本案例涉及人工智慧（Artificial Intelligence, AI）。
用原書唯一的多模型評分範例，理解模型集合如何合併多種相似度訊號。
本案例依原書第 3 章的設計模式、範例或流程重組，並非原書正式案例研究。
原書以人工智慧／機器學習（Machine Learning, ML）資料去重為例。單靠精確比對、距離式比對或嵌入比對任一方法，都可能不足以得到準確的最終相似度；因此可依各方法的相對重要性組合分數，再得到最終分數。中間方法應盡量平行執行，以改善容錯與處理成長需求。
| 比對方法 | 原書角色 |
|---|---|
| 精確比對 | 提供完全相同的比對訊號 |
| 距離式比對 | 提供距離相關的相似訊號 |
| 嵌入比對 | 提供嵌入表示的相似訊號 |
| 整合方式 | 依相對重要性組合各分數 |
| 執行方式 | 中間方法盡量平行執行 |
在 Excel 建立候選紀錄與三種分數欄，再另設權重欄。只有在企業提供權重時才計算加權總分；AI 可解釋各訊號衝突，但不可自行創造權重。
原書沒有提供個別分數與權重，因此不計算最終相似度。
這個案例的重點是多訊號互補，而不是預設哪一方法一定最好。權重反映相對重要性，必須有明確依據；在原書未給數字時，教材不能產生一組看似正式的加權結果。
請比較每筆候選紀錄的精確、距離與嵌入分數，指出訊號一致或衝突處。若權重未提供，不得計算最終分數。