根據 KPMG 與 Ketchum Analytics 發布的報告《Thriving in an AI world》,新冠肺炎 COVID-19 的肆虐,使得企業對於人工智慧技術的應用需求急遽增長、發展迅速。
由蜂行資本與台灣人工智慧學校發布的《2021 台灣企業 AI 趨勢報告》,指出台灣仍有 75% 的企業 AI 成熟度屬於 Level 0 ~ 3,也就是 75% 的企業處於開始導入 AI,但尚未體現商業價值的階段。
筆者長期協助企業進行資料治理與產業 AI 化的導入工作,就近觀察諸多企業的策略與具體執行狀況,歸納出三點從 0 到 1 的成功關鍵。
對的題目
大多數的企業,同時面臨許多營運痛點。但在導入 AI 的起步之初,必須先決定做什麼 (以及不做什麼)。關於選對題目有幾個重點:
- 快速制勝 (Quick Win)
- 高效益
- 資料可取得
- 可擴展性
首先,Quick Win 至關重要,因為初期導入 AI 的專案,不僅僅是可行性評估,而是變革轉型的基石。每一項變革專案都會遇到困難,在克服挑戰的過程中,Quick Win 是團隊持續推進的動力,是團隊建立手感的契機。
對的題目應具備足夠高的效益 (但高效益的題目未必是好題目),可以透過「商業效益高低」、「AI 實現程度難易」將議題分成四類,優先選擇「難度易、效益高」的低垂果實 (Low-hanging Fruits),來滿足 Quick Win。
Google Brain 前任負責人、Landing AI 創辦人吳恩達教授在近期的訪談中直言:
「許多企業投入的專案,在我看來當今 AI 技術仍未可行」;
「企業導入 AI 之初,沒必要投入 1000 萬美元級的專案,重點在獲得動力而不是 ROI」。
其次,當前主流的 AI 浪潮,係基於資料驅動,透過分析龐雜資料,歸納出人力難以發現的洞見。因此,對的題目必須建立在資料可取得的基礎上。值得一提的是,AI 專案需要哪些資料,是有資料盤點與資料採集的方法論,未來討論到實務案例時,再來做說明。
最後,對的題目必須要有可擴展性,才能讓 AI 應用在企業內部持續推動。補充說明,這邊指的可擴展性未必是數量級擴展 (1 個馬達設備異常偵測 → 全廠馬達設備異常偵測),也可以是應用概念的擴展性 (設備健康度分析 → 員工流失率分析)。
對的團隊
許多企業在初期進行 AI 導入時,會著眼於內部 AI 技術人才稀缺急於招聘,卻因為初入新領域難以徵選合適人才。就筆者經驗,AI 專案最核心的並不是技術人員。
事實上,在醞釀企業 AI 化之初,團隊便已成形。一般來說,會有三種角色:決策者、場域主管,以及 IT 主管。這個團隊要做到這幾件事:
- 選擇投資組合
- 規劃發展藍圖
- 設計組織架構
所謂投資組合係基於企業文化與產業發展策略,在保護 (Protection)、優化 (Optimization)、成長 (Growth) 三大面向進行資源投入的比例調配。再配合企業自身的數位成熟度 (Digital Maturity),規劃 AI 發展藍圖。
值得一提的是,根據《2021 台灣企業 AI 趨勢報告》調查,企業管理層關注的投資組合分配為:
- 優化:53.7% (原問題選項為「提高組織效率」、「降低成本」、「其他」)
- 成長:24.5% (原問題選項為「增加收入」)
- 保護:21.8% (原問題選項為「提升客戶忠誠度/體驗」)
在組織架構方面,不同企業作法不盡相同,但能讓 AI 成功落地者有共同特徵,就是 AI 團隊中心化。因為 AI 應用需要跨部門協作,中心化團隊有助於水平擴展服務整個企業。
當上述三點具備雛形後,便可以選定合適的議題、團隊進行 AI 專案。
以終為始,落地為王
企業導入 AI 的初期目標就是落地 (而非效益)。因為企業導入 AI 起步之初,受限於內部團隊的經驗與能力尚未成熟,高效益的亮點專案大多需要投入大規模資源委外建置,而這些亮點專案的技術門檻較高,即便要求技術移轉,短期仍不易如期、如質、自行達成。
因此,鬆綁效益優先的思維,從 Quick Win 的 AI 專案開始做起,在 6 個月左右的時間落地,才能讓團隊獲得信心與持續發展的動力。關於落地,同樣也有幾項要點:
- 對齊動機
- 可持續運作
- 可版本更新
能夠確實落地的 AI 專案,必是對齊利害關係人的動機,獲得眾人充分支持。利害關係人大致可分為使用者、管理者、經營者。以製造業的設備預知保養為例:
- 對於使用者,要能減輕工作負擔 — 在設備故障前提早偵測異常
- 對於管理者,要能降低管理風險 — 預防非計畫性停機、提前備料
- 對於經營者,要能創造商業效益 — 增加生產力、減少保養費用
所謂可持續運作,係指 AI 專案並不能只限於研究報告,而是一個最小可運行的系統及其對應的日常工作流程。譬如產品生產配方推薦,AI 模型要能夠介接每日生產工單,根據不同品項推薦出合適的配方參數,交由生管覆核後投產,再由品管進行檢驗。
另一方面,要設計 AI 模型版本更新流程,對於 AI 模型未包含的新品項資料、品管檢驗不合規的資料,進行模型再訓練。
關於 AI 應用的可持續運作版本更新這塊,其實會涉及到 MLOps (Machine Learning Model Operationalization Management) 此更深入的技術,待後續另以專篇文章再行闡述。
![](https://miro.medium.com/v2/resize:fit:700/1*hTVFUN7MO1r9BTfDN8e_KA.jpeg)
企業導入 AI 初期的成功關鍵 (取自謝宗震博士的 AIA 授課簡報)
結語
本文的初衷是提供正確的理念,協助企業在導入 AI 初期,大幅提高組織內部對於導入 AI 的信心與持續發展的動力。因為我們相信產業 AI 化是全面晉升,有助於提升整體產業競爭力。
基於同樣的理念,筆者創辦 Chimes AI,研發 tukey — 企業級 AI 建模與管理平台,降低 AI 模型建置門檻,完善模型生命週期管理。讓 AI 落地,實現 AI 民主化 (Democratizing AI)。