模型部署 (Model Deploy) 模型部署是機器學習和人工智慧項目中的關鍵環節，指將已訓練並驗證通過的機器學習模型，集成並部署到實際生產環境中，使其能夠接收新數據並生成預測結果，為應用系統提供智能服務的過程。它標誌著模型從實驗階段走向實際商業應用，實現技術價值的落地。
增量學習(Incremental Learning) 增量學習是一種機器學習方法，著重於讓模型在已有知識基礎上，能夠隨著新數據或新任務的到來逐步更新和學習，而無需從頭開始重訓整個模型。這種學習方式模擬人類的學習過程，可以不斷吸收新信息的同時保留過去已學到的知識，實現持續學習和適應環境變化的能力。
梯度下降法（Gradient descent） 梯度下降法是一種基礎且廣泛應用於機器學習和深度學習中的數值優化算法，主要用於求解目標函數的極小值。簡單理解，它是一種通過沿著函數的梯度反方向反覆迭代更新參數，使得損失函數逐步減小，最終逼近最優解的方法。梯度下降法是訓練模型，特別是神經網絡中不可或缺的核心技術。
頻率懲罰（Frequency Penalty） 頻率懲罰是一種在文本生成和自然語言處理模型中常用的調控機制，旨在減少生成內容中重複詞彙的出現，從而提升文本的多樣性和可讀性。具體來說，頻率懲罰根據某個詞彙在已生成文本中的出現頻次，對該詞未來再次被選擇的概率予以懲罰性降低，避免模型陷入重複或機械式的表達。
什麼是 基礎模型（Base Model）? 基礎模型，又稱為「foundation model」或「base model」，是指經過大規模數據訓練而成的通用型人工智慧模型。這類模型通常採用自監督或半監督學習技術，能夠理解並捕捉數據中的複雜模式和結構，從而能夠在多種下游任務中展現優異性能。基礎模型的特點是具有高度的適應性和彈性，可以通過微調（fine-tuning）或定制，應用於不同的應用場景和專業領域。
什麼是 少樣本學習（few-shot）? 少樣本學習是一種機器學習方法，旨在讓模型能夠在只有極少量標註樣本（通常是幾個到幾十個）的情況下快速學習並完成指定任務。這種學習方法突破了傳統機器學習對大量數據依賴的限制，更接近於人類只需少量示例即能學會新事物的學習能力。
什麼是 倫理AI（Ethics AI）? 倫理AI，是指在人工智慧技術的研發、設計、部署和應用過程中，秉持人類社會的倫理價值和道德原則，保障人工智慧系統的安全、公平、透明和負責任使用的理念與實踐。它旨在確保AI技術能為社會帶來正面影響，同時有效預防和減少其可能產生的偏見、不公、隱私侵犯或其他負面後果。
端到端學習（End-to-End Learning） 端到端學習是一種機器學習和深度學習的設計理念，指的是直接將系統的輸入映射到最終輸出，整個過程中不經過人工設計的中間特徵提取或分步驟處理。換言之，一個單一的模型或神經網絡負責從原始數據直接學習到預測結果，所有系統組件共同訓練和優化，以達到整體的任務目標。
什麼是 深度偽造（Deepfake）? 深度偽造（Deepfake）是結合「深度學習」（Deep Learning）與「偽造」（Fake）兩個詞的一種技術，主要利用人工智慧中的深度神經網絡，特別是生成對抗網絡（GANs），製作出極為逼真的合成影像、影片及聲音。這種技術可以將某個人的面部、表情、語音等特徵替換或合成到其他素材上，創造出外觀看似真實但內容完全虛假的媒體。
