這是一個令人驚訝、幾近死裡復生的企業案例。 佳世達曾在2005年因併購西門子（Siemens）行動通信部門失利，當年慘賠新台幣300多億元，隨後被迫出售諸多轉投資事業及資產，並大幅減資，幾乎被判了「死刑」，很少人相信它有機會鹹魚翻身。但幾年後，佳世達竟「復活」了，這家口袋不深、才剛走出營運低潮的企業，如何將有限的資源精準花在刀口上，又如何在短短七年內開枝散葉，吸引約七十家企業夥伴加入聯盟呢？

在資料科學或是機器學習上，資料特徵的取得一直都是非常重要的議題， 若能選擇到好的特徵，即使是非常簡單的模型都可以有好的預測或分類效果。比如說在預測體脂肪率的過程中，選擇用「體重」當特徵來預測體脂 肪顯然會比選擇用「擁有的手機品牌」來預測體脂肪的準確度高。然而在收集原始數據 (raw data)時，往往會將有用和無用的資訊都收集進資料庫，這時候若採用到錯誤特徵或是不合適的特徵就可能造成模型效能不佳的問題出現。