AI落地命題怎麼找?

【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:unsplash)

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:

  1. 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。
  2. 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。

相關延伸閱讀

歡迎分享給你的朋友,或進一步閱讀系列文章。

Back to Top
Close