如要瞭解問題，請執行以下工作：
- 請說明您正在開發或重構的產品目標。
- 運用預測式機器學習判斷哪些目標最能解決問題 生成式 AI 或非機器學習解決方案
- 請確認您是否具備訓練模型所需的資料 預測的機器學習方法
說明目標
請先使用非機器學習的術語來表示您的目標。我們的目標是 「我想達成什麼目標？」
下表清楚說明假設應用程式的目標：
| 應用程式 | 目標 |
|---|---|
| 「天氣」應用程式 | 計算地理區域的降水量 (以六小時為單位遞增)。 |
| 時尚應用程式 | 產生各種襯衫設計。 |
| 影片應用程式 | 推薦實用影片。 |
| 郵件應用程式 | 偵測垃圾內容。 |
| 金融應用程式 | 摘要列出多個新聞來源的財經資訊。 |
| 地圖應用程式 | 計算交通時間。 |
| 銀行應用程式 | 識別詐欺交易。 |
| 用餐應用程式 | 依據餐廳的菜單辨識料理。 |
| 電子商務應用程式 | 回覆評論並附上實用解答。 |
清楚的機器學習用途
有些將機器學習視為通用工具，可套用至所有問題。於 實際上，機器學習是專門處理特定問題專用的工具個人中心 也不想實作複雜的機器學習解決方案，因為較簡單的非機器學習解決方案 正常運作。
機器學習系統可分為兩大類別： 預測性機器學習和 生成式 AI：下列 表格列出其定義特性：
| 輸入功率 | 輸出內容 | 訓練技巧 | |
|---|---|---|---|
| 預測機器學習 |
文字 圖像 音訊 影片 數值 |
進行預測，例如將 垃圾郵件或非垃圾郵件、猜測明天的雨水，或是 預測股票價格 輸出內容通常會根據實際情況進行驗證。 | 通常使用大量資料來訓練監督式 非監督式或增強學習模式，藉此執行 特定任務。 |
| 生成式 AI |
文字 圖像 音訊 影片 數值 |
根據使用者的意圖產生輸出內容，例如： 總結文章重點、生成音訊片段或短片 | 通常會使用大量未加上標籤的資料來訓練大型語言模型 或圖片產生器來填補缺少的資料。接著就能使用 列出可填補空白工作的畫面 模型進行微調，以處理特定工作，例如 例如單一語句分類 |
如要確認機器學習是正確的做法，請先確認目前的非機器學習 每個環節都有最佳結果如果您沒有實作非機器學習的解決方案，請嘗試 以手動方式解決問題 經驗法則。
非機器學習解決方案是一項基準，可用於判斷機器學習是否為 能協助解決問題進行比較時，請思考以下問題 非機器學習的方法：
畫質。您認為機器學習解決方案有多實用？如果發生以下情況： 機器學習解決方案可能只是小幅改善 目前的解決方案就是最佳解決方案
費用與維護。機器學習解決方案在 或是短期和長期的階段？在某些情況下，費用會大幅增加 運算資源和實作機器學習技術所需的時間請考量下列要點 問題：
- 機器學習解決方案能否證明成本增加是合理原因？請注意 大型系統的改善項目可輕易證明成本和成本 實作機器學習解決方案的維護作業
- 解決方案需要多少維護工作？在許多情況下 導入專屬的長期維護機制
- 您的產品是否有必要的訓練或招聘資源 或具備機器學習專業知識的人員嗎？
驗收學習成果
預測式機器學習與資料
資料是預測機器學習的推動力。補足 Forecasts，您需要 包含內建預測功能的地圖項目 電源。資料應具有以下特性：
Abundant。在您的應用程式中 dataset 調整模型的方式
一致性與可靠性：擁有一致且可靠的資料 就能產生更好的模型例如：以機器學習為中心的天氣 也能享有多年前收集的 樂器
可信任。瞭解資料來源。這些資料是否會 由您控管的可靠來源 (例如您的產品記錄)，或者 例如來自你不深入瞭解的來源 機器學習系統？
可用。確認所有輸入的輸入值都適用於 格式必須正確無誤如果難以取得 則可從資料集中省略這些特徵。
答對了。在大型資料集中，不可避免 標籤的值會不正確， 不過，如果有超過一小部分的標籤不正確，模型就會產生 導致預測結果失準
代表。資料集應能代表 我們能想像一下換句話說，資料集必須準確反映 事件、使用者行為和/或真實世界的現象 模擬成品對不具代表性的資料集進行訓練可能會導致效能不佳 要求模型進行實際預測
如果您無法以所需格式取得所需資料，模型就會 預測結果不佳
預測能力
資料集中的特徵應具備 預測能力與標籤的關聯性越高，結果越可能 也就是預測
某些功能的預測能力會比其他特徵高出許多。例如，在
天氣資料集，例如 cloud_coverage、temperature 和
「dew_point」的降雨量會比「moon_phase」來得好
day_of_week。以影片應用程式為例，您可以假設
例如 video_description、length 和 views 或許適合
使用者想看的影片
請注意，特徵的預測能力可能會隨情境或情境改變
網域變更。例如，在影片應用程式中，功能與 upload_date
在一般情況下，與標籤的相關性可能不高。不過，在
遊戲影片的子網域，upload_date 可能與遊戲相關
標籤。
判斷哪些特徵具有預測能力相當費時 上傳資料集之後，您可以運用 AutoML 自動完成部分資料準備工作手動探索地圖項目的預測能力，可手動移除和 也就是在訓練模型期間新增的文字您可以使用 強化預測能力 皮爾森相關性、 調整後的共同資訊 (AMI)， 和 夏普利值、 模型會提供數值評估 feature.
驗收學習成果
如需分析和準備資料集的詳細指引，請參閱 用於機器學習的資料準備和特徵工程。
預測與動作
無法將預測結果轉換成 這有助於使用者採取行動也就是說，產品應從 輸出內容
例如，模型會預測使用者 是否會認為影片很實用 應該就會加入推薦實用影片的應用程式。能預測 是否會下雨到天氣應用程式中
驗收學習成果
根據下列情境，判斷使用機器學習技術是否最適合 有助於解決問題
大型機構的工程團隊負責管理 來電顯示
目標：通知呼叫者在已等候保留中的等候時間 目前的通話音量。
他們目前沒有任何解決方案，但他們認為經驗法則 將目前 等候電話的員工人數、 再乘以 10 分鐘不過 他們知道有些客戶的問題在兩分鐘內解決了 其他最多可能需要 45 分鐘或更久。
但他們的經驗法則可能不夠準確。他們
可使用下列資料欄建立資料集：
number_of_callcenter_phones、user_issue、
time_to_resolve、call_time、
time_on_hold。
time_on_hold」標籤的預測功能。