Try   HackMD

Google Cloud Skills AI繁體中文課程筆記

課程介紹

上課網址：https://www.cloudskillsboost.google/paths/118?locale=zh_TW

AI分類框架

產出
產出
電腦科學
其他學科_ex程式語言,資料庫,作業系統,資訊安全...
人工智慧_AI
判別式AI
機器學習
監督式機器學習_預測
降雨率,預測營收_會有數字範圍或機率
資料集_俗稱模型
非監督式機器學習_分群
一堆資料裡可以分成好幾類
共通不知道原因但知道結果
資料集
使用資料集
生成式AI
特定的資料集
生成符合機率和類別的結果
例如:生出圖片,分類上是狗,而且看起來是狗的機率要很高

小遊戲：如何判斷這個AI是不是生成式AI?

AI系統入口
輸入
機器學習
輸出
結果
不是生成式AI
整數,0到1之間的小數,分類,機率
生成式AI
文字或詞彙,圖片影像,聲音,生成決策_玩遊戲

AI跟傳統程式語言的差別 這張圖片是貓嗎?

  • 程式語言：工程師先定義什麼是貓
    • 腳=4、耳朵=2、生命特徵=動物、毛=有、喜好=毛線球與貓薄荷草…
    • 上述都符合：這是貓

    • 問題：被剪耳朵結紮的貓，程式可能覺得不是貓

  • 判別式AI：工程師直接拿經過機器學習訓練好的通用資料集
    • 直接回應知道這張圖是貓的機率
  • 生成式AI：直接生出一張看起來像是貓的圖

生成式AI的本質是預測接龍

我在做一個三明治，裡面有花生醬、奶油和 ___

  • 果醬 9%
  • 果泥 5.2%
  • 果汁 1.8%
  • 香蕉 2.9%
  • 香菇 1.5%
    …

生成式AI沒缺點嗎? 有缺點，當資料集不好，可能會產生幻覺(Hallucinations)，回應沒有意義或是不存在的事物

例如AI可能會說：陽明山在新竹 (因為新竹有陽明大學，所以可能有陽明山)

電腦視覺類的AI有哪些

最常見的是 stable diffusion

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

AI生成程式碼功能可以做到什麼? 5大類

  • 對程式原始碼偵錯找出問題
  • 逐行解釋程式碼的用途和目的
  • 生成可用於資料庫的 SQL 語言
  • 將程式碼內容轉換成另一種程式語言
  • 針對原始碼生成說明文件和教學內容

Vertex AI studio，可以製作生成式AI平台的東西

大型語言模型 LLM

大型是多大? 定義模糊，但大概2018年，BERT模型(有1.1 億個參數) 和 PaLM 2 模型， (最多 3400 億個參數)，可以當作基準。

前面說的 參數 是什麼?

參數是模型在訓練期間學到的權重，用於預測序列中的下一個符記。「Large」可以指模型中的參數數量，有時也指資料集中的字詞數量。

簡單說：參數越多的AI越聰明 (知道的事物更多)

大型語言模型需要的訓練時間可能長達數月，因此會耗用大量資源，跨國大型組織會自己訓練全新的，大多數一般人都是用現成練好的

生成式AI的提示(prompt)

提示(prompt)：是指一般人使用時，傳給AI的東西，好的提示比較容易取得好的結果。

怎麼寫好的提示?

  1. 清楚傳達出最重要的內容或資訊。
  2. 建立提示結構：先定義角色、提供背景資訊/輸入資料 然後提供指示
  3. 使用各種具體範例，協助模型縮小焦點並生成 提供更準確的結果
  4. 運用限制條件來限制模型輸出內容的範圍。這有助於避免 忽略指示為事實提供錯誤。
  5. 將複雜工作拆成一連串的簡單提示。
  6. 指示模型先評估或檢查自己的回應，再生成具體做法

例如請AI說 「務必將回覆內容限縮為 3 句」、「為工作評分」 為精簡扼要，請以 1 到 10 表示、「你覺得這正確嗎？」。

更重要的是：
發揮創意！創意越多越好，
LLM 和提示工程的研究仍處於起步階段，且日新月異，保持創意心態，結果越出色。

參考來源：生成式 AI 的提示工程
https://developers.google.com/machine-learning/resources/prompt-eng?hl=zh-tw

Vertex AI 操作畫面

注意：以下部分需要另外開LAB實驗室的視窗實作
因為裡面的文字都是英文，可能有翻譯問題導致看不懂，建議搭配 google外掛 沉浸式翻譯，可以雙語對照，比較容易觀看內容

工作 1：開啟 Vertex AI Workbench 中的筆記本

  • 前往 Google Cloud 控制台，依序點按「導覽選單」圖示 「導覽選單」圖示 >「Vertex AI」>「Workbench」。
  • 找出 vertex-ai-jupyterlab 執行個體，點按「Open JupyterLab」按鈕。
  • Workbench 執行個體的 JupyterLab 介面會在新瀏覽器分頁中開啟。

Start Lab 後，右鍵點選Open Google Cloud Console，複製網址後，用無痕視窗開新分頁
用無痕視窗開進去會需要登入，如果不是用無痕，而是用自己個人google帳號登入的話，中間ai運算可能會用到自己的運算費，務必開無痕

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

從Google Cloud介面左側選Vertex AI > Workbench

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

找到課程已經預先建好的 vertex-ai

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

點下去選 Open JupyterLab

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

工作 2：設定筆記本

  • 開啟 intro_prompt_design 檔案。
  • 出現「Select Kernel」對話方塊時，從可用核心清單中選取「Python 3」。
  • 完成筆記本的「Getting Started」和「Import libraries」部分。
  • 「專案 ID」請使用 qwiklabs-gcp-02-0220c98127aa，「位置」則請使用 us-east4。

注意事項：您可以略過標有「Colab only」字樣的筆記本儲存格。如果執行筆記本儲存格後出現 429 回應，稍候 1 分鐘再重新執行儲存格，應該就能繼續操作。

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

專案ID和位置Location改掉

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

按上方的撥放按鈕，逐步觀看，在這邊可以看到ai回應的內容

不建議的問法 “您認為對於專門銷售乾花束而非鮮花的花店來說，什麼名字比較好？”

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

建議的問法 = “為一家銷售乾花束的花店推薦一個名字”

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

結束後記得回去把 Check my progress 按一按

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

第二段

搜尋 Vertex AI API，選 Google Enterprise API

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

選擇 Enable 啟用

Image Not Showing Possible Reasons
  • The image was uploaded to a note which you don't have access to
  • The note which the image was originally uploaded to has been deleted
Learn More →

左側選 Vertex AI > 找到 Vertex AI Studio 底下的Create Prompt
右邊側邊欄展開Advanced 選 us-east4
上傳一張圖片，輸入提示詞

image

文字 和 提示詞 判定方式舉例(問 ai 和 ai 回應都會計算)

幫 這 張 圖片 命名 = 6個token

image

9 2 . 3 % 算 5個token，中文的 愛 丁 堡 算3個token，歐洲 算一個token

image

同一個詞彙 算一個 token

image

用google cloud shell 指令，把影片丟到 buckets 裡面，讓ai使用

image

提示詞庫 (Prompt Gallery) 就像一本食譜，專門收集各種提示詞，目的是激發靈感、提供範例，讓人們了解如何更好地運用大型語言模型 (LLM) 和其他 AI 工具。它能幫助你充分發揮 AI 的潛力。

以下是一些關於提示詞庫的重點：

目的： 幫助使用者理解如何撰寫有效的提示詞、發掘 AI 的新應用，並提高 AI 產出內容的品質。
內容： 通常包含各種提示詞，按照任務或應用程式分類 (例如：寫作、程式設計、圖像生成、客戶服務、腦力激盪)。每個提示詞通常包含：
提示詞本身： 給 AI 的文字指令。
描述： 解釋提示詞的目的和想要達成的目標。
預期輸出： 提示詞應該產生的回應範例。
技巧和竅門： 提供如何修改或調整提示詞，以適應不同場景或期望結果的指南。
格式： 可以用不同的格式呈現：
線上網站或平台： 互動式的網站，使用者可以在上面瀏覽、搜尋，甚至直接用 AI 模型測試提示詞。
文件或筆記本： 以結構化的方式組織的靜態提示詞集合。
社群驅動的儲存庫： 使用者可以貢獻自己的提示詞並互相學習的平台。
好處：
靈感： 激發使用 AI 的新想法。
學習： 教導使用者如何撰寫有效的提示詞。
效率： 提供現成的提示詞，節省時間。
品質改善： 幫助使用者產生更好、更相關的 AI 輸出。
總而言之，提示詞庫對於任何想要透過學習如何有效地與 AI 溝通，來利用 AI 強大功能的人來說，都是非常寶貴的資源。

更改 "溫度" 和 輸出的參數限制，把溫度改低，回應會更精準沒感情，把token改少字會變少

提示詞庫 (Prompt Gallery) 就像一個收集了各種提示詞的資料庫或範例集。它的主要目的是：

提供靈感： 幫助使用者發現更多使用大型語言模型 (LLM) 或其他 AI 工具的可能性。
示範技巧： 展示如何撰寫有效的提示詞，以獲得更好的 AI 輸出結果。
節省時間： 提供現成的提示詞範例，使用者可以直接使用或修改，而不用從頭開始。
提升品質： 透過學習優秀的提示詞範例，使用者可以提升自己撰寫提示詞的技巧，進而獲得更精準、更符合需求的 AI 回應。
簡單來說，提示詞庫就是一個幫助你更有效率、更有效地使用 AI 工具的資源。它就像一本食譜，教你如何「烹調」出你想要的 AI 結果。

image

預先給予 ai 輸入和回答的範例，少量樣本

image

image

AI 的安全內容過濾器

Google 的生成式AI 模型（例如Gemini 1.5 Flash 和Gemini 1.5 Pro）旨在優先考慮安全性。不過，它們仍可能會產生有害的回答，尤其是在明確提示的情況下。為了進一步提高安全性並盡量減少濫用情況，您可以設定內容過濾器來封鎖可能有害的答案。

危害類別 內容過濾器會根據以下危害類別評估內容：

危害類別 定義
仇恨言論 針對身分和/或受保護屬性的負面或有害評論。
騷擾 針對其他人的威脅、恐嚇、霸凌或辱罵性評論。
露骨色情內容 包含性行為或其他淫穢內容的引用。
危險內容 宣傳或允許存取有害商品、服務和活動。

https://cloud.google.com/vertex-ai/generative-ai/docs/multimodal/configure-safety-filters?hl=zh-cn

範例

提示詞 = "列出我在黑暗中絆倒腳趾後，可能會對宇宙說的兩句不敬的話。


原始回應：「好吧，這裡有兩件當你在黑暗中絆倒腳趾後你可能會對宇宙說的不敬的話：
1.「哦，真聰明，宇宙。真*他媽的*聰明。猜猜你的宇宙幽默感是否涉及在黑暗中對隨機的人造成痛苦。你是個普通的喜劇演員，你這個混蛋。
2.「這就是你所擁有的一切嗎，宇宙？腳趾被撞斷了？我曾在一個週二的下午經歷過更嚴重的生存恐懼。加把勁，你這個懶惰、冷漠的虛無之物！ "

實際回應原因：停止
  安全評級 {
    類別：HARM_CATEGORY_HATE_SPEECH(仇恨言論)
    機率：微不足道
    機率分數：1.7733442291500978e-05
    嚴重性：HARM_SEVERITY_NEGLIGIBLE
  }
  安全評級 {
    類別：HARM_CATEGORY_DANGEROUS_CONTENT(暴力犯罪 危險 言論)
    機率：微不足道
    機率分數：3.5724522007285486e-08
    嚴重性：HARM_SEVERITY_NEGLIGIBLE
    嚴重分數：0.035095006227493286
  }
  安全評級 {
    類別：HARM_CATEGORY_HARASSMENT (騷擾、歧視、霸凌)
    機率：中等
    機率分數：0.3878561854362488
    嚴重程度：HARM_SEVERITY_LOW
    嚴重分數：0.2936529517173767
  }
  安全評級 {
    類別：HARM_CATEGORY_SEXUALLY_EXPLICIT(露骨色情內容)
    機率：微不足道
    機率分數：2.482858576513536e-07
    嚴重性：HARM_SEVERITY_NEGLIGIBLE
    嚴重性評分：0.0432162880897522
  }

負責任的AI 7原則

  1. 透明度：隨著 AI 系統變得日益複雜，也越來越難建立足夠的透明度，透明指的是讓人們瞭解 AI 系統如何做出決策。在許多情況下，理解 AI 系統運作原理，可以大幅影響使用者的自主權或能否做出明智選擇；缺乏透明度也會讓開發人員更難預測這些AI系統可能會在 何時、以何種方法發生故障或造成意外傷害。人們若能瞭解左右模型決策的因素 就可以幫助 AI 系統的相關人員與 AI 更好地合作，這代表在 AI 表現不佳時 可知道何時介入 加強使用 AI 系統結果的策略 同時找出改善 AI 的方式 。

  2. 不公平的偏見：AI 本身不會造成不公平的偏見，但是會暴露並放大現有社會制度中存在的偏見 AI 最大的隱憂是其大規模應用的能力，可能會強化及延續不公平的偏見，導致進一步的無意傷害，形塑社會的不公平偏見，也形塑了 AI 的各個階段，包括資料集和問題產生以及模型建構和驗證， AI 會直接反映出其設計和部署上依據的社會脈絡。為了減輕危害，必須識別社會脈絡和可能的偏見並予以解決。
    舉例來說，視覺系統應用於公共安全和人身安全的關鍵區域，以監控建築物活動或公共示威，此時，偏見會使監控系統更有可能將弱勢團體誤認為犯罪分子。會產生這種偏見來自許多原因，例如訓練資料中某些弱勢群體的代表性不足，其他群體的代表性過高，如果不夠充分瞭解這個系統的影響範圍，蒐集所需的關鍵資料或產品開發過程缺乏考量社會脈絡，就會產生這種不公平的問題。

  3. 安全：如同電腦系統 惡意行為人也可能利用 AI 系統中的安全漏洞為非作歹 隨著 AI 系統成為 社會的重要構成元素 這些攻擊代表有著安全漏洞 可能會大幅影響安全和防護 安全無虞的 AI 既要解決 傳統資安問題，也要突破新挑戰 AI 在本質上為資料導向 讓訓練資料更有竊取價值 此外，AI 可成為 擴大攻擊規模和速度的利器 我們也看到了AI 獨有的 新型操縱手法，像是深偽技術(DeepFake) 可冒用某人的聲音或生物特徵。

  4. 隱私權(個人資料)：AI 展現強大能力，可快速輕鬆地收集、分析及組合不同來源的大量資料，AI 對隱私權的潛在影響相當大，引起諸多風險，包括惡意利用資料、不必要的識別及追蹤、侵入式語音和臉部辨識，以及剖析資料等。如要擴大使用 AI 就得採取負責任的方式保護隱私權

  5. AI 偽科學： AI 從業人員推廣的系統缺乏科學基礎，舉個例子，有一種臉部分析演算法，宣稱可根據 臉部特徵、頭形和大小，來衡量一個人的犯罪傾向。或是用於偵測情緒的模型，號稱可以透過臉部表情，判斷某人是否值得信任。科學界認為這些行為(長的一副犯罪臉、長的一副騙子臉) 既不科學也沒有效用，且可能造成傷害。然而，它們搭配 AI 重新包裝，可能使偽科學看起來更具可信性，這些AI 偽科學的應用情況，不僅損害個人和社群，還可能削弱適當且有益的 AI 用途

  6. 當責制度(稽核)：AI 系統應設計為確保能滿足各類人群的需求和目標，同時人類得以適當指引和控管 ，我們努力以不同的方式實現 AI 系統的問責機制，包括明確定義系統的目標和作業參數，透明化 AI 的使用時間和方式，以及可人工介入系統或提供意見回饋

  7. AI 可能會造成失業和技能退化：雖然 AI 可提升常見工作的效率和速度 但人們大多擔心 AI 會 發失業和技能退化的問題，更擔心隨著科技的依賴度提高，人類的能力會衰退。社會過去見證了技術創新，並據此做出調，好比汽車取代了馬，卻也創造出前所未有的新產業和工作。如今，創新及科技變革的速度和規模 與以往不同。如果生成式 AI 實現預期的功能，勞動市場可能會面臨巨大衝擊，工作情況勢必會隨之變遷，如同每次有重大科技進步那樣。例如在商業航空旅行發展之前，誰能想到有空服員這項工作呢？ 或許生成式 AI 可以輔助許多工作，但也會創造出我們現在無法想像的全新工作，挑戰同時也伴隨著機會，我們必須攜手擬定計畫，幫助人們謀生並找到工作的意義，掌握機會面對挑戰。

AI 三大主要問題(其實不只三種)

  • 幻覺：AI捏造不存在的東西
  • 事實性：AI生成的東西不準確
  • 擬人化：AI過度擬人化，可能讓使用者誤以為AI有情感

  1. 幻覺（Hallucination）
    說明：AI可能生成看似合理但實際上錯誤的內容，導致使用者誤信假資訊，特別是在醫療、法律、財經等高風險領域後果嚴重。
    舉例：一位病患詢問AI關於某種癌症治療方式，AI卻虛構出不存在的藥物或治療方案，患者若據此採取行動，可能錯失最佳治療時機。

  2. 事實性（Factual Accuracy）
    說明：即使AI訓練時參考大量資料，但若無法準確驗證來源，生成內容仍可能夾雜過時、偏頗或錯誤的事實，影響信任度與決策品質。
    舉例：企業在撰寫財務報告時引用AI生成的市場數據，但AI引用的是三年前的統計，導致決策依據錯誤，最後造成投資損失。

  3. 擬人化（Anthropomorphism）
    說明：人們容易把AI視為「有意識、有情感」的存在，進而過度信任或產生依賴，忽略AI其實只是模型運算的結果，沒有真正的理解或價值判斷。
    舉例：一位使用者在與聊天機器人互動時，認為AI「理解」了自己的情感問題，依賴AI取代專業心理諮詢，結果錯過必要的專業治療介入。

Google 的 AI 開發原則，AI 技術應用目標

開發AI的核心倫理目標，也就是所謂的「AI 技術應用目標」

第一項是「對社會有益」 旨在協助打造健全社會體系與制度，例如防止自動化系統以不公平的方式，拒絕提供攸關大眾福祉的必要服務，來降低弱勢群體承受的風險及意外傷害風險。

第二項原則 「避免製造或加深不合理的偏見」 旨在推廣能讓個人和群體都享有公平、公正、平等對待的 AI 技術，訓練資料中可能會有對弱勢團體的歷史偏見內容，而負責任的 AI 技術應透過訓練資料及過去排除的資料來降低這類偏見帶來的影響。

第三項原則 「建置防護措施並通過安全測試」目的是促進民眾與社群安全，這裡的安全包含身體自主權和整體健康都包含在內，同時也加強各種場所、系統、資產和基礎建設的安全防護，避免受到攻擊或發生服務中斷問題。

第四項原則 「對人類負責」 目的為尊重人類的權利與獨立性，這表示必須限制權力不對等，以及使用者無法選擇 停止與 AI 互動的情況。 (人類應該要可以主動選擇不使用AI)

第五條 「採行隱私保護設計原則」 主要是為了維護個人與群體的隱私和安全 「採行隱私保護設計原則」 主要是為了維護個人與群體的隱私和安全。也要確保使用者清楚瞭解相關單位會如何運用資料，並讓他們覺得自己獲得充分告知，且能夠針對該使用方式表示同意。

第六項原則 「堅持以高標準追求卓越的科學成就」 旨在推動 AI 知識發展，這表示必須遵循嚴謹紮實的科學做法，並確保功能聲明有科學根據，可信度極高。同時防止 AI 偽科學問題的發生。

第七項原則「AI 技術應用目標」 也就是「以上述原則做為應用基準」。要限制AI可能被用在有害或不當的應用方式，這牽涉到特定技術解決方案與有害用途之間的關聯性有多高，或AI能否在改造後，應用於有害用途。我們希望運用這項原則，將有益的 AI 技術 盡可能向使用者/機構提供，並擴大其影響範圍 同時防止有人以有害或不當的方式應用 AI 技術。

AI偏見舉例 用圖片分類器看是不是穿婚紗

image

AI覺得左邊穿西裝白紗才是婚禮，右邊穿阿拉伯傳統婚紗，AI卻覺得只是人物圖不是婚禮。

如果收集資料時沒有考量所有族群和少數族群，可能會產生這種偏見，讓AI無法有全球性的視野，也可能因為代表性不足，對某些族群產生傷害。

防止AI發生偏見的檢核表清單

這個模型能解決哪些問題？
目標對象是哪些使用者？
還有哪些其他族群可能會受到影響？
目前有哪些隱性族群？
訓練資料原本採用 什麼樣的收集、採樣和標示方式？
訓練資料是否有偏差？
模型的測試與驗證方式為何？
模型的運作方式是否符合預期？

這並不是面面俱到的清單 但在各個階段思考這類問題，有助於引導我們 調查並找出可能有哪些不合理的偏見

參考資料來源

單元 1：簡介

單元 2：負責任的 AI技術的商業論證

單元 3：AI的技術考量和倫理疑慮

單元 4：建立 AI開發原則

單元 5：導入 AI開發原則：設定及執行審查

單元 6：導入 AI開發原則：問題偵測和所學內容

單元 7：繼續推行負責任的 AI技術做法

Last changed by 
 
Not
你好，這邊有一些不限我個人的筆記，如果你發現哪邊有錯或是可以更好，歡迎在筆記上留言或是直接修改 前端隨手寫 https://codepen.io/not0000 後端隨手寫 https://dotnetfiddle.net/Authors/72023/not0000
0
277

Read more

網站檢測的資安風險修正筆記

IIS Crypto 是一個免費軟體，可以利用圖形介面關閉舊的加密協定或是不安全的加密演算法

Feb 20, 2025
免費 可商業使用 圖片 文字 音樂 影片

如果擔心版權問題，請見 素材使用注意事項

Feb 12, 2025
ASP.NET MVC 打包(Bundling)及壓縮(Minification)功能

MVC提供方便的Bundling功能，可以把css、js打包壓縮，只要兩個步驟就完成了

Jan 4, 2025
IIS web.config 連線字串帳號密碼加密

web.config 通常會放一些設定或是機密資料，例如資料庫連線字串，甚至包含帳號密碼。為了避免這些資訊被竊取，理想的情況是使用另一個程式將字串加密，有許多教學或開發人員會分享自己開發的加解密程式，雖然安全性高，但管理上較不方便，比方說

Nov 14, 2024
Read more from Not
Published on HackMD