歷史，就是戰 黑貓老師帶你趣解人性、權謀與局勢 作者： 黑貓老師 插畫： 魔魔嘎嘎 出版社：圓神出版 出版日期： 2018/01/01 買書推薦網址： Readmoo: 由此去購買。 前言: 這是 2024 年第 7 本讀完的書。這一系列的歷史小品書，都是我拿來當作休閒用的閱讀書籍。加上看起來有不少有趣的插畫跟不錯的小故事。就買了下來。 內容摘要： 狂人的心機謀略X戰場上的超展開 妙讀歷史，秒懂國際間的爾虞我詐 有這麼多人想要征服世界，但是從來沒成功過！ 看看我們的世界，到底是怎麼被這些人搞成這樣的！ヽ(`Д´)ノ 第一本用鄉民語言專業撰寫，讀歷史不再頭昏腦脹，而是笑得精神抖擻！讓人不禁吶喊，當年我的歷史老師這麼教就好了！ ★(O_ O)打破本國和世界史的界線，跳脫的縱線學習，結合地理概念，縱貫交叉，帶出新史觀 ★(ﾟ∀。)用看故事的方式趣讀歷史，從熱戰到冷戰，全盤了解影響世界局勢的10大重要戰爭 ★( ´ω`? )旁徵博引各種有趣的豆知識，讓你的歷史戰鬥力大爆發，程度再升級 ★(ﾟДﾟ)搞懂鬥氣鬥智、縱橫沙場、老謀深算的那些大人物到底在打什麼謀略的算盤 心得: 這一本書敘述了近一兩百年最重要的一些戰役，透過生動有趣的口吻，讓大家知道其實許多的戰爭由來，並且如何分析相關的因果關係。比如說第一次世界大戰，就是野心勃勃的德國，遇上相關爭議所引發的。但是第一次世界大戰的賠償卻也是引發第二次世界大戰的導火線。 相關的戰略要素跟幾個重大的戰役，也都用很幽默的口吻跟有趣的史實來分享。 後續的侵華戰爭，加上國共內戰也是敘述得很精彩。真的讓人可以看得出來人類的歷史真的就是一個戰。但是身為讀者的我們，要了解戰爭不是只是表面上的相關意象，更不是幾個人的意氣之爭。往往在許多國家的利益糾葛，與許多的歷史因素交織而成。這一本書真的可以讓人在輕鬆的心情下來吸收相關的知識。

弘兼憲史上班族基本數字力 買書推薦網址： Readmoo: 下架了 前言: 這是 2024 年第 6 本讀完的書。 當初看到作者就買了，本來想說可以補充相關知識的。 內容摘要： 你知道薪資明細表裡的機關嗎？ 　　「成本」究竟是什麼？ 　　貨物賣得多，錢就賺得多嗎？ 　　上班族不可缺乏的基本數字力，數字力強，工作才能做得好。 ◆只要數字概念強，你就能成為工作能力佳的上班族！ 　　不論職場菜鳥或老鳥，不管是什麼樣的工作，多少都會接觸到和數字相關的業務內容。舉凡產品成本估算、定價；個人薪資所得；產業景氣循環；企業經營分析、償債能力等，都是身為優秀上班族，不可不知的超基本常識。 　　像是新聞報導常見的「景氣動向指標」，它是根據對景氣的變動敏感的幾項指標組合而成，其中指標可分為「領先指標」、「同步指標」、「落後指標」三種。由於組合了多項指標，可對景氣的狀況做出綜合性的判斷與預測，得知目前景氣好或壞，決定公司因應的各項策略。 　　另外，經營分析經常用在調查企業的往來對象上，但除此之外也有其他用途。例如，要投資股票時，必須先得知投資標的那家公司的狀況。因此，經營分析相當有用。如果先學會經營分析，也會變成能夠更深入理解新聞媒體報導關於企業的事。 　　諸如此類，上班族必備的基本數字力，包含面對個人、產品、市場、企業、商業等各領域的業務。本書提出各類數字的計算由來，運用的方法，讓你輕鬆掌握關鍵數字，解決問題無往不利。 心得: 弘兼憲史一直是我很喜歡的漫畫家，他最有名的就是「課長-島耕作 」。裡面除了有日本上班族的心路歷程外，最重要的就是針對日本企業各種文化的考究與整理。 這一本也是，整理了很多相關的基本知識。 但是隨著有在投資股票，許多的基本相關財務報表的基本概念也就出現了。 因為有一些財報的分析，能夠了解裡面的基本原因，經常聽著財經號角跟股癌也讓我基本知識有一些些的進步。（當然賠錢賠得多，學得最多）。 不過這一本比較基本，如果有基本企業概論或是經濟學概念的人，或許就不需要閱讀了。

前言 LLM 的盛行之後，我們可以看到許多開發者將 LLM 整入到自己的聊天機器人 (LINE ChatBot) 之中。但是隨著而來也有不同的考量開始出現。讓許多開發者感到困擾，該如何更有經濟效益，並且更安全合法規的方式來使用 LINE Chatbot。 自從 LLAMA 等開源模型發展後，我們可以看到市面上有許多相關的開源模型。 LLAMA, Gemma, Phi3 等等，甚至有許多模型是可以在自己本地端的電腦中使用的。本篇文章將介紹這一類型的 Local Model 究竟能如何跟 LINE Bot 去整合，，並且提供一些範例程式碼作為 LINE Bot 的範例。 相關程式碼 關於 LINE Bot 相關程式碼，可以參考這一段。這邊使用 Groq 的 API 服務 https://github.com/kkdai/linebot-gemma Gemma/LLAMA 這一類的模型該如何部署 不論是 Gemma 還是 LLAMA 這一類可以部署在本地電腦（或是自己的雲端伺服器裡面的），在本文中都先暫且稱為 Local Model 。 他的基本 Prediction 的精準度，在於你提供的本地機器的算力。 筆電使用上 可以考慮使用 Ollama Ollama 是一個跨平台很好使用 LLM 的本地端工具，可以在本地端的電腦去使用 Llama3, Phi 3, Mistral, Gemma2 等等本地端的模型。使用跟安裝也相當簡單，基本上現在只要是 M1 或是 M2 的 Mac Book 就可以很輕鬆地跑起相關的服務。 GCP / Vertex AI 上面要部署這些模型 可以透過 Vertex AI 的服務來部署 Gemma Gemma2 PaliGemma 但是需要申請伺服器單位如列表 Gemma / Gemma2 PaliGemma Machine type: ct5lp-hightpu-4t Accelerator type: TPU_V5_LITEPOD Accelerator count: 4 - Machine type: g2-standard-16- Accelerator type: NVIDIA_L4- Accelerator count: 1 不過要注意這些單位需要申請，因為筆者還沒有申請下來本文將使用 Groq 來示範。 （2024/07/19) 透過 LPU API Services - Groq 來使用 Gemma2 不得不說 Groq 真的很快，而且目前也都還有免費額度可以使用 API 來呼叫。這邊也放上最簡的程式碼來呼叫 Gemma2-9B # Default import os from groq import Groq client = Groq( # This is the default and can be omitted api_key=os.environ.get("GROQ_API_KEY"), ) chat_completion = client.chat.completions.create( messages=[ {...

(課程連結： https://www.udacity.com/enrollment/cd13416) 前言 Google 跟 Udacity 合作開的這一個課程，蠻建議大家可以看一下。除了是免費之外，更加許多文件裡面沒有提供的詳細資訊跟用法講得很清楚。 想要更了解每一個 API 該如何使用，可以考慮看看。 這邊快速講一下課程大綱，然後帶幾個我覺得很重要的概念： 課程大綱 Introduction to LLMs and Gemini 基本概念補充。 Introduction to prompting in Google AI Studio 主要都是 AI Studio 的操作說明。 Developing with the Gemini API 建議開發者都要看這個，大多是 API 使用細節。 Advanced Applications 課程整理，還有相關小專案給學員練習。 幾個重點整理： 如何算產出 token token_n_model = genai.GenerativeModel(model_name, generation_config={"temperature": 0.0}) poem_prompt = "Write me a poem about Berkeley's campus" prompt_token_count = token_n_model.count_tokens(poem_prompt) output_token_count = token_n_model.count_tokens(response.text) print(f'Tokens in prompt: {prompt_token_count} \n Estimated tokens in output {output_token_count}') 透過 prompt_token_count: 輸入的 token 數字。 output_token_count: 產出的 token 數字。 Safety Setting 由於 Gemini 有著嚴格的管控，許多時候一些資料會被以安全因素而拒絕回覆。這時候你需要做一些處理： 在進行此演示之前，請記住要負責任地處理 AI 並遵循道德準則。 安全性是 Gemini 的一個重要內建功能。讓我們來了解更多它的功能： 如何檢查您的提示是否被安全過濾器阻擋 哪些安全過濾器導致了阻擋 如何調整設置以解除阻擋 檢查提示是否被阻擋 假設我們選擇了以下提示，在當前的安全設置下，您可以預期您的回應會被阻擋： model = genai.GenerativeModel("gemini-1.5-flash", generation_config={"temperature": 0}) unsafe_prompt = "Write a threat a video game villain might make" response = model.generate_content(unsafe_prompt) print(response.text) 輸出：ValueError: 無效操作：response.text 快速訪問器需要回應包含有效的 Part，但沒有返回任何內容。請檢查 candidate.safety_ratings 以確定回應是否被阻擋。 現在，您可以印出 response.candidates[0].finish_reason 以進一步調查。 如果 finish_reason 是 FinishReason.STOP，則表示您的生成請求成功運行。 如果 finish_reason 是 FinishReason.SAFETY，則表示您的生成請求因安全原因被阻擋，因此 response.text 結構將為空。 檢查安全過濾器 印出 response.candidates[0].safety_ratings 將顯示評級結構。我們可能會看到如下內容： [category: HARM_CATEGORY_SEXUALLY_EXPLICIT probability: NEGLIGIBLE , category: HARM_CATEGORY_HATE_SPEECH probability: NEGLIGIBLE...

前提 將 Python Firebase 的套件改成官方的 FirebaseAdmin ，以下有兩種認證方式。 透過 GOOGLE_CREDENTIALS 將 services_account.json 放在環境變數 GOOGLE_CREDENTIALS 透過以下程式碼啟動 這個方式可以在本地端，遠端連線去 firebase 測試。 # 从环境变量中读取服务账户密钥 JSON 内容 service_account_info = json.loads(os.environ['GOOGLE_CREDENTIALS']) # 使用服务账户密钥 JSON 内容初始化 Firebase Admin SDK cred = credentials.Certificate(service_account_info) # 啟動 firebase realtime database (透過 firebase_url ) firebase_admin.initialize_app(cred, {'databaseURL': firebase_url}) 透過 GCP 系統啟動 如果服務是部署在 Cloud Function 或是 Cloud Run 其實可以透過預設的 Services Account 來取得相關權限 My Project 可以取得 My Project 在 firebase 的權限。 這個設定方式如法在本地端連接到 Firebase 測試 # 直接取得 Google Cloud 的參數 cred = credentials.ApplicationDefault() # 啟動 firebase realtime database (透過 firebase_url ) firebase_admin.initialize_app(cred, {'databaseURL': firebase_url}) 增加 Firebase 相關安全性設定 (Firebase Realtime Database Security Rules) { "rules": { ".read": "auth != null && auth.token.admin === true", ".write": "auth != null && auth.token.admin === true" } } 這樣就可以了。 相關程式碼 放一些基本常用到的 查詢全部 def get_all_cards(u_id): try: # 引用 "namecard" 路径 ref = db.reference(f'{namecard_path}/{u_id}') # 获取数据 namecard_data = ref.get() if namecard_data: for key, value in namecard_data.items(): print(f'{key}: {value}') return namecard_data except Exception as...

Google AI Dev - Gemma2 && PaliGemma 這張圖稍微解釋了 Gemma 家族的兩個主要產品： Gemma 2：也就是第二代的 Gemma PaliGemma：是第一代的 VLM (視覺語言模型) PaliGemma 相關資源： 這邊有 paligemma 的 demo code (在 HuggingFace 上面) 可以看出來，由於是 Gemma 2B 加上 SigLIP 他對於語言的處理比較簡單。 可以做一些簡單的資訊處理，但是複雜問題就不行，比如說： 產生 JSON 回覆 (X) 一次回答兩個問題以上 (X) 但是可以達到： 用中文問問題（但是只會回答英文） 可以做簡單的 OCR ，或是 Object Detection 。 根據以下討論 PaliGemma 的影片， Google 團隊建議直接使用 Mix 版本的模型。他可以 Vision + Object Detection 。 以上是 PaliGemma model 的相關 Benchmark ，可以看出來。 對比的相關測試數據跟方法，都可以得到不錯的準確率。 在 GCP 上面直接部署 PaliGemma https://console.cloud.google.com/vertex-ai/publishers/google/model-garden/paligemma 另外一方面 Gemma 2 也可以: https://console.cloud.google.com/vertex-ai/publishers/google/model-garden/gemma2 Gemma 可以適用的相關內容 透過 Gemma 可以讓 token 數字有大幅度的減少，有以下幾種方向可以考慮： 個人隱私的偵測 讓一些可能有個人隱私的部分可以獲得比較有效的篩選。 以前做法： 個人資料的偵測跟去除一直是一個很難的技術，需要有許多 regular expression 來做控管。即便是如此，還是有可能會有遺漏的地方。針對個人資料偵測這一段，其實在 LLM 是可以使用的。 但是在資安法規上，直接將用戶的個人資料傳到第三方，這樣是不符合規範的。所以這一段可以透過 Gemma 來施行。 如何用 Gemma (on-device LLM) 處理 查看以下內容是否包含個人資料，地址，身份字號，銀行帳號，回覆我 是 或是 否 ------ 我想找台北的房子 如何用 PaliGemma 處理？ Check if the image content contains personal information, address, identity number, or bank account number, and reply with Yes or No. 實地測試 - Gemma2 / PaliGemma 文字測試 Gemma2-9B 改成 「某人」跟 「配偶」，並且可以有效地去除身份字號跟銀行帳號。 圖片測試 PaliGemma 判定是否需要 「大型」LLM 的介入 將聊天機器人放入群組之中，最害怕的就是怕「 Token」爆掉。因為每一句話都需要判斷是否需要 LLM 的介入。這時候就可以透過 Gemma...