AI 術語詞典

人工智慧風險評估是一種識別、分析和評估人工智慧系統可能造成的潛在風險的過程，旨在了解風險的性質、可能性和影響，並制定相應的應對措施。

衡量分類模型在不同閾值下的綜合表現，AUC=1 完美，AUC=0.5 等於隨機猜

ARIMA是一種廣泛使用的時間序列預測模型，結合了自迴歸、差分和移動平均三個部分，用於分析和預測時間序列資料。

模擬真實情境以測試和評估AI系統的安全性、合規性與應變能力，識別潛在弱點。

AI偏見是指AI系統在訓練或決策過程中，由於資料、演算法或人為因素，產生不公平或歧視性的結果。

雙語評估替代指標（BLEU，Bilingual Evaluation Understudy）是機器翻譯品質評估的自動化量化指標，透過比對機器翻譯輸出與人工參考譯文中 n-gram 的重疊程度，給出 0

黑箱模型是指其內部運作機制對使用者而言不透明的模型，難以理解輸入與輸出之間的具體關係。

衡量AI模型或軟體專案建置過程中失敗次數佔總次數的比例。

卡方檢定是一種統計方法，用於檢驗兩個或多個類別變數之間是否存在顯著關聯性。它比較觀察值與期望值之間的差異。

運算最佳訓練旨在於給定運算資源下，最大化模型效能。它涉及調整模型大小、資料集大小和訓練步驟，以達到最佳效率。

憲法式AI原則是一種透過明確的價值觀或「憲法」來引導AI系統行為的方法，旨在確保AI的輸出符合人類的期望和倫理標準。

持續驗證是主動且持續地測試複雜系統的工程實踐，旨在確保模型與基礎設施在正式環境中始終符合預期的效能、穩定性與安全標準。

反事實解釋描述了為了改變模型預測結果，輸入數據需要做的最小變動。它提供了一種理解模型決策邏輯的方式。

交叉驗證是一種將資料分成多份，輪流以不同子集作為驗證集，藉此評估模型泛化能力的技術

資料不平衡指訓練資料中各類別樣本數量差異懸殊，導致模型傾向預測多數類別，常用 SMOTE 過採樣或欠採樣等技術來處理

Precision 和 Recall 的調和平均數 = 2PR/(P+R)，兼顧「找得準」和「找得全」

人工智慧公平性旨在確保AI系統的決策不會對特定群體或個人產生不合理的歧視，追求結果的公正與平等。

模型將實際為負的樣本錯誤預測為正的情況，又稱型一錯誤。

機器學習中，輸入資料的特徵分佈隨時間變化的現象，可能導致模型性能下降。

特徵金字塔網路(FPN)是一種用於目標檢測的深度學習架構，旨在從不同尺度的特徵圖中提取豐富的語義信息，以提升小目標的檢測性能。

特徵選擇是機器學習中選擇最相關特徵子集的過程，旨在簡化模型、提高準確性、減少過擬合和提升模型的可解釋性。

衡量時間序列預測結果的可靠性與波動範圍，反映未來事件的不可預測程度。

AI 詐欺偵測（Fraud Detection）透過機器學習即時分析交易行為，識別異常模式，廣泛應用於銀行信用卡詐欺防範、網路詐騙偵測與保險理賠審核。

驗證AI模型或系統在特定輸入下行為是否符合預期功能的過程。

真實邊界框是電腦視覺模型訓練與評估中，由人工標註的正確物件位置範圍，作為衡量預測結果的基準標準。

圖像識別是電腦視覺領域的一項任務，旨在識別圖像中的對象、人物、地點或事件。它比圖像分類更廣泛，可能涉及定位和標記圖像中的多個對象。

影像分割是一種電腦視覺技術，將影像劃分為多個區域或物件，以便分析或理解影像內容，常用於醫學影像分析、自動駕駛等。

Inception Network 是一種深度卷積神經網路架構，旨在透過並行使用多種卷積核大小，捕捉不同尺度的特徵，提升模型效能。

推論是指利用已訓練好的機器學習模型，對新的、未曾見過的資料進行預測或判斷的過程。是模型部署後的核心環節。

詹森-夏農散度（Jensen-Shannon Divergence, JSD）是一種衡量兩個機率分布相似程度的對稱指標，以 KL 散度為基礎改良，輸出範圍為 [0, 1]（使用以 2 為底的對數時），

局部可解釋模型無關解釋（Local Interpretable Model-Agnostic Explanations, LIME）是一種模型可解釋性技術，透過在單一預測結果附近擾動輸入資料並訓練簡單

LIME 針對單筆預測，以局部線性模型近似複雜黑箱模型的行為，提供與模型無關的可解釋性

損失函數衡量模型預測與實際值之間的差異，數值越小代表模型預測越準確，是模型訓練中優化目標的關鍵組成部分。

平均絕對誤差（MAE）是衡量預測值與實際值之間平均絕對差異的指標，數值越小代表模型預測越準確。

成員推斷攻擊旨在判斷特定資料點是否曾被用於訓練機器學習模型。攻擊者利用模型輸出來推斷訓練資料的成員關係，可能洩漏隱私資訊。

元學習，又稱學習如何學習，旨在訓練模型能夠快速適應新任務或環境，透過少量樣本即可達到良好的效能。

模型服務化是指將訓練好的機器學習模型部署到生產環境，使其能夠接收請求並返回預測結果的過程。

模型竊取是一種針對機器學習模型的網路安全攻擊手法。攻擊者透過大量且有系統地向目標模型的應用程式介面發送查詢，並記錄其回傳的預測結果，藉此訓練出一個功能與原始目標高度相似的替代模型。

多任務學習是一種機器學習方法，旨在同時訓練一個模型來執行多個相關任務，以提升模型的泛化能力和效率。

多模態學習是一種機器學習方法，旨在從多種不同類型（模態）的資料中學習，例如圖像、文字和音訊，以提升模型效能。

神經架構搜尋(NAS)是一種自動化設計神經網路架構的技術，旨在尋找在特定任務上表現最佳的模型結構，無需人工手動設計。

分類模型評估的核心指標：精確率衡量預測為正的樣本有多準確，召回率衡量實際為正的樣本被找回多少。

機率式預測是一種時間序列預測方法，它不僅提供單一的點預測，還提供未來值的完整機率分佈或置信區間，以量化預測的不確定性。

放射醫學AI利用人工智慧技術分析醫學影像，輔助醫生診斷疾病，提高診斷效率和準確性，並減少人為錯誤。

ResNet是一種深度學習模型，透過引入殘差連接解決深度神經網路訓練時的梯度消失問題，允許網路學習殘差映射而非直接映射。

透過改變分類閾值，以真陽性率（召回率）為縱軸、假陽性率為橫軸繪製的曲線，用於評估二元分類模型在各閾值下的辨別能力。

規則提取是從機器學習模型中提取人類可理解的規則的過程，旨在提高模型的可解釋性和可信度。

季節性分解是一種時序分析技術，將時間序列分解為趨勢、季節性、週期性和殘差等成分，以便更好地理解和預測資料。

訓練模型時，不小心納入在預測時無法獲取的未來或結果資訊，導致模型過度樂觀。

分類模型將實際為正例的樣本正確預測為正例的情況，是混淆矩陣四格中最理想的預測結果之一。