開場案例。以 IBM Watson 的 Jeopardy! 挑戰說明文字探勘、自然語言處理與信心估計如何整合成即時問答系統。
理解 DeepQA 的設計原則、輸入規模、回應時間，以及為何多模型與信心評估是自然語言問答的核心。
IBM Research 於 2010 年開發 Watson，並在 2011 年 Jeopardy! 首次人機對戰中，與 Brad Rutter、Ken Jennings 競賽。
| 原書資訊 | 數值／內容 |
|---|---|
| 比賽形式 | 兩場比賽合併計分；播出 3 集 |
| 播出日期 | 2011/2/14–2/16 |
| Ken Jennings 冠軍連勝紀錄 | 75 天 |
| Watson 可用內容 | 2 億頁內容 |
| 儲存容量 | 4 TB |
| 比賽中網路連線 | 未連接網際網路 |
| 信心計算時間 | 約 1–6 秒；平均約 3 秒 |
| DeepQA 技術 | 超過 100 種技術 |
| 研發期間 | 約 3 年 |
| 核心研究團隊 | 約 20 名研究人員 |
DeepQA 同時產生多種解讀／假設，由不同元件提供證據與信心，再整合成最終信心值；四個設計原則為大規模平行處理、多專家方法、全面信心估計，以及淺層／深層知識整合。
原書提供的是系統規模與回應時間，未提供可重算的準確率或投資報酬率明細，因此不自行推估。
Watson 的優勢不是單一演算法，而是把大量不同方法並行、比較與加權。管理上，這類系統的關鍵不只是「能產生答案」，而是能否在時間限制內估計答案可信度，並決定是否採取行動。
根據上述 DeepQA 原書資料，整理 Watson 的輸入、處理、信心值、輸出與限制；若原書未提供準確率或投資報酬率，不得自行補值。
問題： 若平均可用回應時間由約 3 秒縮短至 1 秒，DeepQA 的管理重點會如何改變？
參考解答： 原書沒有提供 1 秒情境的效能數字；可合理判斷延遲限制會更嚴格，因此平行處理、候選答案篩減與信心估計的時間效率更重要，但不能宣稱準確率會提高或下降多少。