MLOps, 實作解析, 技術 MLOps 工具介紹（一）：常見的三種模型實驗管理工具 在AI專案的模型驗證階段，有許多工具可以協助團隊進行模型管理，主要目的都是在幫助團隊管理多專案與多實驗的狀況，可以輔助開發過程較為順利，所有的實驗數據都會被紀錄與備份，可以減少實驗數據遺失的風險。這些工具各有特色與強項，這篇將提供讀者幾個熱門工具建議：
實作解析, 技術 神奇畫筆的養成：解密 AI 生成圖片的原理與應用 生成式 AI 可說是今年最為熱門的關鍵字，除了圖片，還可以生成出聲音、文字等成果，也可以看到越來越多的 AI 生成工具出現，例如 Midjourney、Stable Diffusion 就是十分受歡迎的繪圖工具。透過本篇技術原理的說明，你將知道如何有效利用這些工具快速產出想要的圖片。
MLOps, 實作解析, 技術 手把手部署HPE Machine Learning Development Environment 市面上專攻模型實驗平台的套件有非常多，之前曾介紹了如何上傳模型實驗任務，以及快速部署 MLDE 在單一電腦上。本文透過介紹MLDE的系統架構、事前準備、使用 CLI 部署及移除節點，讓讀者可以快速部署客製化的模型實驗平台在 Docker 環境中。
實作解析, 技術 AI如何辨認螢幕前的人是不是真人？活體辨識技術的發展與挑戰 拜網際網路被發明、電子元件以及行動裝置的革新所賜，數位化已改變生活中的一切，過去需要親臨現場才能辦理的業務，如今大多能在線上完成。在看不到真人的情況下，尤其近幾年身份偽冒詐欺事件頻傳，如何確認遠端連線對象的身分成了企業的一大難題。目前在身份識別上多以生物辨識來實現，其中的關鍵之一就是活體辨識。
MLOps, 實作解析, 技術 用 MLDE 平台實作 PyTorch 卷積神經網路模型 機器學習模型的開發過程中，為了讓模型效能更好，通常資料科學家會設計實驗，擬定要嘗試的模型並對各個模型嘗試不同的超參數組合，以便從中找出表現最好的組合。正是因為要嘗試的組合非常多，可以想像過程中所產生的結果也不可計數，過往需要仰賴人工手動填寫表格，以利管理。
技術, 實作解析 人類的情緒變化，AI真的能辨識出來，還能分析應用？ 每一天，我們都會有開心、難過或是生氣等等不同的情緒反應，大多時候，人類可以透過觀察臉部表情或動作，看出對方的情緒；也可以從語氣或是對話描述聽出說話者的心情。那麼，電腦也可以看出或聽出人類的情緒嗎？
技術, 實作解析 利用Apple神經網路引擎，實作 Image Segmentation 對 AI 工程師來說，Apple 處理器上特別的 16 核心神經網路引擎(Neural Engine)帶來了顯著的速度提升，且在手機端的執行速度也有不錯成效。本次，我們將針對「模糊化背景」的情境進行實地測試任務。
實作解析, 技術 不只是ChatGPT而已？了解大型語言模型的能力與可能 ChatGPT 讓使用者能以聊天對話的方式，向機器提問且獲得解答，簡易的互動降低了一般人使用 AI 的門檻，不僅更貼近日常使用，也更接近人們想像中的 AI。背後關鍵的「大型語言模型」（LLM，large language mode）究竟擁有哪些能力，又該如何使用呢？
技術, 實作解析 讓ChatGPT也能幫忙算數學：利用LangChain agent，擴展ChatGPT的工具箱 ChatGPT 顯然不太擅長某部分的問題，但我們可以加入一些巧妙的設計，讓它在窘迫時，可以呼叫外部工具來解決問題。
