感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
課程簡介
生成式AI與提示工程簡介
- 何謂生成式AI及其與傳統自動化的差異
- 提示工程在塑造AI輸出質量中的角色
- 當前文本、圖像、音頻及視頻工具生態系統概覽
- 提示工程如何為商業創造價值
文本與圖像生成AI模型的基礎
- 以通俗語言解析大型語言模型及擴散模型的運作機制
- 訓練數據、微調與提示之間的區別
- 預訓練模型的優勢與局限
- 為何模型架構會影響提示的撰寫方式
主流AI助手比較
- Microsoft Copilot:優勢在於Microsoft 365整合、Word、Excel、Outlook及Teams工作流程、企業數據錨定;弱點在於創意範圍及推理深度不及同類產品
- Google Gemini:優勢在於原生多模態、Workspace整合及實時搜索錨定;弱點在於一致性較差、地域可用性受限及複雜任務的指令遵循能力不足
- ChatGPT:優勢在於生態系統成熟、自定義GPT、透過DALL-E進行圖像生成及語音模式;弱點在於缺乏錨定時的事實可靠性及高級功能使用限制較嚴
- Claude:優勢在於長上下文處理、細膩推理、長文書寫及清晰分析;弱點在於工具生態系統廣度及圖像生成能力
- 根據特定任務、受眾或合規要求選擇合適工具
- 橫向比較同一提示在四款助手中的表現
有效提示設計原則
- 清晰度、具體性與情境作為優質提示的三大支柱
- 結構化指令、語氣、格式及約束條件
- 初學者常見錯誤及識別方法
- 從弱提示迭代優化至高效提示
零樣本、單樣本與少樣本提示
- 三種方法的差異及適用時機
- 觀察模型行為並相應調整示例
- 僅使用少量精選樣本教會模型新任務
- 在ChatGPT、Copilot、Gemini及Claude中的實務練習
進階提示工程技術
- 用於精細輸出的條件提示及情境感知提示
- 風格遷移、角色提示及創意指導
- 思維鏈及逐步推理提示
- 減少回應中的幻覺、歧義及偏見
無代碼少樣本微調
- 何謂少樣本微調及其與全模型訓練的區別
- 使用示例驅動提示將模型適配至特定領域任務
- 何時應進行提示工程,何時微調才是更優投資
- 評估輸出質量並進行迭代優化
高擬真度文本生成
- 生成具有受控語氣、聲音及長度的文本
- 產出長文內容、摘要、報告及結構化文檔
- 在多步驟生成中保持連貫性
- 結合提示模式以實現可重複且符合品牌調性的結果
將提示工程應用於業務工作流程
- 自動化常規起草、研究及信息分揀
- 簡析客戶支持及聊天機器人應用場景
- 設計團隊可重複使用的提示模板,無需重新訓練
- 質量控制、升級邏輯及人工介入檢查點
圖像生成與處理
- 比較DALL-E、Stable Diffusion、MidJourney及Leonardo AI
- 撰寫控制風格、構圖、光線及主題的提示
- 負向提示、權重分配及迭代優化
- 透過提示進行圖像到圖像的轉化及編輯
AI音頻與語音
- 從文本提示生成自然逼真的語音
- 概念層面的聲音克隆與合成
- 在培訓內容、無障礙訪問及營銷中的應用案例
使用生成式AI創作視頻內容
- 概覽當前文本轉視頻工具及其實際交付能力
- 透過提示序列進行劇本撰寫及故事板設計
- 將AI生成的文本、圖像、音頻及視頻整合為單一素材
- 編輯及優化AI創作的視頻輸出
多模態AI與整合工作流程
- 多模態模型如何統一文本、圖像、音頻及視頻的推理
- 無需編碼即可構建端到端內容管道
- 來自營銷、設計、培訓及廣告的實例研究
倫理、負責任使用及未來趨勢
- 偏見、版權、署名及內容審查
- 使用生成式平台時的隱私及數據保護考量
- 對終端客戶的披露、透明度及信任建立
- 未來12個月值得關注的新興工具、模型及趨勢
最低要求
目標受眾
探索AI輔助內容創作的市場、通訊及創意專業人士;希望透過提示驅動工具自動化重複互動的業務運營及客戶服務團隊;以及沒有任何AI或編程經驗,但希望透過結構化、工具導向的入門方式進入生成式AI領域的新手。
21 小時
客戶評論 (2)
使用正确且有效的提示词
Marses Pacaldo
課程 - Generative AI and Prompt Engineering for Corporate Professionals
機器翻譯
互動式風格,練習
Tamas Tutuntzisz
課程 - Introduction to Prompt Engineering
機器翻譯