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
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）
