第二個常見問題是:管理階層跟資料科學家 (亦稱:數據科學家 Data Scientist)的協作。
打個比方來說,如果一名資料科學家執行某個專案18個月,管理層的人可能會納悶為何這麼久了成果還沒出來。管理層不知道該如何問對問題,找出原因,而數據科學家想解釋時,管理層可能根本聽不懂資料科學家所解釋的專業內容,也不清楚整個 AI 專案該往哪個方向執行、解決。
延續上述兩個問題,我想強調的是:AI 機器學習並非是拿來取代產業專家的專業知識,而是去輔助他們,讓能力可以充分發揮出來。重點在於「Actionable Intelligence(可採取行動的資訊)」,去判斷當專案卡關時,該靠專業知識前進,還是以數據洞察為依歸。
以「AlphaGo」為例,它之所以能成功,很重要的原因是Google DeepMind的團隊有黃士傑博士,他同時身兼電腦圍棋專家跟資料科學家的角色,兩個領域的專業交相配合,才能在這麼短的時間內促成AlphaGo的成功。
再來,機器學習 (Machine Learning) 並非萬靈丹,我們需要瞭解用在哪裡,才能發揮它的價值所在。因此,無論是管理階層、資料科學家還是產業專家,都要能夠建立一套共同的商業語言,以及大數據語言。同時,永遠要記得做取捨判斷,才能夠把獲利最大化。