收到！各位打火弟兄注意，我是今天的資料分析兼 AI 戰術教官。裝備檢查完畢，全部給我集中精神進入狀況！

今天的救援任務是推進 「Day 23：AI 質化文本分析於 AML 與顧客申訴風險評估」！

在銀行金融營運與風險控制的火場裡，除了冷冰冰的數字數據外，最難撲滅的就是隱藏在 非結構化質化文本（Unstructured Text） 裡的暗火——例如 AML 異常交易審查註記、顧客合規申訴電子郵件，或是主管機關金檢稽核缺失事項。

如果缺乏標準化的文字分析戰術，只靠稽核人員逐筆人工閱讀成百上千筆申訴留言，不僅會因長時間審閱產生視覺疲勞與主觀偏見，更可能讓致命的洗錢防制破口或不當行銷合規風險逃過法眼！

以下依照我們的「救災標準作業程序 (S.O.P)」進行全方位的實務拆解與實力演練：

🚨 1. 災情評估與風險控制 (Size-up & Problem Analysis)

在非結構化質化文本分析的數據火場中，資訊煙霧與 AI 腦補是摧毀風控質量的致命盲點：

• 數據火場的致命盲點：
  1. 質化文本無法直接運算：傳統 SQL 公式或 Excel 樞紐分析表無法直接對長篇大論的申訴文字進行加總或計算。若未透過 AI 將非結構化文字轉化為量化指標（如情緒分數、風險等級），這些資料就只是無法發揮預警價值的「數據廢油」。
  2. AI 文本分析的腦補與幻覺（Hallucination）災難：在進行情緒分析與關鍵字萃取時，大語言模型（LLM）最常犯的錯誤就是「過度解讀與腦補」。例如當申訴文本僅平鋪直敘描繪過程時，AI 可能會憑空想像並補上一堆文本中根本不存在的負面情緒分數或風險關鍵字，造成風控失真！
• 打火弟兄最常犯的致命迷思：
  1. 迷思一：「直接把包含顧客姓名、身分證字號、銀行帳號與申訴地址的原始文本整包拋給公用 AI 模型。」 —— 這是嚴重的資安與個資違規！未經去識別化（De-identification）的敏感個資進入公用 AI 模型，等於將客戶隱私與企業機密暴露於外洩風險中。
  2. 迷思二：「以為只要叫 AI『分析這一段文字』，AI 就能自動給出符合金融合規規範的嚴重度判定。」 —— 錯！沒有給予明確的情緒標記範本、嚴重度定義與「反腦補防範指令」，AI 產出的結果將缺乏 consistency（一致性）與稽核可信度。

🧯 2. 戰術下達與核心原理 (Tactical Strategy)

為了精準將非結構化申訴文字轉化為合規風控表格，我們採用 「文本量化三軸 + 幻覺抗體防線戰術」：

1. 情緒分析量化（Sentiment Quantification）：
   將抽象的主觀情感轉化為客觀可計算的指標，如：-1.0 ~ 1.0 數值區間、1 ~ 10 分，或等級類別（極度負面 / 非常負面 / 負面 / 中性 / 正面）。
2. 關鍵風險字詞萃取（Risk Keyword Extraction）：
   強迫 AI 鎖定金融監管敏感詞（如「洗錢」、「人頭戶」、「非本人開戶」、「高利貸」、「強迫推銷」、「未告知風險」），並精確提煉出 3 個核心關鍵字。
3. 幻覺抗體指令（Anti-Hallucination Constraints）：
   在 Prompt 中預先加入嚴格邊界規則——「若文本未明確表達情感或未提及特定功能/風險，必須標記為『未提及』或『中性』，嚴禁自行推測或捏造數據」。
4. 資安去識別化（De-identification Protection）：
   進火場前，必須將客戶姓名、電話、帳號替換為代號（如 Customer_A、Account_X），確保個資安全。

🚒 3. 黃金救援步驟 (Actionable S.O.P)

事前佈線（Data Preparation & De-identification）

將 100 筆原始顧客合規申訴與 AML 異常監控文本進行去識別化處理，並宣告輸出欄位 Schema：

• 欄位：申訴編號、客戶代號、申訴/日誌文本內容、申訴管道。

深入火場（Analysis & Modeling - 實力練習：100 筆申訴文本自動輸出「合規風險分類與嚴重度標記表」）

步驟 1：輸入 AI 的結構化文本分析 Prompt（完全指定分類標準與防幻覺指令）

# Role (System Prompt)
你是一位金融機構的「合規風控與洗錢防制（AML）資深審查專家」。

# Task Objective
請針對我所提供的 100 筆去識別化顧客申訴與 AML 監控文本，進行質化文本分析，並自動輸出結構化的「合規風險分類與嚴重度標記表」。

# Constraints & Anti-Hallucination Rules
1. 情感分析需標記為：【極度負面(-3)】、【負面(-1)】、【中性(0)】、【正面(+1)】。
2. 關鍵字萃取：必須嚴格基於文本原文提取 2-3 個關鍵風險字詞，若文本未提及則填寫「無」。
3. 嚴禁幻覺腦補：若客戶僅陳述事實而無情緒用語，情緒必須標記為【中性(0)】，不可自行補抓負面推論。

# Risk Classification & Severity Rules
- **CRITICAL (極危險/嚴重度4)**：涉及洗錢疑慮、人頭戶、詐欺、資恐、威脅檢舉至金管會。
- **HIGH (高風險/嚴重度3)**：涉及不當行銷、未告知投資風險、理專挪用資金疑慮、未經授權扣款。
- **MEDIUM (中風險/嚴重度2)**：涉及系統異常、ATM吃卡扣款失敗、網路銀行當機交易中斷。
- **LOW (低風險/嚴重度1)**：涉及服務態度冷淡、臨櫃等候時間過長、環境衛生意見。

# Output Format
請輸出標準 Markdown 表格，欄位包含：[申訴編號 | 文本摘要 | 關鍵風險字詞 | 情緒分析 | 合規風險分類 | 嚴重度等級 | 是否需緊急人工覆核 (是/否)]。

步驟 2：AI 自動產出之「合規風險分類與嚴重度標記表」實力成果

殘火處理與儀表板（Visualization & Risk Dashboard Integration）

1. 品質管控與殘火覆核（Human-in-the-Loop）：
   風控稽核官對標記為 CRITICAL 與 HIGH 且「是否需緊急人工覆核 = 是」的案件進行 100% 人工抽查，並核對原始文本，驗證 AI 未發生情緒錯估或幻覺腦補。
2. Tableau 申訴與 AML 風險文字戰情室：
   將清洗並量化後的表格匯入 Tableau，繪製 「顧客合規申訴嚴重度趨勢圖」 與 「AML 關鍵風險字詞文字雲/樹狀圖（Treemap）」，讓風控高層一眼辨識當前全行最嚴重的合規起火點！

🛡️ 4. 隊長的精神訓話 (Takeaway)

「質化文本文字多，情緒量化與關鍵字提取不放過；防範 AI 腦補貼標籤，合規風險掃描最嚴密！」