案例19｜模型開發流程：從資料準備到提示工程與人工基準

一、案例定位

本案例涉及人工智慧（Artificial Intelligence, AI）。本頁使用智慧資料流探索器（Intelligent Data Flow Explorer, IDFE）與結構化查詢語言（Structured Query Language, SQL）。理解 IDFE 如何選擇生成式建模而非只靠單一演算法。

本案例依原書第 5 章的框架、範例或情境重組，並非原書正式案例研究。

二、學習目標

辨識五類建模方式。
整理 IDFE 的模型處理鏈。
理解提示工程與微調的取捨。

三、案例情境

原書列出監督式、非監督式、強化式、生成式與嵌入式建模。IDFE 以 text-embedding-3-large 建立 SQL 文字向量，以 Azure AI Search 執行混合搜尋，再把使用者問題與檢索結果交給 GPT-4o 產生完整資料流。方案因微調較複雜且耗費資源，選擇進階提示工程，並以人工判定的資料流對應作為評估基準。

四、開始資料

建模類型／步驟	原書說明
監督式	從有標籤資料預測結果
非監督式	從無標籤資料找出結構
強化式	依環境回饋的獎勵或懲罰學習
生成式	產生類似訓練資料的新內容
嵌入式	把文字或影像映射到向量空間
IDFE 鏈條	嵌入 → 混合搜尋 → GPT-4o 重建資料流 → 人工基準驗證

五、Excel／AI 分析方法

在 Excel 建立模型決策表，記錄任務、資料、候選方法、提示或微調需求、基準、成本與限制；AI 可整理取捨但不得補入未測模型表現。

六、計算結果

原書沒有提供可直接計算的數據，因此不補造結果。

七、結果分析與管理解讀

IDFE 不是單一模型直接閱讀全部企業資料，而是以資料管線、檢索與生成模型分工。選擇提示工程是本案例的成本與精準度取捨。

八、AI 提問詞

請依任務、資料與驗收標準比較提示工程、微調及檢索增強流程；沒有實驗結果時只列待驗證項目。