「AI與生醫資料分析視覺化」工作坊熱烈迴響，點亮科研新路徑！
您是否曾為繁瑣的資料分析與圖表製作所困擾？是否對生成式AI充滿好奇，卻不知從何開始？生成式AI的浪潮席捲全球，其強大的潛力正逐步滲透至各個領域，特別是在生醫資料分析與視覺化應用上，展現出令人驚豔的突破。
為此，我們在今年7至8月期間，在全台各地（包括北部長庚大學、南部高雄醫學大學、成功大學，以及東部慈濟大學）成功舉辦了四場「生成式AI與生醫資料分析視覺化應用」工作坊。學員們的熱烈迴響，見證了AI在生醫科研領域的巨大吸引力與實用價值。本課程旨在讓學員不論有無程式背景，都能掌握生成式AI在生醫資料分析與圖表製作上的實際應用。
核心AI概念與人機協作精神： 課程首先深入淺出地介紹人工智慧的基石——神經網路、深度學習與大型語言模型（LLM），並聚焦於提示詞工程（Prompt Engineering）。學員學習如何透過使用者提示詞明確交代任務，並利用系統提示詞設定AI的角色與回覆風格。例如，即使是沒有程式背景的生物醫學科學家，也能透過將AI設定為「生醫科學與分析化學專家」，獲得清晰、逐步指導的專業協助。
我們也介紹了AI代理人（AI Agent），它不僅是LLM，更結合了模型上下文協定（MCP），能作為標準介面讓AI與外部資料和分析工具互動。課程特別強調，AI直接出圖存在難以驗證、結果不一致、數據外流的潛在風險。因此，我們力推「人機協作」的核心理念：讓AI生成可檢驗、可重複使用的繪圖程式碼，並且只提供測試資料給AI，確保原始數據不外流，最大程度保障資料安全。
線上平台實作體驗： 學員們在課程中親自操作ChatGPT與Claude等線上生成式AI平台，體驗自然語言指令繪製科學圖表的便利性。例如，使用ChatGPT透過Python的matplotlib套件，僅需數個指令即可繪製PI與分子量的散佈圖，並能精細調整圖標形狀、顏色深淺、軸線範圍，甚至加入迴歸線方程式。另外也學習如何讓AI產出可在Google Colab上執行的.ipynb檔，便於程式執行與共享。
檢索增強生成（RAG）/ 高效知識檢索： 面對龐雜的文獻與數據，傳統AI可能因需讀取大量文件而導致成本高、效率低、回答不精準。為此，課程中深入介紹RAG（Retrieval-Augmented Generation）檢索增強生成技術。其核心概念是先從外部知識庫中篩選最相關的段落，再交由大型語言模型生成回答。我們透過實際案例展示RAG的效益。例如，針對一份詳細的儀器維護手冊，AI在讀取PDF後，能顯著提升回答儀器空氣濾網更換週期的準確度，並明確引用頁碼或位置。這證明RAG對於處理特定領域的專業知識查詢，能大幅提高精準度與效率。
Google Gemini CLI / 打造個人化AI代理人： 課程的進階環節，是帶領學員一步步建構專屬的AI數據前處理與繪圖代理人。透過安裝Google Gemini CLI環境，學員能實現個人化、可控的資料視覺化應用流程。安裝過程涵蓋Python與Node.js的設定，並學習如何登入Google帳號 (/auth) 與測試其基本功能 (請問我的桌面上有甚麼檔案)。當AI生成繪圖程式碼並嘗試執行時，Gemini CLI會停住，等待使用者授權檔案寫入。這再次體現了「繪圖程式碼可檢驗、可重複使用、只提供測試資料給AI，原始數據不外流」的核心原則。透過自然語言指令，學員能繪製多種圖表（如散佈圖、箱形圖、熱圖、堆疊長條圖），並進行細緻調整，甚至要求AI以學術論文「Methods」章節的語調，用英文撰寫圖表說明。
整合外部專業工具 / MAFtools應用： 課程不僅限於Python繪圖，更展示了Gemini CLI整合現有專業工具的能力。我們以MAFtools為例，這是一個常用於癌症基因體研究的工具。學員學習如何安裝R語言環境並透過Gemini CLI調用MAFtools繪製oncoplot等圖表，並進行精細調整。這證明AI不僅能生成程式碼，更能代為操作廣泛使用的專業工具，同時堅守資料安全原則。
本次工作坊的成功舉辦，顯示生成式AI在生醫領域具有巨大應用潛力。課程將最新的AI概念與實務操作結合，提供一條清晰且實用的學習路徑。我們鼓勵更多對AI與資料分析有興趣的學術、醫療與研究人員，繼續支持我們舉辦的學習課程，共同探索AI在生醫資料處理上的無限可能！