[數位書介]《大數據：教育篇》：數位學習軌跡翻轉教育，實現一人學校時代|數位時代 BusinessNext

一人學校與大數據

美國紐約在2009年就有幾間學校開辦「一人學校」（School of one），將一套數學課程透過電腦演算方式，每天派送不同的「播放清單」給每一位學生，其實就是根據每一位學生不同的學習程度與需求，給予不同的題目來練習。線上課程Coursera創辦人吳恩達（Andrew Ng）也透過巨量資料分析的方式，讓原本有幾千名學生同時都答錯的題目，經過電腦演算分析，再主動給予相關主題的論壇貼文後，提高了六成學生下次面對同樣題目時的答對率。

大數據或稱巨量資料，到底怎麼幫助學生達到更佳的學習效果？大數據專家麥爾荀伯格（Viktor Mayer-Schönberger）和庫基耶（Kenneth Cukier）就在《大數據：教育篇》這本書裡提到，巨量資料其實是幫助適性學習，打造個人化的學習方式，這才是符合提昇學習效果的三大核心：回餽、個人化、可能性預測。

作者認為，大數據將為學習帶來的三大改變是：「第一、能蒐集到過去無法蒐集或成本過高的資料；第二、我們能夠將學習個人化，針對自己而不是群體的需求來做調整；第三、我們能夠用可能性的預測，調整出最好的學習內容，學習時機與學習方式。」

大數據帶來個人化的基礎

教育本來就是很個人化的事情，但是在傳統教育裡的大量規格化，其實並不符合每個人學習的歷程。但是以往在教室裡，因為是群體上課，很難針對單一個人「客製」課程，隨著「大規模開放式線上課程」（MOOC）、可汗學院、Duolingo語文學習等，這類新教學網站平台的出現，不但能針對個人量身打造專屬的教材和教學步調，更可以收集個人在平台上的數位學習軌跡，針對這些學習軌跡就可以進行學習分析，找出最佳的教學方法。

麥爾荀伯格和庫基耶在這本書裡，用五大章節來說明大數據如何翻轉現代教育，其中線上課程就是鬆綁教育資源最佳的例子。例如：可汗學院（Khan Academy）的學習方式就是一種推翻教室的概念，它讓學生在家觀看教學影片、到教室不是為了上課而是做解題作業。這種顛覆教學現場的學習模式，與過去慣用只有一種途徑的教學方式非常不同。

科技與教室更聰明的整合

但是，從此教室就消失了嗎？教室並不會消失。作者認為，線上課程並無法取代教室裡的教學活動，「用聰明的方式運用科技，並不會取代教師，只是重新配置教師的人力。」線上課程是來輔助教室的正規教學活動，而不是取代。

那麼如何輔助呢？以可汗學院為例，過去在教學現場無法針對個人學習進行詳細的記錄與保存，但可汗學院的線上系統可以記錄學生的學習狀況、犯錯情形、重覆看了哪些教材、停留時間多久、甚至是按照順序上課？亦或是跳著上課？這些數位學習軌跡將累積成為巨量資料，經過演算分析再回饋到教材，真正打造出屬於個人化的學習經驗。可汗學院所用的方式恰巧點出了在大數據時代下的教育變革，大家對於教育的思維應要改變，「把學校、課堂、教科書和課程，都視為平臺，用來蒐集、分析資料、再將資料導回，並改善教學。」

當然，作者也在書中點出線上學習記錄個人學習歷程的數位軌跡與隱私權的問題，形成另一種新型態的數位種姓制度？這些「數位印記」到底是幫助？還是隱憂？作者也在文中提到立法與管控運用的措施。

無論是教學現場、亦或是線上學習，作者透過大數據如何改善學習效果為應用領域，並點出在各種不同領域上，數位資料的保存、演算、分析的重要性，重點不在於資料，而是透過分析資料，能更深入了解周遭的世界與人類的行為，才有辦法提供更符合期待與需求的服務。

(作者Jasmine,曾擔任科技媒體記者，現為Readmoo特約作者。)
《大數據：教育篇》

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。