從 1 到 N,AI 亮點規模化的成功關鍵
中央研究院院士、哈佛大學比爾蓋茲講座教授孔祥重院士曾提到,AI 推動兩大核心挑戰:
- AI solution pipeline is long.
- Domain collaboration is essential, but it has been hard.
根據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》,指出台灣有 25% 的企業跨入 AI 應用成熟期。這些企業在花了很大的心力完成了 AI 亮點專案 (一般耗時 1–2 年),這些專案的確為企業帶來商業效益,但也因為漫長的專案期程,影響團隊持續推進的效率。
企業推動 AI 亮點規模化的痛點
隨著 AI 產生的成果在企業中得到認可,更多業務單位希望參與,在這個階段的企業需要解決兩大痛點:
- AI 模型的建置速度跟不上需求。過去需要 1–2 年的時間,才能開發出一款 AI 應用。因為有了明確的發展方向,開發項目與模型需求數量以倍數增加。
- AI 落地後的營運問題浮上檯面。AI 模型部署到生產環境後,才是模型生命週期的開始,隨著資料持續累積,可透過模型再訓練逐漸提升表現,但模型維運量倍數增長,面臨資源瓶頸。
因此,如何有效率地遍地開花,讓 AI 亮點規模化發展,是這些企業的首要任務。
成功關鍵是推動 AI 民主化
筆者認為,企業要達成 AI 亮點規模化的核心關鍵是 AI 民主化 (Democratizing AI),透過教育與技術革新,一方面普及 AI 思維,一方面降低 AI 建置與營運門檻。
在台灣,有台灣人工智慧學校,以培育 AI 人才為使命,讓台灣在全球人工智慧快速發展的洪流中,能有一席之地 (這也是筆者長期在 AIA 任教的原因)。其中,重中之重是學習如何定義問題、確保資料品質。
台灣人工智慧學校校務長蔡明順在近期的分享會指出,許多企業擁抱AI,但卻面臨 AI 開發和部署速度不夠快的問題,基於技術供應鏈的革命性創新,選用簡化、自動化工具來降低 AI 進入門檻成為關鍵。
從 AI 模型建置與管理工作流程 (MLOps) 來看,可以分為幾種面向:
- 資料流自動化 (Data Pipeline) 工具
- 運算資源管理工具
- 無程式碼或低程式碼 AI 建模工具 (No-Code / Low-Code AI)
- AI 模型部署與更新管理工具
企業應依據自身 AI 發展成熟度,導入合適的外部工具,並與自主開發的系統整合,有效率地降低 AI 開發、部署與管理門檻,是實現從 1 到 N,AI 亮點規模化的成功關鍵。
No-Code AI 是 AI 民主化的最佳實踐
在眾多工具中,筆者認為,最值得一提的是 No-Code AI。
現今的 No-Code AI 技術是集 1980 年代以來圖形化介面統計軟體、2010年興起的資料分析與視覺化技術、2015 蔚為浪潮的 AutoML、XAI (Explainable AI)、DevOps 大成。
No-Code AI 提供非機器學習演算法專家 (譬如:工廠電儀技師、銀行理財專員、電商營運專員) 簡單直覺的操作介面,自主建立 AI 模型、自主管理 AI 模型。這群直接面對營運問題的一線人員,搭配 No-Code AI 既能迅速完成 AI 模型建置,遇到模型異常失效時,能快速反應、及時修正。
搭配優良的使用者體驗與介面設計,No-Code AI 大幅降低 AI 進入門檻,讓營運人員 (在 AI 應用上) 有共同溝通語言。在企業導入 AI 早期,扮演快速實驗、建立 SOP 的角色;在企業導入 AI 成熟期,更扮演百花齊放關鍵角色。
在筆者參與的實際案例中,No-Code AI 產品一上線,就讓二十個設備保養人員動起來,每週上線數十個設備異常監珍模型,這是真正的量變產生質變。總而言之,No-Code AI 是 AI 民主化的最佳實踐。
與此同時,企業內部專業的資料科學家、人工智慧科學家將被繁複的業務解放。在 AI 成熟度高的企業,這群專家會被要求一年要產出、更新數百個 AI 模型,而其中有 80% 的模型,將可以轉交給廠端技師。這群專家將可以有更多的精力專注在困難 (非他們不可) 的問題上。
結語
我們相信,企業導入 AI 的成熟度是一條成長曲線, 持續對新的技術保持開放關注,隨著環境變化進行動態調整,是維持競爭力的必要措施。
如果讀者想要更深入了解筆者公司所研發的 No-Code AI 工具,請參考 Chimes AI 公司官網