「Vibe Coding」到底係乜東東？：原來個 term 係由 OpenAI 同 Tesla 嘅 AI 大神 Andrej Karpathy 提出！一齊解構呢個「跟住感覺走」嘅全新寫 code 方式，點樣由純粹嘅指令，變成同 AI 嘅對話。

Amazon 內部神秘武器「Kiro」大揭秘：喺 Amazon 做嘢嘅 Jeffrey 親身分享佢哋內部係點樣用 AI 輔助開發，由 define user requirements，畫 architecture design，到真正落手寫，AI 點樣滲透入開發嘅每一個環節？

由 Command Line 到 IDE：AI 寫 Code 點樣由黑底白字嘅 command line，一步步進化到同我哋嘅開發工具無縫結合？個進化過程原來同我哋嘅工作模式息息相關！

Junior Developer 末日？Senior Engineer 更馨香？：AI 嘅出現，對唔同經驗水平嘅工程師帶嚟咩衝擊？點解有經驗嘅工程師反而可能有優勢，而 Junior 嘅學習路徑可能要徹底改變？

Prompt Engineering 同 Human in the Loop：點解同 AI 溝通都係一門學問？我哋嘅角色點樣由「執行者」變成「指揮家」？寫一個好嘅 prompt 同一個差嘅 prompt，個結果可以差幾遠？

真係完全唔識都寫到 App？：坊間好多人話靠 AI 就由零變專家，整到個 App 出嚟仲可以賣錢。到底係咪真係咁神奇？過來人同你分享當中嘅「中伏」位同現實差距。

未來工程師嘅生存之道：面對 AI 浪潮，我哋應該點樣裝備自己？點解「終身學習」同「保持好奇心」唔再係口號，而係必需品？一齊聽下三位行內人嘅真心建議！

• 點解要有 Loyalty Program？：留住舊客 vs 搵新客嘅成本效益，同埋點樣最大化「客戶終身價值」(Customer Lifetime Value)。
• 兩大主流 Loyalty Program：Currency Base（積分制）同 Tier Base（等級制）有咩分別？點解 YUU 同航空公司嘅玩法咁唔同？
• 「賺分-換分」循環 (Earn-Burn Cycle)：呢個係 Loyalty Program 嘅命脈！點樣設計一個健康嘅循環，令計劃可以持續賺錢？點解個速度唔可以太快又唔可以太慢？
• 數據科學點樣應用？：由「客戶分群」(Segmentation) 到建立「客戶畫像」(Persona)，再用 AI 模型（例如 Embedding）預測你嘅消費喜好，為你度身訂造優惠同推薦。
• 「里數達人」係敵是友？：點解 Loyalty Program 唔怕你「玩盡個系統」，甚至某程度上歡迎呢種行為？
• 點樣預測「客戶流失」(Churn)？：點解有啲計劃要取消積分過期日？呢啲決定背後有咩數據支持？
• 消費者點樣玩得最精明？：Ray 分享咗幾個貼士，包括點樣衡量積分價值、留意「現金+里數」嘅玩法，同埋了解背後嘅私隱取捨。
• AI 嘅未來衝擊：生成式 AI (Generative AI) 同 AI Agent 會點樣改變 Loyalty Program 嘅玩法？以後會唔會有個 AI 幫我哋自動管理所有積分同搵出最抵嘅兌換方法？

無論你係一個精打細算嘅消費者，定係對數據科學、市場學有興趣嘅朋友，今集都會帶俾你好多有趣嘅啟發！

1. 嘉賓 Kary 嘅 Gen AI 工作分享
2. 企業導入 AI 嘅挑戰：用戶習慣同期望管理
3. 量度 AI 價值 (ROI) 嘅難題
4. 不同行業對 AI 嘅接受程度
5. Gen AI 衍生嘅新機遇

一、People Analytics 為何物？: Hilton將分享其在LinkedIn、領先企業及英國政府部門的豐富經驗，深入解構如何運用People Analytics洞悉人才市場趨勢，預測職位需求，並有效解決人才短缺問題。案例分析涵蓋香港人才外流等熱點議題。

三、應對招聘寒冬：策略性人力規劃與AI的應用: Albert將分享其親身經歷的招聘高峰與寒冬（Hiring Freeze），並與Hilton共同探討導致招聘凍結的深層原因，例如宏觀經濟環境及公司內部策略調整。 透過案例研究，深入了解如何利用AI技術優化招聘流程，提升效率和轉化率。

四、全球視野下的企業人力資源策略: 本環節將比較分析不同地區（包括新加坡、歐洲和美國）的人才市場及企業人力資源策略。 我們將探討如何運用AI技術預測員工流失（Attrition），並制定更精準有效的人才留存策略。

五、AI時代下的人力資源管理：挑戰與機遇: 本集將總結AI對人力資源管理的影響，探討AI技術在預測、規劃及決策方面的應用，並為職場人士提供寶貴的建議，協助您在AI時代保持競爭力，掌握職場發展機遇。 最後部分更延伸至AI對不同職種的衝擊與個人職涯規劃。

• AI殺到埋身，工程師點算好？ (00:00 - 04:46)
• AI寫Code快過你，仲唔驚失業？ (04:46 - 11:40)
• 教AI做嘢，難過教仔？ (11:40 - 22:20)
• 人情味先係王道(22:20 - 31:29)

1. AI 的浪潮與迷惘 (00:00 - 03:22)
2. 企業如何導入 AI 技術 (03:23 - 15:05)
3. AI 時代的心態與認知 (15:06 - 29:11)
4. AI 私補計劃：個人化 AI 學習旅程 (29:12 - 56:08)
5. 擁抱 AI 的未來：保持童真與玩樂心態 (56:09 - 59:40)

GPU的日常應用

• 其實很多人可能沒有意識到，他們每天都在使用GPU。電腦的顯示卡裡就有GPU，我們工作上訓練模型也需要GPU的算力。就連ChatGPT背後的運行也依賴大量的GPU來快速回答問題。

第一次接觸GPU

• Morris第一次接觸GPU是在我們還是同事的時候，需要訓練一些模型，特別是圖像模型。我記得當時買了一些GPU，實際看到那些GPU的體積像迷你雪櫃一樣大。Albert也提到當時我們買的GPU很貴，每塊可能要二十萬港幣。

GPU的歷史和用途

• GPU最早是為了打遊戲而設計的，因為3D遊戲場景需要即時計算，普通的CPU無法勝任這種即時運算。而GPU有成百上千個小核心，可以平行處理大量數據。後來，GPU的這種平行運算能力被用於訓練AI模型，如Deep Neural Network。

GPU在AI中的重要性

• OpenAI的創始人之一Sam Altman提到，NVIDIA的第一個最強GPU曾被親自送到OpenAI，這成為AI發展的關鍵點。GPU使得Deep Learning和Large Language Models成為可能，如今的AI技術都依賴這些強大的GPU來進行訓練和運行。

未來GPU的發展

• 未來GPU的發展可能會走向兩個極端。一方面，像OpenAI這樣的公司會使用越來越多的GPU來訓練更大更複雜的模型。另一方面，可能會有一些方法讓普通的設備也能以低成本運行較小的AI模型。

結語

• GPU在我們的日常生活和工作中扮演著越來越重要的角色。無論是訓練AI模型還是運行大型語言模型，GPU都是不可或缺的工具。希望大家通過這一集對GPU有了更深入的了解，期待下一次的討論。 

內容包括：

• 賭博與賭波
• 賭波賠率的制定
• 數據科學和人工智能在賭波中的應用
• 如何成為成功的賭徒？

• LLM 無法訪問實時數據，這限制了它們回答當前事件或信息的問題的能力。
• 通過提供相關背景、使用搜索功能和優化提示，可以改善 LLM 的響應。
• LLM 可以通過提供大量的特定示例和專門的培訓來進行細調，以處理更專業的任務。
• 用戶應該意識到 LLM 有其限制，並調整他們對這些工具的期望。

1. 人工智能軟件工程師Devin：自動完成任務，展示AI自主性。
2. 大型語言模型(LLM)：運用統計學預測文字，處理長文本同圖片。
3. LLM限制：可能會產生不存在嘅內容，顯示出理解上嘅局限。
4. Prompt Engineering：用清晰嘅提示指導AI，達到準確結果。
5. Chain of Thought (CoT) prompting：逐步引導AI思考，提升準確度。
6. 創意與AI：喺AI時代，創意變得更加重要，需要用創新方式同AI合作。

AI時代嚟啦,創意同語言表達能力將會係新時代嘅重要技能!想知詳情,就要撳實聽呢一集啦!

節目大綱：

1. 從 Call 車 App 用戶體驗出發，Call 車有咩過程？
2. 地理位置有幾重要？Call車之後要喺邊度上車？
3. 點樣有效配對乘客和司機？
4. Call車平台嘅目的：Optimization
5. 動態價格 (Dynamic Pricing) 有咩好處？點樣決定收費？
6. 預測車程時間 (ETA) 嘅方法
7. 成功上車之後又有咩問題呢？
8. 外賣送貨服務有咩困難？
9. Call 車 App 嘅未來發展