簡介
這個課程可以用簡體中文上，我覺得比起英文的課程，中文對於母語使用者來說可能更加親切，但是老實說這些中文感覺上像是機器直接從英文翻譯的，雖然說感覺可以看得懂但不是很順暢。以下摘要一下每個課程當中重點的內容給大家參考。
課程數: 5門（約4小時，需點閱所有課程方可進入測驗）測驗題數: 10 (總分90分以上，方可取得證書。
參加課程的連結：https://dev.amazoncloud.cn/learn/aitalent
第一課 – 《生成式 AI 介紹 – 可能的藝術》
《生成式 AI 介紹 – 可能的藝術》課程介紹了生成式 AI 的概念、使用案例以及在商業環境中的重要性。
生成式人工智能（生成式 AI）是機器學習 (ML) 的一個分支，它涉及算法的開發，可以根據用戶輸入創建自然語言文本、圖像、代碼、音樂或影像。生成式 AI 是深度學習的子集，它可以調整使用深度學習構建的模型，但無需進行重新訓練或微調。
生成式AI使用案例：
| 零售业 | 定價優化：生成式 AI 可以對不同的定價場景進行建模，以確定實現利潤最大化的最佳定價策略。 | 虛擬試穿：AI 可以生成顧客的虛擬模型進行虛擬試穿，從而改善在線購物體驗。 | 店鋪佈局優化：AI 可以生成最有效的店鋪佈局，以改善客戶購物體驗並提高銷售額 |
| 醫療保健行業 | Amazon HealthScribe：使醫療保健軟件供應商能夠構建臨床應用，通過分析患者與醫生的對話自動生成臨床筆記。 | 根據患者的具體基因構成、生活方式和疾病進展情況生成治療方案，從而有助於提供更有效的個性化護理。 | 醫學影像：AI 可以增強、重建甚至生成醫學影像，如 X 光、MRI 或 CT 掃描，從而幫助做出更準確的診斷 |
| 生命科学 | 藥物發現：AI 可以為藥物生成新的潛在分子結構，從而加快藥物發現過程並降低成本。 | 白質折疊預測：AI 可以根據蛋白質的氨基酸序列預測蛋白質的 3D 結構，這對於瞭解疾病和開發新療法至關重要。 | 合成生物學：AI 可以生成合成生物系統的設計，如工程生物或生物電路。 |
| 金融服务 | 欺詐檢測機制：生成式 AI 可以幫助創建合成數據集，通過模擬各種洗錢模式來改進 AI/ML 系統。 | 產品組合管理：生成式 AI 可以模擬各種市場場景，幫助創建和管理穩健的投資產品組合。 | 債務催收：AI 可以為債務追討提供最有效的溝通和談判策略，提高追討成功率。 |
| 製造業 | 產品設計：生成式 AI 可用於根據設定的參數和約束條件創建新產品設計。生成式 AI 可以生成多種設計選項，並針對成本、材料、性能等因素進行優化。 | 過程優化：AI 可以通過對不同場景進行建模並優化成本、時間、資源使用等變量來生成最高效的生產過程。 | 預防性維護：通過分析歷史生產數據，AI 可以預測維護時間表，從而提供最高效的機器輸出並縮短停機時間。 |
| 媒體和娛樂業 | AI 可用於為電影、電視節目和遊戲創建腳本、對話，甚至完整的故事。 | 虛擬現實：生成式 AI 可為遊戲或模擬打造身臨其境的交互式虛擬環境。 | 新聞生成：AI 可以根據原始數據或事件生成新聞文章或摘要。 |
第二課- 規劃生成式 AI 項目
基礎模型
生成式AI實際應用案例
步，Transformer 模型會將輸入拆分為幾個較小的部分，以便將其轉換為數字（編碼）。這些較小的部分稱為詞例。詞例可以是字詞、短語或單獨的字符（如句點）。詞例還提供輸入數據的標準化，從而更方便模型進行處理。最後，詞例可以嵌入三維空間（下一步將對此進行詳細介紹）。
對於此場景，句子可拆分為以下詞例：「A」 「puppy」 「is」 「to」 「dog」 「as」 「kitten」 「is」 「to」。各個詞例啓動幫助模型理解輸入的過程。
詞嵌入向量：詞例化步驟完成後，Transformer 模型隨後會將這些詞例編碼為 n 維向量。這些是字詞的三維數字表示。下圖顯示了這些關係在二維空間中的相互關係，僅供說明用途。
在此向量空間中，含義相似的單詞相互之間的位置比較接近。將其當作地圖上的坐標。Cat與 Feline 的坐標距離可能比 Dog 與 Kitten 的坐標距離更近。
解碼器：在所有詞例均編碼完畢後，Transformer 的解碼器會使用向量表示來預測請求的輸出。它具有內置的機制，可以側重於輸入的不同部分，並猜測匹配的輸出。複雜的數學技術幫助解碼器評估不同的輸出，並選擇概率最高的字詞。在此場景中，解碼器在考慮 kitten 與哪個單詞相關時，會理解 puppy 與 dog 相關。
輸出：最後，模型會輸出其預測，並生成句子中的下一個單詞。模型可能會將這句話寫成「A puppy is to dog as kitten is to cat.」
規劃生成式AI的項目步驟
定義範圍：评估每个解决方案提供的长期和短期影响
選擇模型：选择按原样使用预训练模型还是微调模型以进行自定义主要是权衡易用性和灵活性。
調整模型：包含提示工程和微調兩種方式。提示工程式設計和完善提示輸入，使模型能夠符合需求的特定類型書痴過程。采用微调方式时，如果模型规模较大，且需要采取维护数据质量的策略，这类解决方案可能会产生高昂的成本。
使用模型
第三課：構建生成式AI就緒型企業
與員工探討生成式AI:
找到正确的问题:通过早期的高管认同，并选择要使用机器学习 (ML) 解决的正确问题，企业可以开始创建稳健的策略。选择有价值的问题，例如传统手段无法解决的、需要丰富的数据或大量人力的问题，能够在企业内取得推动项目的早期胜利和增益。
不斷嘗試，失敗乃成功之母：迎难而上意味着有目的、有意识地利用失败作为通往成功的道路。对 ML 来说，失败乃成功之母意味着利用失败作为迭代的机会，从而提高容错能力，并在随后的尝试中找到成功的方向。许多成功的结果都需要经过多轮迭代之后取得，有些则完全不成功。
扩展到概念验证 (POC) 之外：POC 会测试产品或服务的设计、想法或假设，并确定潜在的可行性。开发中的 ML POC 可用于在进行大规模生产投资之前，解决整个企业中的 ML 伸缩挑战。
第四課：改變您工作方式的各種生成式AI應用場景
Traditional ML models需要每一個功能都有Model，Foundation Model就比較簡單，可能只需要微調或改變提示詞。對於多數人而言，可以直接跟大模型進行溝通。
文字模型方面，越來越多模型朝開源方向走去，以及可以多語言支持。
除了文字模型，視覺、聲音方向也有越來越多模型。
下班後的學習筆記 