[書介] 《大數據與太陽花》：數據與資料背後的秘密|數位時代 BusinessNext

9月底香港所爆發的罷課與佔中社會運動，再次引起全球媒體的關注，看著電視台轉播，擠滿香港街頭的人群的畫面，總讓人想起今年台灣318太陽花學運當時，在立法院附近靜坐抗議的學生與民眾、330凱道遊行中有50萬人站出來。媒體每天在追補的就是數字的量，「量」代表這場運動的能量與能耐，也代表這個社會運動是才剛開始？還是已準備進入尾聲？

談到「量」，很容易讓人聯想起，這幾年一直被大家提到的一個名詞「巨量資料」（Big Data）。大約從2005年以後，全球所生產出的資料量就開始飛躍式的成長，各種資料隨著網路、社群、數位化等等各種形式與設備的演進，大量產生、大量累積。《大數據》的作者麥爾荀伯格（Viktor Mayer-Schönberger），就曾說：「如今大數據已經從量變產生質變，甚至也會改變人們思考事情的脈絡與研究方法。」

enter image description here

談巨量資料、大數據的專業書籍，從技術到趨勢比比皆是，關鍵評論網特別將網站上探討大數據的數篇文章集結成這本《大數據與太陽花》電子書，讓大家了解巨量資料有哪些應用。無論是在教育學習、疾病預測、甚至太陽花學運都可應用巨量資料分析，了解參與行為背後所代表的社會現象、價值觀。

例如，透過研究分析Google關鍵字可以預測流感下一個出現的地區，透過收集早產兒心跳數據，加以分析，可以即早用藥治療預防早產兒受到感染。大數據除了對疾病有預測、預防的功效之外，也對促進購買有助益，例如亞馬遜（Amazon.com）網路書店透過分析顧客購買商品的模式（patterns）與喜好，當顧客挑選某商品後，在下方透過「推薦購買」功能的方式，讓客戶願意再多放幾筆商品進入購物車。在成堆的資料裡，怎麼用數據去分析、去預測？麥爾荀伯格說：這就是透過巨量資料找到「相關性」。

巨量資料彼此之間的「關聯性」，比起過往我們習慣用「因果關係」來解釋事情，也許更具有對事件洞察透澈的面向。

例如，本書裡有一篇是台北大學社會系在太陽花學運期間，在立院四週進行問卷調查計畫，試圖想描繪出參與靜坐的人口圖像。透過四天的抽樣調查，共回收989份問卷，了解哪些人（學生或社會人士的比重）支持這場學運、以及澄清或回答某些人對運動參與者錯誤的想像。
例如，有人認為參與者通常不是來自自然領域的學生，這樣的說法在調查結果看來是稍稍偏離事實的，因為參與靜坐的有來自全國一百多所大專院校各科系的學生，包括：人文學門、工程學門、商管、藝術、醫藥等各科系，其餘參與的社會人士也是來自各行各業，並非只屬於某些領域。

巨量資料只是顯示「變化」，但不能告訴我們如何應對變化。如何在量的變化之間，找到關聯性，並加以利用，才能讓巨量資料發揮巨大的效能，並告訴我們資料背後所隱藏的秘密。

就像中研院歷史語言研究所研究員黃銘崇在本書中提到：巨量資料不僅只是看量大，還要包括資料的完整性，包括你和誰在一起、在哪一條街靜坐、待了幾小時、拍了哪些照片或影片、有什麼感想等。每一個個體的故事集合起來，就有數十萬個故事，而形塑了太陽花運動的歷史學巨量資料。在這些量與資料的背後，也許可以整理與分析出更多趨勢或現象，讓我們能更理解彼此。

(作者Jasmine,曾擔任科技媒體記者，現為Readmoo特約作者。)

《大數據與太陽花》（零元免費領取！）

AI 智慧代理人時代來臨！三大導入階段， AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」。

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」（Agentic AI），在最少人為干預的情況下，自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾，而是需要對AI有正確認識，並制訂循序漸進的導入流程，才能真正發揮AI功效。在2025台灣人工智慧年會中，cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段，深入剖析企業如何從概念驗證（PoC）階段，逐步推進到實際上線（Production），並分享實務經驗與觀察。

延伸閱讀：生成式AI可以怎麼用？cacaFly現身說法，助企業應用GCP服務智慧轉型

解鎖 Agentic AI，企業邁向多任務智慧代理

「很多公司會問，One AI 要做什麼事？但實際上，若要讓 AI 回答公司內部政策或新法條的相關問題，僅靠基礎模型並不足夠。」吳振和指出，要讓 AI 真正成為能「做事」的智慧代理人，前提是它必須理解企業內部的脈絡與知識，並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符，這意味著系統必須具備持續爬取與解析最新資料的能力。為此，企業必須先截取與整理內容，再建構成專屬的知識庫（Knowledge Base），確保資料品質達到可用標準後，再透過檢索增強生成（Retrieval-Augmented Generation, RAG）技術，使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀：從資料清洗到 RAG，大型語言模型的必需品，做出專屬企業的 AI 知識庫！

吳振和強調，這是一個動態循環的過程：從資料蒐集、品質控管、知識庫建構到生成應用，每一環節都息息相關，任何一處鬆動都會影響最終產出的準確性與可信度。

破除「一次到位」迷思，從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望，因此常將 PoC 視為年度計畫的重點，希望能「一次到位」做出具體成果。但吳振和提醒，若缺乏清楚的系統工程思維，PoC 容易淪為「概念展示」，難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程，分為三個關鍵階段：

1.第一階段：可行性評估（Feasibility Study）
企業必須在投入資源前，先明確界定「最需要被 AI 解決的關鍵問題」是什麼，並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性，更要從商業目標出發，釐清導入 AI 的具體使用情境、預期成效與風險邊界，如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段：系統設計與驗證（Design & PoC）
在確定導入方向後，必須規劃清楚資料蒐集與整理流程，確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調，這個階段不能只追求展示效果，而應以「產品化思維」來構築 PoC，使其具備可擴充性、可維護性及安全性，才能為後續上線打下基礎。

3.第三階段：產品化與營運（Production & Operation）
當 PoC 驗證完成後，進入正式上線階段，挑戰也隨之而來。除了需要整合企業內部系統與流程，還必須建立持續監控與維運機制，確保模型表現隨時間演進不會劣化，並能快速回應法規變動或資料更新的需求。吳振和指出，這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

建立模型優化根基，打造高品質的黃金資料集

吳振和特別強調，要讓 Agentic 系統工程真正發揮效益，企業必須先建立一套高品質的「黃金資料集」（Golden Dataset），作為模型評估與優化根基。他指出，黃金資料集的價值在於能為模型選擇與前測提供客觀依據，讓團隊能針對不同任務挑選最適合的模型，避免導入初期就誤踩方向。

同時，黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點，進而快速回應「模型飄移」（Model Drift）的風險。吳振和說明，所謂模型飄移，指的是即使模型本身未經改版，效能也可能隨著環境與資料變動而突然下降，導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果，團隊才能即時察覺效能衰退，並進行迭代更新，確保系統長期穩定運作。

從小規模應用起步，漸進擴展至核心業務

吳振和分享，在實際輔導企業導入 AI 的經驗中，最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證（PoC）階段即可呈現完整的產品原型，然而實際情況顯示，若企業未能建立完善的資料架構與流程基礎設施，即使短期內展現亮眼成效，也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時，應採取漸進式策略，從小規模應用場景著手，逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節，而非獨立的一次性專案。

AI 的導入不僅是一場技術升級，更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局，才能確保 AI 能在企業內部真正「落地生根」，創造長期商業價值，成為真正的智慧代理人。