Selected Work / AI Social & News Intelligence

Full Case · AI & Automation / Product Operations

AI 輿情監測平台:從人工監測,到可每日運作的 AI 輔助輿情系統

真正的產品問題不是「能不能叫 AI 幫忙摘要」,而是如何把跨來源資料取得、資格判斷、分類、報表與來源健康狀態做成每天可靠運作的系統。

2025–2026產品管理 / Product HeadAI & Automation正式營運
AI 輿情監測平台儀表板與正式系統視覺摘要

Executive Summary

AI 不是整套產品;可每天運作的流程、規則與診斷能力才是。

挑戰

把跨新聞與社群的人工搜尋、閱讀、分類、整理與彙整,轉成可靠的每日正式運作流程。

我的角色

拆解資料取得、資格判斷、分析整理、報表與營運流程,持續檢視正式執行紀錄、規則與資料品質。

作法

明確條件先用固定規則處理;AI 負責語境、分類與摘要;再以驗證、備援、可追溯性與來源健康管理輸出品質。

成果

形成可每日執行的監測儀表板、資料輸出與月報流程,讓人力集中在判讀、例外與後續行動。

Context

原本的工作不是「缺一個 AI」,而是整條流程高度人工。

原流程需要人工搜尋不同來源、開啟內容、判斷日期與相關性、分類、摘要,再把結果整理成報表。這些步驟中,有些是明確規則問題,有些需要語境理解,也有些必須保留人工判斷。

因此產品設計的核心不是把所有步驟交給 AI,而是先把整條工作流程拆清楚,再決定每一段應由規則、AI 或人負責。

Problem

只把 AI 接在最後一段,無法解決正式環境的可靠性。

來源取得本身就可能不穩定

不同來源有不同的登入狀態、候選數、日期條件、互動門檻與資料可得性,不能只用「最後有幾篇」判斷系統健康。

AI 輸出也需要治理

分類名稱、信心分數、備援、允許清單與明確規則備援都必須被追蹤,否則模型輸出會逐步偏離正式規則。

My Role

把人工工作拆成產品能力,再持續用正式運作證據修正。

我的工作包含流程拆解、資料來源策略、資格判斷規則、AI 分類邊界、監測儀表板/來源健康、正式執行紀錄檢視與後續優化。

在實際運作中,我特別把 Facebook、Instagram、Threads、PTT、Dcard 與新聞來源分開看待,避免因為某一平台的問題,就把整體原因誤判成同一種錯誤。

Constraints

這類產品的限制,來自來源不確定性、AI 不確定性與營運節奏。

資料來源不是穩定 API 清單

  • 來源可得性與資料完整度不同。
  • 部分來源可能只有備援方式或部分資料。
  • 不能為了提高數量而無限制增加查詢與操作。

AI 不能被當成絕對答案

  • 分類必須受允許清單與正式規則約束。
  • 語境模糊與商業敏感案例仍需要人工判斷。
  • 正式輸出與診斷輸出必須分開。

Key Decisions

四個決策,讓 AI 從 Demo 變成可以正式運作的產品能力。

AI 不是整套系統

資料取得、資格判斷、治理、報表與正式環境健康狀態都是產品的一部分,AI 只負責其中適合語境理解的工作。

明確規則守住判斷邊界

日期、門檻、明確排除、已知對應、允許清單與資料格式驗證,優先由固定規則處理。

人工覆核責任保持清楚

模糊案例、規則調整、商業解讀與異常確認保留人工責任,不把不確定性藏在模型裡。

來源健康是正式產品能力

不只看最終篇數,而是觀察登入狀態、候選內容、原始資料、過濾、相關性、門檻與時間限制等階段。

Product / System Design

把資料取得、資格判斷、智慧分析、報表與營運做成同一套產品。

AI 輿情監測正式流程:資料取得、資格判斷、智慧分析、報表與正式環境健康狀態
AI 分類治理:明確規則與 AI 輔助分類經驗證後形成正式分類
來源健康循環:從來源存取到最終收錄的資料漏斗與健康狀態
人與 AI 的判斷邊界:規則、AI、人工三種責任邊界

From Plan to Production

每天跑一次,才真正看得出產品模型是不是可靠。

正式排程檢查不是只確認流程成功或失敗,而是逐段檢查來源健康、候選數、原始內容、日期、門檻、相關性、分類與最終輸出。問題可能來自登入狀態、頁面結構、日期搜尋效率、詳細頁導覽、門檻、分類或時間限制,因此需要保留足夠的可追溯紀錄才能判斷。

每一次正式排程結果都會變成下一輪產品決策的證據:哪些規則需要調整、哪些 AI 輸出需要治理、哪些來源應該保守處理,以及哪些異常其實不值得為了「數量」而增加更多風險。

Impact

把固定整理工作轉成系統化流程,讓人力集中在真正需要判斷的地方。

從人工搜尋、閱讀與整理,轉成每天自動執行、可觀測、可持續修正的 AI 輔助流程。

原流程約需 2 人、每日各約 1 小時進行固定搜尋與整理。現在例行資料取得與整理可由系統處理,人力更集中在模糊判讀、異常確認、商業解讀與後續行動。

這裡不把這個基準換算成誇張的效率百分比或年度節省金額,因為真正重要的是工作結構被改變,而不是只追求一個推算數字。

Evidence

公開證據只呈現產品結構與安全化後的正式輸出。

產品證據

  • 自行建立的監測儀表板
  • 來源健康與診斷畫面
  • 每日結構化資料輸出
  • 每月報表產製流程

公開安全邊界

  • 不公開帳號憑證、cookies、頁面選擇器或私人查詢條件。
  • 不公開正式環境端點、原始除錯資料或反爬實作細節。
  • Facebook、Instagram、Threads 持續分開呈現。

What I’d Do Next

下一步不是再加更多 AI,而是讓治理與決策證據更成熟。

品質治理

讓分類、相關性、備援、信心分數與人工覆核結果更容易被長期追蹤,判斷產品品質是否真的改善。

決策證據

把來源健康、分類品質、人工覆核與報表使用結果連回產品決策,避免優化只追求抓取數量或模型輸出表面一致。