儘管這次鐵人賽的後半段遭遇了些許波折，但我依然信守承諾，將所有文章完整呈現。
這一次的專案，對我而言是個相當巨大的挑戰，從無到有，一步步摸索資料爬取、清理，到模型訓練，每一步都是一次學習。幸運的是，有了 AI 工具的輔助，這段漫長的旅程得以大幅加速。
開發出的 MVP 版本，雖然離商業化仍有一段距離，但其在實務上的潛力不容小覷。這套系統能讓產品與客服團隊即時掌握顧客的痛點，有效分析海量評論，並快速產出關鍵洞察，大幅節省了傳統上耗費在人工標註與分類上的人力成本。
當初的靈感來源，其實是來自於工作上的需求。面對應用程式商店那龐雜的評論資料，手動整理儀表板的過程效率極低。這讓我開始思考：是否能打造一套自動化系統，不僅能自動化流程，更能迅速提煉出有價值的洞察，將人力從繁瑣的勞務中解放出來。
非常感謝你完整閱讀這 30 篇文章，並親手實踐這個 AI 評論洞察系統！若你有任何讓這個系統更臻完善的建議，歡迎隨時留言交流！
完整文章列表：
【Day 0】前言
【Day 1】專案規劃準備
【Day 2】工具與環境設置
【Day 3】如何從 App Store / Google Play 爬取應用程式評論資料
【Day 4】App 評論爬蟲設計與實作（1/5）
【Day 5】App 評論爬蟲設計與實作（2/5）
【Day 6】App 評論爬蟲設計與實作（3/5）
【Day 7】App 評論爬蟲設計與實作（4/5）
【Day 8】App 評論爬蟲設計與實作（5/5）
【Day 9】原始資料格式解析與初步檢查
【Day 10】資料前處理
【Day 11】資料探索性分析與視覺化
【Day 12】資料標註規則與主題分類定義
【Day 13】資料標註：工具選擇與實作流程
【Day 14】標註品質控管與一致性檢查：為什麼資料標註不能馬虎？
【Day 15】利用大型語言模型（LLM）加速資料標註流程
【Day 16】訓練語言模型的選擇：為什麼我用 BERT？
【Day 17】使用 LLM 進行自動標註流程
【Day 18】BERT模型訓練實作流程
【Day 19】評估指標介紹與選擇
【Day 20】提升模型性能：超參數調校與優化
【Day 21】Hugging Face：不只是模型庫，更是 AI 開發生態系
【Day 22】模型上傳流程與部署後測試
【Day 23】Dashboard 初版設計與系統開發設計
【Day 24】系統開發設計與實作（1/4）
【Day 25】系統開發設計與實作（2/4）
【Day 26】系統開發設計與實作（3/4）
【Day 27】系統開發設計與實作（4/4）
【Day 28】系統使用者測試
【Day 29】系統部署上線
iThome鐵人賽
看影片追技術
看更多
