监督式
从已知答案的示例中学习：欺诈/非欺诈、价格、类别或需求。
分类 · 回归
/ 笔记本 01 · 基础
打开AI工具箱。
我们一块块往里看。无需记名字：只要理解每项技术回答的是什么问题。
01
/ 如何学习
从数据中学习的三种方式。
设想我们要识别一个故障。我们可以展示已分类的示例，让系统自己找出分组，或允许其试验操作并接收信号。由此产生三条路径。
无监督
在无预先标签的情况下寻找结构：群组、相似性、主题或异常行为。
聚类 · 降维按加价
通过在环境中的行动、奖励与结果进行学习。
控制 · 规划
02
/ 能做什么
感知
预测
生成
决策
动作
现在看看它会做什么。
学习方式解释训练。要在现实生活中选择工具，宜先问清所需能力。
将信号转化为信息
视觉、音频、传感器与文档。
估计可能结果
需求、风险、维护与异常。
创建受条件约束的内容
文本、代码、图像、语音与视频。
在规则下比较选项
优化、规划与推荐。
在环境中使用工具
代理、机器人与自动化。
03
/ 生成式 AI
LLM
VLM
传播
嵌入向量
我们来到创造性的工具。
基础模型从大量数据中学习通用关系，之后可用指令、示例或自有文档加以定向。由此出现的缩写看似艰深，其实描述的是相当具体的组件。
大规模语言模型。以 tokens 工作，在文本、代码与结构化推理方面表现突出。
视觉-语言模型。将图像与语言关联，用于描述、比较或回答关于场景的问题。
从噪声中重建信号的生成式家族；广泛用于图像、音频和视频。
将相似内容彼此靠近的数值表示，用于语义搜索。
04
/ 代理式系统
当 AI 能够行动，会发生什么变化？
迄今为止，工具只是在理解或生成。代理则增加目标与工具访问：可查找数据、起草草稿或执行步骤。其自主性并非魔法；取决于我们授予的权限。
01目标追求的结果
02上下文掌握与记忆的内容
03工具可查询或更改的内容
04政策须遵守的限制
05验证如何展示结果
代理治理回答谁负责、系统用哪些数据和权限行动、何时应停止以及如何证明结果。
05
/ 选择标准
我们以一个决策收起笔记本。
我们已认识这些组件。要做选择，回到起点：想改进什么、手上有什么信息、可能出什么问题。
- 01定义结果
节省时间、减少错误、增加收入或提升质量。
- 02治理数据
责任人、可用性、质量、敏感性、沿袭与使用权。
- 03降低风险
错误响应或未授权操作的影响。
- 04比较替代方案
规则、经典软件、小模型或生成式系统。
- 05测试、度量并指定负责人
在扩展前进行评估、监督与停机标准。
下一站当前模型与计算机视觉