🔑 名詞卡
GIGO（Garbage In, Garbage Out，垃圾進、垃圾出）
🎯 定義
業界用來強調資料品質重要性的原則：輸入模型的資料若是低品質的「垃圾」，輸出的預測結果也必然是垃圾。資料品質直接影響 AI 模型的可靠性與準確度。
重點
GIGO 是整個資料準備階段的核心前提，直接推導出三個實務動作：
| 動作 | 對應處理 |
|---|---|
| 把關來源 | 內部（ERP/CRM/機台/行為紀錄）與外部（開放資料/爬蟲/商業資料庫）皆須確認存取方式與法規限制 |
| 清理雜訊 | 缺失值、重複值、異常值處理 |
| 量化檢核 | 以 資料品質指標（完整性/一致性/準確性/即時性/唯一性）評估 |
記憶技巧
「模型再強也救不了爛資料」——考題若問「資料準備為何是 AI 專案成敗關鍵」，核心答案永遠指向 GIGO。
易混淆
- vs 過擬合：過擬合是「模型學太多雜訊」的建模問題；GIGO 是「資料本身就有問題」的輸入問題，兩者發生階段不同。
📖 課文原文「業界經常引用一句話：『垃圾進，垃圾出（Garbage In, Garbage Out, GIGO）』，即明確指出了資料品質直接影響 AI 模型的可靠性與準確度。」