《人工智慧在台灣》:資料等於價值?人工智慧常見的五個迷思

《人工智慧在台灣》:資料等於價值?人工智慧常見的五個迷思
Photo Credit: Shutterstock/達志影像
我們想讓你知道的是

除了本文提到的四個迷思,還有個關鍵問題在於社會普遍的「速食文化」心態。大家發覺資料科學及大數據的重要性,所以在不同產業都導入所謂的大數據平台,但導入平台後發現,並沒有發生預期中的效果。

唸給你聽
powered by Cyberon

文:陳昇瑋、溫怡玲

人工智慧常見的五個迷思(選摘)

有太多的案例也已證明,人工智慧在許多產業已帶來顯著的價值,而且充滿潛力,這讓許多企業趨之若鶩。不論本來談不談、做不做、懂不懂資料科學及大數據的企業,都開始紛紛談論人工智慧。

依據我觀察與協助不同產業多家企業的經驗,以及台灣人工智慧學校的校友在企業中面臨的挑戰,以下來談談大家在發展人工智慧時,普遍陷入的迷思及陷阱。

迷思一:資料等於價值

許多企業以為,蒐集下來的資料本身就具有價值,雖然不懂怎麼用,但也抱著不放,這往往是誤解資料的意涵。事實上,資料必須經過處理、分析及開發才會成為最終產品,最終產品可能只是一份分析報告、一個特定決策的建議。一個好的機器學習模型,或者是改良過的決策流程,理想上是希望能以機器學習達到人機協作,利用企業流程取代人與人工智慧各自的優點,達成更佳且更有效率的決策。

換句話說,資料若沒有經過妥善的「加工處理」和「萃取分析」,本身的價值是尚未被開發與決定的,端看使用它的人識不識貨,有沒有能力將「對的資料」以「對的方式」應用在「對的場景」。例如電信業的通聯紀錄,大家都覺得應該很有價值;它若被一般的行銷公司用,就只能拿來做隨機的電話行銷,但若被治安機關使用,可以拿來破解詐騙集團,對社會的價值截然不同。

另一方面資料品質的好壞,也攸關著後續能否從中產生價值的關鍵。然而,很多公司並不明白這一點,未在資料蒐集機制上投注資源;或只知蒐集資料,從來沒有驗證資料的完整性及正確性,也沒注意過資料之間的斷點,也就是資料集之間是否能連結。

質量俱佳的資料固然重要,但機器學習及電腦硬體的進步,同時也是今日,人工智慧能發展出這麼多新型應用的主因。所以了解資料價值的同時,千萬不要忽略資料彼此連結的價值,以及機器學習技術所帶來的加乘效果。

迷思二:牽涉電腦與資料就是資訊部門的工作

很多公司認為與電腦、資訊、資料相關的工作,就應該由資訊部門負責;甚至連影印機、投影機、碎紙機都歸到他們,換言之,只要能通電的都歸資訊部門管理。其實,分析大數據的電腦設備通常不是重點。相較於資料、人才、具有洞察力的切入點,以及公司內部的跨部門支持,硬體設備只要花錢就能買到,反而是最容易解決的問題。

此外,人工智慧團隊與一般資訊人員的訓練,有非常大的差別。例如資料科學家通常必須具備四大領域的能力,即數學與統計、程式設計與資料庫、領域知識以及溝通與協調等人際能力。而資訊人員的能力需求,通常著重於程式設計與資料庫領域的技能,普遍缺乏進行資料分析及機器學習最需要的數學與統計訓練;再者可能也缺乏領域知識、商業經驗以及人際溝通能力,基本門檻有相當大的差異。

另外,要發展人工智慧不可或缺的資料,在企業裡必定來自四面八方,可能是業務部門、會計部門、生產部門或是倉儲管理部門,當資訊部門要蒐集和分析資料時,勢必需要跨部門的合作,若其他部門都不認為這是他們的工作,不願意提供資料,或者是不願意提供領域知識,資訊部門可能拿不到資料,或是因為缺少指引,無法正確解讀及使用資料。

一家公司如果有心要導入人工智慧,最好的做法必須是由上而下推動,並以跨部門合作為常態,而非把創新的責任全部加諸於資訊部門身上,才能跨越障礙,迎向成功。

迷思三:資料分析就是產出報表

企業常以為資料分析,僅限於分析公司內部資料庫中的結構化資料,這也是為什麼管理資料倉儲的部門,通常直接被賦與資料分析任務的原因。但其實非結構化資料,例如影像、聲音、影片、文字、互動等,也蘊含相當豐富的資訊,只是因為分析非結構化資料的技術門檻較高,經常就被忽略。也因此,很多公司資料分析團隊的產出就是報表、報表及更多的報表,讓主管來解讀,就我來看,這還真是浪費資源的行為。

迷思四:電腦決策不可能贏過人的專業經驗

曾經有某位金融業高層跟我提到,對人工智慧的看法,他認為人工智慧因為沒有領域知識(Domain Know-How),即便再厲害,還是贏不過像他那樣,在業界歷練二十多年的專家。

這個問題的答案,可以從美國知名認知心理學家喬治.米勒(George. A. Miller)在1956年發表的研究〈神奇的數字:7±2〉(The Magical Number Seven, Plus or Minus Two)談起。

這篇論文最重要的觀念,就是揭露出人類訊息處理的限制:原來人類大腦記憶的極限,同時只能處理7±2 件事,也就是約五個到九個訊息,若超出這個數量,人類腦袋會自動忽略,無法注意。

換句話說,人類其實在處理和接收訊息時數量相當有限,通常只能注意到「強訊號」,對於許多連結性看似較低,卻可能隱藏資訊的「弱訊號」,我們通常無法掌握。也因此人類習慣的訊息處理模式,就是把資訊簡化再簡化整理成模式(pattern),以幫助記憶或決策。

在某些領域,特別是有龐大歷史資料、情境單純,且判斷規則模糊且複雜的問題,人類專家即便有幾十年經驗,也難與人工智慧匹敵。

因此,還是要清楚認知人類的優勢,以及人工智慧的優勢各在哪裡,再來討論下一步。而不是一味地認為,雖然人工智慧在別的領域表現很好,但我的領域比較特別,我的多年經驗絕對無法被取代。

迷思五:導入系統或平台就可以解決營運問題

除了上面提到的四個迷思,還有個關鍵問題在於社會普遍的「速食文化」心態。前幾年,大家發覺資料科學及大數據的重要性,所以在不同產業都導入所謂的大數據平台,但導入平台後發現,並沒有發生預期中的效果。

因為,所謂的大數據平台只是蒐集、管理、處理資料的工具,而所有的工具,都要有清楚的目的、正確的情境,以及能夠用得對、用得巧的人,才能讓工具產生價值。

接著,人工智慧又席捲而來,企業同樣開始編列預算購置設備,導入科技大廠的技術,認為自己已經搭上人工智慧的列車,似乎公司所有的問題就可迎刃而解。

特別提出這點的原因是,各種資訊管理系統,如ERP、CRM等平台,在規格確認後,進行客製化及導入就可以上線使用。但是,人工智慧不一樣,它並不是一個資訊系統,而是一種根據已知預測未知的方法,它可以應用在企業決策、營運管理、產品設計、行銷企劃、風險控制甚至人資培訓等各個環節中,輔助人類甚至直接決策,因此它並不是一套系統,也沒有標準做法,甚至應用的情境及方式,隨著企業的狀況及需求也會不同。

因此,問題不在於「有沒有導入人工智慧」,而是「人工智慧應用的深度及廣度」,包含技術的深度以及與企業流程整合的程度,甚至是否能發展新的商業模式,更貼近市場的需求,這才是決定未來企業價值的關鍵。

書籍介紹

本文摘錄自《人工智慧在台灣:產業轉型的契機與挑戰》,天下雜誌出版
*透過以上連結購書,《關鍵評論網》由此所得將全數捐贈聯合勸募

作者:陳昇瑋、溫怡玲

人工智慧浪潮全面來襲,沒有一個人能夠置身事外。
與其擔憂,不如清楚認識人工智慧發展的脈絡、應用與侷限,
深化個人AI實力、建立企業AI團隊,
成為AI浪潮中的領先者!

力用人工智慧,扭轉20年來台灣產業發展的困境!

人工智慧正在改變產業的遊戲規則,多數產業已進入紅皇后的領地,
不追上、就落隊,再也沒有機會。但AI也是企業擺脫發展困境的不二武器!
究竟人工智慧是什麼?機器學習與深度學習有什麼不同?大家都在談人工智慧,
但在產業中如何應用?白領工作者又該如何應對人工智慧即將帶來的工作結構變化?

本書作者陳昇瑋是台灣少數跨界產業的科學家,擁有學術與產業的深厚背景,同時也是熱情的AI技術傳教士與人才播種者,以跨域者獨有的視野,致力於推動人工智慧在各產業的深化應用及創新轉型,對於製造、金融、零售與醫療等產業應用尤有獨到之處。

2017年接受中央研究院廖俊智院長與孔祥重院士的邀請,一同帶領團隊在半年內成功幫助超過十家台灣企業,以AI解決或改善影響發展的重大難題,協助產業在人工智慧技術及應用全面升級,也看見產業導入AI的系統性問題。

人才、資料、找問題,缺一不可
與其擔憂被取代,我們需要主動了解,立即行動以形塑未來

他透過在地化的實作與顧問經驗,為台灣而創設台灣人工智慧學校,一年內已為台灣培育超過3,000位AI人才,期能解決AI人才不足的關鍵問題,為台灣產業面對的下一個挑戰舖好基礎。

本書特色

  • 一次看懂人工智慧:人工智慧究竟是什麼?大家在發展人工智慧時,普遍陷入怎樣的迷思與陷阱?
  • 掌握台灣發展人工智慧的三大面向:在人工智慧技術發展、人工智慧產業化、產業人工智慧化這三大面向,台灣產業該如何發展,從而探索新商業模式。
  • 分析台灣產業發展的挑戰與機會:針對製造業、金融業、零售業等各大產業,從規劃、生產、行銷及供給這四個面向,分析人工智慧可以發展哪些應用?對於工作及業務流程又會產生哪些系統性的影響?
  • 從零開始,企業導入人工智慧的必備know-how:從調整企業的思維框架,到打造第一支專屬的人工智慧團隊,經理人必備哪十大認知,能加速推動導入人工智慧的成效。
getImage-3
Photo Credit: 天下雜誌

責任編輯:潘柏翰
核稿編輯:翁世航

或許你會想看
更多『書摘』文章 更多『科學』文章 更多『精選書摘』文章
Loader