AI 點樣學習？

簡單解釋

以監督式學習為例，系統先看大量帶有答案的例子，計算預測與正確答案的差距，再調整內部參數；重複很多次後，模型在相似任務上通常會進步。其他方法包括使用沒有標籤的資料找模式，以及用回饋鼓勵較理想的行為。

學習結果受資料代表性、標註質素、評估方法和目標影響。如果訓練資料偏斜，模型可能放大偏見；若只記住例子，遇到新情況便失準。訓練完成後，使用者的每次對話也不必然即時改變模型，資料設定要看服務及帳戶政策。

實際做法或 Prompt 範例

1. 先定義任務和可接受錯誤，再準備代表性例子。
2. 把訓練、測試及實際使用資料分開，避免只在熟悉例子上評估。
3. 按不同群組、語言及邊界情況檢查準確度和偏差。

可直接複製的 Prompt 範例

請設計一個不涉及個人資料的 AI 評估小測試：用十條公開句子判斷「活動是否免費」。請列出答案、判斷理由、可能誤判的句子，以及如何由人員複核；不要聲稱這個小測試能代表全部表現。

電腦：選取整段後複製；手機：長按並選取文字。範例只作學習示範，改用實際資料前先去識別化。

新手例子

用公開活動句子建立小型測試集，先由兩位人員確認答案，再比較 AI 結果，並記錄「未提及費用」不能當作免費。

常見錯誤

• 以為 AI 會自動吸收所有新資訊。
• 只用容易例子訓練和測試，忽略邊界情況。
• 沒有檢查資料偏見、版權或私隱。