建立團隊的評測平台：從腳本到基礎設施
每個人各跑各的腳本，分數無法比較。這是評測平台的最小可行設計。
資料飛輪：讓產品使用產生訓練資料
最好的訓練資料來自產品本身。關鍵是把回收機制設計進使用流程。
評測的統計嚴謹性：信賴區間與多重比較
200 題的評測集，91% 和 89% 的差距可能完全是雜訊。
標註流程自動化：用模型做初標，人只做審核
人工從零標註太慢。模型初標加人工審核，速度通常快三到五倍。
處理標註分歧：什麼時候該改指南、什麼時候該接受模糊
不是所有分歧都該消除。有些分歧反映的是任務本身的模糊性。
合規視角的資料治理：保存期限、刪除權與跨境
AI 專案的資料治理不只是資安問題，還有法遵要求要滿足。