今集請嚟 Microsoft 嘅 Kary，同 Albert、Morris 一齊傾 Gen AI 嘅實際應用，深入探討企業點樣導入 AI，同埋點樣用 AI 提升工作效率。

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

本集節目特別邀請到Hilton，他曾在全球領先的專業社交平台LinkedIn以及支付科技公司Stripe等企業擔任要職，擁有豐富的People Analytics實戰經驗。他將分享如何在這些高速發展的科技公司中，運用數據分析優化人力資源管理，並預測未來人才需求。

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。

這集 Podcast 主要討論了 AI 是否會取代程式工程師的工作，從自身經驗出發，分享了他們在日常工作中如何使用 AI 工具。他們也探討了在軟體開發流程中，哪些環節 AI 可以發揮作用，哪些環節仍然需要人類的判斷和創造力。

• 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)

面對日新月異的 AI 發展，好多人感到迷惘，唔知點追趕和應用。本集邀請到推行緊AI私補計劃嘅 Samuel，分享他如何引導不同背景的人運用 AI，並將其融入生活和工作。Samuel 強調「心態」的重要性，鼓勵大家從自身痛點出發，探索 AI 工具的應用。想擺脫 AI 焦慮？一起來聽聽 Samuel 的 AI 私補計劃心得啦！

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)

這一集我們想討論一個我們每天都在用，但可能不太了解的技術，就是GPU。

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。 

Morris，Albert 和 Patrick 在這集 Podcast 中討論了賭博公司和賭球背後涉及的數據科學和人工智能。Patrick 分享了他作為數據科學家在博彩公司工作期間的經驗和見解。

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？

Morris 同 Albert 續繼討論對 LLM 限制嘅見解，例如產生唔存在嘅內容，同埋展示出理解上嘅局限。今集會討論下:

• 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。

Morris同Albert討論咗最近人工智能嘅發展,特別係大型語言模型(LLM)嘅突破。佢哋分享咗對LLM嘅理解,同埋點樣用prompt engineering嚟同AI溝通,令到AI可以做到更加接近我哋想要嘅嘢。

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!

呢一集，我地邀請咗喺愛沙尼亞 Call 車 App 公司 Bolt 工作嘅 Senior Data Scientist Kenil，同我地講下 Call 車 App 嘅各種問題和特點。我地會從用戶體驗嘅角度出發，分析 Call 車 App 係點樣利用數據科學同人工智能去解決用戶和司機嘅配對、定價、路線、時間預測等問題。另外，我地仲會討論 Call 車 App 嘅其他服務，例如外賣送貨，以及 Call 車 App 未來嘅發展同挑戰。

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

喺今集，我哋會同大家分享我哋對人工智能嘅熱情同埋點解我哋決定開始呢個節目。我哋會講喺AI領域嘅背景同工作經驗，並預告將來節目嘅精彩內容，包括AI技術嘅行業應用、深入解釋，以及我哋喺跨國求職路上嘅經歷。