🐾 Mochi 白話講堂
這些術語概念不大、但很愛出現在考題選項裡。每張卡：白話 → 比喻 → 考點口訣，看懂就能走。從衝刺計畫點進來的同學，看完按右下角回計畫打卡！
遷移學習弱 AIAGI專家系統
梯度消失梯度裁剪權重初始化資料增強時間序列分解
PDP反事實解釋顯著性圖
剪枝量化RTORPO
提示詞快取工具生態數位浮水印
No-CodeLow-CodeAutoML市民開發者供應商鎖定
工作流自動化Webhook輪詢批次處理
條件分支迭代器資料格式化陣列聚合器API 閘道器
🧠 AI 基礎觀念
遷移學習Transfer Learning
白話把模型在大量資料上學到的能力「搬」到新任務上再學一點點，小資料也能有好表現。微調（Fine-tuning）就是最常見的作法。
比喻會彈鋼琴的人學電子琴特別快——基本功直接帶過去。
考點關鍵字「用預訓練模型＋少量自有資料再訓練」→ 遷移學習；和「自監督（資料自己出題）」「強化（試錯拿獎勵）」區分開。
弱 AINarrow AI
白話只擅長「單一任務」的 AI：會下棋的不會開車、會客服的不懂醫療。目前所有實際運作中的 AI 都是弱 AI。
比喻一把只能開一扇門的鑰匙——好用，但別要求它開全部的門。
考點「只會一招」→ 弱 AI；「像人類一樣樣樣通」→ AGI。ChatGPT 再厲害，分類上仍屬弱 AI。
通用人工智慧 AGIArtificial General Intelligence
白話能像人類一樣跨領域學習、推理、完成各種不同性質工作的 AI——目前還沒實現，是研究目標而非現有產品。
比喻萬能鑰匙。大家都在打造，但誰都還沒做出來。
考點題目描述「跨領域、像人類般學習」→ 選 AGI；描述現有系統（客服、翻譯、下棋）→ 都是弱 AI。
規則式專家系統Expert System
白話工程師把專家知識寫成一條條 if-then 規則的老派 AI：完全照規則走、不會自己學習，遇到規則沒寫到的狀況就沒轍。
比喻一本超厚的 SOP 手冊——翻得到就答、翻不到就當機。
考點「人工訂規則、不會學習」→ 專家系統；「從資料學規律」→ 機器學習。兩者常放在同一題互為誘答。
🏋️ 訓練技巧
梯度消失Vanishing Gradient
白話反向傳播時梯度一層層越乘越小，傳到前面幾層幾乎歸零，前層等於學不到東西。網路越深、序列越長越嚴重。
比喻傳話遊戲傳了 50 個人，最後一個人只聽到氣音。
考點RNN 長序列記不住早期資訊 → 梯度消失 → 解法選 LSTM（門控）；深網路的解法還有 ReLU、殘差連接（ResNet）。相反狀況「梯度爆炸」用梯度裁剪。
梯度裁剪Gradient Clipping
白話梯度太大時直接「剪」到設定的上限值再更新，防止梯度爆炸讓訓練整個失控。
比喻水龍頭裝限流閥——水再大也只出這麼多。
考點管「爆炸」不管「消失」。選項出現它時先問：題目是嫌梯度太大還是太小？
權重初始化Weight Initialization
白話訓練開始前給每個權重的起始值（如 Xavier、He 初始化）。起點設得好，收斂快又穩；設不好可能一開場就梯度消失/爆炸。
比喻爬山前選出發點——選對了少走冤枉路。
考點它是「起點設定」，不是訓練中的正則化手段——和 Dropout、BatchNorm 放同題時別選錯。
資料增強Data Augmentation
白話把訓練資料變形加料——影像旋轉、翻轉、裁切、加噪——生出更多樣的訓練樣本，讓模型見多識廣、不易過擬合。
比喻同一道菜換擺盤、換角度多拍幾張照片，相簿就豐富了。
考點「增加訓練資料多樣性、改善過擬合」→ 資料增強；別和 SMOTE 搞混——SMOTE 是專門替「少數類」合成新樣本救不平衡。
時間序列分解Time Series Decomposition
白話把一條時間序列拆成三部分看：長期趨勢（Trend）＋季節性（Seasonality）＋剩下的殘差（Residual）。
比喻手搖飲營收 ＝ 逐年成長的底子 ＋ 夏天必旺的週期 ＋ 今天剛好下雨的意外。
考點它是「分析時間資料」的方法；題目若是處理「無順序類別欄位」要選 One-hot、右偏數值選對數轉換——同題常見的三兄弟。
🔍 可解釋 AI（XAI）
部分依賴圖 PDPPartial Dependence Plot
白話畫出「某一個特徵」從小變到大時，模型預測「平均而言」怎麼跟著變——看的是整體趨勢。
比喻「平均來說爐溫越高良率越低」的折線圖。
考點最大限制＝只看「平均」，不能回答「這一批不良品是不是溫度害的」——單一個案歸因要用 SHAP／LIME。這個陷阱考過不只一次！
反事實解釋Counterfactual Explanation
白話告訴你「如果條件改成怎樣，結果就會翻盤」：月收入多八千、信用卡使用率降 10%，就會過審。
比喻差三分落榜時，老師告訴你「數學多對一題就上了」。
考點關鍵句型「若…則結果不同」→ 反事實解釋。它給「怎麼改變結果」，SHAP 給「各特徵貢獻多少」。
顯著性圖／Grad-CAMSaliency Map
白話在輸入上標出「對這一次預測影響最大」的部分：影像用熱力圖圈重點區域、文字標關鍵詞句，讓人一眼看懂模型在看哪裡。
比喻考卷上老師用螢光筆畫出「我就是看這裡給分的」。
考點「X 光影像上以熱力圖標示關鍵區域」→ 顯著性圖／Grad-CAM。表格特徵歸因→SHAP、整體趨勢→PDP、影像圈區域→Grad-CAM，三個一組記。
🚀 模型壓縮與維運
剪枝Pruning
白話把模型裡影響很小、冗餘的權重或神經元整個移除，模型變小、推理變快，準確率只掉一點點。
比喻修剪盆栽——剪掉枯枝，樹型更清爽也長得一樣好。
考點壓縮三兄弟：剪枝＝「移除」權重、量化＝「降精度」、蒸餾＝「大教小」。題目說「移除影響小的權重」→ 剪枝。
量化Quantization
白話把權重從 32 位元浮點數改用 8 位元整數等低精度表示，記憶體大幅縮小、推理加速，特別適合手機與邊緣裝置。
比喻照片從 RAW 檔轉成 JPG——檔案小很多，畫質幾乎看不出差。
考點關鍵字「32 位元 → 8 位元」「降低數值精度」→ 量化，幾乎是送分關鍵句。
RTO 復原時間目標Recovery Time Objective
白話災難發生後，系統「最多可以停多久」必須恢復服務。RTO 4 小時＝最晚 4 小時內要復活。
比喻停電後發電機「幾分鐘內」必須接手。
考點口訣：RTO 管「時間」（Time）、RPO 管「資料」（Point/備份點）。「最多可停多久」→ RTO。
RPO 復原點目標Recovery Point Objective
白話「最多可接受遺失多少資料」＝要回復到離災難多近的備份點。RPO 1 小時＝最多丟 1 小時內的資料。
比喻打電動多久存一次檔——死掉最多重打這一段。
考點「最多可接受遺失多少資料」→ RPO。RTO/RPO 常和 BLEU/ROUGE、Precision/Recall 放同一題當誘答，別被騙。
💬 LLM 應用
提示詞快取Prompt Caching
白話把每次都重複出現的提示前綴（系統說明、長文件）快取起來，下次不必重算——省 Token 費用、加快回應。
比喻常客進門不用每次重新自我介紹，店員都記得了。
考點它是「省成本加速」的技術，不會提升正確率——題目問「提升推理正確率」時它是誘答（正解通常是思維鏈 CoT）。
生成式 AI 工具生態Sora / Midjourney / ChatGPT…
白話各工具各有本業：影片 → Sora；圖像 → Midjourney、Stable Diffusion；文案對話 → ChatGPT、Claude、Gemini；寫程式 → GitHub Copilot；AI 搜尋 → Perplexity。
比喻找對師傅做對事——不會找水電工來剪頭髮。
考點組合題就看「工具↔任務」有沒有錯置：叫 Perplexity 生影片、Copilot 畫主視覺的選項直接刪掉。
數位浮水印／內容溯源SynthID / C2PA
白話在 AI 生成的圖片、影片、音訊裡嵌入肉眼看不見的浮水印或來源憑證，日後可以驗證「這是 AI 做的、出自哪裡」，對抗深偽與不實資訊。
比喻鈔票裡的隱形防偽線——平常看不到，驗鈔燈一照現形。
考點「每一幀嵌入肉眼看不見的標記以辨識 AI 生成」→ 數位浮水印／溯源（SynthID、C2PA）。和梯度裁剪、蒸餾這些訓練技術完全無關。
🔧 No-Code 與自動化開發
No-Code無程式碼開發
白話完全不寫程式，用現成模板＋拖拉元件組出應用。快、便宜、非工程師也會，但客製彈性有限。
比喻買 IKEA 傢俱回家照說明書組——快速好看，但改不了尺寸。
考點「非技術人員＋標準需求＋要快要省」→ No-Code；「複雜客製邏輯＋有工程師」→ Low-Code。留意供應商鎖定風險。
Low-Code低程式碼開發
白話視覺化開發為主、再寫少量程式碼補客製邏輯，介於 No-Code 和全手寫之間；適合流程複雜、要接既有系統、又有一點工程人力的場景。
比喻半成品料理包——大部分弄好了，自己加料調味。
考點題目給「需自訂商業邏輯＋少數工程師」→ Low-Code。極限效能場景（高頻交易 50ms）是它的弱點——底層封裝難深度優化。
AutoML自動化機器學習
白話把選模型、做特徵、調參數、訓練這些專業活自動化，非資料科學家也能快速建出堪用的模型。
比喻全自動咖啡機——不用懂烘豆研磨，按一下就有像樣的咖啡。
考點「自動完成模型選擇、特徵處理與訓練」→ AutoML。它產的模型可實際上線（說不能用的選項是錯的）。
市民開發者Citizen Developer
白話不具程式背景、卻用 No/Low-Code 工具自己做出應用解決工作問題的業務人員。
比喻不是木工卻用 IKEA 幫全辦公室組好櫃子的那位同事。
考點「業務同仁、不會寫程式、自建小工具」→ 市民開發者；資料科學家、架構師、DBA 都是專業技術職，等級不同。
供應商鎖定Vendor Lock-in
白話資料用專有格式、匯出受限、沒有標準 API——用越久越搬不走，只能一直付錢給原平台。
比喻手機充電孔是獨家規格——想換牌子，全部配件重買。
考點「專有格式＋匯出功能有限＋不提供標準 API」三個關鍵字齊了 → 供應商鎖定，不要被資安選項帶走。
⚙️ 工作流與整合機制
工作流自動化n8n / Zapier / Make
白話用視覺化「節點」把不同服務與 API 串成自動流程：表單進來 → 寫入試算表 → 發通知，全自動。n8n、Zapier、Make 都是這類平台。
比喻骨牌串好，推第一張後面全自動倒。
考點「視覺化節點串接服務與 API」→ 工作流自動化。它不是 GPU 訓練框架、不是向量資料庫、也不是版本控制——這三個是常見誘答。
Webhook事件推送
白話事件一發生，來源系統「主動」呼叫你預先設定的網址通知你——即時、不浪費資源。付款完成瞬間觸發出貨就是靠它。
比喻包裹到了宅配打電話給你（Webhook），而不是你每十分鐘跑一趟管理室問（輪詢）。
考點「事件觸發＋來源主動推送」→ Webhook；「定時主動去問」→ 輪詢；「累積一批定時處理」→ 批次。三個一組必考。
輪詢Polling
白話客戶端每隔一段時間主動去問「有新資料嗎？」——實作簡單，但即時性差、大多數詢問都是空手而回。
比喻每十分鐘跑一趟管理室問包裹到了沒。
考點和 Webhook 是一對：誰「主動」是分辨關鍵——輪詢是「我去問」，Webhook 是「它來報」。
批次處理Batch Processing
白話資料先累積、定時一次處理完（每晚跑報表、每小時匯總）。高吞吐量、成本低，但不即時。
比喻衣服攢一週洗一次——省水省電，但今天想穿的那件要等。
考點批次推論＝高吞吐、非即時；即時推論＝低延遲。「大量資料、可以等」選批次，「線上服務、要秒回」選即時。
條件分支Branching / Router
白話自動化流程裡「依條件決定走哪條路」的元件：if 退費意圖 且 金額 > 1 萬 → 通知主管，否則走一般流程。
比喻高速公路分流閘道——依車種指到不同車道。
考點「當…且…時，就…」的規則 → 條件分支。逐筆處理選迭代器、多筆合一選聚合器、轉格式選 Formatter。
迭代器／迴圈Iterator
白話把一批多筆資料「逐筆」拿出來各自處理的元件：今天 50 筆訂單，每筆各印一張出貨單、各寄一封通知。
比喻發考卷——一疊卷子一張張發到每個人手上。
考點關鍵字「逐筆／每一筆分別處理」→ 迭代器。方向和聚合器相反（一拆多 vs 多合一）。
資料格式化Formatter
白話轉換資料格式的小工具元件：日期 2026/07/15 → 7月15日、全形轉半形、數字加千分位。
比喻翻譯蒟蒻——內容不變，換個說法。
考點它只「變形」不「決策」——需要判斷走向時是條件分支，不是 Formatter。
陣列聚合器Array Aggregator
白話把多筆資料「合併成一筆」再往下傳：50 筆訂單彙整成一份日報寄給主管。
比喻把全班考卷收齊、訂成一疊交給老師。
考點「多筆彙整成一份」→ 聚合器；「一份拆成多筆各自處理」→ 迭代器。看方向選答案。
API 閘道器API Gateway
白話所有 API 請求的統一大門：負責認證、限流、路由、記錄。它是基礎設施，不做任務拆解、不做決策。
比喻大樓警衛室——查證件、管進出，但不幫你安排今天的工作。
考點在 Agent 題裡它是誘答：「任務拆解與決策」是任務規劃器（Task Planner）的事，閘道器只管流量進出。