AI 專案怎麼導入？從問題定義到落地的完整流程
許多企業 AI 專案失敗，不是因為模型不夠好，而是在問題定義、資料準備或專案規劃上出了問題。本文用 AI 應用規劃師視角，拆解 AI 專案的完整生命週期，從問題定義、資料收集、建模、評估、部署到上線監控，附各階段工時占比圖、常見陷阱對照表，幫你在 iPAS 考試與實務中都能精準作答。
「AI 導入失敗率這麼高，問題出在哪？」這是很多人問過的問題。根據業界觀察，大多數 AI 專案失敗，不是因為模型選錯了，而是在問題定義和規劃階段就走偏了。這正是 iPAS AI 應用規劃師這個角色存在的核心價值。
本文帶你走過 AI 專案的完整生命週期，讓你理解每個階段的重點與陷阱。
AI 專案生命週期總覽
AI 專案流程可以對應到 CRISP-DM（跨行業資料探勘標準流程）框架，分為六大階段，且是一個反覆迭代的循環，不是線性的一次完成。
各階段工時占比
很多人以為「建模」占了 AI 專案大部分時間，事實恰恰相反——資料相關工作才是最耗時的環節。
資料收集與準備是最耗時的環節。業界長期流傳「資料科學家 80% 的時間花在清理資料」的說法，雖然具體比例因專案性質差異而不同，但資料準備耗時占大宗的觀察，獲得 IBM、Forbes、《紐約時報》等多方報導與業界訪談佐證（實際估計區間落在 50%–80%）。這也是 CRISP-DM 框架特別強調「資料理解」與「資料準備」兩個獨立階段的原因。這在業界有一句名言：「Garbage in, garbage out（垃圾進，垃圾出）」——再好的模型，餵進爛資料也沒用。
圖表比例為概念示意，真實專案中各階段工時因領域、資料成熟度差異顯著。
各階段重點與常見陷阱
| 階段 | 核心產出 | 常見陷阱 |
|---|---|---|
| 問題定義 | 成功指標、可行性評估、ROI 估算 | 目標模糊、沒有量化成功標準、直接跳到「找模型」 |
| 資料收集與準備 | 乾淨、標注好的訓練/測試資料集 | 訓練/測試資料洩漏（Data Leakage）、忽略資料偏差 |
| 建模與訓練 | 可重現的訓練流程、基準模型 | 過度調參（Overfitting）、忽略基準線（Baseline）比較 |
| 評估與驗證 | 效能指標報告、偏見審計 | 只看準確率、忽略公平性與邊緣案例 |
| 部署與整合 | 可用的 API 或微服務、上線文件 | 線上/線下特徵不一致、忽略延遲需求 |
| 監控與維護 | 模型漂移警報、再訓練機制 | 部署後就不管、沒有版本控管 |
問題定義：最被低估的階段
許多工程師習慣「先做再說」，但在 AI 專案中，問題定義做不好，後面的工作全部白費。一個好的問題定義應該包含：
- 業務目標：這個 AI 要解決什麼商業問題？
- 成功指標（KPI）：用什麼指標判斷成功？（準確率？召回率？轉換率？）
- 資料可行性：是否有足夠、合法的訓練資料？
- Make or Buy 決策：自訓練？微調？還是直接用 API？
- 風險與倫理評估：是否涉及個資？輸出錯誤的代價是什麼？
關於 AI 倫理與資料治理的更多討論，請參閱 AI 倫理與資料治理。
成效評估指標怎麼選？
不同任務適合不同指標，這也是考試常考的觀念：
重點：不平衡資料集（例如詐欺偵測）不能只看準確率，因為模型全猜「非詐欺」也能有 99% 準確率，但完全沒用。
為什麼「規劃」比「建模」更關鍵？
這是 AI 應用規劃師角色的核心洞察。在一個 AI 專案中，決定成敗的往往不是用了什麼模型，而是：
- 有沒有定義對問題（解決了錯的問題 = 完全浪費）
- 資料品質夠不夠好（模型只能學資料裡有的東西）
- 有沒有規劃好監控機制（模型上線後會漂移，沒監控遲早出事）
- 有沒有考慮倫理與合規風險（錯誤的 AI 決策可能帶來法律責任）
相比之下，選擇 XGBoost 還是 LightGBM，或者哪個神經網路架構更好，通常只影響幾個百分點的效能。
AI 應用規劃師的角色定位
在台灣 iPAS AI 應用規劃師認證的考綱中，特別強調了以下能力：
- 識別 AI 應用機會與風險
- 規劃 AI 導入的商業案例（Business Case）
- 評估 Make-or-Buy 決策
- 協調技術團隊與業務單位
- 制定 AI 治理與倫理框架
這些能力都在「問題定義」和「規劃」階段發揮——這正是為什麼 AI 規劃師比 AI 工程師更需要全局思維。
想系統化準備這些考點？免費開始 使用 CertFlow 的題庫練習，涵蓋 AI 應用規劃師完整考綱。
小結
| 關鍵原則 | 說明 |
|---|---|
| 先定義，再動手 | 問題定義不清，後面全部重來 |
| 資料品質優先 | 占最多工時，也影響最終結果最多 |
| 指標要對齊業務 | 技術指標好但業務沒改善等於失敗 |
| 部署只是開始 | 上線後的監控和維護才是長期工作 |
| 倫理不可忽略 | 合規與風險評估從專案一開始就要做 |
AI 專案是一場馬拉松，而不是百米衝刺。打好規劃基礎，後面每個階段才能走得穩。
參考來源
- IBM SPSS Modeler — CRISP-DM Guide. https://www.ibm.com/docs/it/SS3RA7_18.3.0/pdf/ModelerCRISPDM.pdf
- Chapman, P. et al. (1999). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc. https://www.the-modeling-agency.com/crisp-dm.pdf
- Data Science PM — CRISP-DM is Still the Most Popular Framework (2024). https://www.datascience-pm.com/crisp-dm-still-most-popular/
- Lohr, S. (2014). For Big-Data Scientists, 'Janitor Work' Is Key Hurdle to Insights. The New York Times. https://www.nytimes.com/2014/08/18/technology/for-big-data-scientists-hurdle-to-insights-is-janitor-work.html
- Gil Press (2016). Cleaning Big Data: Most Time-Consuming, Least Enjoyable Data Science Task. Forbes. https://www.forbes.com/sites/gilpress/2016/03/23/data-preparation-most-time-consuming-least-enjoyable-data-science-task-survey-says/
「各階段工時占比」圖表為概念示意，非特定專案實測數據。實際比例因專案類型與資料成熟度差異顯著。