AI 協作分析：從問題到可執行程式

35 分鐘

AI 在 Data Science 中能做什麼、不能做什麼

學習目標：理解 AI 可協助 framing、code、debug、解讀、文件，但責任仍在人。

你把一份「服務支援分析資料包」丟給 AI 助理，問它：「幫我看看哪個服務組別最需要增加人力。」AI 很快回了一段程式碼、一張圖表，還有一段結論：「B 組的案件量最高，建議優先增援。」這個回答看起來很完整，但它背後隱藏了好幾個沒有被檢查的假設：AI 怎麼知道 value 欄位這次代表的是案件量、而不是平均處理時數？它有沒有排除掉 status 為草稿、之後會被覆蓋的列？如果沒有人去檢查，這個看似合理的結論很可能只是一個寫得很流暢的錯誤。

import pandas as pd

# clean：服務支援分析資料包，一列代表某個服務組別在某個期間的一筆量能記錄
df = pd.read_csv("DS202_Analysis_Package_Clean.csv", parse_dates=["period"])
df.shape
df.dtypes
df[["record_id", "period", "group", "value", "unit", "status"]].head()

# 先問：這次的 value 欄位，單位（unit）是什麼？status 有幾種？
df["unit"].unique()
df["status"].unique()

• 先確認 value 這次代表哪一個 unit（指標），再談數字高低
• 確認是否已排除 status 為 draft 或 superseded 的列
• 確認是否已排除 sensitive_flag 為真、不應流入一般分析的列
• 確認彙總的 group、period 範圍，是否真的對應你想回答的問題

重點: 能完成步驟不代表結果可信；本節的能力必須能被驗證、重做並清楚說明。

40 分鐘

Context for Data：Schema、Definitions、Constraints

學習目標：提供 schema、grain、units、限制與禁止假設，避免 AI 猜欄位。

同事把資料檔案路徑丟給 AI，只說「幫我算每個組別的平均值」，沒有說明 unit 欄位其實同時扮演「量測單位」與「指標識別」兩個角色（unit 是 count 代表案件量，是 hours 就代表平均回應時數），也沒有說明 status 欄位有 validated、draft、superseded 三種狀態，並非所有列都能直接拿來分析。AI 為了完成任務，會自己「猜」出一套假設，例如假設整個 value 欄位代表同一種指標、假設每一列都是已核可的資料。這些假設很少被說出來，但足以讓整個分析從一開始就是錯的。

import pandas as pd

df = pd.read_csv("DS202_Analysis_Package_Clean.csv", parse_dates=["period"])

# grain 檢查：同一個 group + period + unit 是否唯一？
df.groupby(["group", "period", "unit"]).size().max()

# unit 有哪些值？它同時決定了這一列是哪一種指標
df["unit"].unique()

# status 分布：是否存在還不能拿來分析的 draft 或 superseded 列？
df["status"].value_counts()

1. 1寫出 schema 與型態
   列出每個欄位的名稱、型態與允許值，不要假設 AI 已經知道。
2. 2定義 grain
   清楚說明一列資料代表什麼，是否可能有重複或版本關係。
3. 3標出單位與換算規則
   如果同一欄位在不同列有不同單位，必須明確告知，並說明換算或分組規則。
4. 4列出禁止假設
   明確寫出「不可以假設……」，例如不可以假設所有列的 status 都已經是 validated。

• 欄位名稱、型態與允許值是否都已列出？
• 一列資料代表什麼、是否存在重複或版本關係，是否已說明？
• 同一欄位若有不同單位，換算或分組規則是否已講清楚？
• 「不可以假設……」的禁止清單，是否比允許清單更明確？

重點: 能完成步驟不代表結果可信；本節的能力必須能被驗證、重做並清楚說明。

40 分鐘

從分析需求到可驗證 Prompt

學習目標：以 task/context/requirements/output/verification 結構撰寫分析 prompt。

「幫我分析一下這份資料」是一個任務，但不是一個可驗證的 prompt。可驗證的 prompt 必須讓你事後能檢查「AI 到底有沒有做到我要的事」。把 prompt 拆成五個部分：task（要做什麼）、context（資料是什麼）、requirements（限制與規則）、output（輸出格式）、verification（要附上什麼讓人可以驗證），能大幅降低 AI 自己補假設的空間。

mask = (df["unit"] == "count") & (df["status"] == "validated") & (~df["sensitive_flag"])
filtered = df[mask]

print("篩選前列數：", len(df), "篩選後列數：", len(filtered))

monthly = filtered.groupby(["group", filtered["period"].dt.to_period("M")])["value"].mean()
monthly.sort_values(ascending=False).head()

• Task 是否寫清楚用哪個欄位、哪個指標？
• Context 是否涵蓋 schema、grain 與版本關係？
• Requirements 是否寫出篩選條件與禁止的操作？
• Verification 是否要求附上程式碼與篩選前後列數？

重點: 能完成步驟不代表結果可信；本節的能力必須能被驗證、重做並清楚說明。

40 分鐘

AI 生成 Python：Read Before Run

學習目標：執行前檢查 imports、columns、filters、joins、formula、副作用與預期輸出。

同事收到 AI 生成的一段程式碼，看起來很專業，就直接按下執行。程式跑完沒有出現任何錯誤訊息，於是他直接把輸出貼進報告。三天後才發現，那段程式碼裡有一個 join 用錯了 key，導致部分組別的資料被重複計算了兩次。Read before run 的意思是：在按下執行之前，先用清單逐項檢查程式碼要做什麼，而不是等結果出來才回頭找問題。

import pandas as pd

df = pd.read_csv("DS202_Analysis_Package_Clean.csv")
volume = df[df["unit"] == "count"][["group", "period", "value"]].rename(columns={"value": "volume"})
cost = df[df["unit"] == "usd"][["group", "period", "value"]].rename(columns={"value": "cost"})

# 這個 join 只用 group 當 key，忘了同時比對 period，
# 導致同一個 group 在不同月份的列互相配對，列數被大量放大
merged = volume.merge(cost, on="group")

merged.to_csv("output_summary.csv")  # 有副作用：會覆寫既有檔案
print(len(volume), len(cost), len(merged))  # merged 的列數遠大於 volume 與 cost 各自的列數

• 這段程式碼用到的每個欄位，名稱與型態是否都存在、正確？
• 篩選條件是否真的對應到你要的業務規則？
• join 的 key 在來源資料中是否唯一？會不會造成資料重複？
• 程式是否會寫入或覆蓋既有檔案？這是否是你預期的？

重點: 能完成步驟不代表結果可信；本節的能力必須能被驗證、重做並清楚說明。

55 分鐘

Guided Lab：AI Pair Analyst

學習目標：在教師引導下，讓 AI 提案並實作分析，再獨立驗證每個關鍵步驟。

• 前往 DS 202 實作頁面
• 預覽下載乾淨版分析資料包（CSV，合成資料）
• 下載 Guided Lab 起始 Notebook
• 預覽下載資料字典（繁體中文）
• 預覽下載資料字典（英文）

1. 1提供資料 context
   把 schema、grain、unit 規則與禁止假設寫給 AI，作為它提案的依據。
2. 2請 AI 提案並產生程式碼
   用 task/context/requirements/output/verification 結構寫出 prompt，請 AI 提出分析方法並實作。
3. 3Read before run
   執行前逐項檢查 imports、columns、filters、joins、formula 與副作用。
4. 4獨立驗證關鍵步驟
   自己重新計算至少一個關鍵數字（例如篩選後的列數或其中一組的平均值），確認與 AI 的輸出一致。
5. 5記錄仍需要人工判斷的項目
   列出這次分析中，哪些判斷（例如要不要納入 draft 列）仍需要業務端確認，而不是程式能自動決定的。

• 只看結論合不合理，沒有重新算過任何一個關鍵數字
• 忘了把 sensitive_flag 為真的列排除在分析之外
• prompt 沒有要求附上篩選前後的列數，事後無法核對
• 把 AI 生成的程式碼直接執行，沒有先逐項檢查 join 與 filter

重點: 能完成步驟不代表結果可信；本節的能力必須能被驗證、重做並清楚說明。