擁抱AIGC 應用ChatGPT和OpenAI API Modern Generative AI with ChatGPT and OpenAI Models: Leverage the capabilities of OpenAI's LLM for productivity and innovation with GPT3 and GPT4

瓦倫蒂娜·阿爾托（Valentina Alto）於 2020 年進入微軟公司，任 Azure 解決方案專家，並於 2022 年後轉至製造業和制藥業的數據分析及人工智能樹算法負載均衡研究。長期以來，她與客戶項目的系統集成商密切合作，共同部署雲架構，主要關註現代數據平臺、數據 Mesh 網格框架、物聯網和實時分析、Azure 機器學習、Azure認知服務（包括 Azure OpenAI 服務），以及 Power BI。她發表了多篇關於統計、機器學習、深度學習和人工智能的技術文章，並撰寫了一本關於用 Python 進行機器學習的入門類圖書。

第 一部分 生成式人工智能與GPT模型基礎 001

第 1章 生成式人工智能概述 002

1.1　什麼是生成式人工智能 002

1.2　研究歷程和新發展 008

1.3　小結 011

第 2章 與OpenAI和ChatGPT面對面 012

2.1　技術要求 012

2.2　什麼是OpenAI 012

2.3　OpenAI系列模型概述 015

2.4　通往ChatGPT之路：模型背後的數學原理 024

2.5　ChatGPT 033

2.6　小結 035

2.7　參考資料 035

第二部分 ChatGPT應用 037

第3章 熟悉ChatGPT 038

3.1　設置ChatGPT賬戶 038

3.2　熟悉界面 040

3.3　組織對話 044

3.4　小結 046

第4章 瞭解提示設計 047

4.1　什麼是提示，提示為什麼重要 047

4.2　零樣本學習/一次樣本學習/少樣本學習—Transformer模型的典型功能 049

4.3　定義明確的提示規則，以獲得相關和一致結果 054

4.4　應避免隱性偏見的風險，並在ChatGPT中納入倫理道德考量 059

4.5　小結 061

第5章 ChatGPT助力生產力提升 062

5.1　技術要求 062

5.2　日常小助手—ChatGPT 062

5.3　文本生成 068

5.4　提升寫作技能和優化翻譯效果 072

5.5　快速檢索信息和競爭情報 080

5.6　小結 084

第6章 ChatGPT助力軟件開發 085

6.1　為什麼開發人員需要ChatGPT？ 085

6.2　生成、優化和調試代碼 086

6.3　生成文檔和代碼可解釋性 095

6.4　理解機器學習模型可解釋性 100

6.5　不同編程語言之間的轉換 103

6.6　小結 109

第7章 ChatGPT助力營銷 110

7.1　技術要求 110

7.2　營銷人員對ChatGPT的需求 110

7.3　新品研發和上架策略 111

7.4　用於營銷對比的A/B測試 118

7.5　促進搜索引擎優化（SEO） 123

7.6　用於提高質量和提高客戶滿意度的情緒分析 126

7.7　小結 130

第8章 ChatGPT助力科學研究 131

8.1　研究人員對ChatGPT的需求 131

8.2　收集文獻資料 131

8.3　就實驗的設計和研究框架的制訂提供支持 137

8.4　生成和格式化參考文獻 141

8.5　生成演示文稿 144

8.6　小結 146

第三部分 企業OpenAI 147

第9章　企業OpenAI和ChatGPT—Azure OpenAI 148

9.1　技術要求 148

9.2　OpenAI和微軟的合作以及Azure OpenAI服務 148

9.3　引入公共雲的目的 159

9.4　負責任的AI 159

9.5　小結 162

第 10章 企業用例 163

10.1　技術要求 163

10.2　企業如何使用Azure OpenAI 164

10.3　合同分析器和生成器 165

10.4　瞭解呼叫中心的分析方法 180

10.5　探索語義搜索 191

10.6　小結 195

第 11章 結語 196

11.1　回顧前面所學 196

11.2　這只是開始 197

11.3　生成技術對行業的影響—一種顛覆性的力量 205

11.4　對生成式人工智能的擔憂 206

11.5　生成式人工智能的倫理影響及為何需要負責任的人工智能 208

11.6　未來的發展方向 210

11.7　小結 210