AI 導入準備常見名詞整理：PoC、Data Pipeline、Edge AI 與特徵工程
一、先把 AI 專案的名詞放回流程
AI 專案會同時出現 PoC、資料管線、Edge AI、特徵工程與模型漂移等詞。如果團隊只記住英文縮寫，卻不知道每個詞在專案生命週期負責哪一段，就容易把展示、驗收、部署與維運混在一起。
本篇以製造業常見情境整理名詞，重點是說明它們與資料、流程及責任的關係。實際工具或模型可以更換，但名詞背後的工作不能省略。
二、五個 AI 導入準備核心名詞
PoC
Proof of Concept，概念驗證。用受控範圍與明確資料、期間、指標測試想法是否可行。PoC 不是完整產品，也不應只用 Demo 是否能跑來判斷成功。
Data Pipeline
資料管線，負責把資料從採集、清洗、對齊、標註、特徵整理送到模型或報表。管線要能監控缺值、延遲、版本與失效狀態。
Edge AI
在靠近設備或現場的邊緣端進行推論或部分資料處理。適合低延遲、低頻寬或需要保留資料在廠區的場景，但仍要規劃更新、權限與離線回退。
Feature Engineering
特徵工程，將原始訊號轉成模型可使用的特徵，例如振動統計、溫度趨勢、週期差異或狀態持續時間。特徵必須能追溯來源與計算版本。
Model Drift
模型漂移，指設備、產品、環境或資料分布改變後，模型表現逐步下降。需要監控輸入分布、預測與實際結果，並安排重訓或停用條件。
三、把名詞對應到 AI 專案生命週期
探索階段先定義場景與 PoC；準備階段建立 Data Pipeline、標籤與特徵；部署階段決定 Edge 或中心化模型服務；運行階段監控品質、回饋與 Model Drift。每一階段都要有交付物與負責人。
若 Dashboard 出現風險分數，使用者應能知道它來自哪批資料、哪個模型版本與哪些特徵。這種可追溯性會直接影響現場是否願意使用預測結果。
四、名詞導入的四個檢核
- 定義、中文說法、資料來源與適用階段是否固定。
- PoC 是否有基準、樣本、期間與成功門檻。
- Data Pipeline 與 Feature Engineering 是否可追溯。
- Edge AI 部署與 Model Drift 是否有維運及回退規則。
五、結論：知道名詞的位置，才知道下一步做什麼
AI 名詞不是專案裝飾，而是工作分工的索引。把 PoC、Data Pipeline、Edge AI、特徵工程與漂移監控放回生命週期，團隊才能在討論技術時同步討論資料、流程與維護責任。
對應服務
禹芃科技可協助建立 AI 專案名詞與指標字典，規劃資料管線、Edge 部署與模型維運流程。
對應服務 CTA：AI 導入準備