本校學生參加3月8日參加靜宜大學AI影像辨識培訓工作坊後，持續投入3月20日「日本X臺灣AI甲子園競賽」賽前準備~~從資料處理到模型訓練，大家都深刻體會到AI技術的奧妙與挑戰，讓團隊成員們獲益良多，最終以滿分的成績榮獲臺灣組第一名！

以下分享每位成員的學習心得與反思：

林至謙 同學表示：

            「這次比賽讓我深刻體會到『追求效率』是科技進步的一大動力。比賽初期，我們需要手動框選上百張圖片中的棋子來訓練模型，工作量巨大且耗時。為了提升效率，我們導入已訓練過的AI模型輔助框選，並在過程中修正錯誤。這個方法不僅大幅提升了效率，也減輕了我們的工作負擔，更激發了我對AI領域的興趣。未來希望能持續學習相關知識，精進這方面的技能。」

 簡維辰   同學則分享了他在模型建構上的策略：

            「我在比賽中使用了混合模型（Ensemble Model）來提升將棋棋子數量識別的準確率。主要技術是基於YOLOv8影像辨識，訓練三個優缺點互補的模型，並透過多模型投票機制（Majority Voting）進行決策。每個模型都設定了獨立的confidence門檻，以確保預測的穩定性。感謝學校提供這次寶貴的參賽機會，讓我從理論層面跨越到實務操作。短短十天內，我不斷嘗試新技術，最終達成滿分目標。感謝隊友們的協助，讓我獲得了寶貴的技術和經驗。」

賴諺毅    同學著重於資料品質與模型訓練的關聯：

            「從影像標記到模型訓練，我深刻體會到資料品質對影像辨識的重要性。精確的標記和正確的標籤格式是提升準確度的關鍵。此外，合理的資料集劃分（訓練集、驗證集和測試集）能有效提升模型的泛化能力。在模型訓練過程中，調整學習率、批次大小等超參數，並搭配數據增強技術，能顯著提升模型的辨識效果。持續監控損失函數和準確率等指標，有助於評估模型的表現和收斂情況。這次經驗讓我明白，影像辨識不僅需要強大的演算法，更仰賴高品質的資料和不斷的調整，才能訓練出穩定且準確的模型。我也學習到AI訓練需要耐心和實驗精神，並深入了解一個模型從零到有的過程與原理。」

葉士閎  同學則從數據標記的角度分享了他的心得：

            「這次AI甲子園競賽讓我對人工智慧的應用有了更深的認識。我主要負責協助透過網站標記相片中的棋子。雖然這項工作看似簡單，但它對訓練AI模型的準確性至關重要。我體會到AI需要高品質的標註資料來學習和訓練，因此在標記過程中必須保持細心和一致性，確保AI能正確辨識棋子的位置和方向。雖然我對程式不太熟悉，但這次經驗讓我更理解AI的運作方式，也對其應用產生了濃厚興趣。這次比賽不僅讓我看到團隊合作的重要性，也激勵我未來繼續學習AI相關知識，希望能在更多領域應用所學。」

                感謝靜宜大學大手牽小手，邀請本校參與培訓活動及比賽，為學生提供絕佳的數位學習與國際交流平臺，讓團隊成員們在跨國活動中展現學習AI技術的成果，並從不同面向反思與成長，為未來的學習和發展奠定了堅實的基礎。

日本主辦單位活動報告：    https://www.yamagata-ai.org/news/ai20250320

臺灣媒體報導

中國時報：https://www.chinatimes.com/campus/20250327003475-262301?chdtv

工商時報：https://ctee.com.tw/news/20250327701328-431204

經濟日報：https://money.udn.com/money/story/5635/8636354?utm_source=line&utm_medium=message&utm_campaign=share

臺灣新聞網：https://www.peponews.tw/2025/03/27/213977/