實作應用, 技術 AI 如何應用在瑕疵檢測上 瑕疵檢測是許多製造業中關鍵的品質控制環節，傳統的瑕疵檢測方法主要依賴人工檢測或基於規則的方法，這些方法儘管具有一定程度的效果，但仍有不夠精準、效率低下和容易受到環境變化影響等問題。隨著人工智慧技術的發展，特別是機器學習和電腦視覺的進步，瑕疵檢測領域的技術不斷推陳出新，不僅可結合傳統手法提升準確率，還能透過生成式 AI 輔助生成訓練用的瑕疵資料，讓瑕疵檢測更精準、更符合快速更迭的產線週期。
論文快讀, 技術 優化結構以減少運算量，YOLO v10 實現端到端即時物件偵測的目標 YOLO（You Only Look Once）是一種即時物件偵測系統，自2015年首次提出以來，已經在電腦視覺領域引起了廣泛關注。這項技術的主要創新在於其高效、快速的物件偵測方法，使其在實際應用上都佔有一個重要的地位。在每一代 yolo 的發展都是在即時性與精確度上進行討論。
Langchain, 技術, 實作解析 利用 Langchain 實作系列 RAG 進階流程：Query Analysis & Self-reflection 檢索增強生成 (Retrieval Augmented Generation, RAG) 是近期的熱門應用技術之一，但要建立一個足夠穩定的 RAG 架構，並不容易。本篇文章著重在 RAG 技巧中的流程設計與調整，帶領大家快速了解一些實用的 RAG 模組，也透過實際操作，學習 LangChain 與 LangGraph 工具
MLOps, 實作解析, 技術 從資料到模型，以 MLOps 精神實作 AI 模型訓練 過去在 DL 模型的開發過程中，要追蹤大量的資料和實驗結果可能需要結合多項工具，形成較高的學習成本；針對這些問題，HPE 推出 MLDM、MLDE 作為解決方案，使用者只需要熟悉這兩項工具，就能包辦大部分的開發工作，而實際使用的體驗也讓我們認為是值得一試的。
MLOps, 實作解析, 技術 MLOps 工具介紹（二）：常見的資料管理工具 越來越多的 AI 專案，使得團隊對於資料、模型的管理需求日益增加；市面上各類工具不斷推陳出新，目前已經有許多選擇，這些工具多半主打優秀的圖形化介面，及較低的學習成本，讓不同背景的團隊成員都能快速上手，開發者可以依自己或團隊的需求選擇合適的工具，增加開發效率。
MLOps, 實作解析, 技術 以 HPE MLDM 實作資料的版本控制 隨著 MLOps 的推廣，市面上已有許多針對資料與模型的版本控制工具出現，（以下簡稱為版控）工具出現。這些工具多半具簡潔且易使用的圖形化介面，並逐漸朝向高整合度發展。這篇文章將介紹能針對訓練資料進行版控與前處理自動化工具：HPE ML Data Management (MLDM)
實作解析, 技術 以 Apple 深度學習框架 MLX，實作圖片深度圖預測任務 在前一陣子的文章有談到 Apple M系列強大的 GPU 與 ANE 強大的計算能力，這次文章會再強調 Apple 晶片的一大特色「統一內存架構 （unified memory architecture）」。它使得 CPU 與 GPU 可以直接使用相同的記憶體區塊（momory pool），這樣的優勢在於可以減緩 CPU 與 GPU 記憶體存取上的延遲，避免不必要的效能損耗。
論文快讀, 技術 讓 LLM 更好用的方法：ReAct prompting 自從生成式 AI 興起後，怎麼下 prompt 也成為熱門話題，prompt engineering 更成為新的研究領域。本文將專注於對 LLM prompt engineering 的探討，並介紹當前主流的 ReAct prompting。
Langchain, ChatGPT, 實作解析, 技術 利用 LangChain 實作多模態模型的 RAG：除了讀文章也能看圖答題 相信不少人已經知道 ChatGPT 這類的大型語言模型（LLM,Large Language Model），雖然對話能力強，卻也常亂接話。而RAG（Retrieval Augmented Generation）的做法便是讓 LLM 在回答問題時能夠參考相關文件，有效避免了因知識不足而產生的幻覺現象（hallucination），例如基金會與天下雜誌合作推出的「孫主任 AI 助教」，正是利用此技巧，讓 LLM 可以根據《孫主任的經濟筆記》這本書的內容，提供較正確、適當的回應。
