No.18

由於GPT-4已經在Azure OpenAI 開放申請使用，並且在API的端點及參數與先前GPT3.5不太一樣，因此以C#為範例整理了一下API的請求及回應參數，給有需要的開發者參考使用。(圖為使用Bing Create所產生)
 

ChatGPT是OpenAI團隊所開發的一個自然語言生成模型，其特點在於可以產生高度流暢且人工智慧程度高的文本內容，使得AI自然語言的應用有了爆炸性的發展，而OpenAI與Microsoft合作在 Azure 平台推出了Azure OpenAI服務，開發者可以使用OpenAI API將人工智慧應用到不同的場景中，例如Linebot，在這篇文章裡，將介紹有關ChatGPT與Azure OpenAI的差異，以及就 Azure OpenAI的功能服務與應用場景進行解說，並以Linebot實作Q&A問答，先借由Azure Cognitive for Language的Answer questions API，找出客戶問題的對應解答，接著把該解答交由OpenAI GPT-3.5 Turbo模型進行文字潤飾後，最終以一個客服人員的角色進行自動回覆。

2023年剛開工，就又來了一件個資在網路祼奔的資安事件，根據新聞報導該事件發生原因是因為雲端資料庫沒有做加密保護，且任何知道 IP 位址的人都可存取，由於並未批露太多細節，所以也無法知道實際情況是如何，但從內容來看，當我們把資料庫放上雲端，其實有一些基本的防謢是應該做的且可以避免被攻擊的機會，以下就來看看唄。

Bash是在 Unix 和 Unix-like OS上主要的 Shell，由於特定原因，我必須在一個部署於K8s Pod內的.NET程式呼叫一個寫好的Bash，由Bash做一些事情，而這個Bash檔是直接包進Container內的。起初在本機開發測試時一切正常，然而經由Azure DevOps CI/CD後卻發生"/bin/bash^M: bad interpreter: No such file or directory"異常。

Helm 是一個在 Kubernetes 上部署K8s資源的工具。可以將應用程式以template方式打包，搭配變數，便於在不同環境上快速使用 Helm 命令來安裝、更新、移除和管理K8s資源(例如service , deployment , pods , configmap….等)。最近遇到一個問題是使用 helm uninstall 時，發生＂failed to delete release: myapp＂的錯誤，本篇就來看看怎麼解決這個問題。

ACR(Azure Container Registry)，Azure平台上的容器登錄服務（類似於docker hub)，用於容器登錄儲存和管理容器映像和相關資源，對於有使用Azure Devops服務的團隊來說，應該不陌生。這次因為一個需求，所以試著使用ACR的RESET API來取得ACR的一些資訊，原以為操作 ACR REST API 應該滿簡單的，沒想到要取得一個Access Token需要這麼轉折一下，本篇來記錄一下取得過程的步驟。

在K8s環境裡，當我們需要安裝第３方元件服務時，通常會使用 Helm 來安裝，省去寫一堆yaml，簡單來說Helm 將 yaml 檔打包裝起來，然後一鍵部署。前一篇文章提到在AKS裡，我使用了Helm 來安裝 prometheus ，但在另一個環璄裡卻遇到了這個錯誤

Error: INSTALLATION FAILED: failed to create resource: Internal error occurred: failed calling webhook "prometheusrulemutate.monitoring.coreos.com": failed to call webhook: Post "https://prometheus-kube-prometheus-operator.prometheus.svc:443/admission-prometheusrules/validate?timeout=10s": no endpoints available for service "prometheus-kube-prometheus-operator"

當容器叢集環境建設好之後，想知道容器叢集用了多少運算資源，這時候就不得不提到Prometheus（普羅米修斯），本文快速記錄一下在Azure AKS架設好Cluster後，step by step 啟用 Prometheus。

AI倫理開始被重視，將影響現行AI相關應用，開發者應提早應變。

歐盟議會 — 可信賴人工智慧倫理準則 (參考)

• 應由人類自主及監督AI(Human agency and oversight)
• AI技術可信賴的穩健性與安全性 (Technical Robustness and safety)
• 隱私權和資料管制(Privacy and data governance)
• AI應具有透明性(Transparency)
• AI應確保多元、公平性及多樣性(Diversity, non-discrimination and fairness)
• 社會和環境維護(Societal and environmental well-being)
• 完善的究責制度(Accountability)

在安裝 VS 2022 享受飛起來的快感時，不免偶爾會遇到一些小問題，這次遇到的是資料庫專案建置失敗的情況

Custom Vision是Cognitive services 其中一項服務，比較不同的是它可以讓我們自行訓練自已的圖集，並且轉出視覺辨識模型，本篇要試著以Azure Custom Vision 服務訓練專屬的Model，並將Model匯出，再以ML.NET轉化為ML.NET的Model格式，於地端的應用直接使用Model進行推測。

前一篇提到選擇用Chatbot做為APP前端UI是因為方便，不需重新設計使用者介面，但Linebot上線後，隨即我就發現使用者很多時候不知道如何操作，怎麼解？提供功能選單？文字訊息怎麼辦？

距離這個達94萬好友數的Linebot出生差不多剛好滿月，是時候來做個個人記錄了，緣由就不多浪費篇幅說明，簡單來說一開始只是為了方便自己和親友能快速查到販賣口罩的超商位置，就在開發完Linebot後，政策改為只有健保藥局才可以販售口罩，最後進化成藥局版，身為技術人用技術幫助自已也是件合情合理的事

是這樣的，今天在某個從TFS抓下來的專案，在本機要進行建置時，發生遺漏組件參考的錯誤，依據錯誤清單加入GAC組件參考，一個看似簡單的作業，卻搞了我2個小時

前幾天Edge chromium 瀏覽器自動更新後，使用http://localhost瀏覽開發site就會被強制導向https，這讓我在開發上相當困擾，畢竟開發中的site並不會去掛SSL，而Edge chromium 瀏覽器又是我主力使用的瀏覽器，自從有了Edge chromium，其它瀏覽器就幾乎沒在開過。

Trainers (訓練器) 是 ML.NET 框架裡的重要組成元件，沒有了 Trainers ， ML.NET 便無法進行模型的訓練，本篇小品就帶你花個3分鐘理解什麼是 ML.NET 訓練器

正值 Microsoft Ignite 期間，LUIS 也迎來了不小的改版，除了操作介面的優化，最大的改變我個人認為是在設計 Entities 的部份，Intents 與 Entities 是 LUIS 的二大核心，Intents 負責語意意圖的判斷，而Entities則是語句內資料的擷取，有了正確的 Entities，Chatbot 的邏輯才能進一步往下走，因此 Entities 的設定技巧可以說是影響 Chatbot 舉足輕重。

ML.NET是微軟針對.NET人員所推出的機器學習框架，這個框架可以讓我們用C#程式語言進行機器學習的開發，目前版本來到1.1並且從1.0版開始納入了AutoML及Model Builder二大功能

Dialog 是整個 bot framework 裡的核心概念，最主要的作用是用來管理與使用者的對談，簡單來說可以把它看成是程式裡面的方法，有了 Dialog 的機制，在開發 Chatbot 時，我們可以進一步的規劃對話的流程，依特定順序來執行相對應的反應，在實務上人類的對話相當不容易控制，為了讓 Chatbot 能提供更好的使用者體驗，通常會利用一些手法讓對話的過程比較容易控制，一旦能控制，就可以利用程式來結構化。

一般來說Chatbot試圖以模擬自然對話做為應用軟體的一種溝通模式，然而畢竟不是真的人類，要能達到理想上的完全像人類一樣的對話，就目前來說是有困難的，因此在Chatbot的一些情境裡，我們會利用資訊卡的UI來讓對話更流暢。