Study Jam：GenAI 開發者實戰

生成式 AI 和以前的 AI 差在哪？先弄清楚 AI、機器學習、深度學習與生成式 AI 的關係。

大型語言模型怎麼學會接續文字？從預訓練、推論到 Prompt Tuning 和 Fine-tuning，建立基本概念。

AI 應用可能出錯或傷害誰？從 Google 的 AI 原則談起，把公平、安全和透明度帶進開發流程。

同一個任務，提示寫法一換結果就不同。用 Zero-shot、Few-shot 和輸出格式練習把需求說清楚。

負責任 AI 原則要怎麼落地？從開發流程、檢查工具和團隊分工，找出可以驗證的做法。

除了聊天機器人，生成式 AI 還能幫忙做什麼？從內容、程式碼、資料分析到流程自動化看實際用途。

文字送進模型後發生什麼事？從 Token、Embedding 到推論，沿著資料流認識生成式 AI。

模型、平台、應用服務滿天飛，該怎麼分？用五個層次整理生成式 AI 產品的位置。

寫信、查資料、寫程式時，哪些工作能交給 GenAI 幫忙？從個人使用走到團隊協作。

了解 AI Agent 的概念與架構，認識 Gemini Enterprise Agent Platform 的 Agent 開發工具（原 Vertex AI Agent Builder），並評估組織導入 Agent 的流程與風險

現成 API、AutoML、自訂模型該選哪個？從資料、控制需求和維運能力整理 Google Cloud 的工具。

認識圖片生成的核心技術原理，從 GAN 到 Diffusion Model，理解 Google Imagen 的架構與應用場景

把文字轉成向量，搜尋就會變準嗎？從 Embedding、索引到評估，看看語義搜尋真正要調哪些地方。

文件裡有表格和圖片，RAG 只抽文字會漏掉什麼？從解析、檢索到 Gemini 回答走過一次。

Gemini API 的 Demo 能跑之後，還要顧哪些事？比較串流、結構化輸出、工具呼叫與錯誤處理。

從整理需求到排查錯誤，Gemini 可以在哪些開發環節幫忙？每一步又該由誰驗證？

Gemini Demo 能跑，離正式上線還差什麼？從前後端整合到權限、成本和監控逐項檢查。

網站搜尋不好用，一定要加聊天機器人嗎？先找出使用者卡住的地方，再評估搜尋、導覽與推薦。

把 AI 功能放進 Flutter App，哪些事能在手機上做、哪些要交給後端？從權限、弱網路和資料流看架構。

用 Streamlit 接上 Gemini 做原型很快，但多人使用時要補什麼？從本機實驗一路看到 Cloud Run 部署。

模型讀一句話時，怎麼決定該參考哪些字？從 Query、Key、Value 看懂注意力機制。

翻譯或摘要時，模型怎麼把一段輸入變成另一段輸出？拆開 Encoder 和 Decoder 的分工。

拆解 Transformer 的共同積木，理解 BERT 的雙向編碼器與原始預訓練方法，並比較常見架構適合的任務

理解圖片說明生成的技術原理、視覺 Encoder 與語言 Decoder 如何協作，並學會依需求選擇 Cloud Vision、Gemini 或專用模型

釐清 Agent Studio 與舊名 Vertex AI Studio 的關係，從 Prompt 實驗、模型選擇、Grounding 與安全設定走到可重現的開發流程

從受影響的人與可能傷害出發，學會切片量測、判讀公平指標的取捨，並把偏差檢查接進 AI 開發與上線流程

從讀者與使用情境選擇特徵歸因、相似案例或反事實方法，並學會驗證解釋的忠實度、穩定性與隱私風險

沿著資料生命週期做好最小化、去識別、權限與輸入輸出防護，並釐清差分隱私、聯邦學習與 Google Cloud 安全工具的邊界

把模型、Prompt、檢索、工具與評估案例綁成可重現版本，透過發布閘門、漸進上線、監控與回滾維運 GenAI 應用