AI落地的過程中，如何確保一路上技術的發展，同時得到顧客支持？獲選數位時代「2020年 台灣你最該關注的10家科技類新創」之一，新創公司Beseye（雲守護安控）的經驗非常值得參考。
全球安防監控市場以人臉辨識為大宗，Beseye卻跳脫主流，靠著獨門的「人體骨幹分析AI技術」吸引日本前三大鋼鐵工廠 JFE Steel等企業合作，不只兩大電信龍頭（中華、遠傳）是它們的客戶，連日本東急鐵道，也將危安示警的重責大任託付給這間台灣本土新創。
若水AI Blog編輯團隊專訪Beseye執行長涂正翰，分享團隊以AI創業的落地與驗證之路的深度對談。訪談過程中他不斷強調，要提高AI落地的成功機率，重點除了 AI 技術之外，更重要的是了解真實情境，才能進而解決商業問題。
問 : 每個事業的開始會有個原因，像若水是以「Tech for good」為主軸，當初成立AI事業部，正是看準各大產業會有AI數據處理痛點，同時可以藉此為身障者創造就業機會。很好奇Beseye創業之初，怎麼找到市場定位？
答：Beseye草創成員的強項都在AI影像分析(VA)領域，所以我們一開始就在考慮往這方面發展。畢竟我們幾個如果出去賣紅豆餅，也不會賣得比別人好（笑）。
創業初期，團隊技術只能做到一個人體擷取數十個人體骨幹特徵點，現在已經能擷取超過4,000個點，是台灣唯一一家把人體骨幹分析技術商用化的公司。從研究機構來看，相較於目前全世界頂尖的美國卡內基美隆大學（Carnegie Mellon University），Beseye的人體骨幹分析技術分析效率超過3倍之多，因此受到國際大廠的青睞。
我們也沒有從day one就決定要做人體骨幹分析，早期曾想過要不要做臉部識別，但因為臉部辨識市場當時已經高度競爭，而且在許多應用領域，如果希望把人臉辨識的精準度做好，在數據收集( Data Collection )應用上會面臨兩個難題。
除了攝影機和人臉的距離不能太遠，對人臉辨識的角度也有很高的要求，只要不是正臉，機器就很容易誤判。
所以我們決定另闢戰場，從人體骨幹下手，訓練機器辨識人的肢體動作，藉以分析出其姿勢、行為，進而分析出人們需要協助的各項危險情況。也因為不採用臉部識別技術，因此在市場上，只要客戶是處理的需求包括安全性、機密性、隱私性等問題，就會選擇用骨幹分析的解決方案，這也是大多數客戶導入公眾場域的需求。
講到這裡，我有兩個深刻學習。
第一，很多團隊會過度強調我做的是AI技術，好像只要有好技術就能賣，但其實不然。今天不管你的技術有多好，但對大部分大型企業來說，除了要解決商業問題，他們更不想要碰公關問題，如果技術會帶來侵害隱私的疑慮，企業壓根不會想用，因為會讓企業有無法控制的潛在風險。
第二，當技術被採用時，除了AI分析的精準的程度要高之外，你在AI分析模型以外的架構，還包括整個資料安全的設計、對隱私權的考量、以及如何降低運算效能以節省成本，達到因地制宜的使用，都必須要有精密的設計。因為你賣的是企業，企業不會只對 「精準度」 一個單點有要求，而要能為企業解決商業問題。
（延伸閱讀：智慧安防產業應用場景多變，數據該如何處理？）
Beseye將自己定義成可對應多元產業的「AI技術的軍火商平台」，服務過公眾交通系統（例如日本東急鐵道），智慧零售、智慧工廠、長照到金融等領域的企業客戶。
從目標來看，這些客戶在導入AI時，不只期待分析速度快、精準度高，系統穩定性夠，還很重視「數據安全性的架構」，但這點往往很容易被忽略。
如果心態上太工程或製造導向，會誤以為只要專注開發出強大的AI技術，產品就能賣得很好，但其實不然。最終還是要回到使用者的角度來思考，客戶最重視的是什麼？
問：若水AI整理過一篇Shazam的AI數據案例，分析這間被Apple收購的音樂辨識公司把數據當成一種「動態策略」，可否談談如何在提升模型表現的同時，兼顧商業機會？大概會分成幾個階段？
答：剛開始數據不多，我們就是跟著客戶一路慢慢增加精準程度，解決用戶重視的問題。
像上述提到的客戶都不是第一天就有，一開始訓練模型時，第一個選擇的是智慧零售的場域，因為這類企業主要在於了解消費者喜好，回頭調整商業策略，精準程度超過9成就足以解題。後來到鐵道公共的場域，客戶對精準程度的要求到98％或99％，因為分析錯了會有生命危險。
世界上沒有產品開發可以一步到位，採取快速疊代比較好的方法。所以我們會先做出一個AI模型，用少量的數據丟進去觀察，再逐步修正，一路從數十個人體骨幹特徵點，到現在擷取超過4,000多個，大約花了5～6年時間。
至於每個階段在人體上擷取特徵點( Feature Points )的數量上的選擇，其實是與整個時代發展的大背景息息相關。
例如，2000 年到 2014 年，GPU 計算速度的躍進讓演算法成長高達 450 倍，AI 模型的深度學習精準度提升、分析速度提升、及運算成本降低。這幾年，攝影機的影像解析度不斷提升，AI也跟著需要學會辨識更多的特徵點 ( Feature Points ) ，解決更難、更多元的商業問題。
對我們來說，當客戶橫跨不同的產業，要如何決定AI模型需要佈多少特徵點、才能夠取得最佳的商業與技術上的均衡點?
我們作法是：由人類提供不同數量的特徵點當作籌碼，由機器自己去學習、選擇把這些籌碼下在哪邊，找出更合適的骨幹特徵擷取點。一如AlphaGo之所以能打敗世界圍棋冠軍，正因為人類沒有給予機器太多的限制與規則，機器才有機會找出超越人類想像的答案。
如果今天機器下了4,000個點，表現很好，但改下8,000個點，反而沒有明顯差異，那就表示4,000個點已經是優化的極限。為了不浪費企業客戶的商業運算效能和成本，就會讓機器學習放在最佳的精準度，與客戶所必須付出成本的平衡點上。
思考這個問題還有另一個解法。有時候AI專案的挑戰，來自於人們常常過度看中大數據，而忽略了對「小數據」的觀察能力。
AI是從大數據中取出共同特徵，但最終目的還是為了解決客戶的商業問題。與其滿腦子想從大數據中得到答案，有時候真的坐下來，面對面了解你的使用者，得到的資訊反而更齊全。你不一定總是一開始就可以取得大數據，但是你一定能找到混搭 (hybrid) 的方案來解決。
問：這個想法很有意思！實際上怎麼運作？
答：開始合作前，我通常會建議客戶先做一件事：確認數據和商業命題之間，確實有相互關係。
為大家都會覺得數據丟進去，答案就會出來，但不是這樣。如果你是具有domain know-how的人，你一定要知道這個問題的答案，只是你沒有這麼多的時間驗證，而不是你自己都不知道答案，卻把AI當神。AI無法回答連人類都不知道的答案。假如要推測銷售成績和天氣變化有關，這時最好先請工讀生連續3個月紀錄天氣，比對銷售數據，看看是否真的有關聯。
如果真的有關，理論上用最簡單人力和少量數據，應該多少可以改善這個商業問題。換言之，如果這個商業問題真的這麼重要，那理論上就算沒有 AI，企業客戶也還是得老老實實地去解決它，真的先以最低的資源，確定有初步的效果、再導入AI來做快速的自動化解決，才不會浪費大量導入 AI 的時間和成本，卻無法預期花了一堆錢與時間後，到底可能的結果會是什麼。
另外，和客戶對接時，不只有PM，專案的內外部參考者也同時需要知道企業的高階管理者，對AI的使命和想像是什麼？唯有了解你的客戶，才能夠真正解決 「他的」商業問題。
假如客戶有一個大問題，可以被拆成五個小問題來解決，其中三個有大數據( Big Data )，我就會傾向用AI來解決。另外兩個無法取得大數據的，或許可以從產業know-how和對小數據的觀察力，了解這批數據的傾向。
這時候不需要執著於AI，比較輕巧的AI模型，甚至是推論統計( statistical inference )的方法，都會是可行的辦法。目標在於最有效率的解決客戶的問題，技術只是方法與手段。
回到商業需求面來思考，每個客戶對於AI產品的需求都不一樣，無法靠一招打天下。例如鐵道交通需要在1秒鐘內知道答案，但零售業7天出一次報告就好，即時性差很多，對辨識精準度的要求也不同。
又或者安防監控，客戶的攝影機雖然需要 24小時全時運作，但是卻不需要 24小時全速執行最複雜的分析，因為很浪費計算資源與客戶的運算成本。
此時，就可以把AI引擎分成幾種分析的狀態，像滿足篩選器條件進而觸發的方式，幫客戶大幅節省導入初期的成本以及導入後的維運費用。比方，先分析場域內有沒有物體移動，如果沒有就休眠；偵測到移動物，再進一步分析是不是人類、這個人類有沒有我們想要捕捉的動作，一層一層，以此類推。
問：從您的經驗來看，影響演算法表現的原因有哪些？
答：AI產品化可以分成三個層次，底層是 AI 數據，再來是AI模型，最上層是AI系統。在這個架構之下，可以再細分成6個因素。
好的 AI 模型與系統設計是解決商業問題的關鍵。AI 模型影響最基礎的精準程度，但有些問題不一定會發生在 AI 模型層次，而是必須在 AI 系統層次解決。所以在wrapper之上，還有一層AI系統產品的架構，這個也會大幅影響最終分析的表現。
有了好的 AI 模型與系統設計後，高品質的數據仍然是AI模型訓練的基石。同時，數據和商業問題的關聯度要夠高，才能夠真正解決問題。只要掌握了 AI的模型設計、系統設計以及數據，大概就能解決AI產品化80% 的問題。
問：怎麼確保數據的分類與品質？
答：舉個簡單的例子，今天我們想要訓練機器來看懂一個人的年齡，這是在智慧零售產業很常見的運用，如果只是標完就一張張照片丟進去，然後讓機器學習並分析，不管這數據模型設計成什麼樣子，它的結果可能都會糟。因為數據在丟進去之前，缺少對數據的專業分類。
每個人對於其他人的年齡判斷都不盡相同，有些人很會猜其他人的年齡、有些人卻猜得很糟糕，而且某些人看起來就是比較年輕、有些人看起來就是比較老，當整個世界的資訊都進到機器中、不同人判斷的數據都進來了，機器會很疑惑，為什麼同樣一個人，有時某些人覺得他年輕、某些人覺得他老？
到最後機器會不確定人類世界到底存不存在標準答案，因為數據被各種人不同的判斷中和掉而很難存在準則。
要解這個問題，從數據端就應該做各種分類，比方說男生的年齡與女生的年齡獨立分析，讓機器知道這是兩個極度不同的群體，硬要放一起只會讓機器搞不清楚到底人類的標準是什麼，這只是一個很小的例子，幾乎每一種商業問題都會有對應的數據分類標準在裡面。
這類問題即便你不是數據科學家，你也可以懂，因為更大程度來自對 domain數據的理解。
你不能預期任何要推動AI落地的企業，永遠都可以取得龐大的數據，很多數據問題只要從源頭把關、做好數據分類，後面 AI 訓練所需的數據量與問題就會少很多。
最後，大家都希望AI 成功落地，最好遍地開花。這裡通常有兩種模式。一種是要求商業世界為我改變。
但舉個例子，大家都喜歡與嚮往智慧家電，但你會因為科技大廠出了智慧冰箱，就馬上丟掉家中的舊冰箱嗎？可能不會。如果我們自己都不願意這樣做，怎麼能期待商業世界這件事會這樣發生呢？
在協助企業客戶導入 AI 案例，Beseye成功率一直都非常的高。原因除了有不錯的 AI 技術之外，同時，我們會盡量讓企業客戶盡可能以他們既有的硬體導入 AI 來解決問題、實現以最小的耗費資源、最小限度的成本投入，迎向 AI 帶來的智慧生活，不需要經歷一段痛苦的磨合期。
此外，我們最近也和Intel、世平興業三方合作開發「Beseye AI Edge Platform」，試圖解決客戶在跨領域系統整合上的困難，這個平台已被大量政府部門、工廠及國中小校園採用。
面對瞬息萬變的安防監控市場，我們想要讓這個世界用它最舒服的方式，讓AI落地。
