# 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

graph TD

電腦科學-->其他學科_ex程式語言,資料庫,作業系統,資訊安全...
電腦科學-->人工智慧_AI
人工智慧_AI-->判別式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--產出-->資料集_俗稱模型
機器學習-->非監督式機器學習_分群-->一堆資料裡可以分成好幾類--產出-->資料集_俗稱模型

機器學習-->共通不知道原因但知道結果

資料集-->使用資料集
人工智慧_AI-->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?

graph TD

AI系統入口-->輸入-->機器學習-->輸出-->結果

結果-->不是生成式AI-->整數,0到1之間的小數,分類,機率
結果-->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%
...

---

:::info

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

---

## 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

---

:::info
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。
:::info
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？」。

:::info
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

:::info
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](https://immersivetranslate.com/zh-TW/)，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

從Google Cloud介面左側選Vertex AI > Workbench

找到課程已經預先建好的 vertex-ai

點下去選 Open JupyterLab

---

## 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。


專案ID和位置Location改掉

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？”

建議的問法 = “為一家銷售乾花束的花店推薦一個名字”

結束後記得回去把 Check my progress 按一按

---

## 第二段

搜尋 Vertex AI API，選 Google Enterprise API

選擇 Enable 啟用

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


## 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

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

同一個**詞彙** 算一個 token

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


---

## 使用開放式問答，例如 什麼是提示詞庫 prompt Gallery?

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。


---

## 預先給予 ai 輸入和回答的範例，少量樣本


---

## 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


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？

:::info
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

- [Google Cloud：負責任的 AI技術](https://cloud.google.com/responsible-ai)
- [Google Cloud：開發負責任的 AI技術，使人人受惠](https://ai.google/responsibilities)
- [Google 的 AI 開發原則](https://ai.google/principles/)
- [網誌：Google 的 AI：我們的開發原則](https://blog.google/technology/ai/ai-principles/)
- [史丹佛大學 - 2019 年人工智慧指數報告](https://hai.stanford.edu/sites/default/files/ai_index_2019_report.pdf)
- [ZME Science：AI發展迅速，更勝摩爾定律](https://zmescience.com/science/ai–is-outpacing-moores-law)
- [Quartz：改變了 AI研究的資料，也可能改變了世界](https://qz.com/1034972/the-data-that-changed-the-direction-of-ai-research-and-possibly-the-world/)
- [Google 研究，2022 年與未來發展：負責任的 AI 技術](https://ai.googleblog.com/2023/01/google-research-2022-beyond-responsible.html)
- [Google 研究的負責任的 AI 技術：PAIR](https://ai.googleblog.com/2023/05/responsible-ai-at-google-research-pair.html)
- [Google 研究的負責任的 AI 技術：技術、AI、社會和文化](https://ai.googleblog.com/2023/04/responsible-ai-at-google-research.html)
- [Google 研究的負責任的 AI 技術：影響力研究室](https://ai.googleblog.com/2023/03/responsible-ai-at-google-research.html)

## 單元 2：負責任的 AI技術的商業論證

- [經濟學人智庫：超前部署：負責任的 AI 技術的商業論證（重要研究結果）](https://eiu.com/n/staying-ahead-of-the-curve-the-business-case-for-responsible-ai/)
- [經濟學人智庫：超前部署：負責任的 AI 技術的商業論證（完整報告）](https://pages.eiu.com/rs/753-RIQ-438/images/EIUStayingAheadOfTheCurve.pdf)
- [凱捷研究院：AI 和倫理難題](https://capgemini.com/research/ai-and-the-ethical-conundrum/)
- [凱捷研究院：AI 和倫理難題（完整報告）](https://capgemini.com/wp-content/uploads/2020/10/AI-and-the-Ethical-Conundrum-Report.pdf)

## 單元 3：AI的技術考量和倫理疑慮

- [E&T：建立數位信任度對於採用 AI工具至關重要](https://eandt.theiet.org/content/articles/2020/11/building-digital-trust-will-be-essential-to-adoption-of-ai-tools/)
- [哈佛校報：AI 在更多產業中扮演決策角色，倫理疑慮也隨之增加](https://news.harvard.edu/gazette/story/2020/10/ethical-concerns-mount-as-ai-takes-bigger-decision-making-role/)
- [VentureBeat：2021年，負責任的 AI技術變得至關重要](https://venturebeat.com/2020/11/11/responsible-ai-becomes-critical-in-2021/)
- [凱捷研究院：AI 和倫理難題（完整報告）](https://capgemini.com/wp-content/uploads/2020/10/AI-and-the-Ethical-Conundrum-Report.pdf)
- [Nautilus：人工智慧是否永遠無法捉摸？](https://nautil.us/is-artificial-intelligence-permanently-inscrutable-5116/)

## 單元 4：建立 AI開發原則

- [Google 的 AI 開發原則](https://ai.google/principles/)
- [網誌：Google 的 AI：我們的開發原則](https://blog.google/technology/ai/ai-principles/)
- [網誌：Google AI 開發原則更新，第六個月](https://blog.google/technology/ai/google-ai-principles-updates-six-months)
- [網誌：AI 及負責任創新的工作進展](https://blog.google/technology/ai/update-work-ai-responsible-innovation/)
- [網誌：運用負責任的 AI 技術處理業務](https://cloud.google.com/blog/products/ai-machine-learning/taking-care-of-business-with-responsible-ai)
- [網誌：負責任的 AI 技術：將開發原則付諸實行](https://blog.google/technology/ai/responsible-ai-principles/)
- [自然 (Nature)：AI 倫理準則的全球情勢](https://nature.com/articles/s42256-019-0088-2)
- [哈佛大學伯克曼中心：有原則的人工智慧](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3518482)
- [馬庫拉應用倫理研究中心：技術與工程實踐的倫理方法](https://scu.edu/ethics-in-technology-practice/ethical-lenses/)
- [TensorFlow：負責任的 AI 技術工具包](https://tensorflow.org/responsible_ai)
- [世界經濟論壇：啟發 AI 領導能力 - 高階主管工具包](https://weforum.org/reports/empowering-ai-leadership-ai-c-suite-toolkit)
- [世界經濟論壇：AI 倫理架構](https://weforum.org/projects/ai-ethics-framework)

## 單元 5：導入 AI開發原則：設定及執行審查

- [網誌：負責任的 AI 技術：將開發原則付諸實行](https://blog.google/technology/ai/responsible-ai-principles/)
- [世界經濟論壇：融入倫理考量的設計](https://weforum.org/whitepapers/ethics-by-design-an-organizational-approach-to-responsible-use-of-technology)
- [Google：對 AI模型有共同認知的價值（Model Cards）](https://modelcards.withgoogle.com/about)
- [Google Cloud 網誌：名人辨識](https://cloud.google.com/blog/products/ai-machine-learning/celebrity-recognition-now-available-to-approved-media-entertainment-customers)
- [Google：我們的臉部辨識方法](https://ai.google/responsibilities/facial-recognition/)
- [BSR：Google 考量人權的設計](https://bsr.org/en/our-insights/blog-view/google-human-rights-impact-assessment-celebrity-recognition)
- [BSR 報告：Google 名人辨識 API 人權評估（摘要）](https://services.google.com/fh/files/blogs/bsr-google-cr-api-hria-executive-summary.pdf)
- [Gender Shades：商業性別分類的交叉性準確率差異](https://gendershades.org)
- [Google 負責任的 AI 技術實踐：可解釋性](https://ai.google/responsibilities/responsible-ai-practices/?category=interpretability)
- [Google Cloud 白皮書：AI 可解釋性](https://storage.googleapis.com/cloud-ai-whitepapers/AI%20Explainability%20Whitepaper.pdf)
- [Google People + AI Guidebook：可解釋性＋信賴](https://pair.withgoogle.com/chapter/explainability-trust)
- [改良 Google 產品的膚色代表性](https://blog.google/products/search/monk-skin-tone-scale/)
- [Gender Shades：交叉性差異研究論文](https://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf)

## 單元 6：導入 AI開發原則：問題偵測和所學內容

- [馬庫拉應用倫理研究中心：符合倫理的決策制定架構](https://scu.edu/ethics/ethics-resources/a-framework-for-ethical-decision-making/)
- [Google 白皮書：AI 控管機制問題的不同觀點](https://ai.google/static/documents/perspectives-on-issues-in-ai-governance.pdf)
- [Google 白皮書：為 AI 打造負責任的監管架構](https://ai.google/static/documents/building-a-responsible-regulatory-framework-for-ai.pdf)
- [Google：負責任的 AI 技術實踐](https://ai.google/responsibilities/responsible-ai-practices/)

## 單元 7：繼續推行負責任的 AI技術做法

- [Google Cloud：負責任的 AI技術](https://cloud.google.com/responsible-ai)
- [Google：開發負責任的 AI技術，使人人受惠](https://ai.google/responsibilities)