產業追蹤／導入AI應用 先釐清四課題
2020-05-23 23:57經濟日報 周維忠

近來因人工智慧技術的突破，各種影像、語音辨識等應用解決方案陸續進入商用化，在醫療、金融、零售、製造等行業都有成功案例，導入AI儼然成為企業經營新顯學，企業對於AI帶來的效益持高度期待，無論是提升作業效率、改善生產品質、優化顧客體驗或進行數位轉型等，皆將AI導入視為重要一環。

導入前對AI基礎認識不夠、對導入目的定義不清，輕忽導入AI的複雜性，一昧的對導入效益過度期待，將很容易因成效不如預期、投入資源過多等而失敗收場。雖然AI技術有顯著進展，相關業者持續推出各種解決方案，但目前仍無完美全能的AI。依導入目的選擇最適合的AI技術，了解其技術限制，並搭配對應的領域專家釐清功能需求為重要關鍵。另基於用途與數據等差異，其他企業或成功案例採用的AI技術、演算法等，未必可符合本身需求。加上廠商間AI研發競爭白熱化，技術更迭快速，領先廠商的新舊替換現象將司空見慣。

第一，並非採用已通過市場驗證或大廠的解決方案就可保證順遂達成目標，因此在架構規劃上宜保留未來追加轉換或整合的彈性與空間。而即便有許多現成公開的演算法可供運用，若使用數據品質不佳，或有偏差，亦將影響結果的可信度。因演算法黑箱，將導致結果無法進一步說明的狀況，也是導入AI必須考量的因素。

導入AI有相當複雜度，導入前存在諸多須先釐清與克服的課題。首先是導入目的確認與共識，假使業務部門、IT部門，以及經營高層對導入目的與成效期待存在歧見，將導致評價沒有一致標準，影響後續是否擴大投資等判斷與決策。

其次為資料數據的品質。相較於IT系統管理的營運數據，生產或銷售現場所收集取得的數據精確度較低，需經去蕪存菁的過程，才能萃取出達到機器學習模型可立即使用的品質水準。一般而言，企業對導入AI的資料數據收集管理與應用等相關認知仍有限。

第三，投入成本的門檻。導入AI，運用機器學習進行訓練與推論等所需成本不低。尤其為提高機器學習模型的預測精準度，必須多次反覆進行訓練與調校，將累積可觀的成本。

最後，相關技能的不足。機器學習模型建構與訓練，是導入AI必備的專業知識，包含具備機器學習、演算法開發，以及建構模型與訓練能力的技術人員與資料科學家等。但多多企業無此人才，且在AI應用形成風潮下，市場上相關人才短缺，是迫切要解決的課題。

因此，在實際導入時必須針對課題思考，並提出配套方案。確認目標，並讓業務與IT等相關員工了解導入AI的效益，以及本身職責與角色分工，是重要的第一步。導入業務項目可優先考量後續效益最大者，訂定導入流程與效益評估指標，進行試行與PoC驗證，定期檢討階段性成果，以做為調整依據。

（作者是資策會MIC產業顧問）
資策會MIC