The Issue of Taiwan's Industrial AI Series(4):Challenges and difficulties in the implementation of AI

對於很多企業而言，大概已經了解AI的基本概念與重要性，但是，究竟如何踏出第一步？有哪些困難必須先克服？

人工智慧導入的難易度，就是看一家企業的e化程度是否徹底，是只有傳統上要做報表數字在 Excel表格那種淺層的e化？或是在企業流程中融入資料收集及以資料做輔助決策的那種e化？

延續上一堂課的討論，以今天的技術來說，大數據及機器學習是發展人工智慧的兩個必要條件。所以我們可以歸納出：人工智慧技術領先的企業，必然也是大數據及機器學習的領先者，沒有人能夠跳過這兩者而直接開發出先進的人工智慧系統。

想導入人工智慧？先盤點還清「技術債」

因此，企業想要導入人工智慧，過去欠的「技術債」，必須先盤點還清。首先，企業裡的資料基礎建設，像是資料倉儲完整嗎？資料格式有統一嗎？在大部分企業裡，因為各個資訊系統是在不同時間由不同部門交由不同團隊開發，因此連日期及時間的格式可能都有數十種。

資料治理有個明確的授權規則及治理單位嗎？或是依舊得讓資料使用者四處奔走，一一去說服企業中分散各處的資料擁有者？

資料的蒐集及產出是否融入企業流程中？還是每次得為了特定的專案再花人力時間資源來整理蒐集？

資料應用的導入是預設得進行的常規任務，還是得另外花力氣去說服所有相關單位？

分析資料的團隊是管理資料的團隊兼任，還是有個專業的資料分析團隊來進行？

資料工程師都熟悉機器學習嗎？還是只是以傳統繪圖製表工具做基礎層次的資料視覺化？

圖表數據只是淺層e化

更直白的說，人工智慧導入的難易度，就是看一家企業的e化程度是否徹底，是只有傳統上要做報表數字在 Excel 表格那種淺層的e化？或是在企業流程中融入資料收集及以資料做輔助決策的那種e化？我們都知道e化不是0或1，同樣在做e化的公司及政府部門，層次可以天差地遠。

這個概念也可以套用在雲端計算、大數據及資料分析上頭。千萬不要以為公司有資料倉儲，打開電腦有報表可以看，公司同仁開會討論時都是基於漂亮的即時圖表，就是把大數據應用得很好。事實可能剛好相反。最淺層的資料應用是讓老闆每天看圖表；最深入的資料應用是隱形的，看不到圖表。

我們可以想想看，AlphaGo及無人車是有人根據圖表來做決策嗎？就知道人工智慧跟看圖表無關，但如果這些數據只是讓人拿來做決策，而不是讓機器從資料中萃取規則，讓機器來輔助我們做決策，那就太可惜了

人才荒最嚴重 全球皆然

從2014年開始我舉辦台灣資料科學年會，2017年舉辦台灣人工智慧年會，2018年籌辦台灣人工智慧學校，為此遍訪全台灣製造業、石化業、紡織業、精密機械、工業電腦及工具機等產業，我看到的是，若要用人工智慧幫助台灣產業升級，目前有四大挑戰，包括人才缺乏、不容易找對問題、產學之間的鴻溝及資料基礎建設的不足。其中，首要必須解決的是人才缺乏的問題。

人工智慧人才的不足，不是台灣獨有的問題，全球都求才若渴，美國相關科系甚至連教授們都大量被科技公司挖角。因為相較於一般資訊科技產業所需軟體人才，人工智慧技術人才培育的門檻更高，不但必須具備數學、統計、機器學習、程式設計等科學及實作能力，還要藉著「做中學」來累積足夠經驗，才能在不斷解題過程中，掌握技術，培養及發現問題所需的經驗。因此，系統性的「垂直領域人工智慧人才」培訓將是關鍵，也才有可能填補這個結構性的人才缺口。

國內的科技創新生態，尤其是軟體創新生態，長年以來處於力不從心的狀況，畢竟整個生態系統的問題不是個人或少數公司可以改變的。有趣的是，軟體開發相較於硬體開發投資上「省錢」許多，可能帶來的價值槓桿更大，為何一直無法以軟帶硬，帶出具規模的軟體創新生態系統呢？

其中一個主要問題在舞台。國內的B2B軟體系統，大型、複雜的，多採購國外大廠的解決方案，免得犯錯；國內的B2C軟體系統，因為市場規模不大，單純的軟體技術也做得到，多是一組前端加後端工程師用現有的程式庫就兜得出來，連資深的系統架構師都派不上用場，也不太會犯錯。再加上薪資、分紅等因素，國內的優秀人才容易被硬體廠吸引，留下的軟體人才在沒有具系統及規模挑戰性的地方，只讓他們銷售或改良國外大廠的解決方案，自然引發惡性循環，更難吸引人才留在軟體業。

從培養人才著手 解開國內科技生態圈死結

若能在短時間內大量地培植各垂直領域的人工智慧人才，可能是個解開國內科技生態系統死結的有效手段。原因有四：一是人工智慧短時間內不容易有現成的解決方案，可適用所有產業的所有問題，國內外皆然；二是人工智慧的技術門檻相對高，或說入門門檻不高，但發展至極致的門檻極高，目前已吸引許多年輕高手自主地投入學習，潛力已存在；三是每家公司幾乎都有為數不少人才投入在流程、維運、人力資源、倉儲、進銷存、客戶、物流各面向，可用人工智慧很快切入；四是人工智慧是以小搏大，以軟體開發為主，導入成本相對小，但效益無窮。

因此，我們迫切需要更多具有人工智慧技術思維與實戰經驗的技術領袖人才，讓「找不到人才」不再成為產官學研各界發展人工智慧的障礙。同時，也需要培養更多雖然不是技術出身，但具有人工智慧思維的中高階管理者，有足夠的視野與格局，願意投入資源、給予舞台，才能讓人工智慧真正成為組織變革創新的動力。這也是我與諸多產學界先進共同籌組台灣人工智慧學校的初衷。

今天的課程在此告一段落，在談過關於產業AI化的幾個重要觀念後，下次的課程中，將會跟大家說明，與製造相關產業應該如何應用人工智慧。