感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
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
客戶評論 (2)
使用正确且有效的提示词
Marses Pacaldo
課程 - Generative AI and Prompt Engineering for Corporate Professionals
機器翻譯
互動式風格,練習
Tamas Tutuntzisz
課程 - Introduction to Prompt Engineering
機器翻譯