開始閱讀
AI 原理入門系列｜第 1 篇，共 10 篇。資料核對：2026-10-09。文中的情境與練習為教學示例。
拿到一份活動報名名單，你想找出哪些人可能報名下一堂課。可以請同事逐筆判斷，也可以寫規則：曾參加相關課程、最近點過電子報的人列為優先。還有另一種做法：提供歷史資料，讓模型從資料中找出可用的關係。這就是理解機器學習的起點。
AI 是範圍，機器學習是一種方法
人工智慧涵蓋多種讓電腦執行辨識、推論、規劃或生成等任務的方法，不限於聊天機器人。機器學習著重從資料學習規律；深度學習則使用多層神經網路建立表示。生成式 AI 描述的是產生內容的用途，與前述分類的角度不同，不能把四個名詞當成互斥選項。Google 的機器學習入門可作為概念起點。
| 工作需求 | 可以先考慮的方法 | 需要先釐清的事 |
|---|---|---|
| 依日期寄出提醒 | 明確規則與排程 | 日期與寄送條件是否完整 |
| 估計下一期報名人數 | 預測模型 | 有沒有可比較的歷史資料 |
| 整理訪談中的常見主題 | 分群或語言模型輔助 | 主題是否經人工確認 |
| 撰寫課程介紹初稿 | 生成式模型 | 課程事實與寫作限制是否明確 |
這張表是選擇工具的思考框架，不是宣稱某一類任務只能用單一技術。
圖解：先定義任務，再選 AI 方法
用報名案例看輸入、目標與輸出
假設要預測「收到邀請後是否報名」。輸入可以是發信當時已知的參與紀錄，目標則是之後實際是否報名。模型可能輸出一個分數，供團隊安排溝通順序。這個分數需要驗證，不能直接當成對某個人的確定判斷。
如果把「已付款金額」放進報名前的預測資料，答案其實已經藏在輸入裡。模型在歷史資料上可能表現很好，上線卻沒有這項資料可用。這稱為資料洩漏的一種情況。做 AI 專案時，應先問：這個欄位在做決策的當下，真的已經知道嗎？
不是每個問題都值得訓練模型
若名單只有二十筆、條件很清楚，試算表可能就足夠。導入模型還需要資料整理、效果評估與持續維護。比較時，應把既有方法一起放進來，而不是只比較兩個 AI 工具。
例如，人工規則每週需要三十分鐘維護；新模型雖省下分類時間，卻增加一小時的錯誤檢查。此時「有使用 AI」並不等於流程變好了。真正要比較的是整體時間、錯誤成本與結果品質。
把問題寫成可以驗證的句子
與其說「希望 AI 幫我做行銷」，可以改成：「根據寄信前已知的課程參與資料，協助排列邀請名單，並比較前一百位名單的實際報名情形。」後者有資料範圍、決策時間與評估方式，比較容易開始。
練習：替自己的工作選方法
挑一個重複性工作，寫下輸入、期待輸出、最容易出錯的地方，以及不用 AI 時怎麼完成。再決定需要的是規則、預測、生成，還是單純把流程寫清楚。先把任務定義好，工具選擇才有依據。
圖解：三種任務，三種方法
案例拆解：一場工作坊需要三種不同能力
假設你要推廣一場 AI 工作坊。第一個需求是檢查報名表是否填完：Email 為空就提醒補填，這是明確規則，通常不必訓練模型。第二個需求是估計哪些曾詢問的讀者比較可能報名：若有足夠且合法取得的歷史資料，可以建立預測模型。第三個需求是依不同受眾寫出招生文案初稿，則適合生成式 AI 協助。
三者可以出現在同一套系統裡。切勿因為都貼上 AI 標籤，就使用同一種驗收方式：欄位檢查要測試規則是否完整；預測要用未參與訓練的資料比較；文案要檢查事實、對象與語氣。省下多少時間，也要扣除人工修正的成本。
常見問題：資料少，也一定要做深度學習嗎？
不一定。先建立容易理解的基準，例如固定規則或簡單統計，再判斷較複雜的方法是否真的帶來改善。少量、定義混亂的標籤，可能比模型大小更限制成果。若活動目標一直變動，應先把「成功報名」的定義與觀察期間固定。
課後實作：列出工作中的三個任務，分別寫下輸入、預期輸出、錯誤代價與驗收方法。若無法說清楚什麼算做對，先不要急著挑選工具。
如何判斷一個問題是否值得用機器學習？
先想像你經營一個課程網站，想預測哪些讀者會報名。這並不代表第一步就要訓練模型。如果報名表常常無法送出、課程時間沒有寫清楚，先修好流程通常比增加預測工具更直接。機器學習適合處理有足夠例子、目標可以定義、未來情境與資料仍有關聯的問題；它不能替代產品本身需要解決的困難。
可以從三個問題開始。第一，預測結果出來後，團隊會採取什麼不同的行動？第二，有沒有足夠可靠的歷史資料，用來判斷預測是否正確？第三，誤判造成的代價是否能被接受？若你無論收到什麼結果都寄同一封信，先不需要複雜模型。若資料只包含少數熟客，也不宜直接把學到的規律套用到所有新訪客。
一個可以在課堂操作的比較練習
準備二十則虛構的課程詢問，分成費用、時間、程度與其他四類。第一輪請同學寫出關鍵字規則，第二輪請同學人工分類，第三輪才請語言模型協助整理。刻意加入「不是問費用，我想知道需要多少時間」這種容易誤判的句子，觀察規則、人的理解與模型輸出各自出錯的地方。
這個練習不是為了證明某一種方法永遠最好，而是讓選擇工具的理由可以被說清楚。規則可能便宜、容易檢查，卻不容易應付多種說法；模型可以處理更多語言變化，但需要評估結果與維護成本。請保留每一筆錯誤與修正原因，而不只記錄總分。當任務很小時，簡單規則與人工確認的組合，也可能比全面自動化更適合。
常見問題：用了 AI 就一定要蒐集大量個資嗎？
不一定。很多整理、寫作與分類任務，可以使用公開文件、去識別的範例或人工建立的測試資料。先定義需要的欄位，再決定是否蒐集，避免為了「以後可能有用」而無限制保存資料。資料多不代表資料適合，能解釋來源、用途與品質的資料，才是可持續改善系統的基礎。