AI落地前，需要具備哪些思維？

財團法人人工智慧科技基金會（AIF）在陪伴許多企業走過 AI 轉型的程，深刻體會企業在當中面對的關卡，今年延續去年成果，舉辦「AI STARTS」活動媒合中小企業與AI新創，不只建立在出題與解題的角色，而是共同攜手解答產業重要共通問題，建立新創與成熟企業的緊密夥伴關係，提升整體產業的營運韌性與價值。今年活動中特別邀請科技部工業工程與管理學門召集人、北科大工業工程與管理系范書愷教授，以「AI落地之思想準備」為題，提綱挈領說明企業經營者導入AI前應該具備的基本素養，以及經營者如何調整心態。

范書愷提到，隨著各式的感知器蓬勃發展，大量的數據被轉化成分析結果，透過這些分析結果讓我們能對環境變動進行快速反應。這個過程中，大量的資料會逐步被轉化成知識、可行動的見解、智慧，最後成為創造力，一系列的轉換是企業在考慮借用人工智慧或大數據的幫助時，必須先具備的基本思維。

人工智慧與工人智慧的差別？

人工智慧是為了解放工程師的領域知識，那麼，人工智慧跟工人智慧的差異到底在哪裏呢？范書愷說，工人智慧是用來處理未知且稀少，可能是特殊突發狀況下的工程程序。一般會利用深度學習技術，幫助人類在高度複雜的資料中找到重要特徵（feature seeking），這類的特徵工程可分成特徵擷取、特徵選擇，以及特徵創造。而機器學習的目的就是在找到重要特徵後，利用Behavial Model建構模型。總結來說，人工智慧是指期待從資料擷取特徵後，建立模型，仿效工人智慧以解決問題。

至於要解決什麼問題？范書愷提供了幾個方向幫助企業詢問出對的事情。首先是企業要面對的市場特性，是否有瞄準哪些特定群體，或是具有哪些區隔度？再者是清楚的定位，是不是有不同的能力、技術或產能，能同時服務不同的市場或社群？第三則是要掌握市場的變化，無論是消費模式、銷售管道、金流及物流，都必須在建構新的商業模式前有詳細的規劃。第四是掌握技術的發展，思考能否開拓新的市場或產品經濟，例如台灣如何在最具優勢的半導體及電子封裝產業基礎上，建立新的市場？

不是加了ML、DL就叫AI公司

面對當前熱門的產業AI化議題時，范書愷一語道破：「傳統的公司只是加了深度學習（Machine Learning）、機器學習（Deep Learning）並不會變成AI公司；也不是雇了一堆資料科學家、人工智慧科學家，公司就會變成產業AI化的公司，必須從製程、思想、資料搜集...，每個環節都要改變思維才能真正轉變為有AI思維的公司。」他認為，人工智慧最大的特色在於強調理解與寬容，並能整合不同的聲音與異質資料。例如一個圓錐體從不同的方向望過去，都有不同的形狀，因此觀點的不同並不代表對與錯的界線，而是能在分析學中顯露數據科學的強大價值。

范書愷提醒，AI主管在專案過程必須思考的第一個問題：「專案目標與組織目標是否一致？」這也呼應前面提到的組織所面對的市場與環境變化，專案領導者必須先確認組織目標，當專案目標與組織目標一致時，所關注的層面才會較全面，也才更有價值。單一專案效益所考量的要素包括積極開發、數位加值、是否有效資源利用，以及效率或效益的提升；後續影響力評估所考量的則是大膽探索、數位轉型、邊際貢獻產出（組織策略），以及顧客價值提升，更重要的就是「利他就是利己」的觀念。這兩者雖然考量的點不同，但並不衝突，甚至相輔相成。

此外，如何將專案目標逐步轉換成可執行的專案題目，以及理解專案人才需求、打造專案團隊、資源利用、專案評估、專案風險等就是AI主管運作思維的第一個步驟。第二個重要的思維就是：「絕不盲目信任AI是萬靈丹。」

范書愷提醒，要打造值得信任的AI專案可分為四大構面：公正性、穩健性、可理解性，以及血統跟基因。在資料的使用上，必須避免人為的偏見，由於環境或市場的變動都會影響資料的產生，資料品質將會影響AI系統的訓練。在AI系統的維護管理上，必須確保其不遭受部門或其他外部因素的干擾，不可任意竄改也不能曲解系統的本質。再者，AI系統提估的決策或建議必須讓開發者及使用者理解，跨部門的可理解性也會成為AI專案是否成功的關鍵之一。最後，AI系統須記錄所有的開發、部署及維護細節，可於生命週期全程監督與稽核。

面對變動的環境與市場，「永遠要跟著問題走」范書愷認為這是AI成功的關鍵思維之一，必須不斷的從流程及程序中學習，領導者更需要部署足夠的底層資源。他指出，過去的傳統產業習慣維持舊的做法，「但在這個世代必須要動起來才能得到救贖，」年輕世代除了有想法之外，也要能提出方法及可行的做法。不僅要訂定資料處置策略，更要建立使用者對資料長期的信任。

AI主管必學5個領導哲學

作為一個AI主管，應該要學習哪些東西呢？范書愷提出了五個AI主管的領導哲學，首先是必須要跟底下的AI或資料工程師使用共同的語言，因此必須要學習一點分析學；第二個則是必須相信分析學能為公司帶來好處。第三則是在專案開始前，必須緊密扣合專案與組織目標，避免方向偏失。第四則是過程中必須設立檢核點，並且提出許多問題。最後，組織必須培養探究而非附和的文化。

在專案過程中需要考量的要素有許多，例如在開始前與進行中時，必須釐清幾個問題，包括企業的痛點能不能轉化成AI專案？專案的可行性？專案成功的要素？數據資料的盤點，如資料的來源？同時，也需要知道多少資料樣本才算足夠？樣本資料的全體代表性？分析背後的假設是什麼？會不會影響模型的效力？決定使用某種分析方法的原因為何？獨立變數跟相異變數間的關係如何？

在專案尾聲時，要考量的點則是：模型如何退場？更新原則是什麼？使用者介面與人機介面？落地的架構及成本又要如何規劃？

范書愷說，AI主管必須建立能容錯的文化，允許員工具有承受失敗且反覆試誤的能力；更必須了解數據是企業的資產。在專案結構與技能上，要有數據治理及其使用的經驗，並且要有獲取、開發、外包的技能；廠端、先進製程及資訊處則必須要能一起合作。最後，則必須具備整合能力，具有連接內外部數據的技術，並能將「可行的見解」整合到營運流程中，尤其是第一線的規範式的模型管理。

「當我們相信一定可以達到，就要開始部署，並進行人力規劃與專案規劃，」范書愷說，過去認為眼見為憑才是真相，必須看到解決方法或成果。但在AI轉型的時代，面對還看不到的成果，在專案管理過程更要抱持著「吾心信其可行」的心態，「To see is to believe要變轉變為To believe is to see」。