用 Gen AI 提升資料分析力：Google Prompting Essentials 課後筆記 Part 3

 資料分析是不是讓你感到壓力山大？別擔心，Generative AI（生成式 AI）正在改變我們處理資料的方式。這篇文章是我在 Google《Prompting Essentials》第三堂課的重點筆記，整理出最實用的技巧與觀念，讓你無論是數據新手還是略懂皮毛，都能快速上手，解鎖 Gen AI 的資料分析潛力。

---

🔍 Gen AI 在資料分析的六大應用

1. 文字分析

   • 自動萃取主題、分析語氣、分類意見。例如分析顧客留言、問卷回饋。

2. 資料增補

   • 在資料量不足時，生成擬真的數據來訓練模型（像詐欺偵測），但別忘了標註來源，因為這些資料只是趨勢參考，不是事實。

3. 問答系統

   • 你可以用自然語言提問：「上季銷售最好的產品是什麼？」AI 幫你找出答案。

4. 情境模擬

   • 根據歷史資料預測未來可能走向，像是預估人潮、辦公室訪客數等。

5. 圖像與視覺分析

   • AI 可解讀圖表趨勢，幫助你從銷售圖表中快速找出關鍵訊息。

6. 市場與顧客研究

   • 利用 AI 探索社群平台、問卷與產業報告中的潛在商機與趨勢變化。

---

🛠 Gen AI 的極限與調整策略

不是所有分析都適合交給 Gen AI。

• ❌ 不擅長：複雜統計、精準運算、強結構資料分析。

• ✅ 建議方式：請 AI 提供方法建議或操作步驟（prompt:「請說明我可以用哪些方法進行變異數分析？」）

這種「間接使用」策略讓你把 AI 當顧問，而不是資料科學家。

---

📊 AI 輔助資料清理與準備

1. 錯誤偵測與修正

   • prompt 示範：「這是我的原始資料，請指出潛在錯誤並建議修正方式。」

2. 資料標準化

   • 格式統一、欄位一致性、日期格式轉換等。

3. 多工具搭配

   • 使用不同的 Gen AI 工具負責不同工作（格式轉換、查詢、欄位補齊），才能建立乾淨又有用的資料基礎。

---

🧠 如何讓 AI 更懂你的需求？學會調整 Sampling 參數

生成式 AI 的回應來自機率抽樣，而你可以透過三個參數來「調教」它的創意與準確性。

1. Temperature（溫度）

控制 AI 回應的創意程度：

• `0.1`：保守，選擇最可能的答案，適合數據分析、資訊查詢。

• `1.0+`：開放性高，適合創意寫作、腦力激盪。

2. Top-k

只從前 k 個最可能的選項中選擇：

• `k=1`：保證每次都選最常見的答案（又稱 greedy decoding）

• `k=100`：增加多樣性，適合創意性任務。

3. Top-p

只從總機率累積達 p 的 token 中抽選：

• `p=0.1`：偏向高信賴回應。

• `p=0.8`：更多元、有驚喜，但需注意幻覺風險。

📌 小技巧：想減少胡說八道（hallucination）？降低 temperature 和 top-p。

---

🎯 想用 Gen AI 幫助自己快速理解新事物？這些 prompt 請收好！

• 解釋術語：「請用簡單中文解釋什麼是 compound interest？」

• 翻譯與語境說明：「'saru mo ki kara ochiru' 是什麼意思？」

• 解讀圖表：「請簡單解釋這張圖的主要趨勢」

• 拆解 spreadsheet：「B12 的公式是什麼意思？」

• 錯誤訊息排查：「'kernel panic' 是什麼錯？」

---

🗣 延伸應用：幫你準備簡報講稿

透過 long context window 的工具（如 Google AI Studio），你可以：

• 根據簡報內容自動產出講稿

• 根據觀眾身分（如主管）調整語氣

• 錄音後請 AI 回饋語速、語氣等演說技巧

---

✅ 小結：Gen AI 是助力不是萬能

Gen AI 在資料分析與理解陌生資訊方面提供了超強輔助，但別忘了：

• 要驗證它的輸出（尤其是數據）

• 要揭露你是否用了 AI 工具

• 要選對場合，正確使用 prompt 與 sampling 參數

---

📬 喜歡這類內容？記得訂閱部落格，未來還會分享更多 Gen AI 實戰技巧！

Google Prompting Essentials 第二堂課心得分享(Part 2)

第一次玩 ChatGPT 或 Gemini 的時候，可能覺得這些工具就像全能小幫手，只要輸入一段指令，它就會「變出答案」。但當你開始希望它生成完整商業計畫、分析 50 頁報告、或根據對話脈絡給出更有深度的建議，你可能會發現——事情沒那麼簡單。

原來，不是你不會用 AI，而是你還沒學會「如何讓 AI 懂你」。

這正是我在修完 Google 推出的《Prompting Essentials》第 2 堂課 後最大的體悟：

在長文本（Long Context）中，如何用正確的方式說話，讓 AI 懂你的複雜任務與精細邏輯，才是生成式 AI 的關鍵技術。

以下是課程中幾個最值得學起來的觀念與技巧：

---

🧱 一、Token 是 AI 世界的基本單位，你必須懂它

當你輸入一段文字時，AI 模型會先將文字切割成「Token」。

• 一個 token 可能是「一個字母」、「一段詞語」甚至是一整個片語。

• Prompt 越長，消耗的 token 越多；生成的內容也會占用 token 數量。

• 每個模型有自己能處理的 token 限制。例如：

  • GPT-3.5：約 4,096 tokens

  • GPT-4 Turbo、Gemini 1.5：可達百萬級 tokens（可以看整本書）

👉 知道 token 限制，不只是技術人員的事，也是每位 prompt 設計者的基本素養。

---

📚 二、Long Context 是 LLM 的「工作記憶」，不是無限容量的硬碟

有了「Long Context」，你可以一次提供 AI 更多背景資訊，例如：

• 整本報告或長篇對話記錄

• 使用者歷史資料、風格偏好

• 多階段任務的來龍去脈

但 Google 課程提醒我們：不是資訊丟得越多越好，而是要「給得剛剛好」。

這時你就要用到下面這個超實用的技巧：

---

🧠 三、Chain of Density（密度鏈）技巧：幫 AI 找到資訊核心

這個技巧是幫助 AI 「濃縮重要內容 → 再強化關鍵重點」 的方式。

舉例來說，如果你輸入一大段產品規格書，Chain of Density 的做法是：

1. 先請 AI 摘要為「精簡版概要」

2. 再要求它進一步「加密度」——將摘要裡的關鍵詞延伸描述，補上背景、條件與限制

這樣能讓模型更聚焦在重要元素上，也大大提升輸出品質。這比你一次就丟進一堆內容，然後希望 AI 自行理解重點，效果好太多。

---

🧭 四、Prompting Framework：Task, Context, Reference, Evaluate, Iterate

Google 課程提出了一個非常實用的 Prompt 設計框架，幫你不再亂槍打鳥地寫指令：

元素	說明	範例
Task	明確說明任務是什麼	「幫我根據這份行銷簡報，寫出一個30秒電視廣告腳本」
Context	提供背景脈絡	「我們是一家環保牙刷品牌，主打永續、天然材質」
Reference	提供參考資料或風格	「我們喜歡 Apple 或 Airbnb 的簡潔敘事風格」
Evaluate	設定評估標準	「請列出內容的 CTA（行動呼籲）與 USP（獨特賣點）」
Iterate	保留回饋空間進行優化	「根據下方建議再調整一次腳本」

➡️ 有了這個架構，你就不只是「丟一句話」，而是進行一場「專業對話」。

---

💬 五、AI 不是神，但會記得你說過的話（前提是你不關視窗）

Long context 的另一個好處是：在同一對話中，AI 能記得你曾說過什麼。
這就像跟一個已經了解你背景的人對話，不必每次都從頭交代。

但別忘了：

如果你重開聊天視窗，那些記憶就會「清空」。
想保留記憶，就需要運用 Prompt Chaining、資料儲存機制或 API 串接。

---

✅ 結語：學會「說得剛剛好」，AI 就能做得剛剛好

很多人誤會 Prompt 設計只是工程師的事，其實這是一種**「對 AI 說人話」的溝通能力**。
透過理解 token 限制、善用 long context、套用 Chain of Density 與 Google 推的 Prompting Framework，你就能讓 AI 不只是回應，而是成為真正的共創夥伴。