原文連結：【先行者經驗：Chimes AI執行長謝宗震】靠ChatGPT輔助，非技術人員更容易發想AI新點子
作者：郭又華
透過ChatGPT背後的龐大資料庫及自然語言處理能力，企業能從全世界的案例中學習AI應用場景等新知，而且連非技術人員都能參與。
企業數位轉型開始擴大導入新興科技時，對非技術人員往往會面臨很大的適應考驗，他們不知道如何應用新科技、分析數據或解讀BI報表來決策。AI新創Chimes AI執行長謝宗震從去年底開始，開始用ChatGPT協助自家企業顧客面對這些挑戰。
企業可以輸入簡單的資料，透過ChatGPT來探索新興科技應用發展可能。圖為Chimes AI利用提示工程所打造的AI專案開發計畫產生器，只要輸入專案議題，就能生成一整份企畫。（圖片來源／Chimes AI）
可用ChatGPT產生AI提案計畫書
有一家使用了Chimes AI建模與管理平臺產品的企業，老闆想要將AI擴大應用到其他部門，要求各部門提案。不過，非技術部門不熟悉AI技術，無法想像如何將AI應用於工作流程優化。
謝宗震參考自家過往AI導入案例，利用提示工程做法，讓ChatGPT自動生成AI應用發展企畫書。謝宗震說，這份企畫書已經足以提供企業思考的大方向，之後只要稍做修改，就能成為具可行性的計畫。目前可以利用ChatGPT生成AI應用場景的計畫書、產生專案開發計畫、建議專案資料盤點、模擬專案資料、補齊專案資料、提供解讀等等不同專案階段的參考資料或知識。
能學習ChatGPT如何解讀BI報表
如何運用ChatGPT來輔助非技術人員，例如企業業務團隊常需要參考BI報表來決策，不過，就算有BI報表，業務人員不一定能將報表內容直接轉化為具體洞見或執行計畫。謝宗震觀察，對不諳資料科學的中階主管而言，從BI報表上冰冷的數據找到延伸方向，並整理為合理易懂的解釋，不是一件易事。這是一個ChatGPT能應用的場景。企業可以輸入報表或各式圖表給ChatGPT，讓它生成出易懂的分析來作為報告參考。
謝宗震說明，AI可以幫忙從資料之間的關聯性找出可能解釋。舉例來說，ChatGPT能快速觀察出太陽能光電廠的發電量跟天氣、氣溫、能見度等變數間的關聯性，並輸出易懂的文字結論，例如發電量與哪個變數關聯性最強。
儘管ChatGPT是處理自然語言的AI，不過也有辦法讓它讀取視覺化圖表。使用者可以對ChatGPT描述圖表資料結構，例如折線圖XY軸，再將數據以CSV的格式提供給ChatGPT，它就能讀懂非純文字的圖表。謝宗震也觀察到，為了避免資料外洩等原因，企業實務上通常不會直接將所有數據輸入ChatGPT，而是將部分數據或模擬數據提供給ChatGPT解釋後，再參考它生成的解釋方向，來解讀實際數據。
ChatGPT參數及提示輸入是成果精準度關鍵
如何善用提示工程來引導ChatGPT的生成時，謝宗震提到，對ChaGPT定義使用者角色的重要性。舉例來說，在請ChatGPT發想技術應用企畫時，可以指示ChatGPT扮演生產技術部門裡面的一個品管人員，生成的企畫細節就會更加貼近實務需求。甚至，若指示ChatGPT扮演經驗豐富的數據科學家角色來解釋BI報表，解讀能力也會提升。
企業導入ChatGPT的另一個隱憂是生成結果的精確度。作為一個生成式AI，ChatGPT會不會輸出與實務情況脫節的內容，例如在生成報告時，添加了現實中不存在的數據或細節等？謝宗震坦言，這種情況確實有可能發生，因此在ChatGPT API的參數設定及指令輸入上，必須依照需求做出相對應的調整，才能獲得足夠精確的輸出成果。
舉例來說，在ChatGPT API中，提供了一個Temperature參數，決定生成結果的多樣性，數字越高，多樣性越大，也就越可能與現實脫節。因此在需要高精度和可重現性的應用場景中，可以將此參數降為0。不過，也有些應用場景反而需要ChatGPT生出更多元的結果，例如探索新興技術應用可能時就需要調高。
雖然ChatGPT只能根據2021年9月之前的數據來生成內容，不過，謝宗震認為，參考2年前的網路資料雖無法讓企業一躍成為業界最前線，但已經足以讓企業不落於人後。他甚至表示，這種用ChatGPT生成新興技術應用企畫的做法，「是一般企業追趕頂尖企業最好的方法。」
資料模糊化技術將成降低資料外洩風險關鍵
對不少企業來說，使用ChatGPT這類工具的一大疑慮，是擔心敏感資料外洩。謝宗震認為，首要做法是，企業內部要規範好數據控管機制，以避免員工不慎上傳涉及個資隱私或營業機密的數據。接下來，則是妥善利用資料模糊化技術。
由於企業使用ChatGPT來進行企畫書或報表解讀時，通常只需要大方向的趨勢解讀，因此企業可以先模糊化數據，再輸入數據給ChatGPT。這些方法包括將具體數字轉化為百分比、在數據中加入一定程度的雜訊，或者以實際數據為基礎，做出一份模擬數據。
不過，謝宗震認為，隨著越來越多企業認同ChatGPT等AI工具的價值，未來資料模糊化技術也會更加重要。就算財力雄厚的大型企業能直接購買一套AI模型，部署到自家環境中，要做到這種程度的投資前，企業內部仍須先進行小型概念驗證，建立企業對這類工具的信心，因此資料模糊化這種較簡單的做法，對於大小企業來說都有其必要性。
