AI和資料科學在最近幾年是非常火紅的話題，日常已經可以隨處可見各種廣告或者企業將AI掛在嘴邊，聲稱其應用採用AI人工智慧，幫助產品或者使用方式更加智能，為生活帶來更多的進展與生產力，身處軟體行業的我們，不免三不五時就會接觸這方面的資訊。

另一方面，公司的雲端方案是採取GCP (google cloud platform)，在與Google合作一段時間之後，我們也知道Google持續推出許多AI的相關產品，而且功能數量一直增加與改版，這個領域一直在快速發展。

然而我們不了解AI能夠為我們帶來什麼樣的幫忙，也不知從何導入，若將AI視為一種工具，也因為不了解這個工具的使用方式和成本，而無法做出適當的評估，投入可接受的人力與資源從可行面切入。決定怎麼跨入很困難，但倘若始終不嘗試跨入這個領域，終究也無法知道AI能夠幫團隊帶來什麼價值，好像是雞生蛋，還是蛋生雞的問題。

我們希望能夠明白，AI對於工作上的實務使用，與各方誇誇其談的理論，這個距離究竟有多遠？

在今年Q2剛開始的時候，因為營運上遇到一個既有技術或流程難以處裡的問題，轉念提出嘗試使用AI去克服的想法，加上團隊有新加入的夥伴擁有數學領域背景，看到了有機會研究的契機，又運氣不錯地獲得主管同意，開始了從零出發的研究。

這些日子努力以來，了解了一些入門概念，也走了一些彎路，目標還是鎖定在實務上的落地應用，順手分享這個過程與心得筆記，提供作為一點參考資料與日後回顧。

人工智慧(AI)領域廣闊，我們將目光先鎖定在機器學習(Machine Learning)上面，以下簡稱ML，ML是屬於AI底下的一支分支，也是資料分析與應用當中一個很重要的領域，就我們主觀的判斷，由於入門門檻要求「相對」較低，也有一些落地應用的機會和使用情境，所計畫從這個角度切入。

前面的篇章，會先就概念上的核心問題作討論，分享實際層面遭遇的困難，然後逐漸帶入我們怎麼決定題目和參數，以及棘手的資料處理問題，而後決定採用Google Vertex AI的工具協助人員和經驗不足的部分，實現ML能夠根據團隊想法延伸帶來的價值。