企業導入私有 AI 引擎需要準備哪些資料？
AJ
技術總監・專長：AI 影像辨識與模型訓練、企業私有 AI 引擎導入、ERP / IoT / POS 系統整合、雲端架構與數位轉型規劃
壹立方數碼技術總監，累積 20 年以上系統開發與整合經驗，主導 500+ 專案導入，負責 AIAcVision 影像辨識與 CUBI 酷比企業 AI 大腦的架構設計、資料治理與上線維運。
技術審閱：壹立方數碼 系統整合團隊（ERP / IoT / POS 系統整合團隊）
發布日期 ・最後實質更新 ・閱讀時間約 7 分鐘
直接回答
企業導入私有 AI 引擎前，最重要的準備是盤點資料源（資料庫、文件庫）、建立欄位與指標的統一定義，以及設計唯讀權限與稽核紀錄，而不是急著串接模型。
名詞定義
- 語意層
- 介於資料庫與 AI 引擎之間的定義層，用來統一各部門對同一個名詞（例如「毛利」「客單價」）的計算方式，避免同一問題在不同部門得到不同答案。
- 唯讀帳號
- 僅具備查詢權限、不具備新增／修改／刪除權限的資料庫或系統帳號，是 AI 引擎連接企業資料庫時的基本安全設計。
先盤點資料源，而不是先選模型
企業內部的資料通常分散在 ERP、進銷存系統、電商後台、Excel 試算表與內部文件庫（合約、SOP、產品手冊）等多個地方，格式與更新頻率各不相同。導入前應先列出這些資料源，標註每個來源的擁有部門、更新頻率、資料量與存取方式，才能評估哪些適合直接連接資料庫、哪些需要先做文件整理。
- 結構化資料：ERP、進銷存、CRM、MSSQL / MySQL / PostgreSQL 中的交易與主檔資料
- 非結構化資料：合約、SOP、產品規格書、會議紀錄、客服對話紀錄
- 半結構化資料：部門自行維護的 Excel 報表、Google 試算表
建立資料字典與欄位單位定義
同一個欄位名稱在不同系統中可能代表不同意義，例如「單價」是否含稅、「數量」是用箱數還是件數計算，若沒有事先定義，AI 引擎在整合多個資料源時容易產生誤解。建議在導入前建立資料字典，記錄每個關鍵欄位的定義、單位與資料型態，供後續語意層設計參考。
指標公式要先在語意層固定下來
「毛利」「庫存週轉率」「客單價」等常用指標，往往在不同部門或不同主管的認知中有不同算法，例如毛利是否扣除運費、是否分攤共同成本。這類算法差異若沒有在導入前釐清並固定在語意層，AI 引擎回答出來的數字即使計算正確，也可能與某個部門原本認定的答案不一致，反而降低信任度。因此建議在專案初期就召集財務、業務等相關部門，共同確認每個核心指標的計算口徑。
權限範圍與稽核紀錄要一併設計
私有 AI 引擎連接內部資料庫時，應以唯讀帳號連線，並依角色設計可查詢的資料範圍（例如業務只能看自己負責的客戶資料），避免權限過大造成資料外流風險。同時建議保留每一次查詢與回答的稽核紀錄，方便日後追溯與檢討。
建議從單一部門的高頻報表開始
與其一開始就想整合全公司所有資料源，更務實的做法是先選定一個部門中最常被詢問、格式相對穩定的報表或查詢需求（例如業務每日詢問的訂單進度、庫存主管每週查詢的庫存量），作為第一個導入範圍。等這個範圍的資料定義、權限設計與回答品質都穩定後，再逐步擴大到其他部門與資料源。
執行步驟
1盤點資料源清單
列出所有可能用得到的系統與文件，標註擁有部門、更新頻率與存取方式。
產出：資料源盤點表
2建立資料字典
針對核心欄位定義名稱、單位、資料型態與計算方式。
產出：資料字典文件
3確認核心指標算法
召集相關部門確認毛利、客單價等常用指標的計算口徑，固定在語意層。
產出：指標定義文件
4設計權限範圍與唯讀連線
依角色規劃可查詢的資料範圍，並以唯讀帳號連接資料庫。
產出：權限設計文件、唯讀帳號
5從單一部門試點導入
選定高頻報表需求作為第一個導入範圍，驗證回答品質後再擴大範圍。
產出：試點導入結果與檢討紀錄
結構化資料庫 vs 非結構化文件：準備工作比較
| 準備項目 | 結構化資料庫（ERP／進銷存等） | 非結構化文件（合約／SOP等） |
|---|---|---|
| 資料整理重點 | 確認欄位定義、單位與資料表關聯 | 確認文件版本是否最新、內容是否重複或過時 |
| 常見問題 | 同一欄位在不同系統定義不一致 | 文件格式不統一、缺乏版本控管 |
| 權限設計 | 以資料表或欄位為單位設定唯讀權限 | 以資料夾或文件分類設定存取範圍 |
| 更新頻率考量 | 多為即時或每日更新，需注意查詢時效 | 更新頻率較低，但需留意舊版文件被誤用 |
常見限制與前提
- 資料字典與指標定義的建立需要相關部門實際參與，無法單靠技術團隊獨立完成。
- 若原始資料本身品質不佳（缺漏、重複、格式混亂），AI 引擎的回答品質也會受限。
- 唯讀權限與稽核機制需要 IT 部門配合設定，導入時程會受既有系統架構影響。
- 先從單一部門試點雖能降低風險，但也代表初期能回答的問題範圍有限，需管理各部門的期待。
ACubeDT 的實務做法
ACubeDT 在導入 CUBI 酷比企業 AI 大腦時，會先與客戶內部團隊一起完成資料源盤點與資料字典建立，並針對常用指標召開跨部門會議確認算法，再將結果固定在語意層設計中。
CUBI 支援以唯讀帳號連接 MSSQL、MySQL、PostgreSQL 等資料庫，並可依部門或角色設計資料查詢範圍，同時保留查詢與回答的稽核紀錄，協助企業在導入過程中同步兼顧資料安全與可追溯性。
結論
私有 AI 引擎能否給出準確且一致的答案，關鍵不在模型本身，而在導入前是否完成資料盤點、指標定義與權限設計這些基礎工作。