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 Production workflow。
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。
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。
拆解 acquisition、qualification、intelligence、reporting 與 operations，持續 review Production log、規則與資料品質。
明確條件先用 deterministic rules；AI 處理語境、分類與摘要；以 validation、fallback、traceability 與 Source Health 管理輸出。
形成可每日執行的 Dashboard、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 Production 的可靠性。
來源取得本身就可能不穩定
不同來源有不同的 session、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 output 也需要治理
分類名稱、confidence、fallback、allowlist 與 deterministic fallback 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 Production evidence 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 classification 邊界、Dashboard / Source Health、Production log review 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 fallback 或 partial data。
- 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 allowlist 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 diagnostic output 必須分開。
Key Decisions
四個決策，讓 AI 從 Demo 變成 Production capability。
AI is not the whole system
資料取得、資格判斷、治理、報表與 Production Health 都是產品的一部分，AI 只負責其中適合語境理解的工作。
Deterministic rules guard boundaries
日期、門檻、hard reject、known mapping、allowlist 與 schema validation 優先由明確規則處理。
Human review remains explicit
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。
Source Health is a first-class capability
不只看 final count，而是觀察 session、candidate、raw item、filter、relevance、threshold 與 deadline 等階段。
Product / System Design
把 Acquisition、Qualification、Intelligence、Reporting 與 Operations 做成同一套產品。
From Plan to Production
每天跑一次，才真正看得出產品模型是不是可靠。
Production review 不是只確認 workflow 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、relevance、classification 與 final output。問題可能來自 session、DOM、日期搜尋效率、detail navigation、門檻、分類或 deadline，因此需要保留足夠 traceability 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 evidence：哪些規則需要調整、哪些 AI output 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-assisted workflow。
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。
Product evidence
- Self-built monitoring dashboard
- Source Health / diagnostics views
- Daily structured output
- Monthly report workflow
Public safety boundary
- 不公開 credentials、cookies、selectors 或 private queries。
- 不公開 production endpoints、raw debug payloads 或反爬實作細節。
- Facebook、Instagram、Threads 持續分開呈現。
What I’d Do Next