中小企業探索 AI 的機會，應先檢視自己擁有什麼資料，並思考資料是否可以解決一個對公司至關重要的問題，而不是盲目跟風、投入資源，卻達不到應有的效益。
我在美國念研究所的時候，曾經修了兩門人工智慧（AI，artificial intelligence）課程，上完課的感覺是這些東西困難，也沒什麼用。如今，隨著雲端儲存興起，帶動 AI 發展的可能性，以前認為無用或不知道怎麼用的數據（data），將帶來商業價值。
但就像任何快速興起的熱潮，AI 的影響力似乎也被過度吹捧，許多公司為了跟隨潮流而盲目使用，卻未替公司帶來效益。AI 應用到底可以解決什麼問題，企業是否必須跟上這股趨勢呢？
多數的數據分析不需 AI，人工分析就可達到效果
AI 並非被準確定義的名詞，這幾年 AI 的進步主要來自於數據累積和處理方式的優化，一般企業在談的 AI，指的是「機器學習」（machine learning）。AI 能幫助中小企業預測問題，但在多數的狀況下，只需以人工分析，就可以產生 70 分的結果；只有當你想要再往上進步，AI 才可能幫上忙。
以電商網站來說，最大的優勢是擁有龐大的資料；當消費者使用 App 或進到網站，可以記錄他們的瀏覽歷程，包含花多久時間看一個商品、買了哪些東西等等。我們希望從歷史交易紀錄中，找出一些邏輯，以此預測消費者未來可能買的商品；如此一來，就可以在使用者打開 App 的當下，將這些商品置於首頁最上方，讓他們可以一眼看到，進而達到最大的銷售表現。
事實上，做到這件事不一定需要 AI，只要打開資料庫的交易紀錄，用眼睛觀察、人為基本判讀，或許就可以找到一些關聯性跟基礎邏輯，像是發現女性消費者喜歡買衣服，男性消費者偏好電子產品等。
透過簡單的數據分析，再加上基礎的統計方法，就可以有更細微的發現，例如，特定商品的銷售會隨著季節強烈變化。
隨著資料量愈來愈龐大且細瑣，人工分析資料很容易遇到瓶頸，以我們的經驗來說，用人工大致做出 70 分的推薦系統，想要往上進步到 71 分、72 分……就變得相對困難。原因是許多資料的關聯性並不是那麼直覺，再加上資料量過大，人力處理相當沒有效率，這時候機器學習就可以派上用場。
相較於用人力看 Excel 表、逐步尋找資料間的邏輯，機器學習用的是機器強大的運算能力。一開始，機器學習的演算法模型，多半是基礎的猜測或隨機行為，舉例來說，我們想用機器學習預測消費者會不會買某款衛生紙，機器首先運用人為的思考邏輯來驗證，第一次的結果不見得準確。
逐筆讀取歷史資料的時間拉長，機器會不斷修正，假設它讀了每位使用者的各種基本資料（如性別、居住地、上網時間等），以及過去是否有買衛生紙的紀錄，機器就會慢慢「體會」出買某款衛生紙的族群符合什麼樣的條件，這個「體會」可能是一大串數學公式，驗證起來很準確，卻是人力無法辨識的道理。當資料量愈大，機器學習就會愈準確；公司營運幾年下來，累積出足夠資料，就會變成重要的資產。
AI 並非立即取得成果，機器學習需長時間校正
決定導入 AI 後，數據團隊就顯得至關重要。多數的公司期待原本的軟體工程師學習 AI，在無須耗費過多心力的前提下，優化商業成效。然而，在我們的經驗中，一般的軟體工程師和專門研究數據的工程師，處理問題的想法存在些許差異。
軟體研發工程師擅長處理功能面的問題，習慣站在使用者的角度思考，而在資源分配上，工程師通常會以最快的速度完成一個專案，解決問題後就可以盡快投入下一個開發。不過，運用 AI 提供解方或預測行為，往往需要比較長的時間，從資料整理、系統改善、模型測試等等，每一次的調整，都只是比現有方法，再提出更好一點點的做法。
整個優化的過程，對很多研發工程師來說顯得很漫長，也可能在尚未多方嘗試的情況下，就選擇放棄。為避免花時間磨合軟體與數據工程師的工作方式，兩年前，創業家兄弟成立了專做數據分析的數據團隊（data team）。
以創業家兄弟的定位來說，我們並不會追求有最好的 AI 技術，而是把重點放在「如何利用取得的技術」，並找到最適合的應用場域。
現階段，很多中小企業都在探索 AI 的可能，我認為第一步應是窮盡人的智慧，像是運用 Excel 人工分析，或是請統計專家解讀資料，迅速產生簡單的預測模型。假設這樣還是無法達到預期的成果，同時，你擁有足夠的資料，且資料與你想解決的問題有高度的因果關聯，再進一步思考導入 AI 的時機與可能性。
