M01.05｜AI 專案成功三要素：資料、模型、流程

一句話搞懂

AI 專案的成功取決於三根柱子 — 好的資料（食材）、對的模型（食譜）、完整的流程（廚房動線），缺了任何一根，整道菜就會崩塌。

白話解說

把 AI 專案想成開一家餐廳。資料就是食材：如果你買的蔬菜爛了一半、肉品標示不清楚、調味料過期了，就算請到米其林三星主廚也做不出好菜。這就是 AI 界最經典的一句話：「Garbage In, Garbage Out」（垃圾進、垃圾出）。很多公司花大錢買最先進的 AI 模型，卻不肯花時間整理資料，就像買了頂級廚具卻用爛食材，結果當然是災難。

模型就是食譜：做一碗滷肉飯不需要法式料理的食譜。同樣的道理，預測下個月銷量不需要用到百億參數的大型語言模型，一個簡單的迴歸模型可能就夠了。選模型的原則是「夠用就好」，不是越大越新越好。大模型需要更多資料、更多運算資源、更長的訓練時間，而且越複雜的模型越難解釋它為什麼做出某個決定。

流程就是廚房動線：就算食材新鮮、食譜正確，如果廚房裡的動線一團亂 — 備料區跟出餐口擠在一起、沒有品管流程、客人點了菜卻沒人通知廚房 — 餐廳一樣會倒。AI 專案的流程包括：問題定義、資料收集與清洗、模型訓練與驗證、部署上線、持續監控與更新。每個環節都不能跳過，尤其是最後的「持續監控」— 很多專案上線後就沒人管了，模型的預測準確率慢慢下降（稱為 Model Drift），半年後已經跟亂猜沒兩樣，但因為沒人在看，大家還以為 AI 運作正常。

應用場景

場景：一個三根柱子都出問題的真實案例 某家中型製造公司想用 AI 預測設備故障，希望在機器壞掉之前就排好維修，減少停機損失。結果這個專案花了八個月、兩百萬預算，最後宣告失敗。覆盤發現三根柱子全倒了：

• 資料問題：工廠過去的維修紀錄都寫在紙本表單上，字跡潦草、格式不一致，有的寫「馬達異常」、有的寫「M-1 故障」、有的只寫「修好了」。數位化後的資料品質極差，AI 根本學不到有意義的模式。
• 模型問題：廠商推薦了一個需要十萬筆以上資料才有效的深度學習模型，但這家工廠三年來總共只有 800 筆維修紀錄。資料量根本撐不起這麼複雜的模型。
• 流程問題：專案由 IT 部門主導，但維修知識全在老師傅的腦袋裡。IT 部門不懂設備、老師傅不懂 AI，兩邊從來沒有好好坐下來對齊「到底要預測什麼」。最後 AI 預測的「故障」跟老師傅認知的「故障」定義根本不同。

如果這家公司先從流程著手（讓 IT 和維修部門一起定義問題）、再處理資料（把紙本紀錄統一格式、建立標準化的數位紀錄流程）、最後選擇適合小資料量的模型（例如統計方法或簡單的機器學習），這個專案成功的機率會高很多。

常見誤區

1. 「資料越多越好」 — 資料的品質遠比數量重要。一萬筆標記錯誤的資料，不如一千筆標記正確的資料。而且有時候資料太多反而會引入雜訊。真正的重點是：資料是否能代表你想解決的問題？標記是否一致且正確？有沒有涵蓋各種邊界情況？

2. 「先選模型，再去找資料」 — 這是本末倒置。正確的順序是：先釐清問題、再盤點手上有什麼資料、然後根據資料的特性和數量選擇適合的模型。就像你應該先看冰箱裡有什麼食材，再決定今天煮什麼菜，而不是先決定要做佛跳牆再去張羅食材。

3. 「模型上線就算完成了」 — 上線只是開始，不是結束。真實世界的資料分布會隨時間改變（例如消費者行為在疫情前後完全不同），模型如果不持續監控和更新，效果會逐漸衰退。最佳實務是設定效能指標（KPI），定期檢視模型表現，當準確率低於門檻值時自動觸發重新訓練。

小練習

1. 三要素診斷：回想你工作中一個曾經失敗（或效果不如預期）的專案（不一定是 AI 專案）。用「資料、模型/方法、流程」的框架分析，這個專案最弱的環節是哪一個？如果當時加強那個環節，結果可能會不同嗎？

2. 優先順序排列：假設你有一筆 100 萬的 AI 專案預算，你會怎麼分配在這三個面向上？資料整理與標記佔多少？模型開發與訓練佔多少？流程設計與上線後監控佔多少？請寫下你的分配比例和理由。提示：業界的經驗法則是，資料相關工作通常佔整個 AI 專案 60-80% 的時間和成本。