技術規格
可包含但不限於分辨式AI、生成式AI、Edge AI 等
分辨式AI
( Discriminative AI )
( Discriminative AI )
分辨式AI用來分類和識別數據，學習輸入和輸出之間的映射關係。常用於圖像、語音辨識及垃圾郵件過濾等分類任務，代表模型有Logistic回歸和CNN。
生成式AI
( Generative AI )
( Generative AI )
生成式AI通過學習數據結構來創造新數據，如圖像、文字、聲音、影片、語音生成。常見技術包括GAN和GPT，應用於自動生成內容或創造合成數據。
邊緣AI
( Edge AI )
( Edge AI )
Edge AI在設備端或靠近數據來源處進行運算，不依賴雲端。適合即時處理和隱私保護的應用，如自駕車、智慧家居、醫療穿戴設備。
入圍秘訣
打造完美用戶體驗的方法
想要打造具有價值的AI解決方案，前期的準備工作將會決定成敗，以下提供如何執行用戶體驗研究的方法與評估機制，供參賽隊伍參考！
用戶研究
可用方法
- 深度訪談與團體焦點訪談（與目標用戶進行一對一或一對多的詳細對話）
- 問卷調查（設計結構化問卷收集大量定量和定性數據）
- 觀察研究（在真實或模擬環境中觀察用戶行為）
- 使用者日記（讓用戶記錄他們在一段時間內的體驗和想法）
評估機制
- 用戶滿意度量表
- 情感反應評估
設 計
可用方法
- 用戶畫像與同理心地圖（創建代表性用戶角色和他們的體驗旅程）
- 用戶流程圖（繪製用戶完成任務的步驟和決策點）
- 原型設計
評估機制
- 任務完成指標（完成率、完成時間、錯誤率）
- 任務難度評分(SEQ)讓用戶對剛完成的任務難度進行評分（1-7分的量表,1表示非常容易,7表示非常困難）
測試與優化
可用方法
- 可用性測試（在受控環境中觀察用戶使用產品 或 透過網路遠程觀察用戶使用產品
- A/B測試（比較兩個或多個設計版本的性能）
評估機制
- 淨推薦值(NPS)測量用戶推薦產品的意願（透過各種管道搜集推薦）
- 轉化率和參與度指標（轉化率、使用時長、重複使用率）
持續改進
可用方法
- 用戶反饋收集（通過各種渠道持續收集用戶意見）
- 數據分析（分析用戶行為數據和業務指標）
評估機制
- 用戶滿意度趨勢（跟踪用戶滿意度隨時間的變化）
- 用戶流失率（測量停止使用產品的用戶比例）
- 功能使用頻率（分析不同功能的使用情況）
- 用戶支援指標（分析用戶請求支援的數量和性質）