何時使用生成式 AI 或傳統 AI

這份文件可協助您判斷何時適合使用生成式 AI、傳統 AI，或兩者皆適用於您的業務用途。

在本文件中，「傳統 AI」是指可能不需要採用生成式 AI 功能的 AI 功能和用途，例如某些分類和預測 AI 用途。傳統 AI 模型擅長從現有資料學習，根據歷來模式分類資訊或預測未來結果。生成式 AI 模型則可擴充這些功能，以便產生摘要、找出複雜的隱藏關聯，或產生文字、圖片或影片等新內容，反映訓練資料中的風格和模式。

使用生成式 AI 的時間點

一般來說，生成式 AI 解決方案擅長執行下列任務：

  • 建立及推薦內容。
  • 支援對話式搜尋和聊天機器人。
  • 擴大規模並自動執行重複性工作的工作流程。
  • 使用關聯推理功能，在文件和資料中找出洞察資料和關聯。
  • 生成程式碼，並協助開發人員編寫、說明及編寫程式碼文件。

以下各節將提供這些常見的一般生成式 AI 用途範例，可依不同產業進行自訂。

內容創作和推薦

  • 產生行銷相關內容，例如產品圖片、社群媒體貼文和含有相關圖片的電子郵件。
  • 翻譯文件、網站內容和多語言對話機器人的對話等內容。
  • 歸納文字內容，包括文件、文章、客戶意見回饋和報告，協助您根據資料制定更明智的決策。
  • 從多個來源建立資訊摘要，這些來源可能包含文字、圖片、影片或音訊元件。
  • 自動為影片產生字幕。
  • 製作創意多媒體內容，例如根據文字提示說明建立新圖片、使用文字提示修改或修正圖片 (例如移除物件或變更配色方案)，以及根據文字提示或劇本產生短片或動畫。
  • 為旁白和音樂等音訊生成逼真的合成語音。
  • 分析並瞭解使用者行為、偏好、評論和過去互動，以便提供個人化推薦內容。分析結果可與位置等即時因素結合，針對產品、文章和影片等內容提供客製化內容推薦。

對話式搜尋和聊天機器人

  • 為客戶服務和線上銷售等使用者互動情境建立虛擬助理。
  • 透過自然語言查詢，使用大型知識庫啟用對話式搜尋功能。
  • 尋找複雜問題的答案，這些問題結合了文字查詢和相關圖片。

文件和資料解讀

  • 從報告、應付憑據、收據、金融交易或合約等文字中擷取資料並分析內容，以便找出可能的錯誤或法規遵循問題、識別潛在風險，或發現可能涉及詐欺的異常狀況。
  • 分析使用者原創內容的情緒，例如社群媒體貼文和產品評論。
  • 分析轉錄的客服中心對話內容，找出客戶給予客服中心互動體驗低評分的最常見原因等洞察資訊。

  • 分析威脅報告、文章和存放區等資安資料，擷取主要威脅指標。這項分析可讓您採取主動式網路安全防禦措施，總結並優先採用緩解策略，並提供建議，以便更快速回應。

    分析功能可將複雜的攻擊圖轉譯為遭受攻擊風險的純文字說明。它還能模擬可能的攻擊路徑，醒目顯示受影響的資產，並在資產遭到攻擊前，提供緩解措施建議。

程式碼生成和開發人員協助

在軟體開發生命週期 (SDLC) 的各個階段，生成式 AI 都能協助處理下列類型的任務：

  • 使用自然語言提示產生 API 規格和說明文件。
  • 使用自然語言提示建立資產，例如程式碼、函式、指令列指令和 Terraform 指令碼。
  • 產生測試和程式碼說明，包括註解和說明程式碼的文檔。

如要進一步瞭解生成式 AI 如何翻轉業務運作，例如客戶服務、員工生產力和流程自動化，請參閱「 Google Cloud上的生成式 AI」中的業務用途。

使用傳統 AI 的情況

傳統 AI 用途通常著重於預測未來結果，或根據 AI 模型 (以現有歷來資料來源訓練而成，例如表格式資料和圖片) 分類。傳統 AI 解決方案通常足以處理多種分類和預測 AI 用途，例如：

  • 分類用途：
    • 根據以歷來資料訓練的傳統分類 AI 模型，將電子郵件分類為「垃圾郵件」或「非垃圾郵件」，藉此篩除垃圾郵件。
    • 針對良品和瑕疵品圖片訓練傳統圖像分類模型，有效協助製造過程中的即時檢查和瑕疵偵測。
  • 迴歸用途：
    • 預測連續數值，例如根據特定房屋特徵和地點預測房價。
    • 根據過往購買資料，預測電子商務平台客戶與公司維持關係期間可產生多少收益。
  • 時間序列預測用途：預測銷售量和需求。
  • 分群用途：執行客戶區隔。

如要進一步瞭解如何使用傳統 AI，請參閱「什麼是預測分析？」一文中的預測分析用途和範例。

決定採用傳統 AI 還是生成式 AI

以下簡化的決策樹提供一些以用途為準的決策路徑概略參考資料。在某些情況下，最好同時使用傳統 AI 和生成式 AI，如下一節「何時應將生成式 AI 與傳統 AI 結合」所述。

決策樹會顯示何時應使用生成式 AI、傳統分類或預測 AI，或是預先訓練的 AI 模型。

決策樹包含下列以用途為導向的問題和答案：

  • 如果您的用途與分類或偵測相關，請確認預先訓練的傳統 AI 模型是否能滿足用途需求。預先訓練的傳統模型包括 Document AI、Vision AI、Natural Language API 和 Video Intelligence API 等 AI API。

    • 如果預先訓練的模型符合您的需求，請使用該模型。
    • 如果預先訓練的模型無法滿足您的需求，請確認是否有足夠的訓練資料可用於自訂訓練模型。
      • 如果有足夠的訓練資料，應優先考量哪項因素：進一步控管模型訓練，還是加快產品上市時間 (GTM)？
        • 如果您需要透過自訂選項 (例如使用任何偏好的模型演算法、自行開發損失函式、使用模型的特定可解釋性功能、模型中的層數、學習率和其他模型超參數) 來高度控管模型訓練，請使用傳統 AI 模型的自訂訓練。如要瞭解在 Vertex AI 中使用 AutoML 自訂訓練或訓練模型的差異，請參閱「選擇訓練方法」。
        • 如果貴公司優先考量的是加快 GTM 速度，請使用生成式 AI。如果您的用途較為特殊，您可以使用模型調整功能 (例如監督式調整) 來改善模型效能，用於分類、情緒分析或實體擷取。
      • 如果沒有訓練資料集，或是可用的資料集不夠大，無法自訂訓練模型，請使用提示工程搭配生成式 AI 模型。您可以使用資料範例進一步調整這些模型，以便執行專門的任務。

  • 如果您的用途與預測 AI 用途相關，請使用傳統 AI。傳統的預測 AI 技術在處理結構化資料時特別有效。

  • 如果您的用途與生成式 AI 用途相關，例如摘要、內容產生或進階轉錄，請使用生成式 AI。生成式 AI 的用途包括需要處理及輸入文字、圖片、影片或音訊等多種形式資訊的用途。

雖然數據科學家和機器學習工程師通常會主導模型選取程序，但也請務必考量業務主管、產品擁有者、領域專家和使用者等重要利益相關者的意見。舉例來說，這些利害關係人可能會以以下方式參與：

  • 業務主管和決策者：如果選項符合業務優先事項，請核准。
  • 產品擁有者：可能需要影響或更進一步控管模型行為，以便與產品優先順序保持一致。
  • 領域專家：運用領域專業知識，改善模型成效。
  • 使用者：可能需要瞭解模型的輸出內容，以及如何納入輸出內容，以便做出更明智的決策。

何時應將生成式 AI 與傳統 AI 結合

傳統 AI 和生成式 AI 並非互斥。在某些業務用途中，這兩者可以互補，以達成最終的業務目標。舉例來說，您可以將傳統 AI 模型的輸出內容用於生成式 AI 模型的提示。以下是結合傳統 AI 和生成式 AI 功能的用途範例：

  • 傳統的預測 AI 可分析歷來資料，預測客戶流失的可能性。這項分析可與 LLM 或 AI 輔助的生成式聊天機器人整合，讓業務團隊透過自然語言對話探索預測結果。您也可以透過與聊天機器人進行簡單對話，產生商業智慧 (BI) 資訊主頁。
  • 傳統的預測式 AI 可預測特定用途的風險，而生成式 AI 則可模擬不同情境，協助制定可能的風險緩解策略。
  • 傳統預測 AI 可識別顧客區隔，協助您建立個人化行銷和廣告活動。接著，您可以使用生成式 AI 產生個人化行銷內容，針對每個已識別的區隔量身打造。
  • 傳統 AI 電腦視覺技術可偵測及分類手語，將輸入的影片轉換為文字。生成式 AI 可進一步瞭解手語中的語境和細微差異，進而將手語轉譯成文字 (包括多種語言) 時獲得更佳的結果。生成式 AI 也能根據文字翻譯產生語音輸出，讓手語使用者和非手語使用者之間能進行順暢的雙向溝通。
  • 傳統 AI 可執行影片分析，並使用影片智慧功能，從影片素材資源中擷取重要洞察資料和功能。例如，它可以執行物件偵測、人物偵測、文字偵測，以及從影片資產中擷取內容。生成式 AI 就能利用這些洞察資料，創造出全新體驗，例如聊天機器人、清單、報表或文章。

如要充分發揮生成式 AI 和傳統 AI 投資帶來的業務效益，請優先考量必要的業務成果和使用者需求 (以業務為導向且以使用者為重心的 AI 解決方案)。這麼做可確保解決方案持續符合需求、促進採用、提高效率，並促進創新。在 AI 技術輔助的解決方案中，優先考量使用者體驗，有助於滿足使用者期待並帶來有意義的成果。

後續步驟