聯繫我們

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)

課程分類