AI & Data
如何充分利用OpenAI的API，以創建更為智能和多元化的AI應用。其中一個關鍵是Prompt，提示工程是一種獨特的技術，透過精心設計和優化OpenAI的輸入與輸出，使AI更能準確地理解並回答人類的問題，進而使LLM模型能生成更好的回應。而語義核心則是一種開源的SDK，它讓開發者能夠使用常見的程式語言，如Python或C#，來整合OpenAI以及其他AI服務，例如Azure OpenAI和Hugging Face。更進一步地，開發者可以透過插件和記憶體來擴展AI的技能和靈活性，是一個以面向開發者為主的SDK，適合運用在較複雜的LLM模型整合性應用場景。
AI & Data
這幾年我一直從事以SQL為主的data工作，想改良現有的資料流程，卻不知如何下手。直到認識了dbt，才看到一線曙光。如果你也和過去的我一樣，在data之路感到迷惘，希望本系列文章能對你有幫助。
AI & Data
從 2019 年開始因為身為 PM 很想看產品資料而開始學數據，這個過程相當有趣，打開了另外一個世界！😻 這一系列的文章，我想從以下 3 個視角分享 30 個想法， 1. 個人 2. 團隊與公司 3. 社群 ，希望代表在成為資料實踐者的旅程中，會經歷的階段
AI & Data
近年 AI 科技被炒的火熱，自己也想試試，對於程式撰寫編程有什麼幫助，因此由 CPE 一星題庫開始整理，看看 ChatGPT(生成式AI)的對話模組的效果，在鐵人賽的 30天，每日會根據一星題庫撰寫，也會夾雜使用心得之類的廢文。
AI & Data
資料分析師主要應用的工具是： Tableau, PowerBI, FineReport 這種集成式的軟體。上述的軟體非常強大，就像 Microsoft 的 Office 360 一樣。 然而，我們有時候需要更靈活的工具：我們希望我們的工具可以像 Linux Shell 一樣，有許多小的零組件，一個零組件只做好一件事，比方說： awk, sed, tr, sort, cat, ... ，卻可以靈活地組合起來，而且，容易自動化。 本文就是要介紹「當代的」資料工程與資料分析技術，這套工具與方法論就像是 Linux Shell 一般地靈活、容易自動化、可以提昇數倍的產出。
AI & Data
這系列文章我會以一個 Data Scientist 的角度，並以一個 Fintech 公司實際的例子，來分享我們怎麼在雲上或開源專案中建立一個系統來解決以下問題: - 如何減少從 Experiment 實作到 Serving Pipeline 遇到鬼的 - 如何化解 Data Scientist 間的穀倉效應，並讓 DS 間可以互相合作 - 如何整理雜亂的訓練資料並不會被埋沒在奇怪命名的研究結果汪洋中 - 如何安心的睡覺，不用擔心模型壞掉
AI & Data
筆者就讀於人工智慧相關學系，目前為大學三年級即將升到四年級，已經經過了大學三年的學習，也已經修讀了多堂機器學習相關課程，小型專案也已經做了不少。但我看見身邊有許多人在做機器學習、使用模型時常常只是套模，不知道自己所使用的模型是什麼，也不知道背後是怎麼運作的。因此想利用這次的30天鐵人賽來寫一篇有關介紹一般常見模型以及基礎使用這些模型的應用。 在這30天的文章之中，將會先介紹模型的運作方式以及背景，接著實際以python來使用這些模型，並且以簡單的程式碼運行、展示成果。希望這30天的文章可以讓讀者們理解這些模型，並且讓各位讀者能夠以後自己在使用模型時，能夠也先去理解自己使用的模型究竟是什麼，