第九屆 CMoney 專業分享暨招募說明會－AI 賦能的範例展示

在 2025 年 5 月 16 日的 CMoney 專業分享暨人才招募說明會中，我們邀請到來自 AI 團隊的 Jason、Charlie 與 Jacky，和大家分享 AI 團隊在實務開發中面臨的挑戰與解法。本次活動我們特別聚焦在「學術界與業界在 AI 專案上的差異」、「AI 模型實際應用於產品的策略」以及「團隊如何運用 AI 技術創造商業價值」這三大面向，藉此帶大家一窺 CMoney 如何讓 AI 不只是炫技、口號，而是真正為使用者創造價值的引擎。

AI 專案從學術研究走入產品實務

CMoney 的 AI 團隊成員不乏來自學術背景的專家，他們曾參與過各類學術研究與競賽，包括影像辨識、自然語言處理等領域。然而，當這些技術導入實際商業情境後，才發現「好模型 ≠ 好產品」。

CMoney CTO Jason 在活動中分享，學術界通常專注於追求模型在評估指標上的極致表現，尤其在 Kaggle 等競賽中，參賽者往往會傾注大量心力優化模型，只為在排行榜上取得更高分數，而較少考慮推論效率、資源消耗或實際部署的挑戰，但在 CMoney 的實務場景中，一個模型的「實用性」遠比「指標漂亮」更為重要。

另一個顯著差異體現在資料工程層面。學術研究通常假設資料是乾淨、有標註，且具備可重複實驗的條件；而在業界，資料往往不僅不完整，也缺乏明確的標註，需要仰賴隱性標籤資料，如使用者的點擊或互動行為，作為模型訓練依據。AI 團隊因此需投入大量心力進行資料清洗與前處理，否則將難以建立出具有良好表現的模型。

 

從「AI 能做什麼」轉向「AI 為誰做什麼」

在分享中，Charlie 特別強調了 CMoney 團隊的轉變歷程：「早期我們也常陷入技術導向的迷思，急於訓練模型，卻未先釐清實際的應用場景與需求，結果常常導致模型與專案目標脫節，最終無法落地應用。」

團隊認知到 AI 開發應該從「商業問題」出發，清楚定義問題與使用者需求，才不會讓技術空轉。CMoney 的 AI 團隊現在在專案開始前，會先問兩個問題：

1. 這個問題值得解嗎？（聚焦在商業價值與業務需求）
2. 這個問題解得了嗎？（評估技術可行性與資料條件）

只有在這兩個問題都明確的情況下，AI 專案才會啟動，讓團隊免於做出華麗但無法落地的模型。

Jacky 補充道：「我們不再問『我們能不能做出這個模型？』，而是問『這個模型能不能被誰使用？能不能解決問題？』」這也是 CMoney 對 AI 應用的核心觀點：以使用者價值為中心，讓技術成為達成目標的工具，而不是目標本身。

 

實際案例分享

為了讓參與者更具體理解 AI 如何應用在實際產品中，Jacky 分享了近期 CMoney 在「股市爆料同學會」App 中導入 AI 模型的實際案例。

「股市爆料同學會」是一個讓用戶自由發文、交流個股觀點的社群平台，但團隊在營運過程中意識到：在真實的商業場景下，文章的曝光資源並不是無限的，如何在有限的曝光空間中，把最適合的內容與作者，推薦給最有可能產生共鳴的用戶，成為推動用戶成長的關鍵課題。唯有精準匹配，才能最大化每一次曝光的價值，真正讓好內容被看見、讓導流發揮效益。

追蹤行為太稀少？改用社群互動向量預測追蹤行為

為了預測使用者可能追蹤哪些作者，團隊原本採用 Learning to Rank 方法，根據使用者與作者的資料與行為排序推薦對象。然而，實際操作中遭遇瓶頸——追蹤行為太稀少，資料無法支撐模型訓練。

為了解決這個問題，團隊改採兩階段作法：先透過其他社群互動行為（如按讚、留言、點閱）標示使用者與作者的向量關係，再以不同作者之間的相似度判斷是否可能建立追蹤關係。這種間接建模方式，不僅繞過了資料不足的限制，也提高了推薦的穩定性與成功率。

Jacky 分享：「我們原本以為只要套個 Ranking 模型就能解決，但後來才發現「追蹤用戶」這類行為實在太稀有，資料庫中根本沒有足夠的樣本讓模型有效學習。由於樣本太少，模型無法辨識出穩定的模式，也難以從中找到預測規則，導致訓練出來的效果非常不穩定。」這樣的現實迫使團隊調整策略，改從使用者的按讚、留言、閱讀等互動數據中，找出潛在的連結訊號，繞過追蹤資料不足的限制，讓模型能更穩定地學習使用者的偏好。

課題不只在模型，更在數據與上下游整合

Jacky 也坦言，最大的挑戰其實在資料收集與後端整合。AI 團隊需與產品、後端工程師密切合作，從資料流、API 設計、作者排序結果儲存格式，到如何與推薦系統串接，整個流程都需縝密規劃，才能建立一套能夠穩定接收、存取資料的機制。

經過數次專案不斷累積經驗，我們認知到真正能為產品加值的 AI，不是一個「準確率 99%」的 Demo，而是一套完整的資料與系統架構，才能與實際使用場景深度整合。

 

技術評估以「商業回饋」為最終目標

在評估 AI 專案成效時，CMoney 團隊不再單純追求模型準確率的極致，而是綜合考量以下因素：

• 預測準確性是否達到商業應用的標準？
• 模型是否具備自動收集新資料、持續優化的能力？
• 模型運行速度夠快嗎？部署成本是否可接受？
• 模型的預測結果是否與產品目標高度吻合？

Charlie 指出：「我們設計模型方案時其實很務實，不是要追求技術上最厲害的模型，而是要找一個真的能創造商業價值的解法。」所以 CMoney 團隊特別重視「商業回饋」這一點：如果一個模型上線後，能明顯改善使用者行為（如點擊率、停留時間、活躍度），那才是真正有價值的技術。

 

不只寫 Code！AI 工程師更是理解用戶、推進專案的綜合型角色

AI 專案之所以能夠成功落地，靠的從來不只是「一個很厲害的工程師」，而是一個跨部門合作的過程。

在需求定義階段，PM、AI 工程師、資料分析師會共同討論問題的本質與可解法。接著，AI 團隊會進行模型訓練與測試，並與後端團隊合作推論流程。最後，產品設計團隊需進一步優化使用者體驗，讓模型的結果真正被用戶感知。

Jason 分享：「我們常常需要與不同部門溝通，釐清需求、共同規劃實作方式，有時候一個模型能不能上線，取決於大家能不能在會議室裡講清楚彼此的語言。」

這樣的經驗，也讓 AI 團隊成員獲得了比單純寫 Code 更廣闊的視角與能力，能夠理解產品邏輯、資料流設計，甚至參與使用者回饋的分析，成為「產品共同創作者」的一份子。

 

結語：我們相信 AI 是創造價值的工具，而不是目的

這次的分享會，CMoney AI 團隊透過實戰經驗，分享了 AI 專案如何在真實的產品脈絡中發芽、落地、成長。我們相信 AI 的價值不在於「做得多難」，而在於「能不能讓使用者感受到有幫助」；我們不追求最前沿的炫技模型，而是關注怎麼用 AI 幫助更多用戶做出正確的決策、提升生活品質，這就是 CMoney 一直以來「幫助每個人做好人生投資」的精神所在。

如果你也熱愛 AI 技術，同時關心使用者體驗與商業價值，誠摯邀請你參與未來 CMoney 的專業分享暨招募說明會。這裡不只有技術深度，更有產品視角與商業溝通的歷練，讓你用專業創造影響，成為驅動產品與用戶價值的核心力量！

＊本文由 CMoney AI 團隊共同整理，內文內容整理自 Jason、Charlie 與 Jacky 的實務經驗與分享。