The Issue of Taiwan's Industrial AI Series(5):Before adopting AI, what preparations should industries do?

企業都想導入 AI 來解決現有的問題、創造價值。但是，幾乎毫無例外，在導入前，企業都會遇到四個難解的問題而卡關。是哪些問題？有辦法解決嗎？怎麼解決？

人工智慧不是魔術，它可以說是大數據分析的最終應用，但仍然只是一個工具。而所有的工具，都要有清楚的目的，以及能夠用得對、用得巧的人，才能產生價值。

人工智慧不是魔術，它可以說是大數據分析的最終應用，但仍然只是一個工具。而所有的工具，都要有清楚的目的，以及能夠用得對、用得巧的人，才能產生價值。

在前四堂課中，我們從人工智慧的基本概念談起，也檢視了大眾對於人工智慧常見的誤解與疑問。從這堂課開始，我們會更聚焦在產業AI化過程中，必須真實面對的具體挑戰。

在這之前，想跟各位分享一個故事。2017年春天，我在中央研究院的院區裡與孔祥重院士碰面，他是一位極具專業素養與社會關懷的學者，一直憂心台灣已經40年沒有新的產業出現。我們都一致同意人工智慧是一波大好機會，若不把握的話，下一波產業創新機會不知道何時才會出現；也因此，我們一拍即合，決定一起以人工智慧來幫助台灣產業創新及升級。我們列出一個企業名單，從石化業開始，接著是電子業、工具機業、紡織業、半導體業及農業，一家一家聯絡拜訪。

拜訪各個企業時，我們都會提出同樣的問題：「你們發展人工智慧時遇到的挑戰？」，以及「有沒有什麼是我們可以幫上忙的？」

導入前企業遇到的四大挑戰

幾乎沒有例外，大家遇到的第一個挑戰就是缺乏人才，尤其是有經驗的人工智慧工程師。

第二個挑戰是資料可用性，因為機器學習就是需要以資料做為原料，若資料沒有準備好，光有人才也沒有用。但資料基礎建設並不是一夕之間就可以建立，若沒有在幾年前開始蒐集資料，也沒有實際驗證過資料的可用性，往往資料不夠全面完整，沒有足夠的條件以機器學習來解題。

第三個挑戰是如何找到切入點。工程師的視角通常比較關注在技術面，沒有整個企業或集團的全貌，因此，若只有工程師懂得人工智慧的內涵，雖然很容易找到「可用人工智慧來幫助」的問題，但很難找出對企業或集團來說最為優先關鍵，同時也是技術上可行的問題。正因如此，我認為企業中的經理人是否真正能掌握人工智慧的能力及極限，也是產業AI化很重要的一個關鍵。

產業所面對的第四個常見挑戰是，台灣在機器學習領域超過十年經驗的人，幾乎統統都在學術界，但是產業界與學術界中間，只有一條微弱的點對點產學合作形式做為連結，無法以足夠的速度及深度將學術界的專業知識及經驗，匯流到產業界的第一線實務工作上。

以上談到的四個挑戰，是我們要進行產業AI化的過程中，不論產業別及公司規模大小，幾乎都會遇到的共通挑戰。從今年開始，陸陸續續可以看到各界有不同的努力，希望來解決這些問題。例如，台灣人工智慧學校的技術領袖培訓班，希望能以系統化的方式，大量培訓人工智慧工程師，來解決「找不到人才」的問題；同時也開設經理人周末培訓班，讓經理人們也能一窺堂奧，瞭解機器學習的原理、強項及限制，能夠有評估人工智慧技術及問題可行性的能力。

另一方面，要解決資料可用性的問題，就得按部就班地蒐集所有相關資料，確認資料的完整性及可信度，以及資料之間有沒有斷點，這當中完全沒有捷徑。最後，在產學連結之間，這一兩年來越來越多學者以兼任或借調的方式加入產業界，短期內，這也許是讓學術與實務結合最有效率的方式。

人工智慧非萬能 只能解決特定問題

除此之外，要知道當我們談「導入」人工智慧，與平常我們說「導入」某某技術或某某平台，同樣是「導入」兩個字，內涵其實差異不小。若對於人工智慧技術沒有正確的認知，力氣及資源放在不對的點上，要成功地擁抱人工智慧，可沒有那麼容易。

癥結在於，人工智慧系統跟我們過去所熟悉的軟體系統不同。今天的人工智慧系統都是基於機器學習技術來開發，一旦開發出來，只能解決特定的問題。同樣是機器學習模型，要解決什麼問題、能解決什麼問題、能解到什麼程度、產生多少價值，都與每家公司的商業模式、流程、部門分工、資料基礎建設及情境高度相關，多元性及客製化程度遠比導入ERP（企業資源規畫）或CRM（客戶關係管理）等系統高得太多，也就是說，對於企業應用來說，人工智慧系統幾乎無法做成現成的套裝軟體，只要一個簡單的導入步驟就能大功告成。

例如，同樣是瑕疵的自動檢測技術，檢測電路板瑕疵、檢測紡織品瑕疵以及檢測玻璃瑕疵的系統無法直接套裝化。甚至，若以高標準來要求的話，同樣是檢測PCB電路板瑕疵的技術，也沒有辦法光是調整參數，就能直接在不同家同業公司中使用。因此，未來的五年甚至更久的時間內，很難期待會有套裝系統可以直接購入及進行簡單客製化，符合各產業、各公司、各種問題的需求。

有人才沒資料 再好的系統也無法運作

另一個癥結點是，人工智慧系統並沒有辦法即插即用。原因是機器學習必須要有大量資料來訓練，若公司裡原本並沒有蒐集某個想要解決的問題所需的資料，或資料蒐集的時間不夠長、資料的品質不夠好，那麼不管引入再好的系統也沒有用。

例如，若想要進行未來半年某產品的銷量預測，我們必須先要有該產品及競品在過去至少三年或五年以上銷售量，以及相關的客戶訂單資料和各式環境及市場因素等資料。若是沒有把這些資料準備好，人工智慧系統就是不能動，就像是光有引擎，沒有油就沒有辦法發電的道理一樣。

國內企業面對這波人工智慧浪潮的反應，嚴格說來不算慢，只是方向必須再更精準，不能再像過去流行的大數據一樣，把資源大多投注在資料平台上。很多公司在導入後突然發現，為什麼沒有出現傳說中神奇的效果？因為，所謂的大數據平台只是蒐集、承載、處理資料的系統，少了資料分析這一步，價值不會憑空出現。人工智慧不是魔術，它可以說是大數據分析的最終應用，但仍然只是一個工具。而所有的工具，都要有清楚的目的，以及能夠用得對、用得巧的人，才能產生價值。

這就是我所說的，要導入人工智慧，企業首先要對這個技術有正確的認知，才知道施力點在哪裡，才知道預期的成效會在什麼地方以什麼形式出現。沒有任何技術會是特效藥，可以解決任何企業的難題，包含人工智慧也是。

有了正確的認知後，由誰來找到切入點及執行導入工作，也是一個大哉問。很多人以為人工智慧既然跟電腦有關，就應該是IT部門的工作，如果事情這麼簡單就好了。那麼，究竟該怎麼做才好呢？在下一堂課將會繼續深入跟各位分享，該由誰來進行人工智慧的初步導入，也就是，企業應該如何建立第一支人工智慧團隊。