ML 專案最常見的失敗，不是模型不夠強，而是一開始就問錯問題。
先定義：要預測什麼、用什麼衡量成功、資料是否可行。
所有 ML 專案的起點不是寫程式，而是把模糊的業務願望，翻譯成一個可被機器學習的明確問題。「想提升營收」不能直接訓練；但「預測哪些客戶下個月會流失」就可以。問對問題，後面才不會白做。
要解決什麼商業痛點？成功長什麼樣子？
分類？回歸？分群？決定整套技術路線。
用什麼數字判定「做得夠好」？
一句話：問題定義 = 把「想要更好」變成「預測 X、用 Y 衡量、達到 Z 才算成功」。
選一個業務情境，看它該對應到哪種 ML 問題、輸出長什麼樣、用哪個指標衡量。同一個生意，問法不同，做出來的模型天差地遠。
注意「客戶會不會流失（分類）」和「客戶值多少錢（回歸）」雖然都關於客戶，但問題類型、模型、評估指標完全不同——這就是問題定義的威力。
問題定義決定整個 AI 專案方向,iPAS 高頻考點(初級科目一、中級科目一)。重點:把商業問題正確轉成可解的 ML 任務(分類或迴歸等)、釐清輸入輸出、並定清楚成功指標。易混點:評估指標要從商業目標反推(在意漏報還是誤報);常見錯誤是目標模糊、指標與商業脫節、把無資料支撐的問題硬上。情境:判斷該不該用 ML、選對指標。
想練情境題與詳解 → AI 學習與考證地圖
它決定整個專案方向；把商業問題正確轉成可解的機器學習任務，目標錯了再強的模型也沒價值。
明確的目標與商業價值、要預測什麼(輸出)、用什麼資料(輸入)、屬於哪類任務(分類或迴歸等)，以及成功的衡量標準。
從商業目標反推：在意漏報還是誤報、可接受的錯誤代價；讓技術指標(如召回率、F1)對齊真正的業務成果。
看是否有足夠且相關的資料、問題是否有可學的規律、規則式方法是否不夠，以及預期效益是否大於成本。
目標模糊、指標與商業脫節、把無資料支撐的問題硬上、忽略資料可得性與標註成本、未設清楚的成功門檻。