駕馭產業創新 AI應用關鍵紐帶是什麼？

科技正顛覆整個市場規則，全球產業的數位轉型已進入加速期。在數據為尊、算法至上的AI人工智慧世代，人類社會中的工作與生活，我們每天曝露在大量的數據中，也同時產生數據為機器所用，不得不說人工智慧領域中的機器學習（ML, Machine Learning）與深度學習（DL, Deep Learning）為產業創新與轉型的關鍵要素。人工智慧的核心是什麼？企業又該如何趁勢取得先機？我們有機會走向「企業AI」與「智慧企業」嗎？

關注三大趨勢  台灣AI人工智慧蓄勢待發 

根據工研院對於AI人工智慧的分析，AI未來發展有三大趨勢值得注意：邊緣運算（Edge computing）興起，預估2018年有近四成企業規劃在終端處理資料，由於邊緣運算是在終端感測器或周邊零組件先行運算的特性，台灣基於過往電子零組件及晶片的奠基上，預料邊緣運算應用將是台灣的新機會。再者，AI晶片未來五年市場高度成長，預計2020年商機達158億美元，從2017~2020年年均復合增長率為63.5%，未來雲端跟邊緣運算將會相輔相成，因此將有更多產業發展機會，聚焦在邊緣運算，以及中間跟應用領域結合的複合式運算。第三是安全隱私保護愈趨重視，包含隱私、個資法保護，以及假資料跟演算法融合的問題，甚至道德規範問題，讓AI發展遭遇的挑戰，逐漸從技術面轉向社會面，資安議題漸成AI產業所共同面臨的產業趨勢。

AI人工智慧的產業應用無所不在

許多人都知道，早在1950年代關於圖靈測試（Turing test）的故事，讓人類社會對於機器與人類的互動帶來人工智慧哲學層面的思考。1956年達特矛斯會議上則定義AI人工智慧的名稱與任務範疇。提及AI人工智慧在晚近的加速迭代演進，在1990年代學界開展對於類神經網路（Artificial Neural Network, ANN）的研究，近十年來晶片、硬體與通訊系統發展的完備，產業應用總算出現新曙光。從2010-2015年的狹義AI（Narrow AI），讓單一特定的工作任務精準地完成，歷程廣義AI（Broad AI）讓人工智慧應用無所不在，面向2050年人工智慧將為廣泛常態地存在（General AI），屆時人工智慧憑藉向人類社會中的巨量數據資訊學習，將可跨領域地廣泛學習成為新的智慧主體，各產業為此也期待其革命開創的新局面。

在這兩年更常聽到的名詞「AIoT」，即結合IoT物聯網的人工智慧物聯網生態應用，從自動駕駛汽車到更即時的生活所需服務，AIoT促使你我對於下一個智慧生活有更多美好的想像。不只是自駕車領域，而AI在ADAS（先進駕駛輔助系統）的發展，讓台灣ICT產業取得科技進化的下一站車票。此外，在監控安防、居家保險、智慧製造，以及智慧零售等，因著大數據的庫存與分析技術的研發，我們可以宣告AI人工智慧世代的來臨；而AI的現在進行式更在不同產業發揮關鍵作用，我們可以看到Data Mining（資料挖礦）、工業用機器人、智慧物流、聊天機器人、語音辨識、智慧金融服務、智慧醫療診斷，甚至是日常使用的Google搜尋引擎。

其中，以機器學習創造、訓練以及部署智慧模型，是AI人工智慧重要的工作環節，吸收結構化/非結構化的資料將數據分類、建構自我學習模型，以及視覺化模型，可應用在視覺辨識上，取得即時回應甚至加速決策等等。

我的企業需要導入AI，該怎麼開始？

台灣在政府帶頭衝向「2018 AI元年」的同時，為各產業在數位轉型的策略上有新加了一具引擎，當企業面對AI導入議題時，當如何思考與制訂方向？IBM大中華區實驗室服務團隊系統架構師王君偉認為，企業單靠組織本身無法轉動AI議題，不只是選擇信賴的資訊合作夥伴，與學術單位、大專院校的合作能夠讓企業AI的議題生生不息。

就導入階段而言，企業中的AI導入須從簡單瞭解數據模型開始，歷經實驗期、上線期以及擴展期，即從建構企業數據庫與數據模型、認識符合企業自身的演算法，並且在試錯中進行調整評估，從單一節點（Single Node），到發展多個使用歷程，到發展企業自身的資料科學（Data Science ）。更具體來說，AI對於產業的效益諸如，製造業產線的品管、工安議題像特殊場域的安全帽配備查核等。王君偉也指出，結合無人機，AI人工智慧可以取代具危險性的人工作業，如電廠的電線與設備查檢工作，可直接取代電廠維修人員的查檢作業，除大幅縮短查檢時間、提高精確度外，也排除人員因爬電線桿失足的風險考量問題。其它如倉儲物流工作，AI協助自動化的揀調貨工作，以及前述ADAS的自駕車發展，台灣在地的精密製造業在這個領域更是隱型冠軍。

簡言之，AI人工智慧對的產業應用像可由影像辨識進行品管或缺陷檢測，以優化內部流程並降低管理成本。而組織外部創新的部分則是發展ADAS系統對於既有生活加值，增加我們的生活便利性。即以創新應用為經，AI跨足了巨量資料分析、行動健康照護、智慧聯網應用，以及車用視覺系統；又以核心技術為緯，發展技術面的低功耗裝置、智慧感測、平行運算、嵌入式系統，以及立體封裝技術。經緯交織為AI人工智慧應用的現有景觀。

回到企業AI的工作流程，對於大多數企業，AI導入工作中逾七成精力皆投注於數據資料的預備中，包括數據來源如企業既有業務的數據、資產，合作夥伴的資料等，以及IoT物聯網設備的感測器與行動APP應用與社群媒體引入的數據盤點工作，再進入數據預備的階段，即數據處理的預先作業，建構、訓練與測試數據集（Dataset），第三步才能進行到數據模型的學習工作與第四步的數據推理（Inference）。所以在AI工作流程中可以用「Years of Data、Hours of preparation、Weeks&months of training, Seconds of results」的時間比例說明AI導入的流程概念。

在導入AI的企業中，時常遭遇的問題像是數據資料的複雜性、技術的快速變更導致的專案停滯；或是在數據預備階段會碰到多重來源的數據清洗工作困難，Auto-Labeling（自動標記）作業緩慢。不只如此，在數據模型優化過程中也會因企業組織資源有限，拖累了模型建構與訓練以及優化工作的進度。在推理與部署階段，數據來源的變更以致於準確性需要再從頭調校等等都是企業導入AI時常見的問題。值得一提的是，數據模型也會有生命周期，也會學習衰退的問題。

產學合作完備企業資料科學家職能  打造AI開發的黃金團隊

在企業AI的工作流中，不同的角色被賦予不同的意義，從參與AI開發的相關人員來看，有資料工程師（Data Engineer）、企業內部與外部的資料科學家（Data Scientist）、商業分析師、軟體開發者、IT維運者以及應用開發者等。企業AI導入需要使用深度學習構建認知應用，此部分需要多種技能的組合，包括連接數據，開發和迭代的IT基礎建設，在其中通用數據平台和工作流程對企業的成功至關重要。

而資料科學家則在企業組織中更缺乏，他不單對於數據本身有充份瞭解、能夠洞察其中的意義、熟悉產業知識，更能夠禁得起長時間的深度學習一面調整訓練數據模型，他也毋須抽身擔心軟硬體的環境與維運狀況，能專注在企業AI導入的數據工作中。

在資料科學家的核心職能特質上，他需要在專案中擔任溝通者的角色，不只是跟高階經理人 進行數據問題，在整個工作流程中也會與不同角色交換問題、協調各自工作狀態。他還要能對數據的分布、平均值與其它數據統計意義上有敏銳的覺察力，在形塑建構數據模型上要富有具體的現實解釋能力等等。往往企業中缺乏兼具程式設計能力、模型建構力，以及科技趨勢力的人才，而與學術與校園單位合作可以解決職能分佈不均的問題，與學術單位的產學合作計劃，校園人才新血可以幫助企業即早進行人力資源的佈局工作。企業在AI導入的策略制訂中，運用產學合作快速構建AI生態系是不可缺少的一環。

加速AI應用創價  須具備強而有力的數據集 

國立交通大學郭峻因教授認為，企業連結AI應用關鍵在於數據集的完善，他援引交通大學智慧視覺系統設計實驗室（NCTU iVSLab）的研發實證成果，其中的ezLabel解決方案，已累積1100萬筆影像辨識車況數據，可幫助車輛駕駛在真實車輛行駛中進行物件偵測，進而分析物件的行為甚至預測車輛超車等。

商業和管理議題  才是大數據分析真正的挑戰

敦陽科技智能整合分析處張坤昱顧問，則是引述工研院大數據技術長王雲的論點，透過商業智慧與智慧智造的的思維層面，指出在企業AI的數據分析工作，須回歸商業與管理議題本身。張坤昱顧問以企業經營者的視角看待企業AI的導入議題，以電子與製造業為例，從需求面出發的智慧製造，老闆在乎「效率」與「效能」的提升，藉由數據資料的整合與提升「可視度」（Visibility），進而改善決策與解決問題的速度，有效規劃資源。具體而言，指明企業AI對於企業組織本身的應用價值，如找利基產品、淘汰不具競爭力的產品、活化庫存加快應收帳款及存貨變現能力，藉資訊可視化取得即時資訊之回饋，以利決策加速等。

在工業4.0的產業氛圍中，經營者須仰賴管理數據的工具，企業AI則建構於現有的BI商業智慧之上，巨量生產數據幫助企業從錯誤與歷史中學習，預防錯誤再度發生的機率，進而以企業AI進行高階預測。也就是說，智能分析的管理系統，可將機台訊號數位化轉化成可量化的管理指標。張坤昱顧問以敦陽科技的智能分析為例，BI商業智慧的靜態資訊為報表形式的呈現，敦陽的智能分析則採企業AI的動態三維度呈現，幫助企業先知先覺組織與產線的動態預測。讓企業AI體現以需求出發的智慧製造與管理，進而駕馭產業創新。

當科技引爆全球產業轉型，企業對於科技應用之價值與方法須能掌握先機，將創新與決策推展向外，連結企業、學術研究單位及校園，以及IT技術營運夥伴。以企業AI與智慧企業為目標的企業營運，當建構分工完善的生態系後，彼此諮詢與支援；在科技導入協助企業營運的同時，回歸商業與管理的議題才是企業轉型成功、走向企業創價的道路。