文／ 若水 Flow AI Blog 編輯團隊
後疫情時代 (Post-Pandemic) ，AI 產業又聚焦回最根本的問題。
最近 AI 產業的新聞關注點很有意思，疫情最高峰過後，大家回頭問最基本的問題：當AI 應用落地 ，到底有沒有達到原始設定的標準？如果失敗收場，又是發生什麼事？
這一期就來分享兩則備受關注的案例，深入了解之後，你會發現：AI可以成功，也可以失敗地很徹底，而那一線之間的差別，往往來自於有沒有考慮到現實的情境脈絡。
【Google 發展 AI 智慧醫療，辨識糖尿病視網膜病變，反拖累醫療流程】
首先是「Google Health」，致力於運用 AI 數據、雲端，協助智慧醫療。這篇文章提到，Google Health 的智慧醫療專案「糖尿病視網膜病變 AI 掃瞄 」，準確率達 9 成。（ ➡️ 延伸閱讀：Google 也和印度眼科醫院合作過），先在泰國落地測試，並且要對 60% 糖尿病患者篩檢。
圖片來源 : freepik
結果呢？3 個小細節打敗了 Google。
- 護士每小時掃描數十名患者，並經常在光線不足的情況下拍照，所以超過 1/5 照片因為不合標準被拒。
- 照片被踢出系統的患者，必須要再預約看診，但如果他們無法請假或沒有車，就會非常不方便。這讓護理師感到沮喪無力。
- 好不容易拍到合格的照片，由於系統必須將照片上傳到雲端處理，但碰到診所的網際網路連線有問題，造成篩檢作業延遲。
護士經常在光線不足的情況下拍照，使得超過五分之一照片被拒絕。
這三個來自現實運用的阻力加乘，讓原本預計10分鐘完成，就能讓病人立馬看報告，結果，拖長到2個小時只能幫10位病人做到篩檢。幸好，Google Health很快做出回應，目前正與當地醫務人員一起合作設計新工作流程。
【讓 MIT 宣布永久停止的開放農業計劃】
另個案例 MIT「開放農業計劃」(Open Ag)，下場就沒那麼好了。先前因為造假，被 MIT Technology Review（一個自家人勇打自家人的概念？）選為「2019全世界最失敗的科技產品」之一。今年4/30，更宣告永久停止。
MIT Media Lab 的Caleb Harper
年初我們介紹過這個故事的上半場，案子立意良善，原想透過類似「食物電腦」的概念，在封閉的環境裡提供陽光、空氣和水，讓人們依植物生長習性，透過程式控制徵調生長環境，解決農民看天吃飯的老問題。
該計劃一出得到許多支持。第一步便把使用者設定在：難民營，距離敘利亞邊界90 公里的約旦沙漠中。
結果呢？這篇文章裡有很詳盡的介紹，主要因為實作現場位在沙漠，氣候非常乾燥，室內溫度可以高達45°C，各類電源經常出現故障，最後連Wi-Fi 也常出問題，導致無法重啓機器設定。
硬體的不成熟與惡劣環境影響，最終仍不被
WFP ( 世界糧食計劃署 )採用，來解決約旦的糧食問題。
最後，該計劃主持人只得不斷造假，以掩蓋計劃零成果的重大缺失。直到去年接連被紐約時報、IEEE踢爆。這情節看似荒誕，卻實際發生了，還耗費了不少時間與資金。
矽谷一位創業者、AI 創投 Rob May 在他的電子信評論：
在真實世界裡推動 AI 落地，依舊困難。
他寫道，因為疫情，更讓人們關注 AI 在實際「部署」( deployment）時發生的挑戰，「過去幾年，AI 停留在研究階段，那些人人膜拜的 AI 名流，多為研究背景，專心開發新模型或數據類型。但如果這些成果無法落地運用，會讓一切漸失動力。」
此其時也，或許只有勇於擁抱真實的混亂，才能讓下一階段的 AI 再開出新局。
【延伸閱讀】
1, 長佳智能用不到一年的時間，與中國醫合作完成18項 AI 專案落地商轉。從視網膜並扁、肝硬化到乳房超音波等。長佳智能期待用 AI 數據，打造未來的智慧醫療願景。
➡️➡️ 請看：台灣 AI 界的隱型冠軍 每月整合 25 萬筆數據 讓名醫更名醫
2, 2019年，南方澳大橋斷裂造成嚴重傷亡，震驚社會。事發後追查原因，才發現這座大橋竟然長達三年沒有檢修。然而，人工安檢面臨三大難題：工時長、高成本、高生命風險。加上AI，可以怎麼改善現況？
➡️➡️ 請看：數據專家結合空拍機，智能安檢橋梁和危樓
圖片來源：freepik、Google、MIT、WFP、 Arteum.ro、 ThisisEngineering RAEng on Unsplash
