永續 AI 資料庫

人類回饋強化學習是利用人對模型輸出的評價或偏好建立回饋訊號，再以強化學習調整模型的方法，用於改善回應與偏好的一致性。

表徵狀態轉移是一種以資源及統一介面組織網路服務的架構風格，常採無狀態請求與標準 HTTP 方法，但並非所有 HTTP API 都符合。

請求驗證是檢查 API 輸入是否符合必要參數、型別與結構規則的步驟，可及早拒絕不合格式資料，業務合理性仍需另外檢查。

重新排序是在初次檢索取得候選結果後，再依查詢與內容的相關程度重新評分排列的步驟，協助優先提供較適合的參考資料。

檢索增強生成是先從文件、資料庫等來源取回相關資訊，再把資訊提供給生成式模型回答的架構，用來補充任務所需依據。

重試策略是遇到暫時性失敗時，依次數、等待時間與停止條件再次執行操作的規則，需避免加重負載或重複產生副作用。

機器人流程自動化是利用軟體依規則模擬或執行重複性的數位操作，例如搬移資料與填寫表單，可串接既有系統完成例行作業。

角色型存取控制是把可執行的操作與資源權限配置給角色，再依使用者所屬角色授予權限的管理方式，方便一致管理工作職責。

沙箱是透過隔離或限制程式可使用的資源，縮小執行活動影響範圍的環境。它可用於測試程式或執行 AI 產生的操作；檔案、網路與其他資源的限制方式，取決於沙箱的實作及設定。

資料結構演進是隨需求調整資料欄位、型別及規則，同時管理新舊生產者與消費者相容性的過程，常需明確版本及轉換策略。

搜尋索引是把待查內容依欄位與檢索方式組織成可搜尋結構的資料表示，讓系統較有效率地定位內容，通常需隨來源更新維護。

機密憑證管理是對密碼、API 金鑰及服務權杖等秘密進行安全保存、分發、輪替與撤銷的實務，避免憑證散落在程式或日誌。

自注意力是讓序列中的位置依同一序列其他位置的內容計算關聯並整合表示的機制，協助模型捕捉詞元間的上下文關係。

自監督式學習是從資料本身建構學習目標的訓練方式，例如預測遮蔽內容或比較不同視角，不需逐筆人工提供任務標籤。

語意搜尋是考量查詢含義、語境與意圖來尋找相關內容的檢索方式，可處理同義或概念相近的表達，並非只比對字面關鍵字。

半監督式學習是結合少量有標籤與較多無標籤資料進行學習的方法，利用資料結構補充有限標註，效果取決於假設與資料品質。

情緒分析是判斷文字表達的情感傾向或指定情緒類別的任務，可用於意見整理，但諷刺、語境與領域差異可能影響判斷。

伺服器發送事件是透過持續 HTTP 連線，讓伺服器向用戶端傳送事件串流的機制，可支援逐步更新，常用於單向狀態通知。

伺服器端請求偽造是攻擊者操控服務端發出非預期網路請求的弱點利用方式，可能觸及內部服務，需限制目的地與處理流程。

無伺服器運算是由平台管理基礎伺服器與部分擴縮的執行模式，開發者以函式或服務使用運算能力，仍需考量限制、成本及狀態管理。

Shapley 加性解釋是以合作賽局概念分配特徵對預測貢獻的解釋方法框架，通常相對基準值呈現各特徵的正負影響。

單一登入是讓使用者完成一次驗證後，能在多個相關應用間使用已建立身分的登入機制，實際存取仍受各應用授權政策限制。

軟體即服務是由供應商託管應用並透過網路提供使用的服務模式，使用者通常管理設定與資料，仍須確認存取、保存及服務條款。

追蹤區段是分散式追蹤中代表一段工作的紀錄，通常包含起訖時間、屬性與父子關係，多個區段可組成一次請求的執行路徑。