哈囉大家，我的第一天到第十天都是在學習生成式AI相關的內容以及必備的先備知識，順便想想實作內容要做什麼，第十一天起做了實作，實際去操作透過不同生成式AI完成我的需求，有用了聊天機器人、chatGPT等等。
其實這十天都離不開醫療的內容，可能是幫生病的人做簡單心理輔導又或是做醫療文本的摘要或擷取等等，最後也實際寫程式來分析各種醫療文本，這些技術與能力都離不開前十天的學習，至於接下來，我會一樣做相關學習，並為這一個月的內容做整理與總結。

反思：
回顧這一系列的實作，我深刻地感受生成式AI在醫療領域的潛力。首先，生成式AI的模型訓練需要大量數據，醫療數據的隱私和合規問題是一個巨大的挑戰。如何在保證患者隱私的前提下使用這些數據來訓練生成模型，將是未來必須解決的關鍵問題之一。其次，生成式AI的結果並非總是可靠的。在一些實作中，我們發現模型生成的內容可能與預期不符，不管怎麼修改我的code都沒辦法跑出我心中預期的內容。然後在涉及醫療診斷和治療時，生成錯誤可能會帶來嚴重的後果。因此，對於生成式AI在醫療領域的應用，依然需要強大的監管和審查機制來保證結果的準確性和安全性。AI可以輔助醫生做出決策，但最終的診療方案依然應該由醫生進行把關。
同時，生成式AI在醫療中的應用，還面臨著技術發展的瓶頸。當前的生成技術雖然在某些領域已經取得了顯著成果，但還需要更高效的模型和更強大的計算資源來支持大規模醫療數據的生成與分析。例如，在藥物發現的實作中，生成的化合物結構雖然可以加速篩選過程，但是否能夠真正應用於臨床仍有待進一步研究與測試。
另一方面，生成式AI也讓我看到了醫療自動化和個性化治療的未來發展方向。AI能夠基於患者的個人數據生成定制化的治療方案，從而提升治療的針對性和有效性，這無疑是未來精準醫療的一大發展趨勢。此外，生成式AI在醫療文本生成和病患對話系統中的應用，讓我感受到AI在改善醫患溝通、提升醫療服務質量方面的潛力。
總結來看，生成式AI為醫療行業帶來了無限的可能性，也帶來了相應的挑戰。未來，隨著技術的進一步發展，生成式AI可能會成為醫療領域不可或缺的技術工具，但同時我們也必須謹慎應對其帶來的隱憂與挑戰。這次的實作經歷讓我對生成式AI在醫療領域的發展有了更全面的認識，也更加期待未來在這一領域的更多突破。