104學習

人工智能

人工智能
關注
邀請朋友
邀請朋友

Line

Facebook

複製連結

取消
這項技能代表具備運用機器學習、資料分析和自動化技術，提升工作效率與決策品質的能力。在數據量爆炸成長的時代，能快速從大量資訊中找出關鍵洞見，協助企業優化流程、創新產品或服務。懂得使用相關工具和程式語言，能將複雜問題轉化為可執行的模型，進而解決實務挑戰。在職場上，這不僅是技術力，更是跨領域整合與問題解決的核心競爭力。掌握這項技能，有助於在數位轉型浪潮中保持競爭優勢。
關於教室
關注人數 8 人
104人力銀行從職缺中挑選出常見技能所成立的官方教室，提供大家進行共學互動。
學習主持人
持續分享知識，
有機會成為官方教室主持人
教室標籤
  • 人工智能
    • 關於教室
    關注人數 8 人
    104人力銀行從職缺中挑選出常見技能所成立的官方教室，提供大家進行共學互動。
    學習主持人
    持續分享知識，
    有機會成為官方教室主持人
    教室標籤
  • 人工智能
    • Hi~ 歡迎分享學習資源，有學習問題可匿名向Giver發問！
    我要分享
    我要提問

    人工智能 學習推薦

    AI 趨勢報－科技愛好者的產地🤖
    關注
    職場力：提升職場競爭力

    小編

    04/13 13:16

    Meta首款多模態模型Muse Spark登場：會看、會算、還能幫忙寫小遊戲
    Meta正式發表全新大型語言模型「Muse Spark」，不只提升效能，更代表Meta AI進入了更強大的多模態處理階段。
    與過去需要透過大量文字描述不同，Muse Spark強調「視覺感知」能力，舉例：在機場或超市，只需要隨手拍下商品貨架，AI就能即時辨識並排序出蛋白質含量最高或最符合你營養需求的零食，省去逐一翻看標籤的時間。
    以下整理本次更新的三大亮點：
    1. 多模態感知力：AI不再只能讀文字，而是能直接「看懂」視覺資訊，除了辨識實體商品，也能分析複雜的影像與圖表。
    2. 視覺化程式開發：透過簡單的提示詞就能快速產出客製化網站、小遊戲等，開發門檻大幅降低，還能直接分享給好友。
    3. 生態系全面整合：目前Muse Spark已在Meta AI App與網頁版上線，未來數週將陸續推展至Facebook、Instagram、Messenger、WhatsApp，甚至是AI眼鏡中。
    如果你想更直觀了解Muse Spark帶來的改變，我們特別準備了一分鐘的精華短影片，帶你快速掌握Meta AI的最新進化。
    看更多
    Meta首款多模態模型Muse Spark登場：會看、會算、還能幫忙寫小遊戲
    1 0 434 0
    AI 人工智慧基金知識庫：一讀就懂的入門
    關注
    李建緯 知識長

    Manager

    04/07 11:21

    ChatGPT Plus vs Gemini pro 比較魚油產品的分析與比較真實呈現
    這陣子小編正在挑選魚油產品，分別為以下2大知名AI，下同樣的prompt，讓它們回覆，二者均使用思考模式，回覆的真實呈現如下
    看更多
    ChatGPT Plus vs Gemini pro 比較魚油產品的分析與比較真實呈現
    1314520.com.tw
    ChatGPT Plus vs Gemini pro 比較魚油產品的分析與比較真實呈現 - 1314520
    0 0 344 0

    104學習精選課程

    看更多課程
    想提升職場競爭力？專業技能課程看起來👇
    ChatGPT 技能放大術｜打造你的 AI 分身
    「ChatGPT 技能放大術」系列課程，帶你掌握 AI 工具在工作中的全方位應用！「Vol.2 打造你的 AI 分身」：設計符合多場景需求的高效 GPTs，掌握角色與語氣模組化的應用技巧。快速生成各種格式的內容，滿足不同情境的需求，放大你的高效產製力！
    緯育TibaMe
    AI 高效簡報術｜數據分析 x 資訊降噪 x 視覺設計
    【AI 百用百科】從情境到解法，用AI幫你搞定職場大小事。本課程專為數據工作者設計，教你運用 NotebookLM 讀取真實報表，結合 YAML 風格逆向工程，一鍵生成高質感簡報，打破 AI 產出 PDF 無法編輯的限制。從數據分析到視覺定稿，打造最精準、可編輯的高效 AI 簡報工作流。
    緯育TibaMe
    ChatGPT 技能放大術｜精準指令與任務拆解
    「ChatGPT 技能放大術」系列課程，帶你掌握 AI 工具在工作中的全方位應用！「Vol.1 精準指令與任務拆解，放大你的精準溝通力」：學會精準設計指令，像專家一樣與 AI 對話，讓 ChatGPT 成為你最強大的助手，輕鬆應對日常工作！
    緯育TibaMe
    視覺化提案流，快速整理海量報告與市調資料
    【AI 百用百科】從情境到解法，用 AI 幫你搞定職場大小事。本課程專為 PM 與行銷人設計，我們會教你利用 NotebookLM ，串接 Gemini Gems 與 Canvas，整理 Excel 問卷與 PDF 競品報告，一鍵將繁雜數據轉化為視覺化提案，用AI快速輔助完成的市場研究與簡報製作。
    緯育TibaMe
    ChatGPT 技能放大術｜自動化與多樣化輸出
    「ChatGPT 技能放大術」系列課程，帶你掌握 AI 工具在工作中的全方位應用！ 「Vol.3 自動化與多樣化輸出」：結合多項 AI 工具，設計自動化的工作流程，讓 AI 自動完成重複性工作，大幅提升工作效率，放大你的自動化執行力！
    緯育TibaMe
    ChatGPT 技能放大術｜整合個人 AI 系統
    「ChatGPT 技能放大術」系列課程，帶你掌握 AI 工具在工作中的全方位應用！「Vol.4 整合個人 AI 系統」：掌握全域記憶與 Meta Prompt 技巧，實現無需重複提示的精準回應，顛覆你的工作流程，打造專屬於你的 AI 工具，放大你的整合應用力！
    緯育TibaMe
    AI 趨勢報－科技愛好者的產地🤖
    關注
    104學習

    產品

    03/26 14:14

    想轉職 AI 工程師，該先學什麼？6 個月學習路線圖整理企業真正要的能力
    最近，X 上一篇題為 《How to become an AI Engineer in 6 months》的文章引發不少關注。這份路線圖之所以被討論，不是因為它鼓吹速成，而是它提出了一個很貼近當前職場需求的觀點：現在企業需要的 AI 工程師，很多時候不是從零訓練大型模型的研究員，而是能把現有模型、API、資料與工具整合起來，做成可用產品與工作流程的人。
    根據這份整理，AI 工程師的核心工作，通常包括串接 LLM API、設計 prompt 與上下文流程、建立聊天或搜尋系統、整合資料庫與外部工具、處理結構化輸出，以及優化成本、速度與穩定性。換句話說，這份角色更接近軟體工程、產品開發與流程自動化的交會點。
    這份 6 個月路線圖，最重要的不是「學更多」，而是「學對順序」。第 1 個月先把 Python、Git/GitHub、CLI、HTTP/API、JSON、基本 SQL、Pandas 與 FastAPI 打底，因為原文認為 AI 工程首先仍是軟體工程；如果連基本程式、API 與資料處理能力都還不穩，後面的 AI 應用很容易只停在 demo 階段。
    第 2 個月，重點進入 LLM 應用開發，包括 prompt 設計、結構化輸出、tool calling、streaming responses、對話狀態管理、成本與 token 概念、失敗處理與 prompt injection 基本意識。第 3 個月則聚焦在 RAG，也就是讓模型能根據自己的文件與資料回答問題，這也是客服機器人、企業知識庫、文件搜尋等場景最常見的核心能力之一。
    第 4 個月開始，路線圖進一步談到 agent、工具、workflow 與 evals。原文特別提醒，不是每個問題都需要 agent；有時一個 prompt 就夠，有時 workflow 比 agent 更穩。真正重要的，是知道該怎麼選擇，以及如何用評估機制去判斷系統是否真的變好。第 5 個月則轉向部署、可靠性與產品化，包括 Docker、背景任務、queue、驗證與 API key 管理、logging、observability、prompt/version management、成本監控、rate limits 與 caching。
    到了第 6 個月，這份路線圖建議學習者開始選定方向，往三種角色收斂：AI Product Engineer、Applied ML / LLM Engineer，以及 AI Automation Engineer。前者偏向使用者產品與 AI 功能開發，後兩者則更接近模型效果優化或企業流程自動化。對求職者來說，這一步的意義在於：不能只停留在「我有在學 AI」，而要把能力整理成職缺看得懂、作品集也講得清楚的樣子。
    如果把這篇路線圖放回台灣職場來看，它最大的提醒其實不是「6 個月能不能成功轉職」，而是：AI 時代的競爭力，越來越像是把技術、工具與工作場景整合起來的能力。 企業不一定每一家都在找模型研究員，但會愈來愈需要懂 API、懂資料流、懂自動化，也懂得把 AI 接進產品與流程的人。這段屬於本文根據原始路線圖內容做的職場延伸整理。
    A還有一個很務實的提醒：一定要做作品。 作者多次強調，不管是 Python 練習、API 串接、RAG 還是 agent，都不能只停留在看教學，而要真的做出專案、放上 GitHub、部署出去，讓別人能試用。對轉職者來說，這點尤其關鍵。因為當市場上很多人都說自己「會用 AI」，真正能拉開差距的，往往不是上過多少課，而是有沒有做出一個可被驗證的作品。
    說到底，這篇路線圖最值得記住的一點是：未來企業需要的，不只是會使用 AI 工具的人，而是能把 AI 做成工作成果的人。對想轉職、想加值、想提升職場競爭力的人來說，與其一開始追逐最新工具，不如先建立一條能走完、也能做出作品的學習路。
    ---
    資料來源
    看更多
    想轉職 AI 工程師，該先學什麼？6 個月學習路線圖整理企業真正要的能力
    2 0 2230 1
    你可能感興趣的教室