從產業痛點出發打造跨域AI智慧應用生態系

AI新創旅程: AI SYSTEM Problem → Data → Algorithm → System → Application 「AI 不只是技術，而是把真實問題轉化為智慧決策的能力。」

整體概念可以拆成五個層次： 第一層｜問題（Problem） 先從真實世界的問題開始，而不是先決定使用哪一種 AI。例如民宿面臨訂房率與需求預測問題、金融市場面臨 價格與趨勢判斷問題、數位資產面臨傳承問題、無人機面 臨故障與剩餘壽命問題、新聞產業則面臨內容生產與跨語 言傳播問題。

第二層｜資料（Data） 把不同產業的問題轉換成AI 可以理解的資料，包括歷 史訂房、房價、旅客行為、股票K 線與技術指標、數位資 產狀態、無人機感測器訊號，以及新聞文字、圖片與會員 行為等。

第三層｜演算法（Algorithm） 再利用機器學習、深度學習、最佳化演算法、時間序 列、生存分析、自然語言處理與大型語言模型等技術，建 立預測、分類、判斷與生成能力。

第四層｜智慧系統（Intelligent System） 研究成果不能停留在論文或模型，而要進一步工程化， 成為真正可以操作的系統：AI 民宿預測平台、金融預測平 台、AI 生存錢包、UAV 健康醫生，以及ITVTS AI 雙語新 聞平台。

第五層｜跨領域智慧應用（Cross-domain Intelligence） 最後可以發現，雖然五個領域看起來完全不同，但底 層其實具有共同架構： 真實問題→ 資料→ AI 演算法→ 預測／判斷→ 智慧決策 → 平台化→ 產業應用

我們不是為了AI 而研究AI，而是從產業問題出發，以資料建 立模型，以演算法形成智慧，再將智慧轉化為真正可以使用的平 台。

同一套AI 創新方法論，如何跨越五個不同 產業，逐步形成AI 智慧應用生態系。

AI 民宿預測｜AI 金融預測｜AI 生存錢包｜UAV 健康醫生｜ITVTS AI 雙語新聞平台 研究起點｜AI 創作理念與研究動機 核心概念 AI 研究的起點，不應該只是「現在有什麼新的AI 技術」，而應該回到 真實世界有哪些問題尚未被有效解決。

因此，整個研究與創作歷程採取「問題導向（Problem-Driven AI）」的方 法： 發現產業問題→ 蒐集資料→ 建立AI 模型→ 驗證預測能力→ 建構系統→ 導入 產業→ 持續學習與改善 這也是後續五個AI 應用共同的方法論。

五個研究動機 1. 民宿與旅宿產業 訂房具有高度不確定性。希望利用歷史訂房、日期、房型、價格與其他特 徵，建立AI 預測能力，協助業者從「經驗判斷」走向「資料驅動決策」。 2. 金融市場 股票市場存在大量歷史價格、成交量、K 線及技術指標資料。研究重點不 是單純預測一個價格，而是讓AI 從時間序列與市場訊號中辨識可能的趨勢與 轉折，形成決策輔助工具。 3. 數位資產與生存錢包 當人的資產逐漸數位化，死亡或失去行為能力之後，數位資產如何安全、 有條件地移轉，成為新的問題。因此研究AI、身份驗證、安全機制與數位遺 產管理的結合。 4. UAV 無人機健康管理 傳統維修多半是「故障之後才維修」。研究希望透過飛行紀錄、IMU、馬 達、電池、振動等資料，結合生存分析與AI，朝向預測性維護（Predictive Maintenance）發展。 5. AI 新聞與知識傳播 生成式AI 與大型語言模型成熟後，AI 不再只有「預測」，也開始具備 「理解與生成」能力。

因此進一步發展ITVTS AI 雙語新聞平台，把AI 導入內 容處理、翻譯、SEO、分類與雙語傳播。

AI 創新飛輪 ①真實問題Problem 產業痛點／使用需求／決策困難

②資料Data 蒐集／清理／特徵工程／知識建立

③AI 模型Intelligence 機器學習／深度學習／最佳化／LLM

④智慧系統System 預測／分析／自動化／決策支援

⑤產業價值Value 效率／安全／營收／創新／使用者價值 再回到 ①真實問題 形成持續迭代的AI Innovation Loop。

這五個產品並不是五個彼此無關的研究， 而是同一套AI 創新方法論，在五個不同產業 問題上的實踐。

AI 發展不是單一產品的開發，而是一個「研究→ 資 料→ 演算法→ 系統→ 跨域應用→ 生態系」逐步成熟的 過程。

本平台AI 發展時間軸｜2019–2026 專案演進 AI 的創作旅程，是從研究與資料累積開始，逐步走向演算法開發、模 型建立、系統落地與跨領域應用。 從早期的AI 民宿訂房預測開始，逐步延伸到AI 金融預測、AI 生存錢 包、UAV 健康醫生，最後發展到ITVTS AI 雙語新聞平台。 整個歷程代表AI 技術從「單一預測模型」，逐漸發展成「可以實際運 作的智慧平台」，並進一步整合成跨產業的AI 智慧應用生態系。 從研究到應用、從模型到平台、從單一系統到AI 生態系。

民宿AI 背景｜旅宿產業 痛點 民宿與旅宿產業最大的經營挑戰之一，是未來需求具有高度不確 定性。住房需求會受到淡旺季、平假日、房價、活動、天氣、旅客行 為與市場環境等多項因素影響，業者如果只依靠過去經驗，很難精準 掌握未來的訂房狀況。 因此，我們希望透過歷史訂房與營運資料，導入AI 預測模型， 預測未來的訂房機率、住房需求與房型需求，並進一步結合價格策略 及會員忠誠度機制，協助民宿從「經驗式管理」走向「資料驅動的智 慧經營」。

五個痛點 •需求難預測：今天的空房，不代表明天仍然沒有需求。 •淡旺季差異大：住房需求受到假日、季節與活動的明顯影響。 •房價難以最佳化：價格太高可能降低訂房率，太低則影響收 益。 •房型需求不同：不同旅客對雙人房、家庭房、包棟等需求不 同。

•顧客回流不足：一次住宿後，如何建立長期會員關係與忠誠 度，是重要課題。 從旅宿痛點到AI 智慧經營 旅宿經營痛點 訂房不確定｜淡旺季波動｜價格決策｜房型 需求｜顧客回流 ↓ 資料累積Data 歷史訂房｜房型｜價格｜入住日期｜旅客行 為｜外部因素 ↓ AI 預測AI Prediction 訂房機率｜住房需求｜房型需求｜需求趨勢 ↓ 智慧決策Smart Decision 房價調整｜房間配置｜行銷策略｜會員推薦 ↓ Token 忠誠度機制 住宿→ 回饋→ Token → 優惠→ 再次入住 ↓ 智慧民宿經營 提高住房效率× 提升營運決策品質× 增加顧 客回流

民宿AI 架構｜資料× AI 模型× 智慧決策 民宿AI 系統的核心，是建立一個完整的「資料→ AI → 預測→ 決策→ 回饋」閉環架構。 系統首先整合民宿的歷史訂房、房型、價格、入住率、旅客行為，以及 天氣、節慶、假日與地方活動等外部資料；經過資料清理與特徵工程後， 輸入AI 預測模型。 AI 模型進一步分析不同因素與住房需求之間的關係，產生訂房機率、住 房需求、房型需求與未來趨勢等預測結果，再轉化為房價、房間配置、 行銷與會員經營等實際決策。

最後，實際訂房結果重新回到資料庫，讓模型持續學習，形成持續改善 的AI 智慧經營循環。

圖表最重要的是最後這條回饋線 實際結果→ 回到資料層→ 模型重新學習→ 新的預測→ 新的決策 因此整張圖真正要傳達的不是單向流程，而是： Data → AI → Prediction → Decision → Feedback → Data 也就是一個AI Learning Loop（AI 持續學習閉環）。

混合演算法｜DE × GA × XGBoost × NARX 一、核心概念 民宿訂房需求不是單純的線性問題。 例如，同樣是星期六，房價相同，但是因為天氣、連續假 期、地方活動、旅客搜尋行為、前幾天的訂房變化不同， 最後的住房需求可能完全不同。 因此，單一演算法往往只能處理其中一部分問題。

我們採用的核心思想是： 讓不同演算法負責自己最擅長的工作，再把它們整合 成一套混合式AI 預測模型。

本文由許健泰博士所演講的"AI新創旅程"課題所局部摘錄