聯繫我們

課程簡介

第一天

生成式AI與提示工程入門

  • 什麼是生成式AI,以及它如何區別於傳統自動化技術
  • 提示工程在塑造AI輸出品質中的角色
  • 當前景象下的文字、圖像、音訊和影片工具概覽
  • 提示工程如何創造商業價值

文字與圖像生成AI模型的基礎

  • 以大白話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限制
  • 為何模型架構會改變我們撰寫提示的方式

比較領先的AI助手

  • Microsoft Copilot:優勢在於Microsoft 365整合、Word、Excel、Outlook及Teams工作流、企業數據錨定;劣勢在於創意範圍和推理深度不如同儕
  • Google Gemini:優勢在於原生多模態、Workspace整合、即時搜尋錨定;劣勢在於不一致性、地區可用性限制,以及在複雜任務上遵循指令的能力較弱
  • ChatGPT:優勢在於生態系成熟度、自定義GPTs、透過DALL-E生成圖像、語音模式;劣勢在於無錨定時的事實可靠性不足,且付費功能的用量限制較嚴格
  • Claude:優勢在於長上下文處理、細緻的推理能力、長篇寫作及清晰的分析能力;劣勢在於工具生態系的廣度及圖像生成能力較弱
  • 如何為特定任務、受眾或合規約束選擇合適的工具
  • 針對同一個提示,在四款助手之間進行的側邊對照演示

有效提示設計的原則

  • 清晰度、具體性與上下文是優質提示的三大支柱
  • 結構化指令、語氣、格式和約束條件
  • 初學者常見錯誤及如何識別它們
  • 從弱提示迭代到高性能提示的過程

第二天

零樣本、一樣本與少樣本提示

  • 三種方法之間的差異,以及各自的適用場景
  • 解讀模型行為並相應調整示例
  • 僅使用幾個精心挑選的樣本來教授模型新任務
  • 在ChatGPT、Copilot、Gemini和Claude上進行實務練習

進階提示工程技術

  • 用於細緻輸出的條件式與上下文感知提示
  • 風格轉移、人格提示與創意指導
  • 思維鏈與逐步推理提示
  • 減少回應中的幻覺、歧義和偏見

無代碼的少樣本微調

  • 什麼是少樣本微調,以及它如何區別於完整的模型訓練
  • 透過示例驅動提示適應模型的特定領域任務
  • 何時該進行提示工程,何時微調會是更佳的投資
  • 評估輸出品質並進行迭代優化

超寫實文字生成

  • 以受控語氣、聲調和長度生成文字
  • 產生長篇內容、摘要、報告及結構化文件
  • 在多步驟生成過程中保持連貫性
  • 結合提示模式,實現可重複且符合品牌風格的結果

將提示工程應用於業務流程

  • 自動化常規起草、研究與資訊篩選
  • 簡要探討客戶支援與聊天機器人應用案例
  • 設計團隊無需重新訓練即可重複使用的提示模板
  • 質量控制、升級邏輯及人為監控節點

第三天

圖像生成與處理

  • 比較DALL-E、Stable Diffusion、MidJourney和Leonardo AI
  • 撰寫能控制風格、構圖、光影和主體的提示
  • 反向提示、權重設定與迭代優化
  • 透過提示進行圖像到圖像的轉換與編輯

AI音訊與語音

  • 從文字提示生成自然聽感的語音
  • 概念層級的聲紋克隆與合成技術
  • 在培訓內容、無障礙設施及行銷中的應用案例

使用生成式AI創作影片內容

  • 當前文字轉影片工具概覽,以及它們實際能達成的效果
  • 透過提示序列進行腳本撰寫與故事板設計
  • 將AI生成的文字、圖像、音訊和影片整合為單一資產
  • 編輯與優化AI創作的影片輸出

多模態AI與整合工作流

  • 多模態模型如何統一文字、圖像、音訊和影片的推理能力
  • 無需編寫程式碼即可構建端到端的內容生產線
  • 來自行銷、設計、培訓及Advertising領域的真實案例研究

倫理、負責任使用與未來展望

  • 偏見、版權、歸屬權及內容審查
  • 使用生成式平台時的隱私與數據保護考量
  • 向最終客戶披露資訊、保持透明度以建立信任
  • 接下來12個月內值得關注的新興工具、模型與趨勢
  • 總結與後續步驟

最低要求

目標受眾

尋求AI輔助內容製作的市場行銷、公關及創意專業人士。希望透過提示驅動工具自動化重複性互動的企業營運與客戶服務團隊。無AI或編程經驗,但希望有結構性地接觸生成式AI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