AI 時代經理人的基本功：你不能不懂的機器學習術語

• 7 1 月, 2020
• admin
• AI 新聞

準備開始接觸 AI 了嗎？也許你已經稍微涉獵過機器學習的世界，但還想補齊那些聽過卻一直沒空深入的主題？這篇文章會是個不錯的起點。

NLP – 自然語言處理（Natural Language Processing）

自然語言處理是一種讓電腦能理解人類語言的技術。所謂「自然語言」，指的就是我們平常說話或寫文章時用的語言。透過這項技術，電腦不只可以讀懂文字，還能分析、理解，甚至做出對應的回應。

常見的應用像是：
－ 幫你從長篇文章中整理出重點（文件摘要）
－ 客服機器人能看懂提問並自動回應
－ 語音助理可以理解指令並執行（例如叫 Siri 播放音樂）

強化學習（Reinforcement Learning）

強化學習是一種透過「試錯」來學習的方法。就像電腦在玩一個遊戲，它不斷嘗試不同的策略，從中找出能讓自己得分最多的方法。每做對一次，它就會得到獎勵；做錯就沒有分數，甚至被扣分。長時間下來，它會學會怎麼做最有效率。

這種方法常應用在下棋、打遊戲、機器人動作控制，或像自動駕駛系統中，車輛學習如何安全地轉彎、煞車、避障。

資料集（Dataset）

在機器學習中，我們訓練和測試模型時所用的資料，通通叫做「資料集（Dataset）」。資料科學家通常會把資料分成三種用途：

• 訓練資料（Training Data）：這是模型「學習」的資料。模型會透過這些資料來找出規律，學會判斷哪些特徵在預測中最重要。

• 驗證資料（Validation Data）：這是用來「調整模型設定」或比較不同模型效果的資料。它不能跟訓練資料重複，否則模型可能學太多細節（稱為過度擬合），對新資料的預測反而不準。

• 測試資料（Test Set / Hold-out Set）：這是最後驗證模型好不好的資料，用來模擬模型遇到真正新資料時的表現。它在模型訓練與比較過程中都沒被用過。

雖然聽起來有點繁瑣，但這三步驟就像是「學習 → 微調 → 考試」的過程，缺一不可。

當你在帶領團隊或評估 AI 專案時，理解這些基本術語能幫助你更快掌握溝通重點，也更容易與技術團隊對話。即使你不是工程師，熟悉 NLP、強化學習與資料集的概念，仍能在決策中扮演關鍵角色。AI 並非遙不可及的技術，只要懂得切入點，你也能成為推動轉型的引路人。