問題定義

AI 專案最貴的錯誤不是模型調壞,而是一開始就解錯題 — 問題定義是 ML 專案最重要的第一步。

核心觀念

問題定義(Problem Definition)要一次講清楚三件事:這是分類(Classification)還是回歸(Regression)問題?目標指標(Metric)是什麼?業務目標與技術目標如何對齊?指標一旦選定,整個專案就朝它優化 — 選錯指標,模型會很努力地跑錯方向。

白話理解

客服部門說「想用 AI 減少客訴」:翻譯成技術題,是「分類 — 預測哪些工單會升級成客訴」,指標選 Recall,因為漏掉一件會燒起來的客訴,代價遠大於多派一次人力。業務語言到技術語言的翻譯品質,決定專案成敗。

定義清單

• 任務類型:預測類別 → 分類;預測連續數值(價格、日數、用電量)→ 回歸;無標籤找結構 → 分群
• 目標指標:分類先想清楚 Precision 與 Recall 哪個優先;回歸在 MAE 與 RMSE 之間選
• 成功門檻:超過什麼水準才值得上線?跟誰比 — 現行人工流程,還是基準模型?
• 限制條件:延遲、成本、法規、可解釋性要求

🎯 口訣:先問「這是什麼題型、怎樣算贏」,再動手開資料。

iPAS 考點

考任務類型判斷:「預測房價/住院日數/用電量」→ 回歸;「預測是否流失/是否為瑕疵品」→ 分類。經典陷阱:「預測購買機率」輸出雖是機率值,本質仍是分類問題。也考指標與業務對齊:重漏抓的場景選 Recall、重誤報成本的選 Precision — 答案永遠回到業務代價。