永續 AI 資料庫

嵌入向量是把文字、影像等內容轉換為數值向量的表示方式，讓系統可比較語意或特徵相似性，常用於檢索、分群與推薦。

神經網路編碼器是把輸入資料轉成內部表示的模型部分，語言編碼器常整合上下文以供分類或擷取等任務使用。

加密是依演算法及金鑰把明文轉成密文的處理方式，主要用來保護資料機密性；要還原內容，須使用相應的解密方法與金鑰。

集成學習是結合多個基礎模型的結果以產生最終預測的方法，可採投票、平均或其他組合策略，目的在改善穩定性或泛化。

訓練回合通常指模型訓練程序完整走過一次訓練資料的週期，一個回合可包含多個批次更新，回合數需配合驗證表現決定。

事件驅動架構是以事件表示狀態變化，讓生產者與消費者透過事件進行協作的系統設計，可降低直接依賴並支援非同步處理。

最終一致性是資料更新後，各副本可能暫時不同，但在沒有新變更且同步完成後趨向一致的模式，讀取時可能短暫取得較舊資料。

可解釋人工智慧是讓系統輸出或行為能提供人可理解理由的技術與設計方向，需考量解釋對象、忠實性及知識限制。

資料擷取、載入與轉換是先把來源資料載入目標平台，再利用平台能力轉換資料的整合流程，適合特定分析架構但仍需權限及品質管理。

資料擷取、轉換與載入是從來源取得資料，先清理或轉換，再載入目標系統的整合流程，用於統一資料格式及支援分析。

F1 分數是精確率與召回率的調和平均數，用於同時觀察兩者的平衡；解讀時仍須確認類別設定、樣本分布與計算方式。

特徵工程是把原始資料轉換成適合模型使用的變數或表示的過程，包括建構、轉換與組合特徵，需符合實際可取得資料的條件。

特徵重要性是以指定方法衡量輸入欄位對模型預測或表現影響的結果，可協助理解模型依賴，數值會受方法與資料關聯影響。

特徵縮放是調整數值欄位尺度的前處理方法，例如標準化或映射至指定範圍，避免量綱差異不當影響距離或最佳化計算。

特徵選擇是從可用輸入欄位中挑選較合適子集合的方法，可降低維度與冗餘，但選取過程必須避免把測試資料資訊帶入訓練。

特徵儲存庫是集中保存、發現與提供機器學習特徵的系統，可支援離線訓練及線上推論取值，協助重用特徵與減少處理差異。

聯邦學習是讓多個資料持有端在本地訓練並交換模型更新等資訊的學習方式，減少集中原始資料的需求，但仍須防護更新資訊洩漏。

少樣本提示是在提示中提供少量輸入與預期輸出範例，讓模型依範例掌握任務形式或回答模式，通常不會改變模型權重。

模型微調是在已訓練模型的基礎上，使用特定資料進一步訓練並調整參數，使其更適應某類任務、風格或專業需求。

基礎模型是以廣泛資料進行大規模訓練、可調整或應用於多種下游任務的模型，涵蓋語言與其他資料模態。

生成式人工智慧是根據學習到的資料模式與輸入條件產生文字、影像、音訊等內容的技術，生成結果不必然是真實資訊。

梯度提升是依序加入模型以改善既有預測的集成方法，每一步利用損失函數的梯度方向學習修正，常以決策樹作為基礎模型。

梯度下降是根據目標函數對參數的梯度，沿減少目標值的方向反覆更新參數的最佳化方法，更新幅度受到學習率影響。

圖譜檢索增強生成是結合實體關係圖與檢索生成的架構類型，可利用關係或群集摘要回答跨文件問題，具體方法依實作而異。