生成式 AI 或傳統 AI 的適用時機

這份文件可協助您判斷，生成式 AI、傳統 AI 或兩者兼具的解決方案，是否適合您的業務用途。

本文中的「傳統 AI」是指可能不需要採用生成式 AI 功能的 AI 功能和用途，例如某些分類和預測 AI 用途。傳統 AI 模型擅長從現有資料中學習，根據歷來模式分類資訊或預測未來結果。生成式 AI 模型則進一步擴展這些功能，可生成摘要、找出隱藏的複雜關聯性，或生成反映訓練資料風格和模式的新內容，例如文字、圖片或影片。

生成式 AI 的使用時機

一般來說，生成式 AI 解決方案擅長執行下列工作：

  • 建立及推薦內容。
  • 為對話式搜尋和聊天機器人提供技術支援。
  • 擴大規模並自動執行重複性工作的工作流程。
  • 使用聯想推理功能，在文件和資料中尋找洞察資料和關係。
  • 生成程式碼，並協助開發人員編寫、說明及記錄程式碼。

以下各節提供這些常見的通用生成式 AI 應用實例，可根據不同產業進行自訂。

內容創作和推薦

  • 生成行銷相關內容，例如產品圖片、社群媒體貼文和含有相關圖片的電子郵件。
  • 翻譯文件、網站內容和多語言聊天機器人對話等內容。
  • 歸納文字內容重點，包括文件、文章、顧客意見回饋和報告，協助您根據資料做出更明智的決策。
  • 從多個來源 (包括文字、圖片、影片或音訊元件) 建立資訊摘要。
  • 自動產生影片字幕。
  • 製作多媒體內容，例如根據文字提示說明生成新圖片、使用文字提示修改或修正圖片 (例如移除物件或變更配色)，以及根據文字提示或腳本生成短片或動畫。
  • 生成逼真的合成語音，用於旁白和音樂等音訊。
  • 分析及瞭解使用者行為、偏好、評論和過往互動，藉此提供個人化內容建議。分析結果可與位置等即時因素結合，為產品、文章和影片等內容量身打造推薦內容。

對話式搜尋和聊天機器人

  • 為使用者互動建立虛擬助理，例如客戶服務和線上銷售。
  • 透過自然語言查詢，在大型知識庫中啟用對話式搜尋。
  • 尋找複雜問題的答案，這類問題會結合文字查詢和相關圖片。

瞭解文件和資料

  • 從報告、發票、收據、金融交易或合約等文字中擷取資料並分析內容，以醒目標示可能的錯誤或法規遵循問題、找出潛在風險，或發現顯示詐欺的異常狀況。
  • 分析使用者原創內容的情緒，例如社群媒體貼文和產品評論。
  • 分析轉錄的客服中心對話，擷取洞察資訊，例如顧客給予客服中心互動低評分的最常見原因。

  • 分析威脅報告、文章和存放區等網路安全資料，擷取主要威脅指標。這項分析可提供主動式網路安全防禦措施，歸納並優先處理緩解策略，同時提供建議，加快回應速度。

    分析功能可將複雜的攻擊圖表轉譯為遭受攻擊風險的純文字說明。此外，這項工具還能模擬可能的攻擊路徑，標明受影響的資產，並在資產可能遭到漏洞攻擊前，提供化解措施建議。

程式碼生成和開發人員輔助

在軟體開發生命週期 (SDLC) 的各個階段，生成式 AI 都能協助處理下列類型的任務：

  • 使用自然語言提示生成 API 規格和說明文件。
  • 根據自然語言提示建立程式碼、函式、指令列指令和 Terraform 指令碼等資產。
  • 生成測試和程式碼說明，包括註解和說明文件，以解釋程式碼。

如要進一步瞭解生成式 AI 如何翻轉客戶服務、提高員工工作效率，以及將業務流程自動化等，請參閱「 Trusted Cloud」中的商務應用實例。

何時使用傳統 AI

傳統 AI 用途通常著重於預測未來結果，或根據以現有歷來資料來源 (例如表格資料和圖片) 訓練的 AI 模型，將項目分類。傳統 AI 解決方案通常足以處理多種分類和預測 AI 應用情境，例如：

  • 分類用途：
    • 根據傳統分類 AI 模型 (以歷來資料訓練而成)，將電子郵件分類為垃圾郵件或非垃圾郵件，藉此篩除垃圾郵件。
    • 針對良品和瑕疵品的特定圖片訓練傳統圖片分類模型，有效協助製造業進行即時檢查和瑕疵偵測。
  • 迴歸用途：
    • 預測連續數值，例如根據特定房屋特徵和位置預測房價。
    • 根據歷史購買資料，預測電子商務平台客戶在與公司維持關係期間可產生多少收益。
  • 時間序列預測用途：預測銷售量和需求。
  • 分群用途：執行顧客區隔。

如要進一步瞭解如何使用傳統 AI，請參閱「什麼是預測分析？」一文中的「預測分析的用途和範例」。

選擇傳統 AI 或生成式 AI

下方的簡化決策樹提供一些以用途為準的決策路徑，可做為概略參考。在某些情況下，最好同時使用傳統 AI 和生成式 AI，詳情請參閱下一節「何時應結合使用生成式 AI 和傳統 AI」。

決策樹會顯示何時該使用生成式 AI、傳統分類或預測型 AI，或是預先訓練的 AI 模型。

決策樹包含下列以用途為導向的問題和答案：

  • 如果您的用途與分類或偵測相關，請檢查預先訓練的傳統 AI 模型是否符合用途需求。預先訓練的傳統模型包括 Document AI、Vision AI、Natural Language API 和 Video Intelligence API 等 AI API。

    • 如果預先訓練模型符合您的需求，請使用預先訓練模型。
    • 如果預先訓練的模型無法滿足需求，請確認是否有足夠的訓練資料，可供自訂訓練模型。
      • 如果有足夠的訓練資料，應該優先考慮：進一步控管模型訓練，還是加快上市時間 (GTM)？
        • 如果您需要高度控管模型訓練，並進行自訂 (例如使用偏好的模型演算法、開發自己的損失函式、使用模型可解釋性的特定特徵、模型中的層數、學習率和其他模型超參數)，請使用傳統 AI 模型的自訂訓練。如要瞭解自訂訓練與使用 AutoML 在 Vertex AI 中訓練模型之間的差異，請參閱「選擇訓練方法」。
        • 如果貴公司的首要目標是加快上市時間，請使用生成式 AI。如果您的用途較為特殊，可以透過模型調整 (例如監督式調整) 提升模型效能，用於分類、情緒分析或實體擷取。
      • 如果沒有訓練資料集，或現有資料集不夠大，無法自訂訓練模型，請使用提示工程搭配生成式 AI 模型。這些模型可使用資料範例進一步調整，執行專業工作。

  • 如果您的用途與預測 AI 用途相關，請使用傳統 AI。傳統預測型 AI 特別擅長處理結構化資料。

  • 如果您的用途與生成式 AI 用途相關，例如摘要、內容生成或進階轉錄，請使用生成式 AI。使用生成式 AI 包括需要處理和輸入多種形式資訊 (例如文字、圖片、影片或音訊) 的用途。

雖然資料科學家和機器學習工程師通常會主導模型選取程序，但請務必也考量重要利害關係人的意見，例如企業領導人、產品負責人、領域專家和使用者。舉例來說，這些利害關係人可能會透過下列方式參與：

  • 業務領導人和決策者：如果選取的選項符合業務要務，請核准。
  • 產品擁有者：可能需要影響或進一步控管模型行為，以配合產品優先順序。
  • 領域專家：運用領域專業知識，提升模型成效。
  • 使用者：可能需要瞭解模型的輸出內容，以及如何運用這些內容做出更明智的決策。

何時該結合生成式 AI 與傳統 AI

傳統 AI 和生成式 AI 並非互斥。在某些業務用途中，兩者可以互補，以達成最終業務目標。舉例來說，您可以將傳統 AI 模型的輸出內容做為生成式 AI 模型的提示。以下列舉幾個結合傳統和生成式 AI 功能的用途範例：

  • 傳統預測型 AI 可以分析歷來資料，預測顧客流失機率。這項分析可與 LLM 或生成式 AI 聊天機器人整合，讓銷售團隊透過自然語言對話探索預測結果。你也可以透過與聊天機器人簡單對話，生成商業智慧 (BI) 資訊主頁。
  • 傳統預測式 AI 可預測特定用途的風險，而生成式 AI 則可模擬不同情境，協助制定可能的風險緩解策略。
  • 傳統預測型 AI 可識別顧客區隔，協助您建立個人化行銷活動和廣告活動。然後使用生成式 AI 產生個人化行銷內容，針對每個已識別的區隔量身打造。
  • 傳統 AI 電腦視覺技術可偵測及分類手語，並將影片輸入內容翻譯成文字。生成式 AI 可瞭解手語中的情境和細微差異，進而更準確地翻譯成文字，包括多種語言。生成式 AI 也能根據翻譯的文字生成語音輸出內容，讓手語者和非手語者之間進行流暢的雙向溝通。
  • 傳統 AI 可執行影片分析，並運用影片智慧功能從影片素材資源中擷取重要洞察資料和特徵。例如，它可以對影片素材資源執行物件偵測、人物偵測、文字偵測和擷取作業。生成式 AI 接著就能運用這些洞察資料，打造聊天機器人、房源資訊、報表或文章等新穎體驗。

如要盡量發揮生成式 AI 和傳統 AI 投資的業務效益，請優先考量必要的業務成果和使用者需求 (以業務和使用者為導向的 AI 解決方案)。確保解決方案與時俱進、提高採用率、提升效率，並促進創新。在 AI 輔助解決方案中優先考量使用者體驗，有助於調整期望並帶來有意義的成果。

後續步驟