訓練AI模型,要多少數據?拆解企業人工智慧專案為何難落地
訓練AI模型,要多少數據?拆解企業人工智慧專案為何難落地

企業的AI專案在釐清問題本質、找到命題之後,首先會面臨到一個問題:收集數據(Data Collection)和建立AI模型(Model Establishing),該以什麼作為評估基準?

AI模型
圖/ 若水國際

訓練一個AI數據模型,需要多少數據?

訓練AI數據模型時,其實有三個要素,彼此互相影響。分別是: 商業問題的複雜度AI模型複雜度 (Model Complexity),以及 數據複雜度 (Data Complexity)。

因此,如果想知道需要多少訓練數據(Training Data),建議先釐清:這個AI專案到底要處理什麼問題,以及這個問題有多複雜?確定之後,再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度,用不同複雜度的模型和精準數據彼此搭配,找出最佳平衡,才能讓AI專案順利落地。

掌握最新AI、半導體、數位趨勢!訂閱《數位時代》日報及社群活動訊息

但光憑想像,很難評估實際的AI數據量和成效,所以開始AI的第一步,需要先透過POC概念驗證(Proof of Concept)實驗來找答案。

AI模型
圖/ 截圖自YouTube

AI模型的POC概念驗證實驗怎麼做?

簡單來說,就是針對不同複雜程度的商業問題,嘗試選用不同複雜度的模型搭配測試,直到模型跑出來的曲線,符合理想目標。

一般狀態下,假設商業問題本身的複雜度很高,我們會預期要選擇複雜度較高的模型。但是如果數據量不足,那麼選擇複雜度較高的AI模型,反而會比用簡單的AI模型效果還差。(上圖左上、右上,分別代表複雜度10和複雜度50的問題,可以明顯看出複雜的模型曲線比較接近學習數據集(Dataset),但是在測試數據集上的誤差 Eout,反而比簡單模型還差了許多。)

上圖的左下和右下,是以不同複雜度的模型去做POC,跑出來的結果曲線圖。藍色線代表的是學習數據(Training Data)成效,紅色線代表的是測試數據(Testing Data)成效。最理想的POC目標,應該是兩條曲線很貼近彼此,而且位置越低越好。

我們會發現,左下這張圖的兩條曲線雖然彼此貼近,但是就算增加數據,也無法降低誤差。這表示模型偏誤(Bias)高,效果不佳,應該要增加模型複雜度 (Model Complexity)。

增加模型複雜度之後,就會像右下這張圖,藍色曲線(學習數據)雖然數值很低,但在學習數據不足的情況下(灰色區塊),紅色曲線(測試數據)卻「飄」得太高。這表示模型變異誤差(Variance)高,應該要增加學習數據。最後在慢慢增加模型複雜度以及學習數據之後,我們就可以達到理想的結果(兩條曲線很貼近彼此,而且位置越低越好)。

數據哪裡來?發展AI人工智慧之前,先建立數據流

先前我在文章裡提到,很多企業會急著開發AI模型,但AI專案落地經驗的三大關鍵之一,其實是先確認:是否已經準備好數據了?如果沒有這樣的能力,談AI落地其實有點好高騖遠。

軟體人才_軟體開發設計_軟體工程師_(來源shutterstock)_401334640.jpg
圖/ shutterstock

AI數據收集(Data Collection)最大的挑戰,在於針對不同型態的命題,會產生不同的AI數據需求,因此需要建立的「數據流」(Data Pipeline),AI數據處理 (Data Processing)和數據標註(Data Annotation)的模式及流程也會有所不同。

發展AI之前,如果能建立起從數據收集(Data Collection)、數據處理(Data Processing)到AI模型學習的數據流(Data Pipeline),並確保可以順暢運行,實際訓練AI模型時才會省力很多。

數據不夠或太多怎麼辦?

Google開設的機器學習(Machine Learning)課程中,第一項原則就開宗明義地指出:「Don’t be afraid to launch a product without machine learning」。

如果你的產品或業務不一定需要用到機器學習(Machine Learning),那就別用,除非你有AI數據。有數據,再來談機器學習(Machine Learning)。但在業界的實際狀況,大家不是沒有數據,而是只有一些些,這時候該怎麼辦?我會建議,先從小地方開始做起,也就是從POC專案著手。

POC專案要有具體成效,除了要注意設計專案、實驗模型的指標(Metrics),企業最重要的是要先定義清楚:AI專案要達到什麼樣的指標,才算是成功?這樣最後做出來的成果,才會真正符合商業目標。

如果今天不是沒有AI數據,而是數據很多,又該從何下手呢?

我建議,嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。

過去曾經處理過一個AI專案,數據多達2億筆。第一次實驗,把數據全部餵進AI模型,取得結果。第二次,只拿其中有代表性的500萬筆出來訓練人工智慧。

猜猜結果如何?兩次實驗的表現,只差異不到1%。

所以,如果企業對於AI數據的品質和數量有一定程度的自信根據,其實不用把數據全部餵進AI模型訓練(Model Training),只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具(Cluster),可以做到這點,幫助省時省力。

AI模型訓練,記得校準商業目標

企業發展AI人工智慧的最終目的,還是希望能 達到商業目標,創造價值

所以,訓練AI模型時,團隊如果不知道如何判斷哪個指標,對AI模型學習來說比較重要,建議回歸初心,重新釐清「 這個專案想達到的商業目標是什麼 」。

比方,趨勢科技(Trend Micro)要開發一個能夠判斷電腦病毒的AI,但是勒索病毒(denial-of-access attack)和廣告病毒對客戶的傷害程度大不相同。這時候,工程師就會針對這個命題,餵給AI模型不同病毒種類的數據,讓它學會判斷不同病毒的重要性,分辨出哪些病毒比較嚴重不能有判斷錯誤,而哪些病毒比較無害,不一定要做到一百分。

創業困境_突破難關障礙_overcome_shutterstock_521271766.jpg
圖/ shutterstock

最常見的訓練方法,是用成本函數(Cost Function)的方式,訓練完再回去調整AI模型的評分(Rating),用加扣分的方式,告訴機器它的學習表現是好是壞,做對就加分,做錯就扣分。

上述評分原則的制定,和企業的商業價值考量息息相關,所以一般在組織分工,會由PM專案團隊負責判斷哪些項目重要,請資料科學家設計在上述Cost Function裡面。

很多人以為,AI人工智慧開發要做到很完美才行,但其實根據我們的經驗,只要AI開發成本符合預算、AI模型表現可接受(大約做到60–70分),而且結果有助於降低成本,就可以算是達到商業目標。反過來,即使AI模型表現非常好(高達90分),但成本卻遠超出預算,就不建議執行。

另外,因為POC階段會做很多的實驗,需要拿兩個穩定且可以互相比較的基準做A/B Test,所以做好基礎建設非常重要。

如果一個團隊裡面有三位工程師,但三個人做出來的結果都無法互相比較,那麼這個實驗就會變得霧裡看花,導致AI專案難以落地。

AI數據小學堂:模型指標(metrics)

在做模型實驗時,通常會用混淆矩陣(Confusion Matrix)的四種指標:TP(True Positive)、TN(True Negative)、FP(False Positive)、FN(False Negative),以及Count、Unique和Accuracy等等函數,來判斷這個模型的表現好不好。

P或TN值,代表模型辨識的答案正確,和預期結果一致。例如:模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值,則代表模型的判斷錯誤,例如「明明是貓,模型卻說不是貓」、「明明不是貓,模型卻說它是貓」。

責任編輯:文潔琳、蕭閔云
本文授權轉載自:若水AI數據處理實戰攻略

往下滑看下一篇文章
生成式AI來襲、資安成焦點!AWS白皮書揭密金融業上雲契機
生成式AI來襲、資安成焦點!AWS白皮書揭密金融業上雲契機
2025.07.15 |

生成式AI詐欺暴增700%、嵌入式金融快速興起,數位轉型已成金融業不可逆的未來!金融機構正面對前所未有的技術挑戰與信任危機,從資安、AI應用,到用戶體驗與法遵合規,皆須重新部署,對此,AWS推出《金融科技創新與雲端應用白皮書》,結合全球趨勢與在地洞察,為台灣金融業提供明確的上雲行動方針。

金融詐欺事件因AI暴增,資安成雲端平台要務

隨著生成式AI迅速發展,金融詐欺的門檻大幅降低、手法愈加複雜。Deloitte金融服務中心預估,在「激進」採用GenAI的情境下,2027年電子郵件詐欺損失可能高達115億美元;美國的AI詐欺損失更將從2023年的123億美元,飆升至400億美元。

面對此等威脅,金融業無法再以傳統方式應對。AWS成為眾多金融業者信賴的資安後盾,Bowtie執行長Michael Chan表示:「AWS 擁有最多的安全認證,為我們的客戶和我們帶來其他雲端平台無法提供的安心感。」在生成式AI引發的新風險時代,選擇可信的雲端夥伴至關重要。

圖片1.jpg
圖/ aws

金融業大量部署AI,AWS協助企業提升效率與風控力

白皮書指出,40%的金融企業正積極學習如何部署AI,藉由大數據與機器學習,改善風險管理、詐騙偵測與投資策略。根據Gartner調查,34%的企業已部署AI應用,22%計畫在未來12個月內部署;IDC則預估,2026年全球AI支出將達3,000億美元,成長速度為一般IT支出的4.2倍。種種跡象指出,AI正快速融入金融核心流程。

為了跟上這波AI浪潮,越來越多金融業者採用AWS解決方案。以拉丁美洲新創銀行Nubank為例,不僅以AWS技術打造完全手機化的信用卡體驗,還成功管理超過7,000萬名客戶。其基礎設施領導者Renan Capaverde直言:「我們能達成目標,很大程度仰賴AWS提供的技術和架構。」

嵌入式金融正夯,AWS技術助銀行敏捷推新服務

應用內支付與嵌入式金融正逐步改變大眾對銀行的想像,根據Deloitte預測,社交平台上的應用內支付市場將以年複合成長率30%成長,從2024年的191億美元攀升至2030年的945億美元,甚至上看1,971億美元,成為社群商務支付的重要一環。

企業與金融機構要在這場變革中勝出,需倚賴更快速的產品開發與數據分析能力。透過AWS雲端平台與機器學習工具,銀行不但能加速新產品上線、改善用戶體驗,還能即時分析大量交易資料、交叉比對異常行為,強化風險控管能力。

銀行在AWS上營運,年省10兆瓦電力

AWS也能幫助金融業在推動ESG上一臂之力。根據Deloitte與AWS報告,AWS基礎設施的能效比美國企業數據中心高出3.6倍,並計畫於2025年實現100%可再生能源。

美國Capital One銀行在全面遷移至AWS後,關閉了8座資料中心,回收了41噸銅和62噸鋼,並從資料中心拆除了總計1,350萬英尺的電纜,總計每年可節省10兆瓦電力,相當於65萬個LED燈泡。

金融機構雲端轉型3階段:策略、導入、維運

Deloitte也在白皮書中建議,金融機構若真的想使用雲端服務,可採三階段策略推動雲端轉型。準備階段時,可確認雲端策略,進行雲適性評估,規劃長期願景;導入階段,金融業就要選擇合適雲技術,規劃雲原生架構,建立治理與搬遷計畫;最終維運時,強化DevOps與自動化,持續優化成本與效益。

台灣金融業上雲關鍵時機!AWS台北區域即將上線

隨著台灣金融法規逐步鬆綁,加上2025年AWS亞太(台北)區域啟用,現在正是台灣金融業上雲的關鍵時刻!屆時將包含3個可用區,支援資料落地、低延遲與高營運韌性,每個區域都具備獨立的電源、散熱與物理安全性,並透過冗餘的超低延遲網路連接,大幅強化災備能力與業務持續性。

此外,AWS台北區域將提供廣泛的核心雲端服務,包括運算、儲存、資料庫、網路、安全、監控等,讓台灣金融機構能在本地部署高效能的雲端應用,並享有國際級的安全與合規標準。

圖片2.gif
圖/ aws

立即下載《金融科技創新與雲端應用白皮書

掌握產業趨勢、實戰案例與資安關鍵策略,打造下一階段的金融競爭優勢!

追蹤我們
電商終局戰
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓