永續 AI 資料庫

大型語言模型是以大量語言資料訓練的模型，可依上下文處理與生成文字，支援問答、摘要等任務，但輸出仍可能含有錯誤。

學習率是控制訓練時參數每次更新幅度的超參數，過大可能不穩定，過小可能收斂緩慢，通常需依資料與模型進行調整。

最小權限是只給使用者、程式或服務完成指定任務所需最低存取能力的原則，避免授予多餘權限而擴大誤用或入侵影響。

線性迴歸是以特徵的加權和描述數值目標的模型，透過資料估計係數，可用於預測連續數值及檢視變數間的線性關係。

負載平衡是把請求或工作分配到多個運算資源的機制，可依健康狀態及分配策略改善容量利用與可用性，仍需處理共享狀態。

局部可解釋的模型無關說明是用簡單模型近似複雜模型在指定樣本附近的行為的方法，提供局部解釋，結果受擾動與鄰域設定影響。

日誌記錄是在系統執行時保存事件與相關脈絡的做法，可記錄時間、嚴重程度及內容，協助除錯與調查，需管理敏感資訊。

邏輯斯迴歸是將特徵組合轉換為類別機率的分類模型，常用於二元分類，也可擴充至多類別，需配合門檻決定判定結果。

損失函數是把模型預測與目標差異轉成數值的函數，作為訓練最佳化的依據，需依分類、迴歸或其他任務選擇適當形式。

低秩適應是在凍結既有模型主要權重的情況下，加入可訓練的低秩矩陣表示權重更新的方法，以減少任務調整所需參數。

機器學習是讓模型從資料學習模式或表示，以進行預測、分類、分群或生成等任務的方法；可用能力與表現取決於資料、模型及訓練設計。

機器學習維運是結合開發、資料與維運流程管理模型生命週期的實務，涵蓋訓練、驗證、部署及監測，讓模型變更可重現與追蹤。

機器翻譯是以計算模型把文字從一種語言轉換為另一種語言的任務，需兼顧語意、語境及領域用語，重要文件仍需審閱。

主資料管理是對客戶、產品等核心實體建立一致識別與可信紀錄的管理方法，協調不同系統的重複或衝突資料以維持共用基準。

平均倒數排名是取每個查詢第一個相關結果名次的倒數，再對查詢集合平均的指標；指定範圍內沒有相關結果時通常記為零。

訊息佇列是暫存訊息並交由消費者處理的通訊機制，使送出與處理時間可分離，交付順序、確認及重送語意依系統設計而異。

中繼資料是描述資料本身特徵的資訊，可包含格式、結構、來源、分類及使用限制，協助使用者理解、管理與搜尋資料。

中繼資料篩選是依文件日期、類別、部門等欄位限制檢索候選的方法，可搭配向量或文字搜尋，篩選時機會影響效能與召回。

系統指標是針對運作現象進行數值量測與彙總的資料，例如請求數、延遲與資源使用量，適合觀察趨勢及設定監控條件。

微服務是把系統拆成圍繞業務能力、可各自部署的小型服務的架構方式，服務透過介面協作，需處理分散式通訊及資料一致性。

專家混合模型是由多個子模型與路由機制組成的架構，依輸入選擇或加權專家輸出；稀疏型設計每次只啟用部分專家。

模型上下文協定是連接 AI 應用與外部資料、工具及工作流程的開放協定，透過共同介面降低整合差異，實際權限仍需另外設計。

模型評測是以明確任務、資料及評分準則檢查模型或 AI 應用表現的過程，可包含答案正確性、檢索品質及安全行為等面向。

模型量化是以較低位元數表示權重或運算值的模型最佳化技術，可降低記憶體與運算需求，但可能影響精度及硬體相容性。