聯繫我們

課程簡介

生成式 AI 與提示工程簡介

  • 生成式 AI 的定義及其與傳統自動化的差異
  • 提示工程在塑造 AI 輸出品質中的角色
  • 目前文本、影像、音訊及影片工具生態系概觀
  • 提示工程如何創造商業價值

文本與影像生成之 AI 模型基礎

  • 以大眾化語言解釋大型語言模型與擴散模型的運作原理
  • 訓練數據、微調與提示之間的差異
  • 預訓練模型的優勢與局限
  • 模型架構如何影響提示撰寫方式

領先 AI 助手比較

  • Microsoft Copilot,優勢在於 Microsoft 365 整合(Word、Excel、Outlook、Teams 流程)及企業數據基礎,弱點在於相較同儕在創意範圍與推理深度上較弱
  • Google Gemini,優勢在於原生多模態、Workspace 整合及即時搜尋基礎,弱點在於不一致性、地區可用性限制及複雜任務的指令遵循能力
  • ChatGPT,優勢在於生態系成熟、自訂 GPTs、透過 DALL-E 生成圖像及語音模式,弱點在於缺乏基礎事實可靠性及付費功能的較嚴使用限制
  • Claude,優勢在於長上下文處理、細緻推理、長篇寫作及清晰分析,弱點在於工具生態系廣度及圖像生成
  • 針對特定任務、受眾或合規限制選擇合適工具
  • 在同一提示下橫向比較這四款助手的逐步演示

有效提示設計原則

  • 清晰度、具體性與上下文作為優質提示的三大支柱
  • 結構化指令、語氣、格式與約束條件
  • 初學者常見錯誤及其辨識方法
  • 從弱提示迭代至高效提示

零樣本、單樣本與少樣本提示法

  • 三種方法之間的差異及其適用場景
  • 解讀模型行為並相應調整範例
  • 僅使用少量精選樣本教導模型新任務
  • 在 ChatGPT、Copilot、Gemini 及 Claude 上的實務練習

進階提示工程技術

  • 用於生成細緻輸出的條件式與上下文感知提示
  • 風格轉換、角色提示與創意導向
  • 思維鏈(Chain-of-thought)與逐步推理提示
  • 減少回應中的幻覺、歧義與偏見

無需程式碼的少樣本微調

  • 少樣本微調的定義及其與完整模型訓練的差異
  • 使用範例驅動的提示將模型適應至特定任務
  • 何時應進行提示工程,何時微調是更佳的投資
  • 評估輸出品質並進行迭代優化

超寫實文本生成

  • 生成具有可控語氣、聲音及長度的文本
  • 產製長篇內容、摘要、報告及結構化文件
  • 維持多步驟生成之間的一致性
  • 結合提示模式以達成可重複且符合品牌調性的結果

將提示工程應用於商業流程

  • 自動化例行草稿、研究及資訊分揀
  • 簡要探討客戶支援與聊天機器人的應用場景
  • 設計團隊可重用而無需重新訓練的提示範本
  • 品質控制、升級邏輯及人工介入檢查點

影像生成與處理

  • 比較 DALL-E、Stable Diffusion、MidJourney 及 Leonardo AI
  • 撰寫控制風格、構圖、光影及主題的提示
  • 負向提示、權重設置與迭代優化
  • 透過提示進行圖像到圖像的轉換與編輯

AI 音訊與語音

  • 從文本提示生成自然語音
  • 概念層面的聲音克隆與合成
  • 在培訓內容、無障礙及行銷中的應用場景

使用生成式 AI 創作影片內容

  • 目前文本轉影片工具概覽及其實際可提供之成果
  • 透過提示序列進行腳本撰寫與分鏡設計
  • 將 AI 生成的文本、影像、音訊及影片結合為單一資產
  • 編輯與優化 AI 創作的影片輸出

多模態 AI 與整合流程

  • 多模態模型如何統整文本、影像、音訊及影片的推理
  • 無需撰寫程式碼即可建立端到端內容管道
  • 來自行銷、設計、培訓及廣告的真實世界案例研究

倫理、負責任使用及未來展望

  • 偏見、版權、標註及內容審查
  • 使用生成式平台時的隱私與數據保護考量
  • 向最終客戶揭露、透明化與建立信任
  • 未來 12 個月內值得關注的新興工具、模型與趨勢

最低要求

目標受眾

正在探索 AI 輔助內容製作的行銷、傳訊及創意專業人員。希望透過提示驅動的自動化重複互動業務運維與客戶服務團隊。對生成式 AI 缺乏 prior 經驗但尋求結構化、以工具為導向入門點的初學者。

 21 小時

人數


每位參與者的報價

客戶評論 (2)

即將到來的課程

課程分類