想導入AI，然後呢？四大心法，助企業找對商業命題

文／若水 Flow AI Blog 編輯團隊

【若水導讀】AI專案落地的三個絕招：
1. 掌握4大心法，找到正確的AI命題
2. 掌握AI專案理想執行期程
3. 建立對的AI團隊組合

（圖片來源：若水國際）

心法一：不要為了AI而AI

許多企業對AI人工智慧抱持很高的期待，躍躍欲試，但根據我們過往的經驗，在動手用AI解決問題之前，應該先回過頭好好思考一件事：「這個問題，需不需要用AI來解？」

如果一個問題，既有的方式就可以處理得很好，或者是用簡單的原則就可以搞定，那到底還需不需要AI呢？答案是「不用」，千萬別為了AI而AI。

人工智慧最大的功用是拿來提升效率，最適合用在可以重複、大量且複雜的命題上，做自動化、重複性高的工作。企業如果想要讓AI發揮最大效力，應把握兩個基本原則：

這件事由人來做是否吃力、不太好做？比方，用人去檢查橋梁、危樓時會造成工時長、高成本、高生命風險，所以開始有人搭配無人機、AI人工智慧，做公安檢測。
這個問題是否會一再出現　(reproduce），而且情境一致（align）？

打造AI，就像打造一條生產線。一下子設定很龐大的AI命題，難度就跟要憑空蓋出一個汽車生產線一樣，不僅複雜，失敗率也高；但如果先設定一個比較單純的命題，就像是先從打造家庭代工的生產線開始一樣，門檻會容易許多。

企業可能會好奇，如果我的問題真的很複雜，需要一個專家來處理，怎麼辦？那我的建議是，可以思考是否能用AI取代專家，減少人員流動對公司的影響，或者從數據獲取知識。

心法二：從小地方開始（Start from Small）

AI專案要落地，須留意一個風險：一旦AI專案失敗，企業可能會對AI失去信心，通常要等好幾年才能重啟新專案。

所以建議一開始先把門檻放低，從「簡單」、「安全」的問題開始，再逐步擴大規模，這點非常重要。根據經驗，一個AI專案最理想的期程，大約會是6至9個月。

除了把入門門檻放低，還要考慮到實務層面。相較於一些知名的「大神級」人物，例如李飛飛 (Fei-Fei Li)、楊立昆 (Yann LeCun) 等，專門在解決一個很難、很純粹 (Well defined)的問題，商業AI應用遇到的問題通常千奇百怪，情境也相對複雜。企業工程師需要思考「這個問題可不可以被解決」和「如何解決」。這時候，AI對工程師來說就是一種工具。

此時，不只要考量到搭配哪些工具讓AI可以順利運作，同時也要注意AI是不是真的能夠崁入公司既有的流程系統，才能真正實現「落地」。

心法三：辨識問題的本質

假如我有一個問題想用AI解，該如何判斷要花多少資源呢？這就要回頭來看問題的本質：是「會變」(variant)，還是「不變」(invariant)？

所謂的「不變」(invariant)，意思是AI模型不太需要隨著時間持續更新，例如手寫字跡辨識、語音辨識、圍棋等，只要訓練好一個AI模型，就可以用很久。面對不會變的問題，最重要的是收集大量且多元的數據。

而「會變」(Variant)」，則是像金融預測、病毒預測這類會隨著市場變動，每月甚至是每週都需要即時更新模型的命題。這類問題的考量點會比較複雜，包括數據處理、數據標註、如何retrain模型，到了Production階段去預測時，如何知道我的模型好不好等等。

大家可能會想，不變(invariant)的問題好像比較簡單又省錢，我從這類型開始入手好了？其實Google當初在做圍棋AI時，足足花了7億5千萬元來訓練AI模型，所以重點還是要回來思考「這個問題有多複雜」，再來決定須要投入多少資源。

（圖片來源：unsplash）

AI落地的關鍵：成事在人

找到正確的AI命題很重要，但有了命題，不代表之後的環節都會一帆風順。假如管理層缺乏系統化的方式來找出問題癥結點，或是對AI技術不夠了解，都可能左右決策，影響專案期程。

過去我們見過比較成功的AI專案，會由一位對這件事有高度熱忱的AI工程師負責把關專案流程，從演算法開發、數據清理分類、數據處理到數據監控一手包辦，AI專案的成功機率就會比較高。反之，如果分工太壁壘分明，由數據工程師和AI工程師分別掌舵，執行端負責監控，基礎建設端負責做基礎建設，專案失敗機率可能也比較高。