AI人才一定要很會寫程式?擁有兩大素養更重要

連結產學界資源,培育AI及相關軟體人才,一直是AIF成立以來的重要工作。本次AIF在與電子時報合辦的「2022 AI EXPO」中,除了AI大環境的討論,更延伸至未來在產業應用、技術發展,以及不可避免的Regulation與AI倫理的挑戰,更不忘人才培育的重要。

活動特別規劃「AI Junior Award」競賽活動,邀請正在大學及研究所就讀的年輕學生參賽,提出他們所想像的、AI在2025年可能的應用專案。會中邀請在國立中央大學資訊工程學系教授,同時也是中研院人社中心地理資訊專題中心執行長蔡宗翰,以及詠鋐智能Chimes AI 執行長謝宗震進行對談。

蔡宗翰不僅鑽研人工智慧運用於人類語言的理解與生成,研究領域十分多元,包括生物醫學、歷史等領域皆有涉略,又因愛好寫詩與文章,而被學生稱作「AI界李白。」謝宗震的新創公司則是幫助台灣許多傳統產業,特別像是高耗能的石化產業利用AI實踐ESG目標,提供解決方案。兩位分別以學界及產業的觀點與人工智慧科技基金會執行長溫怡玲,從AI人才培養的角度探索未來的方向對談。以下為精華摘要:

AIF執行長溫怡玲(以下簡稱溫):從2017年AI在台灣蔚為風潮之後,最常被問到的以後AI會取代所有的人才,那我的小孩是不是也應該要讀AI?另外一個問題,AI人才不足一直是大家關注的議題。但是,究竟什麼是「AI人才」?現在跟未來的「AI人才」會是一樣的嗎?

詠鋐智能Chimes AI 執行長謝宗震(以下簡稱謝):以我自己來說,我是唸數學統計,程式寫得也還可以,外界許多人大概會認為我是擁有大數據、資料科學到人工智慧等扎實訓練背景的人,如果從業界的觀念來看AI人才,第一件事情是如果要做AI應用的話,必須要對AI技術有足夠的了解。

第二件更重要的事情則是要思考:為什麼要做AI?我們把AI定位成科學應用技術,它必須要長在某個應用場景上,所以要能從產業的痛點中觀察出問題,並且能透過AI技術來解決這個問題,這也是我們認為AI人才非常重要的一環。

溫:所以能夠想像未來、找出問題且能實際解決問題的人都可以算是「AI人才」,不一定要很會寫程式嗎?

謝:沒有錯!

中央大學資工系教授蔡宗翰(以下簡稱蔡):其實我做AI算蠻久一段時間了,早期光是手刻一個AI模型就要耗費3個多月的時間,那時候沒有TensorFlow,也沒有什麼套件。現在拜深度學習風潮之賜,有Tensorflow、Keras、PyTorch等工具,還有許多Open Source,學習AI也很方便,就是直接進入模型訓練。所以許多人認為,會Train模型、會調參數就是AI人才,不能說這樣不是AI人才,但這只是最入門的AI人才。

當Code已經簡化到一定程度,不一定要讀資工系,可能其他系的同學只要上過幾天課或工作坊,也能知道如何訓練人臉辨識、情感辨識等各種模型。但是,這些人實際進入企業時,可能會發現他還是派不上用場,為什麼?因為在實務上,你必須要因應實際狀況設計AI模型,例如資料很少時該怎麼辦?或是當資料不能離開場所,這在醫院或公司都會發生。或是說當模型必須在Edge端時,它的運算資源可能比較少時,要怎麼設計模型?這時候就必須要了解模型的設計原理,甚至要結合一些資工系的底子,例如資安的概念,這樣才能變成更高階的AI人才。

還有第二種AI人才很重要,例如我們現在要做智慧金融、智慧醫療、智慧製造,我們會需要這個領域的專家,同時,他也具備AI的概念或基礎,可以跟這些應該資料科學家或工程師合作,這樣才可以設計出各種AI模型。

因此,未來人才應該會往更具資工基礎或更有領域知識,這兩個方向發展。

溫:其實這3天的論壇如果都有參加的話,大家會常聽到一個關鍵字叫No-Code,其實謝老師的公司,做的就是一個No-Code的平台,是個容易上手的AI系統。我跟謝老師兩年前就聊過。為什麼要做這樣的系統?

他告訴我,這可以減低整個企業內部的溝通成本,因為其實早期AI我們看的都是很厲害的演算法,但是,這三四年,我們可以發現到非常吃domain。就像剛剛李白老師說的,如果不是技術非常高深,就是要在變成一個No-Code系統時,必須是這個場域或產業裡的專家,才能發現裡面有什麼問題。我想,No-Code將會是未來的一個風潮,還有一個很重要就是「跨域」,我可能不會在兩個領域都是專家,但是至少要有一個跨域對話及快速跨域學習的能力。

想請問李白老師,為什麼跨域是AI時代的必然?年輕世代應該如何培養跨域學習、對話的能力?

蔡:我想AI會需要有能發展演算法的一小群人,這些人會集中在Google或是OpenAI這些領頭羊公司裡;可是有更多的是要把AI應用在各種場域的人。如果要應用的話,就一定需要領域專家。現在教育部有開許多系列課程,在校的同學可以多修這些AI課程,不要怕被當掉,即使不是資工或電機系背景也沒關係,找機會跟資工或電機同學合作。我相信,規劃課程的老師,他也會想要召集不同領域的同學,這也比較符合現實社會中的合作狀況,彼此貢獻自己的專業跟know-how。或是像這樣參加比賽,一個隊伍可能會有好幾個系的同學,我當評審時,就很喜歡看到這樣的現象。我覺得不管今天有沒有得名,都是一個很好的歷練。

溫:我們這次給的比賽題目非常大,就是想像2025年後的AI應用,也發現很多同學在團隊合作、跨域發現問題的能力非常優秀,題目也非常精彩,例如說,大家關注的長照、幫助社會弱勢,甚至現在產業熱門的ESG都有人做,還有航太系同學要用AI去預測火星沙塵暴。這些題目先不談是不是真的可以落實,或者準確率,這種跨域對話的能力及想像力非常重要。

我有一個問題想請教謝老師,因為你原本在學術界,後來做了很多有名的公益案子,又轉到新創,想要請問老師,你覺得在不同的這些階段會需要哪些不一樣的素養跟能力嗎?

謝:這問題很好,我覺得像我就是本科唸數學,然後寫統計、解程式、發明新的資料分析方法,當我還在學術這段路時,就是這樣做的,然後我創造了一些東西,並將發明的方法開源給大家用,最後還被放在北極保存起來,。於是,我們就開始思考這件事情,因為資料驅動的AI應用像是一個應用科學,要怎麼在這上面更近一步,做到讓大家想用?最重要的一個點是:「要有同理心。」

你會去觀察生活周遭的一些脈動,例如為什麼之前的口罩排隊排完之後,最近有人又開始排隊?因為要排快篩試劑。從觀察中開始思考:能用什麼樣的技術在環境中做一點事情?從同理心的觀察角度來看這件事情,會讓你的AI應用場景可以落地。例如幾年前我的小孩剛出生時,我會關心兒少家暴議題,當小朋友還不太會講話時,如果受傷的話怎麼辦?能不能透過社工通報的基本資料來判斷這個家庭的孩子有多危險,還有預警的概念,讓社工藉由紅綠燈的分級,知道當下應該要做什麼處置?

那下一個階段,我們希望可以打造像剛剛講的No-Code AI平台,因為能做到資料分析、AI的人,畢竟是少數,透過No-Code降低AI進入門檻,讓更多人可以使用。像昨天論壇,我們請石化業的客戶來分享,我跟他聊天時發現,即便我是No-Code AI演算法跟平臺的設計者,但當他開始使用平台建立十個、百個、千個模型的時候,他反而比我更了解怎麼做AI建模。因為他有領域知識,他知道在落地的過程中會遇到什麼問題,如何讓他的模型變得更好,反而是一個教學相長的概念,未來其實這件事情應該會被大量發展。

溫:你剛剛講到幾個重點,同理心很重要,然後觀察力,我們隨時觀察到有哪一些問題是需要解決。其實後來No-Code AI還是在解決一些問題。因為AIF在2018年開始創辦台灣人工智慧學校。2020年的下半年,我們開始轉進做企業內訓,那在做企業內訓跟賦能這些企業建立AI團隊時,我們其實發現一個極大的問題。

這個問題叫做數據孤島,或者我們叫做企業內部的穀倉(silo),大家很習慣跟電腦有關的事情,不管是AI還是電腦壞掉,都是IT部門的事情。

但剛剛這樣談下來,可以發現未來AI導入時,應該像是流通整個企業內部的心血管。要流通企業內部的時候,軟體人才就變得非常重要。這次AI EXPO中,我們聽到非常多國外公司,希望可以接觸台灣的大學生或研究生並直接延攬人才。這對台灣產業界來說,我不認為它叫做一個警訊,反而會是我們可以轉換,讓自己的企業可以升級的時候。

我們經常說:「要培養未來的競爭力。」但是,未來是什麼?如何預測?想分別請問兩位老師,企業界應該可以做些什麼事情,不只是薪資,讓台灣的軟體人才有更大的發揮空間?

蔡:企業應該提升它的願景 ,可能本來是扮演整個產業鏈裡的某個角色。但是,企業領導人應該去觀察:「基於這樣的角色,他有沒有機會在這個AI時代扮演更重要的角色。」軟體人才不是一個單純來公司裡做一些應用程式的開發,他要有更大的舞台。

另外,我們經常聽到學生畢業回來,說覺得很挫折。例如他在銀行想要試行一些AI想法,但是他的同事可能不懂AI,就會有些鄙視跟排斥,覺得加了這個東西不一定會賺錢。所以,公司從最高層開始就要去接受AI的觀念,透過像企業內訓、或是自己研讀一些跟AI概念相關的書籍,增加自己對AI的認知,幫助自己去想像,到底現在擁有這麼多資源,在未來AI時代可以怎麼走?

又或者像我實驗室好像都被某家大企業包走了,這家企業也很積極的在發展AI ,一般企業如果要跟這家企業搶人,就必須要提供給員工更好願景,讓他們知道,我們可以扮演什麼角色,而不是只是在公司裡負責修電腦的小螺絲釘。

溫:Top-down其實很重要,所以,如果有企業要找AIF合作,我們通常會要求跟他們董事長或總經理見面,確認公司的策略是玩真的、方向是準確的,才進來一起攜手走這條路。

謝:以我們公司為例,我們很需要軟體人才,其實要做 No-Code AI平台,真的需要軟體人才且門檻蠻高的。不只要懂軟體,還要懂AI演算法,還要考慮到實際的各種應用場景,包括使用者會怎麼用等許多不可測的狀況。因此,不僅要知道什麼是演算法,還要能做結構端開發,要非常知道產業應用狀況,更要懂使用者體驗,才可以做出一個好的AI產品。

未來就是追求優秀的AI演算法開發人才會是一個區塊,另外一塊是從遍地開花,例如No-Code AI就會是種遍地開花的工具。但要能夠做到遍地開花,也會需要很大量的軟體或AI演算法工程師投入裡面。