目錄
課程簡介
AI 專案與傳統 IT 專案不同，需要獨特的管理方法。這門課程將帶您了解 AI 專案的生命週期、需求評估、團隊組建、模型評估、部署和 MLOps，讓您成功導入 AI 專案。
學習目標：
- 了解 AI 專案與傳統專案的差異
- 掌握 AI 專案生命週期
- 學會需求評估和團隊組建
- 了解模型評估和部署
- 掌握 MLOps 和 ROI 計算
30.1 AI 專案與傳統專案差異
為什麼學_this？
了解差異才能正確管理 AI 專案。
核心教學
AI 專案 vs 傳統 IT 專案：
| 維度 | 傳統專案 | AI 專案 |
|---|---|---|
| 需求 | 明確 | 探索性 |
| 結果 | 可預測 | 不確定 |
| 驗收 | 是否完成 | 是否準確 |
| 迭代 | 計劃驅動 | 數據驅動 |
| 風險 | 較低 | 較高 |
| 團隊 | 工程師 | 跨學科 |
AI 專案的特點：
- 需求會隨探索而變
- 結果不確定（模型準確率）
- 需要數據和實驗
- 跨學科團隊
- 持續迭代
商業範例
一家連鎖健身中心（全台 12 間分店）面臨教練排班與會員流失預測困難，過去靠店長經驗判斷，續約率長期低於同業。
- 需求探索：先以三個月歷史資料定義「高流失風險」樣貌，再回頭修正模型目標。
- 結果驗證：模型上線後以 A/B 測試比對，高風險會員續約率由 58% 提升至 71%。
- 跨域協作：營運、IT 與數據團隊每週對齊，將教練回饋納入特徵工程。
- 持續迭代：每月重訓模型，預測準確率穩定維持在 85% 以上。
小技巧
- 用 Notion 建立「假設日誌」，每週記錄模型與需求的變更原因。
- 用 ChatGPT 跑「需求拆解」prompt：列出可驗證假設與風險。
- 用 Claude 審查迭代計畫，請它標出過度承諾的交付項。
- 用 Zapier 串接表單與 Slack，自動通知模型成效異常。
- 用 Canva 做兩版雛型，快速驗證不同結果假設。
練習題
本節摘要
- AI 專案：探索性、不確定、數據驅動
- 用敏捷方法
- 接受不確定性
你是一位有 10 年經驗的 [領域] 顧問，服務對象是香港中小企。
我的情況：[一句描述業務現狀]。
目標：[具體目標]。
請（1）指出我現在最大的一個錯位（2）給我 3 個按成本效益排序的行動（3）每個行動註明預期效果及風險。
| 階段 | 人手做法 | AI 協作做法 | 預期效果 |
|---|---|---|---|
| 資料收集 | 逐個網站/報告翻查（2-4 小時） | AI 搜尋+彙總+來源標註（15 分鐘） | 時間 -85% |
| 初稿製作 | 由零寫起（1-2 小時） | AI 出 3 版初稿，人選+修（20 分鐘） | 時間 -70% |
| 審核把關 | 自己核對全部（易漏） | AI 逐項自查+人抽查關鍵位 | 品質更穩定 |
| 迭代優化 | 成稿重寫 | 針對性局部修改（即時） | 迭代速度快 5 倍 |
- 我完成了「人手 vs AI 協作」的時間對比實測（記錄實際分鐘數）
- 我建立了這個場景的個人 prompt 模板
- 我知道哪些輸出必須人手覆核才可以使用
- 我省下的時間已安排去做更高價值的工作（不是發呆）
30.2 AI 專案生命週期
為什麼學_this？
了解生命週期是管理的基礎。
核心教學
AI 專案生命週期 7 階段：
Phase 1：需求定義
- 定義業務問題
- 評估可行性
- 設定目標
Phase 2：數據準備
- 收集數據
- 清洗數據
- 標註數據
Phase 3：模型開發
- 選擇模型
- 訓練模型
- 評估模型
Phase 4：模型評估
- 準確性測試
- 偏見檢查
- 安全性測試
Phase 5：部署
- 上線部署
- 整合系統
- 監控
Phase 6：運營維護
- 持續監控
- 定期更新
- 性能優化
Phase 7：評估改進
- 評估效果
- 收集回饋
- 持續改進
商業範例
一家擁有 40 間門市的連鎖健身中心，過去教練排班與會員續約全靠人工判斷，旺季常出現熱門時段人手不足、冷門時段卻閒置，續約率長期低於 60%。
- 數據整合：串接 18 個月進場紀錄與續約資料，建立會員流失預測模型，準確率達 88%。
- 模型開發：以排班需求預測結合 LLM 生成教練建議，熱門時段人力配置誤差降至 7%。
- 部署上線：導入場館管理系統，3 個月內覆蓋 40 間門市，教練排班作業時間減少 65%。
- 運營優化：每月依續約回饋迭代模型，半年後會員續約率提升至 74%。
小技巧
- 用 Notion 建立各階段看板，每張卡片以「交付物＋驗收人」命名。
- 啟動階段用 ChatGPT 生成專案章程模板，再以 Claude 檢查範圍是否明確。
- 規劃階段請 AI 以「列出五項風險與對應緩解」的 prompt 產出風險清單。
- 執行階段用 Zapier 把任務更新自動同步到 Notion，減少手動回報。
- 結案時用 Canva 做一頁成果摘要，交由 Claude 校對數據一致性。
練習題
本節摘要
- 生命週期 7 階段：需求、數據、模型、評估、部署、運營、改進
- 每階段有明確成果
- 按階段推進
30.3 需求評估
為什麼學_this？
需求評估決定專案成敗。
核心教學
AI 需求評估的要素：
業務問題
- 明確要解決的問題
- 衡量價值
- 設定目標
可行性評估
- 數據是否足夠
- 技術是否可行
- 資源是否充足
優先級
- 挑出高價值場景
- 從易到難
- 快速見效
成功指標
- 定義成功標準
- 設定 KPI
- 衡量效果
需求評估 Prompt：
請評估以下 AI 專案的可行性：
業務問題：[問題]
現有數據：[數據]
目標：[目標]
請提供：可行性、風險、建議
商業範例
一家連鎖健身中心擁有 12 間分店與約 8,000 名會員，近期因教練人力不足，會員續約前的關懷電話經常延誤，導致續約率下滑。管理層考慮導入 AI 輔助的會員流失預測與外撥排程系統。
- 做法：以過去 18 個月會員到訪與繳費資料訓練流失模型，可量化結果：續約前 30 天精準標記高風險會員，預測準確率達 82%。
- 做法：AI 自動排定關懷外撥優先順序，可量化結果：教練每日有效通話量由 25 通提升至 40 通。
- 做法：系統自動生成個人化續約優惠建議，可量化結果：試行 3 個月後續約率由 61% 回升至 73%。
- 做法：以回應時間與續約率作為上線成功指標，可量化結果：導入成本約 45 萬元，預估 9 個月內回收。
小技巧
實操貼士
- 用 ChatGPT 把痛點清單轉成「影響 × 難度」矩陣，兩軸各給 1 到 5 分排序。
- 在 Notion 建需求池，欄位設痛點、預估工時、負責人，每週只挑前三名推進。
- 用 Claude 下指令「列出這個需求最小可行的驗收條件」，快速淘汰範圍過大的項目。
- 先用 Zapier 串一個人工流程試跑兩週，確認真有省時再投入開發。
練習題
本節摘要
- 需求評估：問題、可行性、優先級、指標
- 從高價值易實現開始
- 設定成功指標
30.4 團隊組建
為什麼學_this？
AI 專案需要跨學科團隊。
核心教學
AI 專案團隊的組成：
專案經理
- 協調進度
- 管理資源
- 對接業務
數據科學家
- 建模訓練
- 數據分析
- 模型優化
工程師
- 系統整合
- 部署
- 維護
領域專家
- 業務理解
- 需求確認
- 驗收
設計師
- 用戶體驗
- 介面
- 互動
團隊協作模式：
- 敏捷開發
- 頻繁溝通
- 迭代交付
商業範例
一家連鎖健身品牌在全台擁有 18 間分店，會員續約率連兩年低於 55%，教練流動率高，總部難以掌握各店營運狀況。
為此成立 AI 專案團隊，由跨職能成員共同推動會員流失預測與排課優化系統。
- PM：統籌 4 個部門、12 名成員，將專案週期從 20 週壓縮至 14 週
- 資料科學家：建立流失預測模型，準確率達 87%，提前 30 天識別高風險會員
- 工程師：部署推薦系統至 18 間分店，課程預約轉換率提升 23%
- 店長代表：提供第一線需求，使模型特徵貼近實務，續約率回升至 68%
小技巧
跨學科團隊是 AI 專案成功的關鍵，以下為組建時的實操要點：
- 用 Notion 建立技能矩陣，標註每位成員的資料、工程、領域專長。
- 在 ChatGPT 輸入「列出此專案缺少的三種角色與理由」快速盤點缺口。
- 用 Claude 草擬跨職能職責說明，明確交付物與協作介面。
- 以 Zapier 串接招募表單與 Slack，自動通知面試進度。
練習題
本節摘要
- 團隊：PM、數據、工程、領域、設計
- 跨學科協作
- 敏捷開發
30.5 數據準備
為什麼學_this？
數據品質決定模型品質。
核心教學
AI 數據準備的流程：
數據收集
- 確定數據來源
- 收集數據
- 整合
數據清洗
- 處理缺失
- 去重
- 標準化
數據標註
- 標註數據
- 建立訓練集
- 品質控制
數據劃分
- 訓練集（70%）
- 驗證集（15%）
- 測試集（15%）
數據準備的最佳實踐：
商業範例
一家連鎖健身品牌擁有 12 間分店與 8 萬名會員，客服每天湧入上千則訊息，卻因人工分類效率低落，導致續約流失率居高不下。
- 收集做法：彙整近 18 個月、共 45,000 條客服對話，涵蓋電話、App 與 Line 三種管道。
- 清洗去重：移除重複與無效訊息後，保留 38,000 條有效對話，資料可用率達 84%。
- 標註意向：由 3 位客服主管標註續約、退費、課程諮詢等 6 類意向，人工抽檢準確率達 92%。
- 資料切分：依 7:1.5:1.5 劃分訓練、驗證與測試集，訓練集共 26,600 條。
小技巧
數據準備實操技巧
- 用 ChatGPT 跑 prompt「檢查以下 50 條數據的格式錯誤並列出問題」，先清洗再入庫。
- 在 Notion 建數據字典表，欄位定義與缺失值規則寫清楚，團隊才不會各填各的。
- 用 Claude 抽取非結構化文本欄位，統一轉成 JSON 格式後再合併。
- 抽樣 100 條人工複核，準確率低於 95% 就整批退回重標。
練習題
本節摘要
- 數據準備：收集、清洗、標註、劃分
- 品質比數量重要
- 標註一致性
30.6 模型評估
為什麼學_this？
模型評估確保品質。
核心教學
模型評估的指標：
準確率（Accuracy）
- 正確預測的比例
- 基礎指標
精確率（Precision）
- 正確正例的比例
- 減少誤報
召回率（Recall）
- 識別正例的比例
- 減少漏報
F1 分數
- 精確率和召回率的平衡
- 綜合指標
偏見測試
- 檢查歧視
- 公平性
- 安全性
模型評估的注意：
- 用測試集（不是訓練集）
- 多維度評估
- 考慮業務實際
商業範例
一家連鎖健身中心擁有 18 間分店，每月客服進線量約 4,200 通，其中六成是詢問教練排課與會員權益，導致人力長期吃緊、回應延遲超過 12 小時。
- 導入模型分流：自動辨識意圖準確率達 93%，轉接正確率提升至 89%。
- 偏見測試：針對不同年齡與性別語料測試，誤判率低於 2%。
- 用戶滿意度：試行三個月後，客服滿意度由 3.6 分升至 4.4 分（滿分 5 分）。
- 成本效益：平均處理時間縮短 41%，每月節省約 260 小時人力。
小技巧
- 用 ChatGPT 將測試集逐筆輸入，要求它只輸出預測標籤，再與人工標註比對計算準確率。
- 請 Claude 扮演評審，用固定 prompt「只回覆正確或錯誤」逐筆打分，避免它自行補充理由影響判讀。
- 把測試集切三份輪流評估，在 Notion 建表記錄每輪分數，觀察模型是否對特定資料過度自信。
- 用 Zapier 串接 API 與 Google Sheet，自動跑完測試集並回寫結果，省去手動貼上的時間。
練習題
本節摘要
- 指標：準確、精確、召回、F1
- 偏見和安全性測試
- 用測試集評估
30.7 敏捷管理
為什麼學_this？
敏捷方法適合 AI 專案。
核心教學
AI 專案的敏捷方法：
Sprint 迭代
- 短週期迭代
- 每 2-4 週
- 快速交付
持續交付
- 頻繁發布
- 快速回饋
- 持續改進
範圍管理
- 接受需求變化
- 優先級調整
- 靈活應對
跨職能協作
- 團隊密切合作
- 每日站會
- 透明溝通
商業範例
一家連鎖健身中心擁有 12 間分店、約 3 萬名會員，長期因教練排班與課程調整流程繁瑣，導致會員續約率下滑、客服負擔沉重。管理團隊決定以敏捷方法導入 AI 排課與客服系統，試圖在短週期內快速驗證成效。
- 做法：以兩週為一個 sprint 開發 AI 排課模組，優先解決熱門時段衝突。結果：三個 sprint 後，課程衝突申訴減少 62%。
- 做法：每輪疊代邀請 20 位會員參與回饋測試並即時修正。結果：AI 客服準確率由 71% 提升至 89%。
- 做法：導入自動化排班建議，讓教練依數據調整授課。結果：教練每週行政工時減少 8 小時，續約率回升 11%。
小技巧
把敏捷精神落進 AI 專案日常，可從這幾個動作開始：
- 用 Notion 建立兩週一輪的 Sprint 看板，每個任務標註模型版本與負責人。
- 請 ChatGPT 依使用者故事生成驗收條件，prompt 寫「以 Given/When/Then 格式列出三條」。
- 用 Zapier 把模型上線事件自動推播到 Slack，讓團隊即時掌握迭代結果。
- 每輪回顧請 Claude 整理會議逐字稿，輸出「做得好的、待改進的、下輪行動」三欄。
練習題
本節摘要
- 敏捷：Sprint、持續交付、範圍管理、協作
- 更靈活高效
- 快速回饋
30.8 系統部署
為什麼學_this？
部署是 AI 上線的關鍵。
核心教學
AI 系統部署的考量：
部署方式
- 雲端部署
- 本地部署
- 混合部署
整合
- 整合現有系統
- 對接 API
- 數據流
擴展性
- 負載處理
- 擴展能力
- 性能
監控
- 運行監控
- 性能監控
- 異常告警
部署最佳實踐：
商業範例
一家連鎖健身中心（12 間分店、會員約 1.8 萬人）長期面臨教練離職後客服斷層，夜間與假日詢問常無人回應，續約率僅 61%。導入 AI 客服 Agent 後，部署流程如下。
- 雲端部署：將 Agent 部署於雲端環境，2 週內完成上線，較自建機房節省約 40% 初期成本。
- 整合官方 Line 與 App 聊天：串接既有會員系統，自動回覆涵蓋 85% 常見問題，夜間詢問回覆率由 0% 提升至 98%。
- 灰度發布：先於 2 間分店試行 3 週，確認準確率達 92% 後才全面推廣，降低服務中斷風險。
- 監控運行：設置即時儀表板追蹤回應時間與滿意度，客訴量下降 35%，會員續約率回升至 74%。
小技巧
- 用 ChatGPT 產出灰度檢查清單，prompt 寫「列出上線前 10 項驗證，含流量比例與監控指標」。
- 用 Notion 建回滾紀錄表，欄位含版本、觸發條件、負責人與時間。
- 用 Zapier 串接部署通知到 Slack，失敗自動觸發回滾流程。
- 用 Claude 比對新舊版本日誌，prompt 寫「找出異常錯誤碼並排序」。
練習題
本節摘要
- 部署：雲端/本地/混合、整合、擴展、監控
- 灰度發布 + 回滾
- 監控運行
30.9 MLOps
為什麼學_this？
MLOps 是 AI 持續運營的保障。
核心教學
什麼是 MLOps？
MLOps 是機器學習運營，類比 DevOps，但針對 ML 模型。它管理模型的生命週期、部署、監控和持續更新。
MLOps 的關鍵組件：
環境管理
- 管理訓練環境
- 版本控制
- 可重現性
模型管理
- 模型版本
- 模型註冊
- 部署管理
監控
- 性能監控
- 數據漂移偵測
- 告警
CI/CD
- 自動化測試
- 自動部署
- 持續交付
MLOps 工具：
- MLflow
- Kubeflow
- Airflow
- Weights & Biases
商業範例
一家約 400 人的連鎖健身品牌，旗下 35 間門市長期面臨會員流失率偏高的問題。教練與客服只能憑經驗判斷誰可能退會，往往等到會員取消才察覺，錯失挽回時機。
- 模型版本管理：將流失預測模型納入版控，每季迭代一次，準確率由 68% 提升至 84%。
- 自動部署：新模型上線時間從 3 天縮短至 40 分鐘，部署錯誤率下降 90%。
- 性能監控：即時追蹤預測偏差，異常告警讓模型失效平均反應時間由 5 天降至 4 小時。
- 持續更新：每月自動重訓，高風險會員識別率提升 27%，成功挽回約 1,200 名會員。
小技巧
- 用 ChatGPT 產出監控腳本骨架，再補上資料漂移告警門檻。
- 在 Notion 建模型版本表，記錄訓練資料、指標與部署日期。
- 用 Zapier 串接 Slack，模型異常時自動通知值班人員。
- Prompt 寫法：請 Claude 以表格列出模型上線前檢查清單。
- 每週用 ChatGPT 比對新舊資料分布，標出偏移特徵。
練習題
本節摘要
- MLOps 管理模型生命週期
- 組件：環境、模型、監控、CI/CD
- 確保持續穩定
30.10 ROI 計算
為什麼學_this？
計算 ROI 證明 AI 專案價值。
核心教學
AI 專案 ROI 計算：
收益
- 人力節省
- 效率提升
- 錯誤減少
- 銷售提升
成本
- 數據成本
- 模型成本
- 部署成本
- 維護成本
ROI 公式
ROI = (總收益 - 總成本) / 總成本 × 100%
ROI 計算範例：
一家寵物用品公司的 AI 客服：
- 年收益：節省 2 人力 × $30,000 = $60,000
- 年成本：$20,000
- ROI：($60,000 - $20,000) / $20,000 = 200%
商業範例
一家擁有 12 間門市的連鎖健身中心，長期面臨會員續約率偏低與教練人力調度混亂的問題，每月流失近 8% 會員，行政團隊需花費大量時間手動排班與追蹤合約。
- 導入 AI 續約預測模型：提前 30 天識別高流失風險會員，續約率由 62% 提升至 79%
- 建置智慧排班系統：依教練專長與會員預約自動媒合，排班人力成本降低 18%
- 部署對話式客服機器人：處理 70% 常見詢問，客服工時每月減少 240 小時
- 整體投資 380 萬元，年度新增收益與節省成本合計 1,140 萬元，ROI 達 200%
小技巧
- 用 ChatGPT 列出專案全部成本項：人力、工具訂閱、API 費用與訓練時間。
- 用 Notion 建 ROI 表，欄位含成本、收益、回收期，每月更新一次。
- 請 Claude 寫 prompt：「列出此 AI 專案三項隱性成本並估算金額」。
- 用 Zapier 自動抓取工時與費用資料，減少手動輸入誤差。
練習題
本節摘要
- ROI = (收益 - 成本) / 成本
- 客服 AI ROI 150-300%
- 考慮所有成本和收益
30.11 變更管理
為什麼學_this？
AI 導入需要變更管理。
核心教學
AI 導入的變更管理：
員工抗拒
- 擔心被取代
- 學習負擔
- 信任問題
透明溝通
- 告知目的
- 說明好處
- 消除疑慮
培訓支持
- 基礎培訓
- 技能提升
- 持續支持
逐步導入
- 試點開始
- 逐步擴展
- 收集回饋
變更管理步驟：
商業範例
一家擁有 40 間門市的連鎖健身品牌，導入 AI 排課與會員流失預測系統時，遭遇教練抗拒與資料分散的痛點。管理層決定以變更管理手法推動，降低導入阻力。
- 透明溝通：公開 AI 僅輔助排課、不取代教練，三週內教練接受度由 42% 升至 85%。
- 培訓員工：開設 6 堂實作課，讓 120 位教練學會解讀流失預警，課程完成率達 96%。
- 試點驗證：先於 5 間門市試行，會員續約率提升 11%，再推廣至全品牌。
- 逐步推廣：分三階段上線，每階段間隔一個月，導入爭議案件減少 60%。
小技巧
- 用 Notion 建立「變更公告」資料庫，把每項調整的生效日與影響範圍寫清楚。
- 在 ChatGPT 輸入「用 100 字向非技術同事說明這次流程變更的好處與影響」生成草稿。
- 用 Claude 整理員工回饋，prompt 寫「將以下意見歸類為支持、疑慮、反對三類並摘要」。
- 用 Zapier 把表單新回覆自動推送至 Slack 頻道，讓主管即時回應疑慮。
練習題
本節摘要
- 變更管理：溝通、培訓、逐步、回饋
- 重視員工感受
- 逐步導入
30.12 失敗案例
為什麼學_this？
從失敗案例中學習避免踩坑。
核心教學
常見的 AI 專案失敗原因：
需求不清
- 沒有明確目標
- 範圍模糊
- 期望過高
數據不足
- 數據品質差
- 數據量不夠
- 數據不相關
技術過度
- 過度追求先進
- 忽視實際需求
- 複雜化
缺乏支持
- 高層不支持
- 員工抗拒
- 資源不足
期望管理
- 對 AI 期望過高
- 忽視人的因素
- 急於求成
商業範例
一家擁有 12 間門市的連鎖健身中心，教練排班與會員續約預測長期靠人工經驗，導致熱門時段人力不足、流失會員未被及時挽回。
- 先釐清需求：聚焦續約預測而非全套 AI 轉型，三個月內將高風險會員辨識率提升至 78%。
- 確保資料品質：清理 5 年會員進出場紀錄，補齊缺漏欄位後，模型準確率由 61% 提升至 84%。
- 不過度追求技術：捨棄昂貴深度學習，改用決策樹，開發成本降低 40%，準時上線。
- 管理期望：向高層說明 AI 僅供輔助，試行半年後會員續約率提升 9 個百分點。
小技巧
實操貼士
- 用 ChatGPT 把失敗案例貼進對話，要求列出「根本原因、忽略的警訊、可提前偵測的指標」三欄。
- 在 Notion 建「失敗模式庫」，每案記錄觸發條件與對應檢查清單。
- 用 Claude 重寫專案章程，prompt 寫「假設此專案會失敗，列出最可能的五個原因」。
- 用 Zapier 串接 Slack 與 Jira，當風險標記超過兩週未更新即自動提醒負責人。
練習題
本節摘要
- 失敗原因：需求、數據、技術、支持、期望
- 明確需求、數據品質、管理期望
- 從失敗中學習
30.13 課程總結
課程總結
下一步學習
- C-31 LLM 應用開發入門：開發
- C-30 應用：開始管理您的 AI 專案
- C-21 AI Agent 原理與應用：進階
© 2026 Buddylala.ai — Build Your AI Future, Together.