底線） - 對照組 4：**Spark / Hadoop 屬性** — 兩者都是**大數據處理框架**；用於資料分析處理階段，不是模型訓練本身 - 對照組 5：**規劃彈性原則** — 「**因應變動動態調整**」（如資料不完整時先補資料再訓模），不是照表操課 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 規劃 3 原則：「情境導向 + 資源盤點 + 彈性調整」 - 7 角色：「PM / 資料工程 / 模型開發 / UI/UX / 業務顧問 / 架構師 / 測試」 - 硬體：「GPU 伺服器 + 雲端彈性 + 本地敏感」 - 工具：「Python + TF/PyTorch + Spark/Hadoop + Git」 - 跨部門：「流程 + 週會 + 共用工具（Jira/Notion/Slack）」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **「人員規劃」考點 = 跨部門協作角色配置**；不是 API 規格、不是模型參數 - ★ **PM 主要職責 = 跨團隊協調 + 進度管理 + 衝突解決**；PMP 是常見認證 - ★ **資料敏感性高的領域**（醫療/金融）**優先採本地部署**，不是雲端 - ★ **彈性調整 ≠ 照表操課**；當資料品質不足時應先補資料而非急於上模型 - ★ **跨部門共用工具**：Jira/Trello（任務）+ Notion/Confluence（文件）+ Slack/Teams（即時通訊） 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21201 / L21203 等其他章節 — 本章是 L21202。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 PM / 系統架構師 / 測試工程師職責互換、不要把資料敏感領域寫成優先用雲端 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21202_recap_p01_planning_resources_summary.png ``` --- ## 張 17：L21202_recap_p02_pm_methods_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：甘特圖（Gantt Chart）、關鍵路徑（Critical Path）、工作分解結構（Work Breakdown Structure, WBS）、敏捷開發（Agile Development）、Scrum、Product Owner（產品負責人）、Scrum Master（敏捷教練）、Development Team（開發團隊）、Sprint Planning（短衝規劃會議）、Daily Scrum（每日站會）、Sprint（短衝）、Sprint Review（展示成果會議）、Sprint Retrospective（回顧檢討會議）、Product Backlog、Sprint Backlog、Increment（可交付成果）、Trello、看板（Kanban）、Asana、時間軸、JIRA、Issue Tracking、工作流自訂、ClickUp、檢查清單（Checklist）、里程碑（Milestone）。 左上角標示「L21202」。主標題以黑色粗手寫體寫「L21202 重點速記 ② WBS / 甘特 / Scrum / 任務追蹤」，旁邊配小圖示（甘特圖+看板 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜任務分解 4 大方法 + 任務追蹤 4 工具」。用手繪編號縱向列出： - ① 甘特圖（Gantt Chart）— 藍色「視覺化時程」標籤；一句話：「時間橫軸 + 任務縱軸；顯示重疊區段與關鍵路徑」 - ② 工作分解結構（WBS）— 紫色「由上而下」標籤；一句話：「拆解任務 + 子任務 + 責任角色 + 預期成果 + 時長」 - ③ Scrum 敏捷開發 — 綠色「短衝迭代」標籤；一句話：「3 角色（PO/SM/DT）+ 5 活動（規劃/站會/Sprint/Review/Retro）+ 3 產出（Backlog 兩種 + Increment）」 - ④ Sprint 節奏 — 橙色「1-4 週迭代」標籤；一句話：「每輪 Sprint 結束做 Review（展示）+ Retrospective（檢討）+ 下一輪 Planning」 - ⑤ 任務追蹤 4 工具 — 紅色「協作平台」標籤；一句話：「Trello（看板輕量）/ Asana（時間軸結構化）/ JIRA（技術敏捷）/ ClickUp（彈性混合）」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**甘特圖 vs WBS** — 甘特圖「**橫軸時間 + 視覺化進度**」；WBS「**由上而下分解任務樹**」；甘特圖是時程工具，WBS 是結構分解 - 對照組 2：**Scrum 三大角色** — Product Owner「**定義需求 + 優先順序**」；Scrum Master「**遵守 Scrum + 移除障礙**」；Development Team「**跨職能完成 Sprint 任務**」（紅字底線） - 對照組 3：**Sprint Review vs Sprint Retrospective** — Review「**展示成果**給 PO 與利害關係人」；Retrospective「**內部回顧 + 改進措施**」（紅字底線） - 對照組 4：**Product Backlog vs Sprint Backlog** — Product Backlog「**整體產品開發待辦**」；Sprint Backlog「**本次 Sprint 任務清單**」 - 對照組 5：**Trello vs Asana vs JIRA vs ClickUp** — Trello「**輕量看板**小團隊」；Asana「**時間軸 + 結構化**跨部門」；JIRA「**Issue Tracking + 敏捷**技術團隊」；ClickUp「**看板 + 結構化彈性**中型專案」 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 甘特圖：「時間 × 任務 + 關鍵路徑 = 進度視覺化」 - WBS：「由上而下分解 + 子任務 + 責任 + 時長」 - Scrum 3 角色：「PO 定需求 / SM 守流程 / DT 開發」 - Scrum 5 活動：「規劃 / 站會 / Sprint / Review / Retro」 - 任務工具：「Trello 輕量 / Asana 結構 / JIRA 技術 / ClickUp 彈性」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **Sprint Review = 對外展示成果**；**Sprint Retrospective = 對內回顧檢討**；別搞反！ - ★ **Product Owner 維護 Product Backlog**；**Scrum Master 不是主管**，只負責流程守護 - ★ **Sprint 通常 1-4 週**（常見 2 週）；不是一日一 Sprint - ★ **JIRA 是技術團隊與敏捷開發的首選**；對非技術人員學習曲線高 - ★ **甘特圖凸顯「關鍵路徑」**，是辨識瓶頸與資源衝突的關鍵指標 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21201 / L21203 等其他章節 — 本章是 L21202。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 Sprint Review / Retrospective 對內外對象互換、不要把 PO / SM / DT 三角色職責互換、不要把 Product Backlog / Sprint Backlog 層級互換 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21202_recap_p02_pm_methods_summary.png ``` --- ## 張 18：L21202_recap_p03_mode_poc_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：選用現有商業服務、Low-code、No-code、Google AutoML、ChatGPT、訂閱計費、資料隱私風險、內部技術團隊開發、客製化、技術自主性、委外開發、合約管理、服務水準協議（SLA）、資料安全風險、概念驗證（Proof of Concept, POC）、快速迭代（Rapid Iteration）、技術效能、商業價值、使用者回饋、導入規劃文件（Implementation Plan Document）、專案成果彙整報告（Planning Summary）、甘特圖與時程規劃（Gantt Chart and Timeline）、里程碑（Milestone）、資源估算、成本預算表、利害關係人審查紀錄（Stakeholder Review）、技術部門、業務單位、法務、資安單位、高階管理層。 左上角標示「L21202」。主標題以黑色粗手寫體寫「L21202 重點速記 ③ 三種導入模式 + POC + 規劃成果」，旁邊配小圖示（建築工人+文件 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜3 模式 + POC + 5 規劃成果」。用手繪編號縱向列出： - ① 模式 A 商業服務 — 藍色「Low-code/No-code」標籤；一句話：「Google AutoML / ChatGPT；快速部署 + 技術門檻低；但彈性有限 + 長期訂閱費 + 隱私風險」 - ② 模式 B 內部開發 — 綠色「自主性」標籤；一句話：「資料/模型/部署全流程內部 + 高度客製；但初期成本高 + 需技術人才」 - ③ 模式 C 委外開發 — 橙色「專業加速」標籤；一句話：「技術公司/顧問團隊；專業性 + 執行效率；需注意合約 SLA + 資料安全」 - ④ POC 重點 — 紫色「驗證可行性」標籤；一句話：「明確目標 + 小範圍 + 快速迭代 1-2 週/輪 + 技術效能 + 商業價值 + 使用者回饋」 - ⑤ 5 大規劃成果 — 紅色「文件整合」標籤；一句話：「導入規劃文件 / Planning Summary / 甘特圖時程 / 成本預算 / Stakeholder Review」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**商業服務 vs 內部開發 vs 委外開發** — 商業服務「**快速但彈性低 + 長期訂閱貴**」；內部「**自主但初期成本高**」；委外「**快速借力但合約+資料安全須謹慎**」（紅字底線） - 對照組 2：**選用商業服務的關鍵風險** — 「**資料需經雲端處理引發隱私問題**」+ 「**長期訂閱成本累積**」+ 「**彈性與客製有限**」 - 對照組 3：**SLA 在委外的角色** — 服務水準協議（SLA）**約定服務品質與賠償**（如系統延遲超標由供應商賠償）；是委外風險轉移工具 - 對照組 4：**POC 的目的** — 「**小範圍驗證 + 風險控制**」+ 「**辨識技術瓶頸**」+ 「**避免大規模失敗**」；不是完整部署 - 對照組 5：**5 大規劃成果用途** — 規劃文件（整體策略）/ Planning Summary（摘要）/ 甘特圖（時程）/ 成本預算表（資源）/ Stakeholder Review（審查紀錄） 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 模式 A：「商業服務 = 快速 + 低門檻；但訂閱貴 + 隱私風險」 - 模式 B：「內部開發 = 自主 + 客製；但成本高 + 需人才」 - 模式 C：「委外開發 = 借力專業；但合約 + 資料安全須謹慎」 - POC：「小範圍 + 1-2 週迭代 + 三指標（效能/價值/回饋）」 - 規劃成果：「規劃文件 + 摘要 + 甘特 + 預算 + 利害關係審查」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **No-code / Low-code 平台的長期成本不低**；訂閱費會累積，並非「便宜」 - ★ **委外開發須明確「合約交付範圍 + 時程約定 + 資料安全條款」**，否則延誤風險高 - ★ **POC 每輪 1-2 週快速迭代**，不是一次完成；每輪設目標、評估、調整 - ★ **規劃成果文件須提供給利害關係人審查（Stakeholder Review）**，包含技術/業務/法務/高層 - ★ **資料敏感性高 → 不適合用「現有商業服務」**（雲端處理引發隱私問題）；應考慮地端部署或內部開發 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21201 / L21203 等其他章節 — 本章是 L21202。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把三種導入模式優劣特性互換、不要把 POC 寫成全規模部署、不要把資料敏感性領域寫成優先用商業服務 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21202_recap_p03_mode_poc_summary.png ``` --- ## 張 19：L21203_recap_p01_risk_types_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：技術層風險、資料品質風險（Data Quality Risk）、資料遺漏（Missing Data）、資料偏頗（Data Bias）、不正確標註（Incorrect Labeling）、資料漂移（Data Drift）、模型穩定性風險（Model Stability Risk）、模型漂移（Model Drift）、過擬合（Overfitting）、概念漂移（Concept Drift）、組織人力層風險、跨部門溝通風險（Cross-functional Communication Risk）、技能短缺風險（Skill Gap Risk）、變革抵制風險（Change Resistance Risk）、法規層風險、個資與隱私保護風險、GDPR、台灣個資法、產業特定監管法規風險、HIPAA、PCI-DSS、侵權風險（Infringement Risk）、第三方資料、第三方演算法、智慧財產權、商業秘密。 左上角標示「L21203」。主標題以黑色粗手寫體寫「L21203 重點速記 ① 三層風險識別（技術 + 組織 + 法規）」，旁邊配小圖示（盾牌+警示 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜3 層風險 + 9 個子風險」。用手繪編號縱向列出： - ① 技術層 - 資料品質 — 藍色「資料風險」標籤；一句話：「遺漏 Missing / 偏頗 Bias / 標註錯誤 Incorrect Labeling / 資料漂移 Data Drift」 - ② 技術層 - 模型穩定 — 紫色「模型風險」標籤；一句話：「模型漂移 Model Drift / 過擬合 Overfitting / 概念漂移 Concept Drift」 - ③ 組織人力層 — 橙色「人員風險」標籤；一句話：「跨部門溝通不暢 / 技能短缺 Skill Gap / 變革抵制 Change Resistance」 - ④ 法規層 - 個資 — 紅色「合規風險」標籤；一句話：「GDPR / 台灣個資法 / CDPA；資料收集使用合規」 - ⑤ 法規層 - 產業專用 — 棕色「特定產業」標籤；一句話：「HIPAA（醫療）/ PCI-DSS（金融支付）/ 侵權版權風險」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**Data Drift vs Model Drift vs Concept Drift** — Data Drift「**輸入資料分佈變化**」；Model Drift「**模型預測準確度隨時間下降**」；Concept Drift「**資料背後潛在關係改變**」（紅字底線） - 對照組 2：**Overfitting** — 模型在「**訓練資料表現很好但測試資料無法預測**」；過度學習噪聲與細節，缺乏泛化能力 - 對照組 3：**Data Bias vs Incorrect Labeling** — Data Bias「**樣本分佈不均**」（某族群過多/過少）；Incorrect Labeling「**標註者標錯**」（紅字底線） - 對照組 4：**Change Resistance 的成因** — 員工**擔心被取代** + 不理解 AI 價值；常見於醫療 AI 輔助診斷推動時 - 對照組 5：**Infringement Risk 的來源** — 未授權使用**第三方資料 / 演算法 / 模型 / 開源軟體**；常見於生成式 AI 訓練 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 4 個短句條列： - 技術層：「資料品質（4 種）+ 模型穩定（3 種漂移） = 7 個技術子風險」 - 組織層：「跨部門溝通 + 技能短缺 + 變革抵制 = 3 個人力子風險」 - 法規層：「個資保護 + 產業專用 + 侵權版權 = 3 個合規子風險」 - 三種漂移：「Data Drift 輸入 / Model Drift 預測 / Concept Drift 潛在關係」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **三種漂移要分清**：Data Drift = **輸入資料變**；Model Drift = **預測準確度降**；Concept Drift = **潛在關係變** - ★ **Overfitting = 訓練很好但測試不行**；缺乏泛化能力；不是訓練資料不足 - ★ **Data Bias ≠ Incorrect Labeling**；前者是樣本分佈不均，後者是標註錯誤 - ★ **AI 風險 ≠ 傳統 IT 風險**；多了資料品質、模型透明度、倫理合規等層面 - ★ **AI 模型偏誤造成的風險典型範例 = 特定族群預測結果不公平** 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21201 / L21202 等其他章節 — 本章是 L21203。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 Data Drift / Model Drift / Concept Drift 三者定義互換、不要把 Data Bias / Incorrect Labeling 混為一談 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21203_recap_p01_risk_types_summary.png ``` --- ## 張 20：L21203_recap_p02_compliance_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：GDPR（General Data Protection Regulation）歐盟通用資料保護規則、刪除權（Right to Erasure / Right to be Forgotten）、修正權（Right to Rectification）、資料可攜權（Data Portability）、反對自動化決策權（Right to Object to Automated Decision Making）、查閱權（Right of Access）、處理限制權（Right to Restriction of Processing）、同意原則（Consent）、資料最小化原則（Data Minimization）、問責制（Accountability）、資料保護影響評估（Data Protection Impact Assessment, DPIA）、PDPA（Personal Data Protection Act）台灣個人資料保護法、CDPA（Consumer Data Protection Act）美國消費者資料保護法、HIPAA（Health Insurance Portability and Accountability Act）美國健康保險可攜性與責任法案、技術性保護措施（Technical Safeguards）、實體性保護措施（Physical Safeguards）、行政性保護措施（Administrative Safeguards）、PCI-DSS（支付卡產業資料安全標準）、PCI SSC、防火牆、TLS、AES、多因素認證、弱點掃描、滲透測試、台灣金融科技創新實驗條例（FinTech Sandbox）、台灣醫療器材管理法、TFDA、台灣電信管理法、NCC、台灣智慧財產權法（Intellectual Property Law）、TIPO。 左上角標示「L21203」。主標題以黑色粗手寫體寫「L21203 重點速記 ② 四大法規對照（GDPR / PDPA / HIPAA / PCI-DSS）」，旁邊配小圖示（法槌+地球 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜法規 4 大要角」。用手繪編號縱向列出： - ① GDPR（歐盟）— 藍色「全球指標」標籤；一句話：「適用歐盟居民個資；8 項權利 + 同意原則 + 資料最小化 + DPIA 高風險評估」 - ② PDPA（台灣）— 綠色「台灣個資法」標籤；一句話：「明確告知 + 取得同意；資料主體可查閱/複製/更正/刪除/停止處理」 - ③ CDPA（美國地方）— 棕色「州級保護」標籤；一句話：「如維吉尼亞州；查閱/修正/刪除/可攜權；敏感資料嚴格保護」 - ④ HIPAA（美國醫療）— 紅色「醫療專用」標籤；一句話：「醫療機構/保險/第三方廠商；技術+實體+行政三層保護措施」 - ⑤ PCI-DSS（金融支付）— 橙色「支付卡標準」標籤；一句話：「PCI SSC 制定；防火牆 + TLS/AES 加密 + 多因素認證 + 弱點掃描 + 滲透測試」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**GDPR vs PDPA vs CDPA 適用範圍** — GDPR「**歐盟居民全球適用**」；PDPA「**台灣居民個資**」；CDPA「**美國特定州（如維吉尼亞州）**」（紅字底線） - 對照組 2：**HIPAA vs PCI-DSS 適用領域** — HIPAA「**醫療健康資訊**」（醫療機構/保險/第三方）；PCI-DSS「**支付卡產業**」（國際處理支付卡資訊機構）（紅字底線） - 對照組 3：**GDPR 三大關鍵概念** — Right to Erasure「**遺忘權**」+ Right to Object to Automated Decision「**反對自動化決策**」+ DPIA「**高風險時須做影響評估**」 - 對照組 4：**HIPAA 三層保護** — 技術性（加密 + 身份驗證 + 安全傳輸）+ 實體性（設備管控 + 備份災難復原）+ 行政性（政策 + 培訓 + 風險評估）（紅字底線） - 對照組 5：**PCI-DSS 五大要求** — 網路安全（防火牆/IDS）+ 加密（TLS/AES）+ 存取控制（MFA/最小權限）+ 定期評估（弱點掃描/滲透測試）+ 員工訓練 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - GDPR：「歐盟 + 8 項權利 + 同意 + 資料最小化 + DPIA」 - PDPA：「台灣個資法 + 明確告知 + 查閱/更正/刪除權」 - CDPA：「美國州級 + 透明隱私政策 + 敏感資料嚴格保護」 - HIPAA：「醫療專用 + 技術 / 實體 / 行政三層保護措施」 - PCI-DSS：「支付卡產業 + TLS/AES + MFA + 滲透測試」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **HIPAA = 美國醫療**（健康保險可攜性與責任法案）；**PCI-DSS = 金融支付**（支付卡資料安全標準）；別搞混！ - ★ **GDPR 是歐盟法規但全球適用**（只要處理歐盟居民個資的企業，無論在哪都受規範） - ★ **GDPR DPIA = 高風險資料處理時必做影響評估**；不是所有資料都要 - ★ **HIPAA 三層保護順序：技術 + 實體 + 行政**；常考題會打亂順序測試 - ★ **PCI-DSS 是 PCI SSC（支付卡產業安全標準委員會）制定**，國際適用 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21201 / L21202 等其他章節 — 本章是 L21203。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 HIPAA / PCI-DSS 適用領域互換、不要把 GDPR 寫成「只在歐盟生效」、不要把 PDPA 寫成美國法案 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21203_recap_p02_compliance_summary.png ``` --- ## 張 21：L21203_recap_p03_bias_mitigation_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：模型偏見、歧視、公平性（Fairness）、資料分布不均（Imbalanced Data）、歷史偏見（Historical Bias）、標註偏見（Labeling Bias）、演算法偏見（Algorithmic Bias）、透明度（Transparency）、可解釋性（Explainability）、問責性（Accountability）、歐盟人工智慧倫理指導原則、OECD 人工智慧高級準則、聯合國 UNESCO、全球人工智慧聯盟（GPAI）、ISO/IEC 標準、倫理委員會（Ethics Committee）、AI 審查流程（Ethical Review Process）、內部教育訓練、透明度與對外溝通、迴避（Avoidance）、轉移（Transfer）、緩解（Mitigation）、接受（Acceptance）、SLA（服務水準協議）、保險、風險管理計畫（Risk Management Plan）、MLOps（機器學習運維）、模型漂移監控（Model Drift Monitoring）、資料漂移監控（Data Drift Monitoring）、效能異常警示（Performance Anomaly Alerting）、自動重新訓練（Auto-retraining）。 左上角標示「L21203」。主標題以黑色粗手寫體寫「L21203 重點速記 ③ 偏見倫理 + 4 控管策略 + MLOps」，旁邊配小圖示（天平+齒輪 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜偏見 + 倫理 + 控管 + 監控」。用手繪編號縱向列出： - ① 4 大偏見來源 — 紅色「Bias 起源」標籤；一句話：「Imbalanced 樣本不均 / Historical 歷史偏見 / Labeling 標註主觀 / Algorithmic 演算法設計」 - ② 4 大倫理原則 — 藍色「國際共識」標籤；一句話：「Transparency 透明度 / Explainability 可解釋 / Fairness 公平 / Accountability 問責」 - ③ 4 大控管策略 — 紫色「風險處理」標籤；一句話：「迴避 Avoidance（暫緩）/ 轉移 Transfer（保險+SLA）/ 緩解 Mitigation（主動降低）/ 接受 Acceptance（低衝擊監控）」 - ④ 內部治理 4 機制 — 綠色「企業內控」標籤；一句話：「倫理委員會 + AI 審查流程 + 內部教育訓練 + 透明對外溝通」 - ⑤ MLOps 4 監控 — 橙色「持續維運」標籤；一句話：「Model Drift 模型漂移 / Data Drift 資料漂移 / Performance Anomaly 效能異常 / Auto-retraining 自動重訓」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**4 控管策略對應情境** — 迴避「**潛在損害嚴重難控**」（暫緩專案）；轉移「**保險+SLA 賠償**」（第三方承擔）；緩解「**主動降低機率/影響**」（最常見）；接受「**低衝擊+控管成本不划算**」（只做監控）（紅字底線） - 對照組 2：**Transparency vs Explainability** — Transparency「**整體運作邏輯說明 + 決策依據**」（向使用者公開）；Explainability「**個別預測為何如此**」（個案推理）（紅字底線） - 對照組 3：**Fairness vs Accountability** — Fairness「**避免對特定群體歧視**」；Accountability「**建立責任體系**」（出錯有人擔） - 對照組 4：**Historical Bias vs Algorithmic Bias** — Historical「**歷史資料反映過往社會偏見**」（信用審核含種族/性別偏見）；Algorithmic「**演算法設計犧牲少數群體公平**」（為總體效能優化）（紅字底線） - 對照組 5：**MLOps 4 監控目的** — Model Drift「預測準確度下降」；Data Drift「輸入分佈變化」；Performance Anomaly「即時警報」；Auto-retraining「自動觸發再訓練」 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 4 偏見：「樣本不均 + 歷史偏見 + 標註主觀 + 演算法設計」 - 4 原則：「Transparency + Explainability + Fairness + Accountability」 - 4 策略：「Avoidance 迴避 / Transfer 轉移 / Mitigation 緩解 / Acceptance 接受」 - 內部治理：「倫理委員會 + 審查流程 + 教育訓練 + 對外溝通」 - MLOps：「Model+Data Drift 監控 + Anomaly 警示 + Auto-retraining」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **緩解 Mitigation 是最常用的策略**；別誤把所有風險都用迴避 - ★ **概念漂移（Concept Drift）的最佳處理 = 建置監控 + 觸發再訓練流程**（不是縮減模型層數、不是定期重啟伺服器） - ★ **Transparency = 整體說明邏輯**；**Explainability = 個別預測解釋**；別搞混 - ★ **倫理委員會應跨領域組成**（技術+法律+人權+風險）；不是純技術人員 - ★ **MLOps 自動重訓觸發條件常設定為「準確率下降 5%」**或其他效能閾值 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21201 / L21202 等其他章節 — 本章是 L21203。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 4 控管策略應用情境互換、不要把 Transparency / Explainability 互換、不要把概念漂移最佳處置寫成「縮減模型層數」或「定期重啟伺服器」 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21203_recap_p03_bias_mitigation_summary.png ``` --- ## 張 22：L21301_recap_p01_data_collection_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：垃圾進垃圾出（Garbage In, Garbage Out, GIGO）、內部資料、ERP（Enterprise Resource Planning）、CRM（Customer Relationship Management）、機台資料（Machine Data）、智慧製造（Smart Manufacturing）、使用者使用行為資料、POS、Web/App 紀錄、IoT 裝置、內部報表、外部資料、開放資料、Web Scraping（網頁爬蟲）、商業資料庫、Refinitiv、Statista、Experian、缺失值（Missing Values）、平均數填補（Mean Imputation）、中位數填補（Median Imputation）、前後值填補（Forward/Backward Fill）、插值法（Interpolation）、重複值（Duplicate Values）、drop_duplicates、異常值（Outliers）、Z-score、IQR（Interquartile Range）、Isolation Forest、LOF（Local Outlier Factor）、資料品質（Data Quality）、完整性（Completeness）、一致性（Consistency）、準確性（Accuracy）、即時性（Timeliness）、唯一性（Uniqueness）。 左上角標示「L21301」。主標題以黑色粗手寫體寫「L21301 重點速記 ① 資料收集 + 清理 + 品質 5 指標」，旁邊配小圖示（資料庫+水龍頭 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜GIGO 起點 + 內外資料源 + 5 品質指標」。用手繪編號縱向列出： - ① GIGO 核心 — 紫色「核心箴言」標籤；一句話：「Garbage In, Garbage Out = 資料品質決定模型可靠度」 - ② 內部資料來源 — 藍色「企業資產」標籤；一句話：「ERP（營運）+ CRM（顧客）+ Machine Data（智慧製造）+ POS/Web/App/IoT（使用者行為）+ 內部報表（合規）」 - ③ 外部資料來源 — 綠色「外部擷取」標籤；一句話：「開放資料（政府/社群 API）+ Web Scraping（爬蟲、需注意條款）+ 商業資料庫（Refinitiv/Statista/Experian）」 - ④ 清理三大議題 — 橙色「資料雜訊」標籤；一句話：「缺失值（Mean/Median/Forward Fill/Interpolation）+ 重複值（drop_duplicates）+ 異常值（Z-score/IQR/Isolation Forest/LOF）」 - ⑤ 品質 5 指標 — 紅色「Data Quality」標籤；一句話：「Completeness（完整）+ Consistency（一致）+ Accuracy（準確）+ Timeliness（即時）+ Uniqueness（唯一）」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**ERP vs CRM vs Machine Data** — ERP「**銷售/庫存/採購/財務**」（內部營運核心）；CRM「**顧客互動 + 行為**」（客戶關係）；Machine Data「**生產機台運轉+故障**」（智慧製造資產）（紅字底線） - 對照組 2：**Z-score vs IQR vs Isolation Forest vs LOF** — Z-score 與 IQR「**統計方法**」；Isolation Forest 與 LOF「**機器學習方法**」；目的都是異常值偵測 - 對照組 3：**5 大品質指標** — Completeness「**無關鍵欄位缺失**」；Consistency「**邏輯一致**」（年齡不為負）；Accuracy「**反映真實**」；Timeliness「**最新**」；Uniqueness「**無重複衝突**」（紅字底線） - 對照組 4：**缺失值處理 4 法** — 平均數 / 中位數填補 + Forward/Backward Fill + Interpolation 插值法；若缺失比例過高應**刪除欄位**或用模型推估 - 對照組 5：**Web Scraping 注意事項** — 需特別注意「**網站條款與資料使用合規性**」；不是任意網站都能爬 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 4 個短句條列： - 資料價值：「GIGO = 垃圾進垃圾出；資料品質 = 模型品質」 - 內部資料：「ERP + CRM + Machine Data + 使用行為 + 內部報表」 - 外部資料：「開放資料 + Web Scraping + 商業資料庫」 - 5 品質指標：「完整 / 一致 / 準確 / 即時 / 唯一」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **GIGO = Garbage In Garbage Out**；資料品質直接決定 AI 模型可靠度 - ★ **異常值偵測**：Z-score / IQR 是**統計**；Isolation Forest / LOF 是**機器學習** - ★ **5 大品質指標**：完整 Completeness / 一致 Consistency / 準確 Accuracy / 即時 Timeliness / 唯一 Uniqueness；別漏！ - ★ **Web Scraping 須注意網站使用條款合規**；不是所有資料都能任意爬 - ★ **缺失值處理：插補法（Imputation）**是常用方法（平均/中位/眾數/模型預測）；別寫成資料增強 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21302 等其他章節 — 本章是 L21301。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要漏 5 大品質指標、不要把缺失值處理寫成「資料增強」、不要把 Z-score / IQR 寫成機器學習方法 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21301_recap_p01_data_collection_summary.png ``` --- ## 張 23：L21301_recap_p02_feature_eng_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：特徵工程、正規化（Normalization）、標準化（Standardization）、Z-score、獨熱編碼（One-hot Encoding）、標籤編碼（Label Encoding）、時間戳處理、文字處理、TF-IDF（Term Frequency-Inverse Document Frequency）、詞向量（Word Embeddings）、特徵選擇（Feature Selection）、資訊增益（Information Gain）、皮爾森相關係數（Pearson Correlation Coefficient）、L1 正則化（Lasso）、降維（Dimensionality Reduction）、主成分分析（PCA）、t-SNE、UMAP、自動特徵工程（Auto Feature Engineering）、AutoML（自動化機器學習）、Google AutoML、H2O.ai、AutoKeras、TPOT、自動特徵創建、自動篩選有用特徵、特徵組合、互動作用檢測、Target encoding、Interaction、隨機森林（Random Forest）、多項式特徵、滯後特徵。 左上角標示「L21301」。主標題以黑色粗手寫體寫「L21301 重點速記 ② 特徵工程 + 選擇 + 降維 + AutoML」，旁邊配小圖示（齒輪+漏斗 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜特徵轉換 + 選擇 + 降維 + AutoML」。用手繪編號縱向列出： - ① 數值特徵轉換 — 藍色「縮放」標籤；一句話：「Normalization（0-1 縮放）/ Standardization（Z-score，平均 0 標準差 1）」 - ② 類別特徵處理 — 紫色「編碼」標籤；一句話：「One-hot Encoding（無序，二進位欄位）/ Label Encoding（有序整數，如高中→學士→碩士）」 - ③ 時間與文字 — 綠色「結構擴增」標籤；一句話：「時間戳取週期（星期/上下午/工作日）+ 文字處理（TF-IDF / Word Embeddings）」 - ④ 特徵選擇 + 降維 — 橙色「精簡」標籤；一句話：「選擇：Information Gain + Pearson + L1 Lasso；降維：PCA / t-SNE / UMAP」 - ⑤ AutoML 工具 — 紅色「自動化」標籤；一句話：「Google AutoML / H2O.ai / AutoKeras / TPOT；自動創建/篩選/組合特徵」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**Normalization vs Standardization** — Normalization「**縮放到 0-1**」（min-max）；Standardization「**平均 0、標準差 1**」（Z-score）；後者對 SVM/KNN/Logistic 等梯度模型尤其有效（紅字底線） - 對照組 2：**One-hot vs Label Encoding** — One-hot「**無序分類**」（如顏色：紅/綠/藍）變二進位欄位；Label「**有序類別**」（如學歷：高中=1/學士=2/碩士=3）（紅字底線） - 對照組 3：**Information Gain vs Pearson vs L1 Lasso** — Information Gain「**資訊量大小**」；Pearson「**數值特徵間線性相關性**」；L1 Lasso「**懲罰複雜度將係數壓 0 選特徵**」 - 對照組 4：**PCA vs t-SNE vs UMAP** — PCA「**線性降維**」（保最大變異，通用前處理）；t-SNE「**非線性視覺化**」（KL 散度，慢）；UMAP「**模糊拓撲非線性**」（比 t-SNE 快、保局部 + 全局結構）（紅字底線） - 對照組 5：**AutoML 核心功能 5 項** — 自動特徵創建（拆日期/數學運算）/ 篩選有用特徵（RF/Lasso）/ 特徵組合與互動作用檢測 / 適應不同資料集 / 基於模型反饋 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 數值轉換：「Normalization 0-1 / Standardization 平均 0 標準差 1」 - 類別編碼：「One-hot 無序二進位 / Label 有序整數」 - 文字處理：「TF-IDF 統計 + Word Embeddings 語意」 - 特徵選擇：「IG / Pearson / Lasso L1 三大方法」 - 降維：「PCA 線性 / t-SNE 非線性視覺化 / UMAP 高效」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **Z-score 標準化主要目的 = 將特徵縮放至相同尺度**（對 SVM、KNN 等梯度敏感模型有效）；別寫成「壓縮資料」或「增加欄位」 - ★ **One-hot = 無序類別 / Label = 有序類別**；別搞反！ - ★ **PCA 線性 + 對離群值敏感**；t-SNE 非線性但慢；UMAP 比 t-SNE 快且保局部+全局 - ★ **L1 正則化（Lasso）= 壓係數為 0 做特徵選擇**；L2 只縮小不壓 0（不能做特徵選擇） - ★ **AutoML 加速資料科學流程 + 降低技術門檻**；但仍須了解模型本質，不是完全黑箱 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21302 等其他章節 — 本章是 L21301。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 One-hot / Label Encoding 適用情境互換、不要把 PCA 寫成非線性、不要把 L1 / L2 特徵選擇能力寫反 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21301_recap_p02_feature_eng_summary.png ``` --- ## 張 24：L21301_recap_p03_model_choice_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：監督式學習、迴歸任務（Regression）、線性迴歸（Linear Regression）、決策樹迴歸（Decision Tree Regression）、隨機森林迴歸（Random Forest Regression）、梯度提升樹（Gradient Boosting Regression）、分類任務（Classification）、邏輯迴歸（Logistic Regression）、Sigmoid、決策樹分類、隨機森林分類、支持向量機（Support Vector Machine, SVM）、K 最近鄰（K-Nearest Neighbors, KNN）、梯度提升樹分類、非監督式學習（Unsupervised Learning）、K-means、DBSCAN、階層式分群（Hierarchical Clustering）、Dendrogram、主成分分析（PCA）、深度學習（Deep Learning）、卷積神經網路（CNN）、遞迴神經網路（RNN）、LSTM、GRU、Transformer、BERT、GPT、強化式學習（Reinforcement Learning, RL）、智能體（Agent）、行動（Action）、狀態（State）、獎勵（Reward）、Q-learning、Deep Q Network（DQN）、Policy Gradient、Actor-Critic、Proximal Policy Optimization（PPO）、生成式模型（Generative Models）、生成對抗網路（Generative Adversarial Networks, GANs）、生成器、判別器、變分自編碼器（Variational Autoencoder, VAE）、擴散模型（Diffusion Models）、Stable Diffusion、Mode Collapse。 左上角標示「L21301」。主標題以黑色粗手寫體寫「L21301 重點速記 ③ 六大模型族選擇」，旁邊配小圖示（樹狀+腦圖 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜六大模型族」。用 6 個圓圈手繪編號縱向列出： - ① 監督式 - 迴歸 — 綠色「連續數值預測」標籤；一句話：「Linear / Decision Tree Regression / Random Forest Regression / Gradient Boosting Regression；銷售/房價預測」 - ② 監督式 - 分類 — 藍色「離散類別預測」標籤；一句話：「Logistic Regression（Sigmoid）/ Decision Tree / RF / SVM / KNN / GBC；垃圾郵件/疾病診斷/客戶流失/金融風險」 - ③ 非監督式 — 紫色「無標註結構發現」標籤；一句話：「K-means（需 K 值）/ DBSCAN（密度任意形狀）/ 階層式 Dendrogram / PCA 降維」 - ④ 深度學習 — 橙色「神經網路」標籤；一句話：「CNN（影像）/ RNN/LSTM/GRU（時序）/ Transformer（NLP + 跨模態）」 - ⑤ 強化式學習 — 紅色「試誤學習」標籤；一句話：「Agent + Action + State + Reward；Q-learning / DQN / Policy Gradient / Actor-Critic / PPO」 - ⑥ 生成式模型 — 棕色「學分佈創造」標籤；一句話：「GAN（生成器+判別器對抗）/ VAE（變分潛在分佈）/ Diffusion 擴散（逐步去噪，Stable Diffusion）」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**迴歸 vs 分類** — 迴歸「**預測連續數值**」（銷售/房價）；分類「**預測離散標籤**」（會/不會流失、垃圾/正常郵件）（紅字底線） - 對照組 2：**邏輯迴歸的真實身份** — 名為「迴歸」**實際是分類演算法**（用於二元分類，靠 Sigmoid 轉機率）；常考陷阱！ - 對照組 3：**監督 vs 非監督 vs 強化** — 監督「**有標註**」（給 X 預測 y）；非監督「**無標註**」（找群集/降維）；強化「**試誤+獎勵**」（Agent 學最優策略）（紅字底線） - 對照組 4：**深度學習對應領域** — CNN「**影像**」（人臉/工業檢測）；RNN/LSTM「**時序文字語音**」；Transformer「**NLP + 多模態**」 - 對照組 5：**生成式三巨頭** — GAN「**生成器+判別器對抗**」（易模式崩潰）；VAE「**變分推斷學潛在**」（生成模糊）；Diffusion「**逐步去噪**」（高品質但慢） 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 6 個短句條列： - 迴歸：「Linear / Tree / RF / GBR = 連續數值預測」 - 分類：「Logistic / DT / RF / SVM / KNN / GBC = 離散類別」 - 非監督：「K-means / DBSCAN / 階層 / PCA = 無標註結構」 - 深度：「CNN 影像 / RNN-LSTM 時序 / Transformer NLP+多模態」 - 強化：「Agent + Action + State + Reward；Q-learning/DQN/PPO」 - 生成：「GAN 對抗 / VAE 變分 / Diffusion 去噪 = 學分佈創造」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **邏輯迴歸 Logistic Regression 名為迴歸但實際是分類演算法**（二元分類）；常見題目陷阱！ - ★ **預測「會/不會流失」= 二元分類任務**，適合 Logistic Regression、決策樹；不是迴歸 - ★ **模型選擇不能只看準確率**；要綜合**開發成本 + 可部署性 + 維運難度** - ★ **強化式學習四要素**：Agent（智能體）+ Action（行動）+ State（狀態）+ Reward（獎勵） - ★ **PPO（Proximal Policy Optimization）= OpenAI 提出的策略梯度改良**，避免策略更新過大；常用於遊戲與機器人控制 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21302 等其他章節 — 本章是 L21301。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把邏輯迴歸標成迴歸演算法、不要把監督/非監督/強化定義互換、不要把 GAN / VAE / Diffusion 訓練機制互換 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21301_recap_p03_model_choice_summary.png ``` --- ## 張 25：L21302_recap_p01_integration_arch_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：系統集成、資料倉儲（Data Warehouse）、資料湖（Data Lake）、IoT、資料管線（Data Pipeline）、ERP、CRM、POS、MES（製造執行系統）、API、RESTful API、gRPC、Webhooks、容錯、快取、負載管理、OAuth2、JWT（JSON Web Token）、存取權限、API Gateway、存取日誌、流量控管、跨雲、異質系統、Service Mesh、微服務架構（Microservices Architecture）、容器化、Docker、Kubernetes（K8s）、滾動更新（Rolling Update）、自動擴縮（Autoscaling）、負載平衡（Load Balancing）、模型服務化、Flask、FastAPI、TensorFlow Serving、多版本管理（Model Versioning）、冗餘部署（Redundancy）、容錯切換（Failover）。 左上角標示「L21302」。主標題以黑色粗手寫體寫「L21302 重點速記 ① 系統集成 + 架構設計」，旁邊配小圖示（齒輪+管線 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜集成 5 面向 + 架構 4 設計」。用手繪編號縱向列出： - ① 資料來源與管線 — 藍色「資料整合」標籤；一句話：「Data Warehouse + Data Lake + IoT + 第三方 API → Data Pipeline（擷取/轉換/清理/入庫）」 - ② 企業內部系統整合 — 綠色「業務串接」標籤；一句話：「整合 ERP / CRM / POS / MES；模型輸出回饋業務流程（推薦寄信、需求預測調採購）」 - ③ API 與平台接軌 — 紫色「服務暴露」標籤；一句話：「RESTful API（主流）/ gRPC / Webhooks；含容錯快取負載管理」 - ④ 安全與權限 — 紅色「資安管控」標籤；一句話：「OAuth2 / JWT 身份驗證 + 角色權限分級 + API Gateway 日誌與流量控管」 - ⑤ 微服務 + 容器化 — 橙色「架構設計」標籤；一句話：「Microservices 拆分 + Docker 容器 + Kubernetes 編排（Rolling Update / Autoscaling / Load Balancing）+ Flask/FastAPI/TF Serving 封裝模型」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**Data Warehouse vs Data Lake** — Data Warehouse「**結構化資料倉儲**」（已整理）；Data Lake「**大規模非結構資料**」（原始）（紅字底線） - 對照組 2：**RESTful API vs gRPC vs Webhooks** — REST「**最常見**」（HTTP+JSON）；gRPC「**效能高+雙向**」；Webhooks「**事件驅動回呼**」 - 對照組 3：**OAuth2 vs JWT** — OAuth2「**授權框架**」；JWT「**Token 格式**」（JSON Web Token，可被 OAuth 使用） - 對照組 4：**Docker vs Kubernetes** — Docker「**容器映像 + 執行**」（單機）；K8s「**容器編排+資源調度+故障恢復**」（多容器叢集）（紅字底線） - 對照組 5：**容器化主要優點** — **促進模型跨平台部署 + 環境一致性**；不是「加快資料標註速度」、不是「減少參數量」（紅字底線） 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - 資料源：「Data Warehouse + Data Lake + IoT + API → Data Pipeline」 - 業務整合：「ERP / CRM / POS / MES 雙向串接」 - API：「REST 主流 / gRPC 高效 / Webhooks 事件驅動」 - 安全：「OAuth2 + JWT + API Gateway + 權限分級」 - 架構：「Microservices + Docker + K8s + Flask/FastAPI 封裝」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **Docker 容器主要優點 = 跨平台部署 + 環境一致性**；不是「加快標註」或「減少參數」 - ★ **Kubernetes 提供滾動更新（Rolling Update）+ 自動擴縮（Autoscaling）+ 負載平衡** - ★ **微服務優點 = 易隔離錯誤 + 跨團隊並行 + 彈性擴展**；挑戰 = 分散式管理複雜度高 - ★ **OAuth2 是授權框架，JWT 是 Token 格式**；別寫成兩者等同 - ★ **資料管線需設計完整流程**：擷取 → 轉換 → 清理 → 入庫；缺一不可 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21301 等其他章節 — 本章是 L21302。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 Data Warehouse / Data Lake 結構化屬性互換、不要把 Docker / K8s 功能混淆、不要把容器化優點寫成「減少參數量」 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21302_recap_p01_integration_arch_summary.png ``` --- ## 張 26：L21302_recap_p02_deployment_modes_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：公有雲部署（Public Cloud）、Amazon Web Services（AWS）、Microsoft Azure、Google Cloud Platform（GCP）、彈性擴充、按量付費、GDPR、資料主權、供應商鎖定、私有雲部署（Private Cloud）、OpenStack、VMware、本地資料中心、資安風險、政府、金融、醫療、邊緣運算（Edge Computing）、IoT、車載系統、即時反應、傳輸延遲、隱私保護、工業設備監控、智慧城市、車聯網、混合部署（Hybrid Deployment）、雲端訓練、邊緣推論、同步機制、一致性管理。 左上角標示「L21302」。主標題以黑色粗手寫體寫「L21302 重點速記 ② 四大部署模式」，旁邊配小圖示（雲+設備 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜4 種部署模式」。用手繪編號縱向列出： - ① 公有雲（Public Cloud）— 藍色「彈性擴充」標籤；一句話：「AWS / Azure / GCP；資源彈性 + 全球節點 + 按量付費；新創/中大型 AI/GPU 訓練」 - ② 私有雲（Private Cloud）— 綠色「資安可控」標籤；一句話：「OpenStack / VMware；自建本地資料中心；政府/金融/醫療嚴格法規領域」 - ③ 邊緣運算（Edge Computing）— 紫色「即時低延遲」標籤；一句話：「靠近資料源（IoT/手機/車載）做推論；低延遲 + 隱私保護；工業監控/智慧城市/車聯網」 - ④ 混合部署（Hybrid Deployment）— 橙色「最佳組合」標籤；一句話：「雲端訓練 + 邊緣推論；兼顧算力 + 反應速度 + 資料保護」 - ⑤ 選擇關鍵 — 紅色「決策因子」標籤；一句話：「資料敏感性高 → 私有雲 / 邊緣；快速試驗 → 公有雲；多場景 → 混合」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**Public vs Private Cloud** — Public「**廠商提供 + 彈性擴充 + 按量付費**」（AWS/Azure/GCP）；Private「**自建本地資料中心 + 高安全控制**」（OpenStack/VMware）（紅字底線） - 對照組 2：**Edge Computing 在哪推論** — **靠近資料源端的裝置**（IoT / 手機 / 車載）；目的「**即時反應 + 降低延遲 + 隱私保護**」（紅字底線） - 對照組 3：**邊緣優勢 vs 邊緣挑戰** — 優勢「即時 + 低延遲 + 隱私」；挑戰「**運算資源有限 + 更新同步需設計**」（紅字底線） - 對照組 4：**Public Cloud 的挑戰** — **GDPR 合規 + 資料主權 + 供應商鎖定風險**；不是「速度太慢」 - 對照組 5：**Hybrid 混合部署用法** — **雲端訓練 + 邊緣推論**（典型搭配）；不是把所有工作平均分 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 4 個短句條列： - 公有雲：「AWS/Azure/GCP = 彈性 + 全球 + 按量付費；新創與大型 AI」 - 私有雲：「OpenStack/VMware = 安全可控；政府/金融/醫療首選」 - 邊緣：「IoT/手機/車載即時推論 = 低延遲 + 隱私 + 算力受限」 - 混合：「雲端訓練 + 邊緣推論 = 算力 + 速度 + 資料保護」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **資料隱私與本地控制需求高 → 優先選私有雲（地端私有部署）**；不是區塊鏈、不是外包 - ★ **邊緣運算的推論發生在終端裝置本地端**（不是雲端 GPU 伺服器）；典型題目選項陷阱！ - ★ **Public Cloud 三大挑戰**：GDPR 合規 + 資料主權 + 供應商鎖定；別寫成「速度問題」 - ★ **混合部署 = 雲端訓練 + 邊緣推論**為典型搭配；不是隨意混合 - ★ **私有雲建置與維運成本高**，彈性擴展性也受限；不是萬靈丹 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21301 等其他章節 — 本章是 L21302。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把邊緣運算推論位置寫成雲端、不要把資料敏感性高的領域寫成優先用公有雲 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21302_recap_p02_deployment_modes_summary.png ``` --- ## 張 27：L21302_recap_p03_mlops_governance_summary.png ### 完整 Prompt ``` 請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。 教材原詞必須清楚出現：MLOps（Machine Learning Operations）、DevOps、持續整合（Continuous Integration, CI）、持續部署（Continuous Deployment, CD）、A/B 測試、藍綠部署（Blue-Green Deployment）、金絲雀部署（Canary Deployment）、模型版本控管（Model Versioning）、MLflow、DVC（Data Version Control）、模型監控、模型漂移（Model Drift）、資料漂移（Data Drift）、錯誤率、延遲、吞吐量、滾動更新（Rolling Update）、熱更新（Hot Swap）、Prometheus、Grafana、Dashboard、推論延遲（Inference Latency）、Throughput、Uptime、GPU 記憶體、推薦點擊率（CTR）、預測準確率（Accuracy）、F1-Score、業務層級、轉換率、ROI、客戶留存率、Human-in-the-Loop、AutoML、Online Learning、業務行銷部門、客服營運部門、法務風險部門、資訊部門、AI 治理委員會、AI 產品經理、跨部門培訓。 左上角標示「L21302」。主標題以黑色粗手寫體寫「L21302 重點速記 ③ MLOps + KPI + 跨部門治理」，旁邊配小圖示（循環箭頭+團隊 icon）。版面切成 4 大區塊： 【區塊 A — 考點地圖（左上，佔約 40% 寬 × 55% 高)】 標題「① 考點地圖｜MLOps + 三層 KPI + 治理」。用手繪編號縱向列出： - ① CI/CD 流程 — 藍色「自動化」標籤；一句話：「CI 持續整合（程式碼變動即觸發訓練測試）+ CD 持續部署（通過門檻自動部署 + A/B + 藍綠 + 金絲雀）」 - ② 版本控管 — 紫色「可重現」標籤；一句話：「MLflow（實驗+部署管理）+ DVC（資料集與模型版本追蹤）」 - ③ 監控與回饋 — 紅色「異常偵測」標籤；一句話：「Model Drift / Data Drift / 錯誤率 / 延遲 / 吞吐量；觸發再訓練 + Hot Swap 熱更新 + Rolling Update + Prometheus+Grafana 視覺化」 - ④ 三層 KPI — 綠色「效能指標」標籤；一句話：「系統層（Latency/Throughput/Uptime/GPU 記憶體）+ 應用層（Accuracy/CTR/F1/異常精確度）+ 業務層（轉換率/ROI/留存率/成本節省）」 - ⑤ 跨部門治理 — 橙色「組織協作」標籤；一句話：「業務行銷 + 客服營運 + 法務風險 + 資訊；AI 治理委員會 + AI 產品經理 + 跨部門培訓」 【區塊 B — 易混淆比較表（右上，佔約 60% 寬 × 55% 高)】 標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照： - 對照組 1：**CI vs CD** — CI「**持續整合**：程式碼/資料變動即觸發訓練測試」；CD「**持續部署**：通過門檻自動上線」（紅字底線） - 對照組 2：**藍綠部署 vs 金絲雀部署** — Blue-Green「**兩套環境瞬間切換**」（降風險）；Canary「**少量流量試新版**逐步擴大」 - 對照組 3：**MLflow vs DVC** — MLflow「**機器學習全流程管理**」（實驗/訓練/部署/版本）；DVC「**資料集與模型版本追蹤**」（專為 ML 設計的 Git-like 工具）（紅字底線） - 對照組 4：**三層 KPI 對應角色** — 系統層 → 工程團隊（延遲/吞吐/可用率）；應用層 → 資料科學家（準確率/F1）；業務層 → 業務部門（ROI/轉換率/留存率）（紅字底線） - 對照組 5：**Human-in-the-Loop** — **使用者與業務回饋融入優化**；如自動標記錯誤樣本進行學習；不是純自動化 【區塊 C — 一句話結論（左下，佔約 50% 寬 × 25% 高)】 標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列： - CI/CD：「持續整合 + 持續部署 + 自動化 = 減少人為錯誤」 - 版本：「MLflow 全流程 + DVC 資料+模型版本」 - 監控：「Drift + Anomaly → 觸發再訓練 / 熱更新 / 滾動更新」 - 三層 KPI：「系統層 + 應用層 + 業務層；技術+業務雙軌制」 - 治理：「跨部門角色 + AI 委員會 + 產品經理 + 培訓」 【區塊 D — 考前提醒（右下，佔約 50% 寬 × 25% 高，暖黃色重點框)】 標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點： - ★ **MLOps 主要目的 = 實現 AI 模型的自動化開發 / 部署 / 持續維運**；不是壓縮參數、不是設計 UI - ★ **持續監控部署後 AI 模型效能的目的 = 偵測模型概念漂移與效能下降**；不是減少備份空間 - ★ **AI 系統整合需「產品經理 + 工程人員」協作**；產品經理對齊需求，工程人員封裝模型 - ★ **藍綠部署 = 兩環境瞬間切換**；**金絲雀 = 少量流量逐步擴大**；別搞混 - ★ **MLflow ≠ DVC**：MLflow 是 ML 全流程平台；DVC 專為資料集與模型版本控制（Git-like） 版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字。整體像學生考前在筆記紙上手寫整理的速記頁，活潑有重點。 【共通負向約束】 1. 嚴禁畫成 L21301 等其他章節 — 本章是 L21302。 2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「→ 下節見」等任何指向其他頁面或子頁字樣）。 3. 嚴禁右上角頁碼。 4. 不要把 MLflow / DVC 角色互換、不要把 CI / CD 階段倒置、不要把藍綠 / 金絲雀部署策略混淆 — 這些是教材最常考的干擾陷阱，所有對照必須完全正確。 輸出檔名：L21302_recap_p03_mlops_governance_summary.png ``` --- ## 完成判定 27 張 PNG 全部生成到 `/Users/kueikuei/aiondaily/ipas_AI規劃師中級/科目一_學習指引_分章_v4/output4/recap/L21XXX/`（資料夾由 Heiter 接手前建立），檔名嚴格按上方「輸出檔名」一字不差。產完 27 張就 stop，**艾冉只負責生圖，不要動 prompts.md / 不要碰 chunks / 不要回報以外的章節**。 ## 後續流程（Heiter 接手） 27 張生圖完成後，Heiter 自己接手： 1. 看圖驗收（紅字底線、易混淆對照是否正確、教材原詞是否齊全、各章不要互相混淆） 2. 若通過 → commit + push，sidebar 回報 boss 3. 若失敗 → 起 hotfix round 重做 — Heiter（2026-05-13）