<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Tracy Liu on Medium]]></title>
        <description><![CDATA[Stories by Tracy Liu on Medium]]></description>
        <link>https://medium.com/@tracyliu_54860?source=rss-ccd9bf8a6590------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*55niIMhjWkY4JVv96RlbRA@2x.jpeg</url>
            <title>Stories by Tracy Liu on Medium</title>
            <link>https://medium.com/@tracyliu_54860?source=rss-ccd9bf8a6590------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 08:40:50 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@tracyliu_54860/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[功能上線，不是產品成功的唯一答案]]></title>
            <link>https://medium.com/@tracyliu_54860/%E5%8A%9F%E8%83%BD%E4%B8%8A%E7%B7%9A-%E4%B8%8D%E6%98%AF%E7%94%A2%E5%93%81%E6%88%90%E5%8A%9F%E7%9A%84%E5%94%AF%E4%B8%80%E7%AD%94%E6%A1%88-f84204cde7c1?source=rss-ccd9bf8a6590------2</link>
            <guid isPermaLink="false">https://medium.com/p/f84204cde7c1</guid>
            <category><![CDATA[stakeholder-management]]></category>
            <category><![CDATA[decision-making]]></category>
            <category><![CDATA[利害關係人管理]]></category>
            <category><![CDATA[product-management]]></category>
            <category><![CDATA[product-strategy]]></category>
            <dc:creator><![CDATA[Tracy Liu]]></dc:creator>
            <pubDate>Fri, 25 Sep 2026 14:15:04 GMT</pubDate>
            <atom:updated>2026-09-26T09:31:20.477Z</atom:updated>
            <content:encoded><![CDATA[<p>上線是交付的節點，但不是產品價值本身</p><h3>前言</h3><p>在變化多端的電商市場工作幾年，習慣應付各種變化、意外。功能延後、方向調整、專案停止，甚至上線後 Roll back，都不是罕見的事。最近遇到了，也記錄下過程中的考驗，給未來的自己。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UPEYdL26u0nCgE3lz5v72Q.png" /></figure><h3>Takeaway ：</h3><ol><li>專案/功能「上線」常聽到，「不上線」也很正常</li><li>「上線」跟「不上線」的專案帶來什麼價值</li><li>不上線之後就結束了嗎？PM還有什麼工作？</li><li>最好的利害關係管理是在專案喊停前</li></ol><h4>一、專案/功能「上線」常聽到，「不上線」也很正常</h4><p>我們熟悉又常見的工作場景：</p><ul><li>Roadmap 上有多少功能完成</li><li>專案是否準時交付</li><li>功能有沒有順利上線</li><li>上線後有多少人使用</li></ul><p>「上線」是產品的里程碑、或者在很多乙方公司被當做終點。<strong>市場環境會變、公司策略會調整、技術驗證也可能發現成本高於預期。有時候，組織內出現了更適合承接需求的平台，或是產品現階段的能力還無法符合使用者期待。</strong>有些專案本來就以向決策者提案作業為目的，Demo 後也可能因為新的資訊、優先順序或組織方向而停止。</p><p><strong>因此，延後、轉向、停止和 Roll back，本來就是產品生命週期的一部分。</strong></p><p>更重要的是，團隊根據什麼開始專案、<strong>如何決定繼續，又為什麼選擇停下來。</strong>「不上線很正常」，但不能忽略前面已經投入的人力、時間，以及這個決策對團隊帶來的影響。</p><h4>二、「上線」跟「不上線」的專案帶來什麼價值</h4><p>「上線」跟「不上線」的專案都曾經經過使用者訪談、數據分析、規劃、開發，但從「開發」這個節點會走上不同的路。各舉一個專案為例子：</p><p><strong>上線，讓產品價值有機會被驗證</strong></p><p>今年負責首購客相關功能，目的是讓品牌針對跟訪客及線上未購的消費者，溝通專屬首購優惠，目標讓註冊首購率增加。解決從去年開始品牌流量提升，但註冊首購比率下降的問題。</p><p>過程不只是經歷過一次寫PRD、完成設計稿、開發、QA而已，我們想知道目標是不是達到、對品牌的影響：</p><ul><li>有多少品牌願意使用？跟AM怎麼協作推動？先邀請試用品牌，做showcase</li><li>試用期間觀察品牌應用，會將這樣功能使用在優惠券、還是特定商品變價，怎麼跟原有的活動檔期搭配。過程會遇到什麼問題</li><li>對所有品牌開放後，期待改變什麼</li><li>哪些數據可以驗證這樣的改變是有效的？</li><li>後續哪些需要迭代</li></ul><p>功能開放後，使用店家的註冊首購比率 YoY 最高提升 38%、MoM 最高提升 43%。這些變化不能完全歸因於單一功能，但提供了進一步觀察的起點：品牌是否實際採用，以及原先期待的行為改變是否正在發生。</p><p>因此，上線不是產品價值的終點，而是驗證真正開始的地方。</p><p>它只能證明團隊完成了交付，後續的使用者行為與數據，才能進一步回答產品有沒有產生價值。</p><p><strong>不上線，要看留下了什麼？</strong></p><p>另一個AI產品，團隊進行使用者訪談、數據搜集、設計開發後，在最後demo給上層後，評估現行產品滿足使用者的程度和組織方向後，決定不上線。</p><p>不上線不一定代表整段過程毫無價值，但也不能用「這是實驗性練習」，就略過開發及溝通過程中，可以再更好的空間。</p><ul><li>哪些研究、設計或技術成果可以被其他產品延續？</li><li>下一次遇到類似提案時，我們能不能更早做出判斷？</li><li>有哪些原本應該提早確認的條件，直到後期才被看見</li></ul><p>上線的產品，可以透過實際使用與數據證明價值；沒有上線的產品，則要把研究與判斷轉化成團隊/PM個人可以延續使用的決策資產。</p><h4>三、不上線專案：困難的不是停止，而是停止條件從未被定義</h4><p>專案決定不上線後，很容易出現一種錯覺：既然不用繼續開發，更新 Roadmap、關閉 Ticket，專案就結束了。</p><p>但其中對PM的考驗，不是「不上線」的結果，而是讓團隊知道為什麼方向改變、和理解決策及結果。<strong>缺乏透明決策過程，容易造成資源浪費與信任損耗</strong>。PM 的責任，是讓不確定性在過程中被看見。讓決策脈絡被團隊理解。</p><h4>讓決策脈絡被理解</h4><p>PM 需要協助團隊理解：</p><ul><li>當初為什麼決定開始？</li><li>過程中獲得了哪些新的資訊？</li><li>哪些產品或組織條件發生了改變？</li><li>最後根據什麼做出不上線的決定？</li></ul><p>這不是為了替結果辯護，而是讓決策具有前後一致的脈絡。如果團隊只收到一句「這個不用上了」，成員很容易把結果解讀為前面的工作沒有價值，或者開始猜測是不是哪個角色沒有做好。</p><h4>把投入轉化成可以延續的成果</h4><p>專案停止後，以下盤點與整理：</p><ul><li>使用者訪談與需求洞察</li><li>流程、需求文件與產品設計</li><li>Prototype 與技術驗證結果</li><li>已經確認的產品限制</li><li>尚未解決，但已經被清楚定義的問題</li></ul><p>這些成果可能被下一個產品、其他平台或後續提案使用。即使最後沒有以原本的形式上線，也不代表所有內容都應該被一起封存。</p><h4>協助收尾</h4><p>專案不上線，不只是一個產品決策，也可能帶來失落、挫折與自我懷疑。</p><p>PM 不一定能消除所有負面感受，但至少要清楚區分：</p><blockquote><em>產品條件不成立，不等於執行團隊做得不好。</em></blockquote><blockquote><strong>對團隊而言，能不能接受專案停止，很多時候不只取決於結果，而是取決於這個結果是否能被理解。</strong></blockquote><h4>四、最好的利害關係人管理，發生在專案喊停之前</h4><h4>1. 在開始前，先對齊專案的性質</h4><p>一個專案究竟是：</p><ul><li>準備正式推出的產品</li><li>用來驗證市場需求的 MVP</li><li>驗證技術可行性的 PoC</li><li>允許失敗的實驗性專案</li></ul><p>不同定位，代表不同的資源投入、驗收方式與團隊期待。</p><p>如果產品團隊把它當成正式產品推進，開發團隊卻視為額外實驗，雙方即使都很努力，也可能在專案後期才發現彼此期待完全不同。因此，專案開始前除了確認做什麼，也要確認「我們正在用什麼方式做這件事」。</p><h4>2. 除了成功條件，也要定義轉向與停止條件</h4><p>產品團隊很習慣設定成功指標，卻比較少在一開始討論：</p><ul><li>哪些假設必須成立，專案才值得繼續？</li><li>哪些能力是正式上線前不可缺少的？</li><li>如果哪些條件沒有成立，需要縮小範圍、轉向或停止？</li><li>最後由誰負責做出這個決定？</li></ul><p>事先定義停止條件，不是對專案沒有信心，而是避免團隊因為投入越來越多，最後只能用「都做到這裡了」作為繼續的理由。</p><h4>3. 在過程中設置決策點</h4><p>是否上線，不應該等到開發完成後才第一次被正式討論。</p><p>可以在不同階段重新檢查：</p><ul><li>使用者研究後：需求與痛點是否成立？</li><li>進入開發前：產品能力、資源與組織方向是否匹配？</li><li>Demo 後：是否達到原先設定的上線條件？</li></ul><p>這些決策點不是增加流程，而是讓團隊有機會根據新資訊調整投入。越晚發現關鍵條件不成立，<strong>團隊付出的不只是開發成本，還包括對決策機制的信任。</strong>除了同步完成進度，也要定期同步尚未驗證的假設、可能影響上線的限制，以及組織內是否出現重疊方案。利害關係人越早看見風險，方向改變時就越不容易產生「為什麼現在才說」的落差。</p><h3>結語：PM 管理的不只是「能不能上線」</h3><p>上線後，我們需要驗證產品是否真正產生價值；不上線時，我們則需要盤點留下了什麼，讓決策被理解、讓投入得以延續，也讓團隊能夠好好收尾。</p><p>PM 無法保證每個專案都會成功上線，也不應該把上線數量當成唯一成果。</p><p><strong>我們真正管理的，是一個產品從投入、推進、驗證到決策的完整過程。缺乏透明決策過程，容易造成資源浪費與信任損耗。</strong>PM 的責任，是讓不確定性在過程中被看見。讓決策脈絡被理解。</p><p>讓團隊清楚知道為什麼開始、根據什麼繼續，以及在什麼條件下選擇停下來，或許才是面對「不上線」時，更重要的產品責任。</p><p><strong><em>PS. PM 可以建立決策點、揭露風險、盡力推動對齊，但不可能預知或控制所有上游變化。當已經盡到提醒與溝通的責任，也不必把所有結果都歸因到自己身上。下一次能做的，是更早確認那些可能改變方向的訊號。至於偶爾從天而降的隕石，就深呼吸之後再處理吧。</em></strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f84204cde7c1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM模型初探索筆記(二)]]></title>
            <link>https://medium.com/@tracyliu_54860/llm%E6%A8%A1%E5%9E%8B%E5%88%9D%E6%8E%A2%E7%B4%A2%E7%AD%86%E8%A8%98-%E4%BA%8C-6e07ccd71764?source=rss-ccd9bf8a6590------2</link>
            <guid isPermaLink="false">https://medium.com/p/6e07ccd71764</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[資料訓練入門]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[ai-專案]]></category>
            <category><![CDATA[資料訓練]]></category>
            <dc:creator><![CDATA[Tracy Liu]]></dc:creator>
            <pubDate>Sun, 24 Nov 2024 11:41:12 GMT</pubDate>
            <atom:updated>2024-12-09T16:16:16.851Z</atom:updated>
            <content:encoded><![CDATA[<h3>LLM模型初探索筆記(二)資料訓練入門</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_hoFSGSTbppFbgcg" /><figcaption>Photo by <a href="https://unsplash.com/@googledeepmind?utm_source=medium&amp;utm_medium=referral">Google DeepMind</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>AI小白開始在專案上跟LLM正面對決，是手上的專案需從商品資料上收集規格標籤並且再將整理後的規格標籤回貼到每個商品身上，是第一次跟data團隊合作資料訓練。資料訓練對我來說是個陌生的領域，整理李宏毅教授2024生成式導論「模型訓練的過程」&amp; 在自己專案上的應用靈感，把這些過程記錄在這篇筆記小品，以淺顯易懂的方式介紹資料訓練過程以及在產品上的應用。也許這篇可以幫助各位PM大大們理解資料訓練流程，有助於更好地規劃和管理AI相關專案。</p><h3><strong>Takeaway point：</strong></h3><ul><li>踩過哪些坑？</li><li>執行時你可能也想找尋的答案</li><li>資料訓練三階段</li><li>資料訓練的實際操作</li><li>PM要怎麼參與?</li></ul><h4>踩過哪些坑？</h4><p>在建立商品資料的規格標籤，有兩大步驟：1. 標籤收集 2. 商品貼標。</p><p>資料訓練過程主要發生在步驟2商品貼標，貼標前商品要先有規格標籤。<strong>主要採的坑在步驟1 發生</strong>，嘗試過以下的方式：</p><ul><li>🙅<strong>業務單位收集：</strong>人比系統更不可控</li><li>🙅‍<strong>分析斷詞：</strong>找尋最常出現的單詞<br>每週迭代斷詞分析的方式，包含：調整撈取的資料來源、給予不同欄位權重、調整斷詞的長度、計算各單詞出現的商品數。一個月後，得到的結果都沒有一個滿意的結果。</li><li>🙆‍♂️LLM產出 : 下圖是GPT的產出結果，結果符合期待，當然不同分類結果可能不同。</li></ul><p>在此感謝mentor💗指引了我往LLM的方向找答案。提早在步驟1開始使用LLM。同時也建議大家在執行上卡住時，可以跟GPT或人類多聊聊。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BfTIgdlL8wVIUGp1pEZI4Q.png" /></figure><h4>執行時你可能也想找尋的答案</h4><p>主要在如果你跟我一樣，之前沒有接觸過任何資料訓練的產品或專案，在聽完data團隊專業的建議後，還是會有以下的問號</p><p><strong>Q:如何產出大量且高品質資料，LLM如何正確執行任務</strong></p><p><strong>Q:資料訓練的過程有哪些？</strong></p><p><strong>Q:資料產出方式、驗證如何在有限的資源下完成</strong></p><p>在看過以下內容後，在結論時一起解答。</p><h4>資料訓練三階段</h4><p>資料訓練是讓模型從資料中學習規則和模式的過程，資料品質與模型表現直接相關。為什麼資料訓練重要？訓練模型需要大量且高品質的資料，決定了模型能否正確地回答問題或執行任務。</p><p>整理李宏毅教授2024生成式導論「模型訓練的過程」及以下概念圖：</p><ol><li><strong>預訓練（Pre-train）</strong><br>模型從大量的通用資料中學習語言規則和常識。<br><em>舉例：GPT預訓練使用了互聯網上的文本資料，學會語法和語意。</em><br><br>回顧上一篇，模型由眾多參數所構成，在找參數的過程就是機器學習。而在找尋新模型（參數們）過程中，品質好的資料很重要，需要吸收大量的資料自我學習複雜大量的規則。從這些內容先取得初始參數。</li><li><strong>微調（Fine-tuning） </strong><br>由人類提供資料驗證或由GPT(模型)模仿人類回饋，讓模型fine-tune，由人類介入做資料標記又稱督導式學習(Supervised Learning)。<br><em>舉例：用一組客服問答的資料來訓練GPT，讓它更適合客服場景。</em></li><li><strong>增強學習（Reinforcement Learning with Human Feedback, RLHF）</strong>：<strong> </strong><br>在產出結果資料後，由人類回饋生成式資料的好跟壞，可能舉例：GPT在回答問題後都會讓user評斷回答。同2.可以仿照人類喜好的製作回饋模型來訓練資料。但也有研究顯示過度向虛擬人類學習是有害的。</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VX8OP8Wc45zM5miIjtpUlA.png" /><figcaption>參考李宏毅教授PPT</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2lpWq6bs2RQ66ChLjD04Fw.png" /><figcaption>來自李宏毅教授PPT</figcaption></figure><p><strong>Instruction Fine-tuning 跟 RLHF有什麼不同：</strong></p><p><strong><em>Instruction Fine-tuning的過程：<br></em></strong>人:台灣最高的山是？<br>人:玉山</p><p><strong><em>RLHF的過程 :</em></strong><em><br></em>人:台灣最高的山是？<br>模型: 答案1 玉山，答案2 你猜我是誰<br>人: 答案1</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9EX9oUIDdKx0CcsKH61znA.png" /><figcaption>來自李宏毅教授PPT</figcaption></figure><h4>資料訓練的實際操作</h4><p>以下皆以步驟2商品貼標流程為主</p><p><strong>準備資料</strong></p><ul><li><strong>挑選有代表性的資料 </strong>:<br>不管是一開始的標籤收集或是商品貼標，我們都拿每個分類營收、毛利top30做預訓練。</li><li><strong>清洗與標記資料：<br></strong>應該在準備資料時處理，但一開始沒有發現有需要清洗的資料，在後續驗證後，確實有發現需要處理掉商品分類原先就錯的商品。也在正式貼標時當作我們會優先處理的步驟。</li></ul><p><strong>設計驗證流程</strong></p><ul><li><strong>確保資料支持目標應用：<br></strong>一開始data團隊引導也確實引導先定調此次資料訓練的目標，以規格標籤後續應用判斷目標。終端應用上因不能有誤都需要人工驗收。所以資料的訓練，是輔助正式商品貼標時協助加速。準確度是第二目標。</li><li><strong>評估資料準確性：<br></strong>data團隊提供準確度的計算方式，當作後續finetune的觀測指標。</li></ul><p><strong>應用到產品：</strong></p><ul><li>將訓練過程合併到產品，讓模型與用戶交互學習，這是在後續希望開發的流程，希望可以把<strong><em>RLHF</em></strong>回饋跟產品功能流程融入，幫助後續貼標品質更好。</li></ul><h4>PM要怎麼參與</h4><ul><li><strong>理解需求與限制：</strong>明確產品目標跟資料訓練目的</li><li><strong>優化資料選擇與標記：</strong>挑選有代表性的資料、主導資料標記規範的制定，平衡準確性與資源投入</li><li><strong>與團隊合作 :</strong> 有不懂的一定要找DS、Data PM詢問協作、提供/收集商業場景建議</li></ul><h3>結論：</h3><p>回到一開始的提問，在看過「李宏毅教授2024生成式導論」後得到了一些答案。</p><p><strong>Q:如何產出大量且高品質資料，LLM如何正確執行任務</strong><br>A:前期的資料訓練正確產出高品質資料是執行任務的關鍵，透過finetune、RLHF過程讓每一次更進步，不需要有準確率一次到位的心態。</p><p><strong>Q:資料訓練的過程有哪些？</strong><br>A: 詳見資料訓練三階段</p><p><strong>Q:資料產出方式、驗證如何在有限的資源下完成</strong><br>A:一開始團隊想採取都先提供LLM人工驗證後的結果，採取預訓練的概念靈感，針對有代表性的大量資料先做訓練後，可以討論先對沒有信心的資料做驗證，而後finetune。</p><p>以上是菜逼八的資料訓練小小心得，覺得最重要的莫過於跟data團隊保持暢通的溝通，深入理解資料後的討論。自己還想要加強學習的是，在過程跟團隊設計驗證過程的背後觀點。</p><p>資料訓練是一個需要多方合作的過程，PM在其中扮演著不可或缺的橋梁角色。希望這篇文章能幫助你初步了解資料訓練，並激勵你在未來的AI專案中發揮更大的價值。</p><p>感謝合作的Data PM-Ryan、DS-Rick、Mentor-Roy</p><p>2024/11/24初版<br>2024/12/9修改 Tracy</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6e07ccd71764" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM模型初探索筆記(一)]]></title>
            <link>https://medium.com/@tracyliu_54860/llm%E6%A8%A1%E5%9E%8B%E5%88%9D%E6%8E%A2%E7%B4%A2-%E4%B8%80-21044b5386e7?source=rss-ccd9bf8a6590------2</link>
            <guid isPermaLink="false">https://medium.com/p/21044b5386e7</guid>
            <dc:creator><![CDATA[Tracy Liu]]></dc:creator>
            <pubDate>Sun, 10 Nov 2024 16:30:18 GMT</pubDate>
            <atom:updated>2024-11-10T16:32:42.838Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*T_NFvPRoUh-nM9hV" /><figcaption>Photo by <a href="https://unsplash.com/@herfrenchness?utm_source=medium&amp;utm_medium=referral">Clarisse Croset</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>2023開始遍地開花的AI應用，不想繼續當AI小白加上希望訓練自己更有架構性的表達，開始嘗試寫下平常自己為了專業攝取的重要資訊。就先從最想了解的LLM模型開始吧！</p><p>最近開始看前同事推薦<a href="https://www.youtube.com/@HungyiLeeNTU">台大李宏毅教授的Youtube頻道</a>學習LLM的原理跟架構，會分幾篇文章記錄自己每段的學習跟自己專業結合的部分。</p><p>今天先整理兩個部分：<strong>生成式AI vs 機器學習、生成式AI的原理</strong></p><p><strong>一、生成式AI vs 機器學習</strong></p><p><strong>機器學習 :</strong> 使用機器代替人力計算函式中的參數。有上萬未知參數函式叫做模型，機器學習是指把上萬個參數找出來的過程、方法。</p><p>舉例：輸入一張照片讓函式分辨是狗還是貓，這個函式背後是上萬個參數組成。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1008/1*YDpQAhx_Kb2OA9gz7I0pFg.png" /><figcaption>參考自李宏毅教授授課PPT</figcaption></figure><p><strong>生成式AI</strong> :機器產生複雜&amp;有結構性的物件，而生成式AI是眾多人工智慧展現的其中一個目標。會透過機器學習&amp;深層學習(手段)達成。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yXaY8PHapjZ4SIoAhksq-A.png" /><figcaption>參考自李宏毅教授授課PPT</figcaption></figure><p><strong>二、生成式AI的原理</strong><br>文字接龍：將原本的問題，拆解成一連串文字接龍。先按照原本的問題，找出最有可能的一個字。再從一個字計算最有可能的下一個字。將問題拆解成最小單位的字去往下計算符合機率的字。</p><p>舉例：詳見下圖</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*prpXQdI3r8XjJbMZR2ZNpQ.png" /><figcaption>來源：<a href="https://speech.ee.ntu.edu.tw/~hylee/genai/2024-spring-course-data/0223/0223_intro_gai.pdf">李宏毅教授</a></figcaption></figure><p>先整理到這，我們下次見！</p><p>2024/11/11 Tracy</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=21044b5386e7" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>