科技數位

商傳媒｜責任編輯／綜合外電報導許多電子商務的人工智慧（AI）推薦引擎專案，在完成概念驗證（Proof of Concept, POC）階段後，往往難以順利整合至實際營運，導致專案停滯不前。專家指出，AI專案成功的瓶頸，通常不在於模型本身，而是將模型連結至真實系統、數據與業務流程所需的工程挑戰。根據《The AI Journal》報導，概念驗證階段的AI模型多在受控環境下運行，使用清理過的數據與固定的商品目錄，因此能展現高達92%的準確度。然而，一旦進入規模化部署，商品目錄顯著擴大且數據更為混亂（例如，POC使用5萬筆商品紀錄，實際生產環境可能達120萬個最小庫存單位），模型準確度便會大幅下滑至71%。將AI模型整合至既有的電商技術堆疊是一個複雜過程，涉及多個即時數據流與輸出目標，每個整合點都可能成為潛在故障點。此外，組織內部信任亦為關鍵因素，AI實施需採逐步導入模式，從人工審核的建議開始，逐步過渡至自動化決策，這類變革管理的時間單位需以季度而非短期衝刺計算。欲將AI從實驗階段推進至日常營運的成功組織，通常具備三大結構性特徵：首先是「統一數據層」，要求所有商品、客戶、交易與行為數據能透過單一、受控管的管道存取，這往往需要投資商品資訊管理（PIM）與客戶數據平台（CDP）。其次為「工程連續性」，指由工程團隊對AI模型與管道進行持續監控、重新訓練及調整。最後是「務實範圍」，即從可用現有數據解決的高投資報酬率問題入手，而非一開始就挑戰最艱鉅的難題。報告建議，商品資料豐富化、搜尋與發現最佳化，以及售後體驗自動化等，都是可在單一季度內見效的務實起點。例如，語義搜尋能在部署數週內帶來可衡量的轉換率提升。報告也提到，部分機器學習顧問公司在不了解客戶平台架構、數據結構或操作限制的情況下建置模型，常導致專案失敗。企業應尋求結合AI策略與平台工程能力的合作夥伴，著重長期成果與持續性，而非僅專案里程碑與交接。AI在電商領域被視為一項需長期建立、營運與優化的能力，而非單一專案。對於電商領導者而言，關鍵問題已不再是否採納AI，而是其組織能否彌合示範與實際營運系統之間的鴻溝，進而創造規模化營收。清潔數據、穩固整合及可靠的實施夥伴，是AI模型持續重新訓練並最終取得成功的基石。標籤： 合作媒體商傳媒

商傳媒｜吳承岳／台北報導根據日本《東洋經濟新報社》記者關山美沙紀·山下義韶的分析，日本醫療器材產業正承受嚴重的貿易逆差，年度赤字已突破2兆日圓。這項數據揭示了歐美醫療器材巨頭對該市場的強勢主導，同時也凸顯人工智慧（AI）技術在醫療領域快速發展的趨勢。這份由《東洋經濟新報社》發布的深度分析指出，日本醫療器材貿易赤字已超過2兆日圓。儘管日本在部分高科技醫療領域有所專長，但整體市場仍深受歐美大型企業，特別是所謂「Big 3」的影響。這些跨國企業在全球醫療器材市場上扮演關鍵角色，其技術創新與市場策略對日本本土產業構成巨大壓力。在此背景下，全球醫療器材產業的版圖正因人工智慧技術的導入而加速重塑。美國食品藥品監督管理局（FDA）作為全球重要的醫療器材審批機構，其針對AI搭載醫療器材的核准數量與趨勢，成為觀察產業未來走向的關鍵指標。《東洋經濟新報社》的報導中也公開了美國食品藥品監督管理局對於此類設備的核准件數排名，反映了AI在醫療診斷、治療輔助等方面的應用正快速普及，也預示著新一輪的技術競爭與市場洗牌。這不僅對日本，也對全球醫療器材製造商帶來新的挑戰與機遇，促使各國業者重新評估其產業競爭力與技術發展策略。標籤： 合作媒體商傳媒

商傳媒｜責任編輯／綜合外電報導一群 YouTube 創作者已在美國華盛頓哥倫比亞特區西雅圖的聯邦法院提起訴訟，指控亞馬遜（Amazon）未經授權，使用數百萬部他們的影片來訓練其生成式人工智慧（AI）產品。根據訴訟內容，亞馬遜涉嫌利用自動化下載工具，配合虛擬機和輪換 IP 位址，繞過 YouTube 的存取保護機制，大規模抓取影片。這些影片主要來自兩個學術數據集——HD-VILA-100M 和 HD-VG-130M，這些數據集最初僅供學術研究使用。其中...