永續 AI 資料庫

自迴歸模型是根據先前資料逐步預測下一個值的模型；在文字生成中，通常依已有詞元預測後續詞元並逐步形成序列。

自動擴縮是依負載或政策調整運算資源數量及配置的機制，可因需求增減資源，需設定門檻、等待時間與容量上下限。

反向傳播是以鏈鎖律從模型輸出向前面各層計算損失梯度的方法，讓訓練演算法得知參數對誤差的影響並據以進行更新。

備份是為了必要時還原而建立的資料或程式副本，可協助處理遺失、損毀等情況；是否能復原仍需確認副本完整性及還原程序。

批次處理是把累積資料或工作集合集中執行的處理方式，可按時間或條件啟動，適合不需逐筆即時回應的計算及資料整合。

批次大小是一次訓練運算處理的樣本數量，影響記憶體需求與梯度估計。若採梯度累積，一次參數更新的有效批次可涵蓋多個小批次。

束搜尋是在序列生成時保留多個較佳候選路徑，逐步擴展並比較分數的搜尋方法，以兼顧效率與序列整體評分。

雙編碼器是分別把查詢與文件轉為向量，再比較向量關聯的架構，可預先計算文件表示以支援大量候選的有效率檢索。

BM25 是以詞項出現、文件長度及詞項辨識力等因素估計查詢與文件相關性的排序方法，常用於全文搜尋與混合檢索。

快取是保存較常使用或計算成本較高結果的副本，以便後續更快取得的機制，需要管理有效期間、更新及失效，避免使用過時資料。

思維鏈提示是透過中間推理步驟的指示或示例，引導模型處理多步問題的提示方法；產生的說明仍可能有錯，不等於可靠證明。

變更資料擷取是辨識並傳遞來源資料新增、修改或刪除的方法，可從交易紀錄或其他機制取得變化，減少每次完整搬移資料。

檢查點是在執行過程中保存狀態的紀錄，可供中斷恢復、歷史檢視或人員介入後接續，保存內容與時機取決於工作流程框架。

文件分塊是依長度、段落或結構把文件分成較小片段的處理方式，方便建立向量、檢索與提供上下文，需兼顧片段完整性。

斷路器模式是在下游持續失敗時暫停呼叫，經等待與試探後再恢復的設計模式，可限制連鎖故障並避免持續浪費資源。

類別不平衡是分類資料中不同類別的樣本數量差距明顯的情況，可能使模型偏向多數類別，需搭配適當指標與訓練策略。

機器學習分類是把輸入指派到預先定義類別的預測任務，可為二元、多類別或多標籤問題，需先界定標籤及錯誤成本。

雲端運算是透過網路按需取得可配置的共享運算資源的服務模式，通常具快速配置、彈性及量測特性，責任分工依服務型態而異。

資料分群是依樣本相似性或密度，把資料整理成群組的探索方法，通常不需預先指定每個樣本的類別答案，結果需要業務解讀。

協同過濾是利用使用者與項目之間的互動模式產生推薦的方法，透過相似偏好或潛在關係估計興趣，較依賴可用互動資料。

電腦視覺是讓電腦從影像或影片取得資訊的技術領域，可用於辨識物件、定位區域及分析場景，效果受拍攝條件及資料影響。

混淆矩陣是以真實類別與預測類別交叉呈現樣本數的表格，讓團隊看到哪些類別被混淆，並可據以計算多種分類評估指標。

連接器是讓應用程式與外部服務交換資料或呼叫功能的整合元件。在 AI 工作流程中，連接器可提供文件查詢、行事曆或訊息等能力；能讀取或修改哪些資源，取決於服務提供的功能與已授予的權限。

容器是把應用與執行所需依賴封裝成可隔離運作單位的技術，通常共享主機作業系統核心，有助於維持環境一致與部署可重現性。