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

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。