Azure AI Foundry 與 Vertex AI 實戰 30 天系列完結篇！
經過這 30 天的實戰旅程，我們從生成式 AI 的基礎概念一路探索到模型訓練、部署、最佳化、監控與成本管理。
從雲端 AI 服務，到資料管線、MLOps、自動化與 AI 應用整合，我們已經踏遍完整 AI 開發生命週期 🚀
今天，我想帶你做一個收尾，同時也放眼未來 AI 生態的演進。
| 內容主軸 | 我們做了什麼 |
|---|---|
| GenAI 基本原理 | Prompt、Embedding、RAG、推論機制 |
| 雲端 AI 服務 | Azure AI Foundry & GCP Vertex AI 核心功能 |
| 資料處理 | Feature Engineering、向量資料庫 |
| 模型開發 | 訓練、微調、版本管理 |
| 部署與整合 | Endpoints、API 整合、前後端應用 |
| MLOps | Pipeline、自動化、持續監控 |
| 成效最佳化 | 延遲、吞吐量、成本監控、Edge AI |
從零到一，從概念到產品，這就是「生成式 AI 工程」最真實的樣貌。
| 趨勢方向 | 說明 |
|---|---|
| 小型化與邊緣推論 | LLM 不再只存在雲端，會跑在手機、瀏覽器甚至 IoT 設備 |
| 多模態 AI（Multimodal） | 圖片、語音、影片、文字將無縫整合 |
| Agent 技術成熟化 | AI 不只回答問題，而是能主動完成任務（含工具調用） |
| 企業 AI 內部化（AI Sovereignty） | 資安、私有模型與本地部署需求攀升 |
| 模型個性化 | 微調與 RAG 將讓 AI 更貼近使用者或企業需求 |
| AI 單位成本下降 | 推論架構、壓縮與租用模式逐漸成熟 |
這意味著：
AI 工程將成為每個開發者的基本能力，就像當年的 Web 與 Mobile 一樣。
建議三大方向作為下一階段技能 Roadmap：
AI 技術進步比任何領域都還快。
這 30 天不只是技術筆記，更像是一段探索之旅。
未來 AI 誰都能用，但能落地的人才最稀缺。
希望這系列能成為你打造 AI 能力的基石，一起迎向更聰明的世界！🤝
iThome鐵人賽
看影片追技術