04_導入與實施

核心表格

核心主題	主要觀點／方法	實務用途	重要條件／限制／延伸
Generative AI Technology Stack	GenAI 系統不只是 foundation model，而是 compute、cloud、model、database、orchestration、deployment、observability、application 等多層架構	建立 enterprise architecture、provider map、owner 與 dependency	只選模型而忽略 integration／monitoring／security，無法形成可營運系統
GenAIOps	把 MLOps 延伸到 foundation model／LLM 的 data、modeling、deployment 與 output monitoring	上線前 checklist、production monitoring、audit evidence	原書明確指出許多 GenAI monitoring 問題仍是 active research，不應假裝已有單一成熟解法
Data Governance	確認來源、生成方式、授權、copyright、confidential data、PII、poisoning、AI-generated content	Fine-tuning／adaptation 前的 data readiness review	Unknown 不能當成 Pass；資料可取得不代表可合法／安全使用
Model Governance	盤點 limitations、risks、benchmarks、reproducibility、transparency、dependency、energy／compute	Model card、provider evaluation、high-risk model selection	高 benchmark 不足以抵銷 provenance／transparency 缺口
Deployment Governance	確認部署位置、target application 對 GenAI 的 awareness，以及 auditor／regulator documentation	Production release gate	重大 blocker 不應被平均分數掩蓋
Model Performance	BLEU、ROUGE、METEOR 等技術指標之外，需特別監控 false、fake、misleading、biased content	Output sampling、fact-checking、guardrails、human review	Guardrails 只能降低 hallucination risk，原書沒有宣稱可以完全消除
Data Drift	判斷資料分布是否改變，以及 drift 是否源自真實事件或 AI-generated content 增殖	決定是否 recalibrate／retrain	Text／image／audio／video drift 比純 numeric data 更難量化
Model Drift	同時監控 technical performance 與實際 business outcomes	用 cart abandonment、customer-service calls、CSAT 等訊號發現模型失效	Business KPI 惡化不自動證明 AI 是原因，但足以觸發 investigation
Prediction Distribution	監控 multimodal outputs 是否出現異常集中或 spurious correlations	Fairness、representation、content-quality audit	需先有人員定義可解釋 categories；不可由模型自行推測敏感屬性
Resource Usage	追蹤 usage-based pricing、compute／API consumption 與 financial controls	Budget、cost per task、unit economics	成本增加未必等於失敗，必須與 business value 一起看
Business Metrics + SLA	Critical GenAI process 除品質外，還需 availability／uptime guarantees 與 business outcome monitoring	Service report、incident management、SLA	高 uptime 不代表 output 正確；高 accuracy 也不能補償服務不可用
Implementation Risk Register	Bias、IP leakage、copyright infringement、data poisoning	Production readiness、vendor due diligence、risk ownership	任何 high-impact uncontrolled risk 都可能是 blocker

章節定位

第 4 章把前面「GenAI 可以做什麼」轉成「企業要如何把它變成真正可部署、可監控、可治理的系統」。原書一開始就提醒：Generative AI systems are broader than the models。模型只是其中一層；企業還需要 data、compute、cloud、deployment、observability、security、governance 與持續監控。

本章沒有像第 2、3 章那樣設置正式的 Case Studies 段落。因此本頁上方 12 個案例子頁，是依原書的 implementation examples、checklists、monitoring scenarios 與具名 copyright examples 重新組成的教學案例；沒有把不存在的公司成果補成原書案例。

Major Components of Gen AI Tech

原書列出 12 類主要技術組件：

類別	原書角色	原書例子
Computer Hardware	Training／inference acceleration	Nvidia GPUs、Google TPUs
Cloud Platforms	Develop／host GenAI applications	AWS、Microsoft Azure、GCP
Closed-source Foundation Models	Pre-trained models，常以 API 存取	OpenAI GPT
Databases	Vector embeddings storage	Pinecone
Deployment	Deploy generative AI models	Clarifai
End-to-End Vertical Apps	常以 proprietary models 提供 end-user function	Midjourney、Runway
Model Hubs	Share／host models	Hugging Face
End-User Applications	End-user-facing apps，不一定擁有 proprietary model	原書未在此列單一固定例子
Observability	Gain visibility into AI system operations	原書以類別描述
Orchestration	協調 tools、systems、methodologies	LangChain
Open-source Foundation Models	Open-source licensed pre-trained models	原書以類別描述
Training and Fine-tuning	Train／adapt LLMs to optimize output	原書以 tooling 類別描述