• AI solution pipeline is long.
• Domain collaboration is essential, but it has been hard.

根據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 》，指出台灣有 25% 的企業跨入 AI 應用成熟期。這些企業在花了很大的心力完成了 AI 亮點專案 (一般耗時 1–2 年)，這些專案的確為企業帶來商業效益，但也因為漫長的專案期程，影響團隊持續推進的效率。

隨著 AI 產生的成果在企業中得到認可，更多業務單位希望參與，在這個階段的企業需要解決兩大痛點：

• AI 模型的建置速度跟不上需求。過去需要 1–2 年的時間，才能開發出一款 AI 應用。因為有了明確的發展方向，開發項目與模型需求數量以倍數增加。
• AI 落地後的營運問題浮上檯面。AI 模型部署到生產環境後，才是模型生命週期的開始，隨著資料持續累積，可透過模型再訓練逐漸提升表現，但模型維運量倍數增長，面臨資源瓶頸。

因此，如何有效率地遍地開花，讓 AI 亮點規模化發展，是這些企業的首要任務。

筆者認為，企業要達成 AI 亮點規模化的核心關鍵是 AI 民主化 (Democratizing AI)，透過教育與技術革新，一方面普及 AI 思維，一方面降低 AI 建置與營運門檻。

在台灣，有 台灣人工智慧學校 ，以培育 AI 人才為使命，讓台灣在全球人工智慧快速發展的洪流中，能有一席之地 (這也是筆者長期在 AIA 任教的原因)。其中，重中之重是學習如何定義問題、確保資料品質。

台灣人工智慧學校校務長蔡明順在近期的 分享會 指出，許多企業擁抱AI，但卻面臨 AI 開發和部署速度不夠快的問題，基於技術供應鏈的革命性創新，選用簡化、自動化工具來降低 AI 進入門檻成為關鍵。

從 AI 模型建置與管理工作流程 (MLOps) 來看，可以分為幾種面向：

• 資料流自動化 (Data Pipeline) 工具
• 運算資源管理工具
• 無程式碼或低程式碼 AI 建模工具 (No-Code / Low-Code AI)
• AI 模型部署與更新管理工具

企業應依據自身 AI 發展成熟度，導入合適的外部工具，並與自主開發的系統整合，有效率地降低 AI 開發、部署與管理門檻，是實現從 1 到 N，AI 亮點規模化的成功關鍵。

在眾多工具中，筆者認為，最值得一提的是 No-Code AI。

現今的 No-Code AI 技術是集 1980 年代以來圖形化介面統計軟體、2010年興起的資料分析與視覺化技術、2015 蔚為浪潮的 AutoML、XAI (Explainable AI)、DevOps 大成。

No-Code AI 提供非機器學習演算法專家 (譬如：工廠電儀技師、銀行理財專員、電商營運專員) 簡單直覺的操作介面，自主建立 AI 模型、自主管理 AI 模型。這群直接面對營運問題的一線人員，搭配 No-Code AI 既能迅速完成 AI 模型建置，遇到模型異常失效時，能快速反應、及時修正。

搭配優良的使用者體驗與介面設計，No-Code AI 大幅降低 AI 進入門檻，讓營運人員 (在 AI 應用上) 有共同溝通語言。在企業導入 AI 早期，扮演快速實驗、建立 SOP 的角色；在企業導入 AI 成熟期，更扮演百花齊放關鍵角色。

在筆者參與的實際案例中，No-Code AI 產品一上線，就讓二十個設備保養人員動起來，每週上線數十個設備異常監珍模型，這是真正的量變產生質變。總而言之，No-Code AI 是 AI 民主化的最佳實踐。

與此同時，企業內部專業的資料科學家、人工智慧科學家將被繁複的業務解放。在 AI 成熟度高的企業，這群專家會被要求一年要產出、更新數百個 AI 模型，而其中有 80% 的模型，將可以轉交給廠端技師。這群專家將可以有更多的精力專注在困難 (非他們不可) 的問題上。

我們相信，企業導入 AI 的成熟度是一條成長曲線， 持續對新的技術保持開放關注，隨著環境變化進行動態調整，是維持競爭力的必要措施。

如果讀者想要更深入了解筆者公司所研發的 No-Code AI 工具，請參考 Chimes AI 公司官網

The post 從 1 到 Ｎ，AI 亮點規模化的成功關鍵 first appeared on Chimes AI.

作者：謝宗震 (Johnson Hsieh)

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。

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)。

The post 從 0 到 1，企業導入 AI 的成功關鍵 first appeared on Chimes AI.