從 0 到 1,企業導入 AI 的成功關鍵
根據 KPMG 與 Ketchum Analytics 發布的報告《Thriving in an AI world》,新冠肺炎 COVID-19 的肆虐,使得企業對於人工智慧技術的應用需求急遽增長、發展迅速。
由蜂行資本與台灣人工智慧學校發布的《2021 台灣企業 AI 趨勢報告》,指出台灣仍有 75% 的企業 AI 成熟度屬於 Level 0 ~ 3,也就是 75% 的企業處於開始導入 AI,但尚未體現商業價值的階段。
筆者長期協助企業進行資料治理與產業 AI 化的導入工作,就近觀察諸多企業的策略與具體執行狀況,歸納出三點從 0 到 1 的成功關鍵。
對的題目
大多數的企業,同時面臨許多營運痛點。但在導入 AI 的起步之初,必須先決定做什麼 (以及不做什麼)。關於選對題目有幾個重點:
- 快速制勝 (Quick Win)
- 高效益
- 資料可取得
- 可擴展性
首先,Quick Win 至關重要,因為初期導入 AI 的專案,不僅僅是可行性評估,而是變革轉型的基石。每一項變革專案都會遇到困難,在克服挑戰的過程中,Quick Win 是團隊持續推進的動力,是團隊建立手感的契機。
對的題目應具備足夠高的效益 (但高效益的題目未必是好題目),可以透過「商業效益高低」、「AI 實現程度難易」將議題分成四類,優先選擇「難度易、效益高」的低垂果實 (Low-hanging Fruits),來滿足 Quick Win。
Google Brain 前任負責人、Landing AI 創辦人吳恩達教授在近期的訪談中直言:
「許多企業投入的專案,在我看來當今 AI 技術仍未可行」;
「企業導入 AI 之初,沒必要投入 1000 萬美元級的專案,重點在獲得動力而不是 ROI」。
其次,當前主流的 AI 浪潮,係基於資料驅動,透過分析龐雜資料,歸納出人力難以發現的洞見。因此,對的題目必須建立在資料可取得的基礎上。值得一提的是,AI 專案需要哪些資料,是有資料盤點與資料採集的方法論,未來討論到實務案例時,再來做說明。
最後,對的題目必須要有可擴展性,才能讓 AI 應用在企業內部持續推動。補充說明,這邊指的可擴展性未必是數量級擴展 (1 個馬達設備異常偵測 → 全廠馬達設備異常偵測),也可以是應用概念的擴展性 (設備健康度分析 → 員工流失率分析)。
對的團隊
許多企業在初期進行 AI 導入時,會著眼於內部 AI 技術人才稀缺急於招聘,卻因為初入新領域難以徵選合適人才。就筆者經驗,AI 專案最核心的並不是技術人員。
事實上,在醞釀企業 AI 化之初,團隊便已成形。一般來說,會有三種角色:決策者、場域主管,以及 IT 主管。這個團隊要做到這幾件事:
- 選擇投資組合
- 規劃發展藍圖
- 設計組織架構
所謂投資組合係基於企業文化與產業發展策略,在保護 (Protection)、優化 (Optimization)、成長 (Growth) 三大面向進行資源投入的比例調配。再配合企業自身的數位成熟度 (Digital Maturity),規劃 AI 發展藍圖。
值得一提的是,根據《2021 台灣企業 AI 趨勢報告》調查,企業管理層關注的投資組合分配為:
- 優化:53.7% (原問題選項為「提高組織效率」、「降低成本」、「其他」)
- 成長:24.5% (原問題選項為「增加收入」)
- 保護:21.8% (原問題選項為「提升客戶忠誠度/體驗」)
在組織架構方面,不同企業作法不盡相同,但能讓 AI 成功落地者有共同特徵,就是 AI 團隊中心化。因為 AI 應用需要跨部門協作,中心化團隊有助於水平擴展服務整個企業。
當上述三點具備雛形後,便可以選定合適的議題、團隊進行 AI 專案。
以終為始,落地為王
企業導入 AI 的初期目標就是落地 (而非效益)。因為企業導入 AI 起步之初,受限於內部團隊的經驗與能力尚未成熟,高效益的亮點專案大多需要投入大規模資源委外建置,而這些亮點專案的技術門檻較高,即便要求技術移轉,短期仍不易如期、如質、自行達成。
因此,鬆綁效益優先的思維,從 Quick Win 的 AI 專案開始做起,在 6 個月左右的時間落地,才能讓團隊獲得信心與持續發展的動力。關於落地,同樣也有幾項要點:
- 對齊動機
- 可持續運作
- 可版本更新
能夠確實落地的 AI 專案,必是對齊利害關係人的動機,獲得眾人充分支持。利害關係人大致可分為使用者、管理者、經營者。以製造業的設備預知保養為例:
- 對於使用者,要能減輕工作負擔 — 在設備故障前提早偵測異常
- 對於管理者,要能降低管理風險 — 預防非計畫性停機、提前備料
- 對於經營者,要能創造商業效益 — 增加生產力、減少保養費用
所謂可持續運作,係指 AI 專案並不能只限於研究報告,而是一個最小可運行的系統及其對應的日常工作流程。譬如產品生產配方推薦,AI 模型要能夠介接每日生產工單,根據不同品項推薦出合適的配方參數,交由生管覆核後投產,再由品管進行檢驗。
另一方面,要設計 AI 模型版本更新流程,對於 AI 模型未包含的新品項資料、品管檢驗不合規的資料,進行模型再訓練。
關於 AI 應用的可持續運作版本更新這塊,其實會涉及到 MLOps (Machine Learning Model Operationalization Management) 此更深入的技術,待後續另以專篇文章再行闡述。
結語
本文的初衷是提供正確的理念,協助企業在導入 AI 初期,大幅提高組織內部對於導入 AI 的信心與持續發展的動力。因為我們相信產業 AI 化是全面晉升,有助於提升整體產業競爭力。
基於同樣的理念,筆者創辦 Chimes AI,研發 tukey — 企業級 AI 建模與管理平台,降低 AI 模型建置門檻,完善模型生命週期管理。讓 AI 落地,實現 AI 民主化 (Democratizing AI)。