Managertoday 經理人

人工智慧能做什麼?無法做什麼?關於AI,管理者該有的10點認知

2019-08-20 17:39:19
Managertoday
https://bnextmedia.s3.hicloud.net.tw/image/album/2019-06/img-1561451545-87619@900.jpg
在人工智慧時代,要領導一個表現卓越的組織或部門,除了企業管理與商業模式,能否妥善利用人工智慧,來作為業務的成長加速器,也會讓組織或部門的表現大大不同。

在人工智慧時代,要領導一個表現卓越的組織或部門,除了企業管理與商業模式,能否妥善利用人工智慧,來作為業務的成長加速器,也會讓組織或部門的表現大大不同。

一旦決定以人工智慧作為加速器,經理人必須要對於人工智慧的本質及利弊有清楚的認知,它擅長什麼?它無法做什麼?以及如何讓同仁與人工智慧協同作業,把每一天的業務工作做得更好?這些將會成為經理人重要的功課,同時也是邁向成功數位轉型的關鍵一步。

由於經理人的角色對於人工智慧的導入工作太重要,而人工智慧的導入又是企業轉位轉型的關鍵步驟,所以以下我想來談談導入人工智慧前,經理人必須具備的十點認知。

第一、沒有「資料」就不會有人工智慧

我們可以將資料視為原料,機器學習是處理原料的方法,而人工智慧就是產出的結果;一個巧妙的比喻是,資料是原油,機器學習是發電機,而人工智慧就是電力。 所以,若沒有任何資料,人工智慧也沒辦法找出任何答案。例如陌生開發的成交率有多高?如果對於將要拜訪的客戶一問三不知,缺乏背景資料,人工智慧自然也沒有辦法預測成交的可能性有多高。

第二、不是有資料,就一定能產出人工智慧

題目的界定,資料質量與所使用的演算法也是關鍵。有些企業因為自動化和 e 化尚未到位,導入人工智慧時只好用人工來蒐集製程資料,例如用人力記錄時間、次數及溫度等,這種方式所蒐集的資料品質,十之八九很糟糕,訓練不出好的機器學習模型。

因此我們務必了解,自動化和 e 化是蒐集好資料的基本條件,過去沒有做好的資訊及資料基礎建設一定要補上,積欠的技術債都得還清才能再提升,不可能直接跳過自動化與 e 化直接進入人工智慧時代。

同時,為了提升資料蒐集的品質,修改業務流程很可能是必要的。有些公司容易卡在先有雞還是先有蛋的問題,因為資料品質不好,導致人工智慧成效不佳,所以不願意調整作業流程來提升資料質量;偏偏只要不做這項投資,人工智慧成效就無法變好。所以經理人是否能夠對於資料與人工智慧有足夠的信心,以及本身是否具備人工智慧專案的評估能力,會是人工智慧專案的成敗關鍵。

第三、你從來沒答案的事,人工智慧也不會答

有些主管誤以為人工智慧可以處理假設性的問題,像是如果沒有推出某種產品會怎樣?兩個部門若沒有合併會怎樣?要是我們比競爭對手早一步上市會怎樣?這類型的問題,沒有資料作為資訊來源,也無法重來一次,人工智慧並不是魔術,也不是算命師,沒有辦法回答這種無人能答的問題。

第四、「實驗文化」與人工智慧同樣重要

學過訊息理論(Information Theory)的人知道,變化才是資訊的來源,沒有變化就沒有資訊。 例如有個售價 1000 元的產品,若市面上沒有類似的產品,該產品從來也沒有修改過售價或提供任何價格優惠,人工智慧就無法預測,若該產品的售價進行調整會有什麼後果。

雖然我們都說資料(data)很重要,其實資料只是資訊(information)的載體(carrier),資訊才是我們要的價值,而資料中的變動才叫資訊。 舉個極端的例子,若全公司的人都住在台北市,那若要建立一個機器學習模型,來預測員工的通勤時間,那員工資料庫裡頭的居住城市欄位,就完全沒有資訊量可言,派不上用場。

因此,若要讓人工智慧發揮所長,企業必須容許及鼓勵「實驗」,允許各種嘗試與變化,要知道實驗可以幫助我們確認未知,但也可能會犯錯,甚至導致更差的成效,因此企業必須有「容錯」的機制及文化。

第五、不要忽略資料的成本

人工智慧導入的成本主要來自人才、計算資源及資料,其中最容易被忽略的是資料的成本。就我與企業互動的經驗,即使是資料基礎建設相對健全的公司,在第一次建立機器學習模型前,花上 3 個月確認及清理資料是常見的事。

多數公司的常態是,不同資訊系統通常在不同時間由不同部門交由不同團隊開發,往往連最基本的資料都有多種格式,光是日期,一家公司可能找得出十幾種不同的表示方式。如何統一?哪個部門的人來負責統一?資料管理是在資料蒐集及儲存之外,必須額外付出的成本。

第六、統計圖表與機器學習,是「互補」而非互斥關係

雖然我們習慣眼見為憑,但有些時候,與其認真解讀過度簡化的統計圖表,倒不如由機器學習模型就完整的高維度觀測值來進行預測,同時提供各種預測結果的解讀方式來輔助經理人做決策。

另一方面,也並不是看似很高深的機器學習模型一端出來,就得全盤接受它的結果。同一份資料,不同工程師訓練出來的模型,預測結果可能有相當大的差距,例如看到一個模型預測產品 A 銷量優於產品 B,而另一個模型卻有相反的結果。

絕對不是使用最高檔的硬體及最複雜的模型,預測出來的結果就一定可信,這之間的差別就在於資料的品質、資料清理的功夫,以及技術團隊對於機器學習演算法的掌握程度。

第七、人工智慧的導入,必然造成企業流程的改變

以日常業務決策為例,現在很多公司通常由主管聽報告看報表後,憑著經驗來進行決策。

導入人工智慧後,決策的形式可以變得相當多元,可以由人做決策後再以模型來檢驗;或由人提出很多可能的方案,由模型來挑出最好的;也可能倒過來,由模型推薦多種方案,由人來做最後決策。但無論是哪一種,必然造成企業流程的改變。

第八、主管要有能力評估與分析優劣成敗

若主管本身對於人工智慧的預測結果半信半疑,認為自己的判斷更準確,團隊當然也不會認為,人工智慧的導入是認真的。

當然機器學習模型的預測可能會失準,這可能是資料來源的品質、資料處理、模型建立的過程有問題,甚至是演算法的極限,無論如何,若預測失準,應該進行嚴謹的驗證及偵錯,而不是怪罪建立模型或使用模型的人,更不應該因此就輕易放棄人工智慧。

第九、別把人工智慧的導入,丟給資訊部門

人工智慧的導入通常是要輔助,甚至直接擔任業務裡各種決策的角色,而目標的「定義」,則通常來自業務單位權責主管。是為了提高獲利率、營業額還是客單價?希望專注在新品項的銷量,或是整體營業額的成長?希望顧客轉往線上以節省線下人員的工作量,還是以整體業務量的成長為目標?

這些業務策略,不可能單由資訊部門來決定,而業務策略也會決定機器學習如何使用,從題目的界定到資料的處理、最佳化的決策及上線的方式,不可能是技術歸技術,業務歸業務。

人工智慧的導入並不像是家裡多買一台個人電腦,比較類似家裡所有的裝潢要重新翻修,要與室內設計師詳細解釋與討論,告知家裡每位成員的需求、作息及偏好,例如哥哥因為要做模型,書桌要大一點;妹妹需要有個大衣櫥及穿衣鏡……再有經驗的設計師,也不可能憑空想像出這些個人需求。

因此,要資訊部門協助導入人工智慧,資訊部門像是室內設計師兼統包師傅,業務部門是未來要住在裡頭的家人們,沒有足夠的溝通,沒有足夠的共識,千萬不要直接施工。

第十、人工智慧須長期觀察,不斷翻新

人工智慧系統的建置不像資訊系統,上線後除非使用者需求發生改變,不然用不著再修改。機器學習是基於歷史資料,來學習如何以「已知」預測「未知」,以「觀測值」來預測「決策值」。上線之後,觀測值的統計分布與觀測值及決策值之間的關聯性,可能隨著時間而改變,這些改變可能來自各種原因,例如使用者行為的改變、感測器的更新、或是環境因素的改變,開始讓模型的預測成果變得不準確。

因此,所有的人工智慧系統,都需要時時的效能監測,我們才能知道模型的準確度是否開始降低。 尤其是與使用者偏好或行為有關的機器學習模型,例如商品推薦或盜刷偵測,很容易因為商品的推陳出新或新的帳號盜用方法出現,原有的模型開始失準。

所以人工智慧導入後,一定要設立不間斷的效能監測機制,並且在這個工作上要有明確的職責分工,才能確保人工智慧系統的效益持久不變。

(本文整理、摘錄自《人工智慧在台灣》,天下雜誌出版)