下一件大事:人工智慧將成企業升級重要關鍵

下一件大事:人工智慧將成企業升級重要關鍵

微軟 CEO 納德拉於今年九月宣告:『人工智慧是下一個大事(big thing)』。一時之間,人工智慧一詞蔚為風潮,許多傳統產業開始引入人工智慧,刺激企業升級。

例如,一旦汽車變得無人駕駛,那麼汽車製造商將轉為服務商,服務車內的乘客。未來乘客不再忙於開車,便可以透過車內的語音助理來預定餐廳、選擇播放歌曲,或是作其他事情。而這些都是新的市場。

但升級總是會帶來陣痛。大部分企業主隱約知道人工智慧的重要性,卻不知該如何擁抱。因此,人工智慧開發公司「優拓團隊」投稿有物,分析目前人工智慧的主要發展方向,以及企業引入人工智慧的注意事項。

有物謝謝優拓的三位成員聯合撰寫,他們分別是商業開發朱軒逸、商業分析師黃韻如與資訊設計師吳鎧竹。


2016 年春,Google AlphaGo 擊敗南韓棋王李世乭。人工智慧(Artificial Intelligence,下稱 AI)確定不再是科幻,而是真實可應用的技術。

依照東京大學副教授松尾豐的分類,AI 由低至高,可分為四個等級:

人工智慧的四個層級

第一級 AI 遵循基本的控制規則,根據情境提供反應。若以洗衣機為例,則是根據衣物的重量調整水量與洗滌時間,較為初階的人工智慧洗衣機。

第二級 AI 則是輸入了更多的知識與規則。例如洗衣機能即時結合感測器資訊,進一步計算出洗滌模式的洗衣機。

近年進入白熱化發展的,則是第三級與第四級的人工智慧。這兩類納入了「機器學習」(Machine Learning)技術。機器學習特別適合無法用規則窮舉的「任務」。這與傳統電腦不同;一般來說,傳統電腦擅於處理大量排序、有明確程序的事務。而機器學習則可以處理無法列出所有規則的任務,如影像辨識(無法事先知道所有要辨識的影像)或是對話。

第三級 AI 就是利用資料與使用者回饋,自行建構出學習模型。譬如說,衣服洗完了之後,使用者可以告訴洗衣機「這次洗得不夠乾淨喔」。此時 AI 便能學會「在 X 重量、Y 洗衣精與 Z 洗滌時間的條件下,洗得不夠乾淨」。如此一來,洗衣機會持續進步,而不只仰賴出廠時的設定。

而近年人工智慧突破性的發展,則是比第三級 AI,多了「深度學習」的第四級 AI。

第四級 AI 可以讓機器透過類神經網絡(neural network),模擬人腦判斷複雜事物的過程,更加準確地預測出結果。同樣以洗衣機的例子來看,若讓洗衣機裝載攝影鏡頭,去錄製洗衣過程影像資料、並導入深度學習模型,則洗衣機可以更精準地觀察出洗衣過程和洗衣成效之間的關聯,進而判斷是否調整洗滌模式。

人工智慧的威力強大,但為何很少公司能夠運用的得心應手?

資料與技術,二缺一

要運用人工智慧,需要兩樣東西:資料與分析技術。但大部分公司只得其一。

傳統企業累積了大量資料,擁有建立機器學習的珍貴素材。但傳統企業不懂得整理資料,也缺乏技術團隊,因此顯得包袱沈重。

而新創公司具有前瞻的資料處理技術,手上卻沒有資料。為了獲得資料,許多技術導向的 AI 新創團隊選擇進入能大量生產資料的產業,如數位廣告、即時監控與物聯網等。

當兩者連結,便能產生巨大的價值。像是英國健保局便與 Google DeepMind 合作,利用百萬張的眼底鏡照片,訓練出可以辨識視網膜病變的人工智慧IBM Watson 也與美國退伍軍人協會合作,計畫以精準醫療,協助 10,000 名退伍老兵對抗癌症。而近年快速崛起的電商與社群商務,產生了大量用戶行為資料,則孕育出「聊天機器人」(chatbot)這樣全新的領域,吸引眾多新創團隊投入。Chatfuel 以及今年九月被 Google 收購的 Api.ai ,皆是其中的代表。

台灣企業轉型,應直接併購新創

在台灣,傳統企業採用人工智慧的不多,但都逐漸了解大數據的重要性。台灣企業引入人工智慧,多採與 IBM 和 SAS 等國際企業合作,並自行成立數據分析部門。這樣的做法昂貴,且因為這些國際企業的核心技術不在台灣,合作效率難以提昇。而傳統企業即使願意投入資源建置數據部門,短期內仍然容易因為整體資訊能力的落差,難以吸引 A.I. 專才加入

相反的,歐美傳統企業也面臨類似問題 — 一時半刻之內難以籌建優秀 AI 團隊。因此他們選擇與新創公司合作,甚至直接併購新創公司。我們建議台灣企業採取類似方式,加速 AI 開發能力。

台灣有不少耕耘 AI 的新創團隊。例如利用 AI 分析跨螢幕裝置使用行為,來投放廣告的 Appier 和 Vpon(威朋)。運用人工智慧做影像判讀,並結合物聯網應用的 Viscovery、盾心和 SkyREC。以及利用人工智慧分析物聯網資料的 MoBagel。另外則是我們優拓,以協助企業導入 AI,分析預測商業問題為核心。

不過,併購新創或是自己創設數據部門都只是第一步。許多企業興沖沖投入 AI 之後,才發現還有一些瓶頸要渡過。我們根據自己的經驗,分享一些企業引入 AI 的「注意事項」,供讀者參考。以下以「導入 AI 幫助銷售」為例。

控管數據,整合系統

企業導入 AI 遇到的第一項挑戰,通常是「沒有材料可供訓練 AI」。沒有完整資料,便難以訓練 AI 來預測客戶行為。這一方面是因為資料來源不足,另一方面是因為資料缺乏有效彙整。

在資料來源這部份,許多企業未能將銷售、網頁造訪、實體店舖造訪、行銷、客服等客戶資料充分收集,甚至尚未電子化。有時候第一線人員不擅長輸入,輸入格式錯誤。有時候是第一線人員缺乏誘因,例如業務員為了業績考量,未如實登錄失敗交易,導致資料缺失。

此外,有些企業會將行銷業務外包,例如外包給電話中心(call-center),造成資料未有效整合。若未來需要進行「促銷成效預測」,這些互動軌跡的缺失,會帶來模型建置的障礙。

在資料彙整方面,許多非資訊技術導向的產業,如零售、金融、廣告等,長年來習慣將資訊系統與網站分包,未在一開始就想清楚資料整合問題。而 IT 部門也僅擔任後勤支援,無權獨立決策,便會造成資料彙整的障礙。

人會犯錯,A.I. 也會

企業常犯的另外一個錯誤是忘了給 AI 學習的時間與空間。

AI 的特色是使用者只需提供資料、設定演算方式,電腦便會從中「學」出模式,進而自己判斷下一步該怎麼做。例如幫助銷售的 AI,目標是不但要預測出哪一款新商品將會受歡迎,甚至能自動發出促銷資訊。然而,就像人類需要時間訓練,AI 也絕非一蹴可幾。

要確認 AI 是否已訓練完成,必須實驗。常見的實驗方式是將 AI 產出的商品推薦清單跟人類建立的推薦清單,分別交由第一線銷售人員推銷。若實驗成果不理想,則將該筆實驗資料匯入資料庫中,重新訓練模型。持續實驗,直到最佳化測試結果。

同理,在客服場景中,一開始客服 AI 很難歸納出什麼是好或壞的回答。勢必需要在客服人員的監督下,讓 AI 直接上前線面對真實客戶,經過不斷的調校後,才能產出精準的回答。

因此企業若把 AI 視為單純的軟體升級,一味追求快速有效,將難以成功。
可以想見,人工智慧的導入需要給電腦試錯空間。需要透過不斷測試不同的行為軌跡,累積樣本並持續修正,才能讓結果趨於理想。並進一步在更複雜的情境下,演繹出判斷能力。企業若把人工智慧的導入,單純視為電腦軟硬體設備的升級,一味追求時間與具體成效,卻忽略發展人工智慧需要相應的實驗環境和調校時間,將難以成功發展。

客製化的調校是關鍵

最後,企業不要忘了 AI 必須適才適任,也必須隨時調整。

就如同 AlphaGo 只會下圍棋卻不會下象棋,每個 AI 處理的工作各異。企業應該根據應用場景開發 AI。

AI 上線後,才是挑戰的開始。今年三月,微軟為自家的聊天機器人 Tay.ai 建立了 Twitter 帳號,跟網友們對話。Tay.ai 從對話中可以學習用字遣詞和說話語氣。然而網友們口無遮攔的用語和聊天話題,卻讓 Tay.ai 在 24 小時內,成為了言詞偏激並散佈歧視言語的「人」,逼得微軟緊急撤下。

Unknown

聊天機器人 Tay.ai 說:『我恨所有人』。 來源:Sizzle

Tay.ai 說明了 AI 的養成,端看其吸收了什麼資訊。因此企業必須監督 AI 的表現,並適時調校。

回到銷售 AI 的例子,若企業希望 AI 帶有獨特的品牌特質,就必須指派模範銷售人員來訓練。而客戶的反應行為可能差異非常大,因此如何讓電腦充分學習,卻又不至於被「玩壞」,也需要花心力關注。

總之,當企業決定投入 AI,必須組建內部 AI 調校團隊。調校團隊的工作是讓 AI 與真實客戶互動,記錄並標記實驗過程,並提供模型學習的養分。AI 本質上雖然是電腦程式,挑戰的卻是人類的優勢能力 —— 決策判斷。因此持續獲得人類的正確回饋,是成功的必備要素。

«

»

科技島讀-你的未來趨勢嚮導

有物推出新產品囉!

由有物報告團隊製作的最新產品-科技島讀

透過閱讀科技島讀,你將能夠掌握科技趨勢,從更高的視角觀察科技將如何改變世界。

現在就前往 >> 科技島讀