The Issue of Taiwan's Industrial AI Series(10):10 things managers should know before adopting AI

很多企業為了快速跟上AI 潮流，紛紛送員工學習相關技術，但是，這些員工回到企業之後，是否真的能夠在組織內部產生影響？為公司帶來哪些價值？關鍵就在於企業的經理人。

說得直接一點，企業導入人工智慧或大數據專案能否成功，關鍵就在於主管，特別是直接負責公司業務、營運決策及數位策略的高階主管。

面對人工智慧快速發展的衝擊，很多白領工作者都積極加強自己的相關知識，希望能夠站在趨勢浪頭上不被時代淘汰。但除此之外，經理人的領導方式與管理思維也必須與時俱進，才能帶領企業順利轉型。

說得直接一點，企業導入人工智慧或大數據專案能否成功，關鍵就在於主管，特別是直接負責公司業務、營運決策及數位策略的高階主管。因為導入人工智慧通常牽涉到業務及資訊單位的合作、作業流程的調整及跨部門的共同績效管理等非常規的改變，若沒有最高主管的全力支持，幾乎沒有成功的可能性。

同時，若沒有中高階主管在執行面上的努力，以正確的認知在人才、技術、平台、資料基礎建設、選題及績效管理上進行各種配套措施，像人工智慧這種全新技術的導入及相對應的數位轉型，往往也無法達到預期的成效。

必須強調，導入人工智慧一定要由上而下推動才會成功，我從來沒看過高層不支持，純粹由基層發動而能成功的案例。

經常與許多企業經理人交流，我發現他們的動機都強，深知人工智慧的潛力以及可能帶來的巨大影響，這點幾乎是一致的。

同時，也十分普遍的現象是，對於人工智慧導入有著許多似是而非的認知。例如認為導入人工智慧就是資訊部門的事，或者誤以為人工智慧可以解決公司策略目標不清的問題，很可能投入資源，但用力在不對的點上，導致效果不彰，到頭來還是不清楚到底犯了什麼錯，更別期待能因此帶動轉型與創新。

所以，中高階主管的認知十分關鍵，這是為什麼我們必須在今天的課程中來談導入人工智慧前，經理人須具備的 10 個認知。

第一，沒有資料就不會有人工智慧。

課程中已多次提到，我們可以將資料視為原料，機器學習是處理原料的方法，而人工智慧就是產出的結果。所以，沒有資料，或一點點線索都沒有的問題，人工智慧也沒辦法找出任何答案。像是，陌生開發的成交率有多高？如果對於將要拜訪的客戶一問三不知，任何背景資料都沒有，人工智慧也沒有辦法預測。

第二，也不是有資料，就一定能產出人工智慧。

資料品質與模型建立方法也是關鍵。有些企業因為自動化和E化尚未到位，導入人工智慧時只好用人工來蒐集營運資料，這種方式所蒐集的資料品質，十之八九很糟糕，訓練不出好的機器學習模型。因此重申，自動化和e化是蒐集好資料的基本條件，過去沒有做好的數位基礎建設一定要補上；同時，為了改善資料品質，修改作業流程是常見的事 ，這是人工智慧能否達到預期效益的重要關鍵之一。

第三，你從來沒有答案的事情，人工智慧也不會有。

有些主管誤以為人工智慧可以處理假設性的問題，像是如果沒有推出某種產品會怎樣？兩個部門若沒有合併會怎樣？要是我們比競爭對手早一步上市會怎樣？這類型的問題，沒有資料做為資訊來源，也無法重製，人工智慧不是魔術，沒有辦法回答這種無人能答的問題。

第四，沒有變異的資料，等於沒有資訊，同樣不會有答案。

例如目前售價 1000 元的產品，若市面上沒有類似的產品，從來也沒有修改過售價或做過任何價格上的優惠，人工智慧無法預測如果售價改成 2000 元會有什麼後果。因此，若要讓人工智慧發揮所長，企業必須要有容許實驗的文化，允許各種嘗試及犯錯，同時在各種變化中蒐集更多寶貴的資料，讓人工智慧變聰明。

第五，不要忽略資料的成本。

人工智慧導入的成本主要來自人才、計算資源及資料，其中最容易被忽略的是資料的成本。就我與企業互動的經驗，即使是資料基礎建設相對齊全的公司，在第一次建立機器學習模型前，花上三個月清理資料是常見的事。多數公司都會見到的狀況是，不同資訊系統往往是在不同時間由不同部門交由不同團隊開發，往往連最基本的資料都有多種格式，例如光是日期，一家公司可能找得出十種不同的表示方式。如何統一？哪個部門的人來負責統一？每個環節都是必須付出的成本。

同時，我們很可能為了建立好的機器學習模型，需要額外收集更多的資料。例如，可能要請業務人員在業務行為發生的當下，無論成功或失敗，都將行為記錄下來，例如向顧客推銷某某產品遭拒絕，或是顧問主動詢問某服務的申請。這些是通常不會去做紀錄，但是對於了解顧客的喜歡及意圖非常有幫助的資料。

另一個例子是提供所蒐集的資料中決策變數 Y 的可信度。許多情況下，決策變數 Y 是客觀資訊，例如客戶的點擊率或商品成交金額，這種客觀資訊只要是由系統自動蒐集，通常就不會有資料品質的問題。但在有些問題中，決策變數 Y 是由專家主觀認定，例如瑕疵檢測、醫療診斷、機器翻譯等等，每一個樣本，只靠一位甚至兩三位專家來做決策判斷可能還不夠，因為他們的答案經常不一致。因此，要得到可信度高的決策變數 Y，每一個樣本可能甚至要讓五個或以上的專家看過，以他們的投票來取得最可信的答案，這就造成額外的資料蒐集成本。

第六，統計圖表與機器學習模型各有所長，不能只信任一種。

很多企業過去已經導入商業智慧平台，經理人也習慣透過資源儀表板將關鍵績效指標以圖表方式來做情勢評估，並據此進行管理。但是這些統計數字或圖表因為呈現方式的侷限，只能呈現片面資訊，無法看到全貌。例如多個變因 X 都對決策變數 Y 有影響，且每個變因互有消長時，單單檢視每個變因X與Y的關係，很難釐清究竟哪個或哪些變因才是影響Y變動最主要的因素。

因此，雖然我們習慣眼見為憑，但有些時候，與其研究過度簡化的統計數字或圖表，人工智慧訓練出來的模型能夠提供更多有用的訊息。

另一方面，也並不是看似很高深的機器學習模型一端出來，它的結果就得買單。同一份資料，不同工程師訓練出來的模型，所預測的結果可能天差地遠，絕對不是用了最高檔的硬體及最複雜的模型，預測出來的結果就一定最可信。這之間的差別就在於機器學習工程師的功力。

若可能的話，即使不是技術出身，仍然要學會判斷一個機器學習模型是否可信，這需要機器學習技術的基本認知，無法憑感覺或常識來判斷。也就是說，不會寫程式沒有關係，但至少要學會辨別模型的好壞。

一旦確認某個機器學習模型是可信的，就可以依賴它來做較複雜的決策輔助，同時可以透過它來檢視每個可能影響決策的變因 X 對於 Y 的變動的貢獻度，來加強自己對於資料的直覺以及對於問題的掌握度。這也是人類與人工智慧協同合作的方式之一。

第七，人工智慧導入之後必然造成企業工作方式或流程的改變。

以決策的流程為例，現在很多企業是由主管聽報告看報表後，憑著直覺或經驗來做決策；導入人工智慧後，決策的形式可以變得相當多元，可以是人做決策再交由模型驗證。或是人提出很多可能的方案，由模型來挑出最好的；也可能倒過來，由模型推薦多種方案，由人來做最後決策。更一步的作法，也許是人與模型的反覆驗證及互相改進，這些都是可能的決策流程，沒有哪一種是最好的，企業必須視組織的文化及任務的性質，挑選出合適的方式來使用。

第八，身為推動人工智慧導入工程的主管，本身一定要相信資料和模型。

若主管本身對於模型的預測結果半信半疑，認為自己的判斷更準確，團隊當然也不會認為人工智慧的導入是認真的。

當然模型的預測可能會有失誤，這可能是資料來源的品質問題、資料處理問題、模型建立的過程有問題，甚至是機器學習的極限，無論如何，應該進行嚴謹的除錯與驗證，而不是怪罪建立模型或使用模型的人，更不應該因此就輕易放棄人工智慧。

因此，因應技術的導入與流程的改變，企業對於 KPI 的設定與績效評估方式，同步必須進行調整。關鍵點之一是要有實驗及容錯的文化；之二是要了解人工智慧是人與機器學習技術互動的成果，不能單看人所做的工作或模型的準確率，而是從整體著眼，評估人與人工智慧協同合作後，是否有效達到預期的成果。

第九，不要把人工智慧的導入及建置全部丟給資訊人員，業務主管一定要親自參與。

因為人工智慧最終要輔助甚至直接擔任業務裡各種決策的角色，究竟要解決什麼問題？是為了提高獲利率、營業額還是客單價？希望專注在新品項的銷量或是整體營業額的成長？希望顧客轉往線上來節省線下人員的工作量，還是以整體業務量為重？這些業務策略不可能單由資訊部門來決定。而且為了達成這些目標，業務部門在資料取得、資料品質的強化、業務知識及作業流程上的全力支持，將會是導入成功的關鍵。

第十，也是最後一點，人工智慧跟人一樣，需要長期觀察，並需要不斷翻新。

它的建置不像軟體系統，完成後除非修改規格，不然用不著再修改。它需要效能監測機制，我們才能知道模型的準確度是否因為使用者行為的改變、感測器的更新、或是環境的改變等等因素而降低。尤其是與使用者行為有關的機器學習模型，例如商品推薦或盜刷偵測，很容易因為商品的推陳出新或是新的帳號盜用方法出現，原有的模型準確率大為降低。所以人工智慧導入後，一定要設立長期的效能監測機制，才能確保它的效益持久不變。

在人工智慧時代，要領導一個表現卓越的組織或部門，除了企管及業務能力，能否妥善利用人工智慧來作為業務的成長加速器，也會讓組織或部門的表現大大不同。一旦決定以人工智慧做為加速器，主管必須要對於人工智慧的本質及利弊有清楚的認知，它擅長什麼？它無法做什麼？以及如何讓同仁與人工智慧協同作業，把每一天的業務工作做得更好？這些將會成為經理人重要的功課。

當然，在人工智慧時代中，企業主管除了要掌握科技發展的趨勢與應用之外，其實跟過去的專業經理人並沒有兩樣：要有足夠的視野看清楚方向，並在人才、時間與資源都有限的狀況下，進行未來的佈局。下一堂課，就要分享台灣的企業們如何藉由產業 AI 化航向未來。