甚麼是機器學習？

簡單解釋

機器學習是 AI 的一種方法：程式不必為每個情況寫死規則，而是以資料及目標學習參數，對未見過的資料作分類、預測或排序。例如以過往交易特徵預測風險，或以已標記影像辨認產品瑕疵。

機器學習不代表因果關係，也不保證公平。模型可能學到與答案無關的捷徑，或因資料分布改變而失效。香港生產力促進局展示 AI 與機械人於表面缺陷分析、影像及超聲波識別等製造應用，正好說明部署前要按場景測試，而不是只看實驗室數字。

實際做法或 Prompt 範例

1. 先寫清楚預測對象、輸入資料及錯誤代價。
2. 檢查資料是否代表實際使用情境，並分開訓練和測試。
3. 以準確率以外的指標、群組差異及人工覆核評估。

可直接複製的 Prompt 範例

請用非技術語言解釋一個「以公開產品照片協助找出表面瑕疵」的機器學習方案。請列出資料、預測、可能錯誤、人工覆核方法及不可使用的個人資料；不要聲稱可達到百分百準確。

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

工場先用已標記的公開樣本測試瑕疵分類，再由技術員覆核每個警報；模型只作輔助，不直接決定報廢或追究責任。

常見錯誤

• 將機器學習誤解為只靠規則的傳統程式。
• 只報整體準確率，掩蓋某些類別表現很差。
• 在資料不足或分布改變時仍自動作重大決定。