AI工程｜從基礎模型建構應用

AI工程｜從基礎模型建構應用
AI Engineering

作者： Chip Huyen

譯者：

温榮弘

書號： A806

出版日：近期出版

ISBN： 9786264251358

EAN： 9786264251358

紙本書價格： 1200

附件：無

電子書：

尚未出版

試讀

天瓏

團體購書

回頁首

⭐⭐⭐⭐⭐ Amazon五星好評
🏆 機器理論#1 🏆自然語言處理#1 🏆企業應用#1，霸榜超過30週

「本書提供了一個全面且結構清晰的指南，涵蓋建構生成式AI系統的基本面向。對於希望在企業內推展AI的專業人士來說，這是一本必讀之作。」
——Vittorio Cretella，前 P&G and Mars 全球資訊長

「Chip Huyen很懂生成式AI，她是一位卓越的教師和作家，她的著作在幫助團隊將AI導入產品上發揮了重要作用。憑藉深厚的專業知識，《AI工程》是一本深入且全面性的指南，幫助讀者產出構建生成式AI應用。」
——Luke Metz，ChatGPT共同創建人，前OpenAI研發經理

打造真正可用的LLM應用！
從架構設計到部署評估，帶你一次打通 AI 工程實務全流程。

面對LLM，你是否也曾困惑：
•該怎麼選模型，Prompt要怎麼設計？
•模型要微調，還是直接上線？
•部署、監控、評估效果要怎麼做？能讓AI自評嗎？
•又該如何避免幻覺、安全性、延遲等應用風險？

無論你是AI工程師、ML工程師、資料科學家、工程經理、技術產品經理，或是AI工具開發者、研究人員、求職者，本書都能幫助你跨出關鍵第一步！

📌 從零開始建構AI應用，或將原型提升至生產環境
📌 解決幻覺、安全性、延遲與成本等應用挑戰
📌 簡化團隊AI開發流程，讓系統更快、更穩、更可靠
📌 在組織內有效運用基礎模型，提升業務價值與團隊能力
📌 了解AI的能力與限制，釐清AI工程師的核心技能

-----------------------------------------

基礎模型促成了新的AI使用案例，降低了建構AI產品的進入門檻，將AI從一門深奧的學科，轉化為沒有任何AI經驗的人都能使用的強大開發工具。

在這本易懂的指南中，作者Chip Huyen認為AI工程就是運用現有基礎模型建構應用的流程。AI應用開發者會看到包括模型、數據集、評估基準，以及看似無窮無盡應用模式的AI領域，本書也介紹了開發AI應用並可高效部署的實用框架。

•理解什麼是AI工程及其與傳統機器學習工程有何不同
•學習開發AI應用的流程、每個步驟的挑戰，以及應對這些挑戰的方法
•探索包括提示工程、RAG、微調、代理和數據集工程的各種模型適配技術，並理解它們運作的方式與目的
•檢視服務基礎模型時的延遲和成本瓶頸，及如何克服這些問題
•針對需求選擇正確的模型、指標、數據和開發模式

本書與《設計機器學習系統》互為補充，進一步探索AI工程的實務應用。

回頁首

Chip Huyen 懂AI、懂數據又會說故事。她曾任職於NVIDIA和Snorkel AI，也創辦過一家後來被收購的AI基礎設施初創公司，並在史丹佛大學教授機器學習系統設計。她的著作《設計機器學習系統》（O’Reilly）已有超過十種語言的譯本。

回頁首

第1章使用基礎模型建構AI應用導論
AI工程的崛起
基礎模型使用案例
規劃AI應用
AI工程疊層
總結

第2章理解基礎模型
訓練數據
建模
後訓練
取樣
總結

第3章評估方法
評估基礎模型的挑戰
理解語言建模指標
精確評估
AI評判
使用比較評估進行模型排名
總結

第4章評估AI系統
評估標準
模型選擇
設計評估管道
總結

第5章提示工程
提示導論
提示工程最佳實例
防禦性提示工程
總結

第6章 RAG 與代理
RAG
代理
記憶
總結

第7章微調
微調概述
何時進行微調？
記憶體瓶頸
微調技術
總結

第8章數據集工程
數據調理
數據增強與合成
數據處理
總結

第9章推論最佳化
理解推論最佳化
推論最佳化
總結

第10章 AI工程架構與使用者回饋
AI工程架構
使用者回饋
總結

後記

索引

回頁首

生成式AI提示工程｜以前瞻性的設計打造穩定、可信任的AI解決方案 LLM核心攻略制霸生成式AI：ChatGPT、嵌入技術、微調與多模態AI最佳實踐 AI應用程式開發第二版｜活用ChatGPT與LLM技術開發實作

回頁首

請選擇所需之附件

範例檔

檔案名稱	下載	檔案名稱	下載
aie-book-main	下載