生成式人工智慧的實施階段
生成式人工智慧（AI）模型的構建涉及多階段的過程，為了獲得所需的成果，必須以系統性的方式進行。
美國西北密蘇里州立大學阿傑·班迪（Ajay Bandi）副教授等人，於2023年，《未來網路期刊》（Future Internet）上，發表了一篇名為〈生成式人工智慧的力量：需求、模型、輸入輸出格式、評估指標與挑戰的回顧〉（The Power of Generative AI: A Review of Requirements, Models, Input–Output Formats, Evaluation Metrics, and Challenges）的文章中提到，雖然確切的術語和步驟可能因特定的方法和環境而有所不同，但生成式AI通常包括以下常見階段：問題定義、資料的收集和預處理、模型的選擇、模型的訓練、模型的評估、模型的精緻調整、部署、監控與維護，如圖1所示。
資料來源：Bandi, A., Pydi Venkata Satya, R. A., & Yudu Eswar Vinay Pratap,Kumar Kuchi. (2023). The Power of Generative AI: A Review of Requirements, Models, Input–Output Formats, Evaluation Metrics, and Challenges. Future Internet, 15(8), 260. https://doi.org/10.3390/fi15080260
該研究指出，在生成式AI模型的建構過程中，初始階段的核心在於清晰定義模型的目標，以解決特定問題。這涵蓋確定所需結果、資料需求以及任何限制，為後續階段奠定堅實基礎。精確的問題定義有助於資料收集和有效的模型選擇，進而簡化整個實施流程。
接著進入到數據收集與預處理階段，此階段需蒐集大規模且具代表性的數據集，包括文本、圖像、聲音、視訊等。數據的多樣性和全面性對於捕捉潛在模式至關重要。
完成資料收集後，進入模型選擇階段，即選擇最適合的生成模型結構，例如VAE（Variational Autoencoder）、GAN（Generative Adversarial Network）等。模型結構的選擇需與問題需求相符，為後續步驟鋪平道路。
確定生成模型結構後，進入模型訓練階段。在此階段，使用已收集或可用的資料集來訓練選擇的模型。透過這個過程，模型學習資料中的潛在模式和統計關係。訓練生成模型通常需要大量的運算資源，特別是在處理大規模資料集和複雜模型時。為提升訓練速度，通常會使用高效能硬體，如圖形處理器（GPU）或張量處理器（TPU）。此階段，特定的訓練演算法也會根據所選擇的模型而有所不同。
模型訓練完成後，後續階段包括評估階段和驗證其性能。評估指標針對特定任務或領域量身定制。在影像生成的情況下，可以使用初始分數、FID（Frechet Inception Distance score）或視覺檢查等指標來評估生成樣本的品質和多樣性。
在某些情況下，可能需要進行後處理以提高品質或遵守生成輸出的規範。此時可使用影像平滑、文字校正或風格轉換等技術，根據特定領域的需求處理生成的樣本。
最後，成功訓練和驗證後，即可向模型提供輸入，並獲得與訓練資料分佈一致的輸出，進而探索生成模型所展現的多樣性和創造力。
作者：羅凱揚（台科大企管博士）、黃揚博（政大企管碩士、識商創辦人）
資料來源：Bandi, A., Pydi Venkata Satya, R. A., & Yudu Eswar Vinay Pratap,Kumar Kuchi. (2023). The Power of Generative AI: A Review of Requirements, Models, Input–Output Formats, Evaluation Metrics, and Challenges. Future Internet, 15(8), 260. https://doi.org/10.3390/fi15080260
