四步驟落實人工智慧

Artificial Intelligence for the Real World
湯瑪斯.戴文波特 Thomas H. Davenport , 拉傑夫.羅南奇 Rajeev Ronanki
瀏覽人數:10583
  • 文章摘要
  • "四步驟落實人工智慧"

  • 字放大
  • 多人授課購買
    購買〈四步驟落實人工智慧〉文章
  • 個人收藏購買
    購買〈四步驟落實人工智慧〉PDF檔
    下載點數 10


影片載入中...
企業要運用人工智慧,不能一開始就抱持太大的企圖心,而必須緩步漸進。也就是說,要從人工智慧獲得最大效果,企業應了解哪些技術可以執行哪些類型的任務、根據業務需求建立安排好優先順序的專案組合,以及制定計畫,擴大規模推展到全公司。

2013年,德州大學安德森癌症中心(MD Anderson Cancer Center)推出一個企圖心極大的專案:使用IBM的華生(Watson)認知系統,診斷某些形式的癌症,並推薦治療方案。但這項計畫在成本突破6,200萬美元之後,於2017年叫停;而這套系統,還沒有用在病患身上。同時,這座癌症中心的資訊科技小組,正在實驗使用認知技術,進行企圖心小得多的工作,例如,為病患家屬推薦飯店和餐廳、決定哪些病患需要協助支付費用,以及處理資訊科技單位用人問題。這些計畫的成效較為看好:新系統有助於提高病患滿意度、改善財務績效,以及減少醫院護理人員花在繁瑣的資料輸入工作的時間。儘管企圖心極大的專案受挫,安德森中心仍致力使用認知技術,也就是下一代的人工智慧:以增進癌症治療的效果,並在它的認知運算能力中心,發展各式新計畫。

這兩種方法之間的對比,與任何想規畫人工智慧行動方案的人切身相關。我們調查250位熟悉自家公司如何使用認知技術的高階主管,發現四分之三的人相信,人工智慧將在三年內,大幅改造他們的公司。然而,我們研究了差不多家數的公司裡的152項計畫,也顯示企圖心極大的專案,成功的可能性低於增進業務流程的「容易取得成果」專案。這件事應該不讓人驚訝,因為企業過去採用的絕大多數科技也是這樣。但有關人工智慧的熱潮太過強大,而有些組織已深受吸引。

這篇文章中,我們將檢視已獲採用的各種類型人工智慧,並提供一個架構,說明企業未來幾年應如何開始建立認知能力,以達成業務目標。

三類人工智慧

透過業務能力的角度,而不是從技術角度來看人工智慧,對企業是有幫助的。大體來說,人工智慧可支持三類重要的業務需求:商業流程自動化、透過資料分析取得見解、與顧客和員工交流互動(見表:「認知專案的類型」)。

流程自動化。我們研究的152項計畫中,最常見的類型,是利用機器人流程自動化(robotic process automation, RPA)技術,進行數位和實體任務的自動化,這些任務通常是後端單位的行政管理與財務活動。RPA比早期的商業流程自動化工具更先進,因為「機器人」(也就是伺服器上的程式碼)就像人類那樣,從多個資訊科技系統輸入和使用資訊,任務包括:

● 把電子郵件和電話客服中心系統裡的資料,轉移到紀錄系統裡;例如,更新顧客檔案,像是地址改變或增加服務項目等。

● 更換遺失的信用卡或提款卡,進入多個系統,更新各項紀錄,以及處理與顧客的通訊。

● 從多種文件類型擷取資訊,以調和多個計費系統裡沒有收取服務費用的情形。

● 使用自然語言處理技術,來「閱讀」法律和合約文件,擷取裡面的條款。

RPA是本文要討論的認知技術當中最便宜、最容易執行的,而且,通常會迅速帶來相當高的投資報酬率。(它也是最不「聰明」的技術,因為這些應用並不會學習和改善,但開發人員正慢慢在當中增加更多智慧與學習能力)。它特別適合跨越多個後端系統執行工作。

美國國家航空太空總署(NASA)受到成本壓力,因此推出四個RPA的試辦專案,包括應付帳款和應收帳款、資訊科技支出、人力資源;這些專案全部由一個共用的服務中心來管理。這四個專案運作得相當好,例如,人資應用方面,有86%的交易是在沒有人力介入的情形下完成,因此這四個專案將擴大推展到整個組織。NASA正在執行更多RPA機器人,其中一些的智慧水準較高。就像共同服務組織專案領導人吉姆.華克(Jim Walker)指出的:「到目前為止,還沒有用到高深的科學。」

有人可能會猜想,RPA很快就會使人失業。但在我們探討的71個RPA專案中(占總數的47%),取代行政管理人員既不是首要目標,也不是常見結果。只有少數專案導致員工人數減少,而且其中大部分的情況裡,處理的任務在之前就已移轉給外包工作者。隨著技術改進,機器人自動化專案將來可能導致一些人失業,尤其是在境外商業流程外包產業。如果能把一項任務外包,或許也能把它自動化。

認知見解(cognitive insight)。我們的研究中,第二類最常見的專案(占總數的38%),使用演算法來偵測大量資料中的形態,並解讀它們的意義。你可以把它想成是「卯足全力分析」。這些機器學習應用目前是用在:

● 預測某位顧客可能買什麼。

● 即時找出信用詐欺,以及偵測保險理賠詐欺。

● 分析保固資料,以找出汽車和其他製造品的安全或品質問題。

● 自動化執行數位廣告個人化定向。

● 提供保險公司更正確和詳細的精算模型建構。

機器學習提供的認知見解,與傳統的分析所提供的不同,不同之處有三方面:它們通常較為資料密集和詳細;模型一般是在資料集的某個部分接受訓練;而且模型會變得更好,也就是說,它們能夠使用新資料去做預測,或是把事物分類,這種能力會隨著時間而改善。

機器學習的各種版本(尤其是深度學習)可執行優異的功能,像是辨識圖像和語音;深度學習試著模仿人類大腦的活動,以辨識不同的形態。機器學習也能提供新資料,做更好的分析。資料典藏(data curation)一向相當勞力密集,現在機器學習可以從不同的資料庫當中,找出機率性比對資料,也就是那些可能和同一個人或公司有關,但以略為不同的格式呈現。奇異公司(GE)已使用這個技術,來整合供應商資料,以消除多餘的作業,以及協商以前由事業單位層級來管理的合約,第一年就因此而省下八千萬美元。同樣地,一家大型銀行使用這個技術,擷取供應商合約中的條款資料,並與發票號碼比對,找出數千萬美元沒有供應的產品與服務。德勤(Deloitte)的稽核實務單位正在使用認知見解,從合約中擷取條款,使得一次稽核能處理更高百分比的文件(往往高達100%),而不需要稽核人員辛苦地逐字閱讀。

認知見解應用,通常是用來改善只有機器能做的工作的績效,例如程式化廣告購買,這需要高速資料運算和自動化執行,這些一直都是人類能力做不到的,所以它們通常不會威脅人類的工作。

認知互動(cognitive engagement)。有一些專案使用自然語言處理聊天機器人、智慧型代理人和機器學習,來與員工和顧客交流,這類專案在我們的研究中最少見,只占總數的16%。這類專案包括:

● 智慧型代理人提供全年無休的顧客服務,處理的問題愈來愈多且廣泛,從密碼查詢到技術支援問題,全部以顧客的自然語言來進行。

● 回答員工問題的內部網站,主題包括:資訊科技、員工福利、人力資源政策。

● 為零售商設計的產品與服務推薦系統,可提高個人化、互動和銷售額,通常包括豐富的語言或圖像。

● 醫療推薦系統,協助醫療業者制定量身打造的照護計畫,考慮到個別病患的健康狀況,與之前的治療方式。

我們研究中的公司,利用認知互動技術與員工的互動,往往多於與顧客的互動。隨著企業更放心把它們與顧客的互動交給機器,這種情況可能改變。例如,先鋒集團(Vanguard)正在試用一個智慧型代理人,協助自家的客服人員回答經常有人詢問的問題。這個計畫最後會讓顧客直接與認知代理人互動,而不是與人類的客服人員互動。瑞典的SEBank、美國的醫療科技巨擘Becton, Dickinson(BD),正使用逼真的智慧型代理人的線上化身阿梅利亞(Amelia),作為內部員工的資訊科技支援服務台。最近,SEBank有限度地提供阿梅利亞給顧客使用,以測試它的表現和顧客反應。

企業在面對顧客的認知互動技術方面,傾向採取保守的方法,主要是因為那些技術還不成熟。舉例來說,臉書(Facebook)發現有70%的顧客要求,若沒有人力介入協助,它的Messenger聊天機器人就無法回答。因此,臉書和其他幾家公司目前限制只有某些主題領域或對話類型,才使用以機器人為基礎的介面。

我們的研究顯示,目前,認知互動應用程式沒有威脅到顧客服務或銷售代表的工作。我們研究的大部分專案,目標不是減少人力,而是在不增加人力的情況下,處理日益增多的員工與顧客互動。有些組織打算把例行性的溝通任務交給機器,而把顧客支援人員調去執行比較複雜的活動,例如,處理可能會擴大的顧客問題、執行廣泛的非結構性談話,或者,在顧客打電話進來提出問題之前,就先聯絡他們。

隨著企業更熟悉認知工具,目前它們正在試驗一些專案,結合所有三個類型專案的要素,以取得人工智慧的好處。例如,義大利一家保險公司在自家資訊科技部門內部,開發了「認知服務台」。這套系統與員工互的方式,是使用深度學習技術(認知見解類型的一部分),來搜尋經常詢問的問題和答案、以前解決過的案例和文件紀錄,以便對員工的問題提出解決方法。它使用智慧路徑(smart-routing)能力(商業流程自動化),把最複雜的問題交由人類代表來處理,並使用自然語言處理技術,來支援使用者用義大利文提出的請求。

但雖然企業使用認知工具的經驗迅速擴增,在發展和執行方面仍面對重大障礙。我們根據研究,發展出四個步驟的架構,用來整合各項人工智慧技術,以協助企業達成目標,無論專案是企圖心像登月那麼大,還是要改進商業流程。

1. 了解技術

企業在著手推動人工智慧行動方案之前,必須了解哪些技術適合執行哪些類型的任務,以及每一種技術的強項與限制。例如,以規則為基礎的專家系統和機器人流程自動化,它們執行工作的方式是相當透明的,但兩者都沒有學習和改善的能力。另一方面,深度學習很擅長從大量的標籤資料(labeled data)當中學習,但幾乎不可能了解它如何建立起那些模型。在金融服務等受到高度管制的行業,這個「黑盒子」問題可能引來麻煩,因為監管人員總是堅持要知道,企業為什麼要用特定方式做決策。

我們遇過幾個組織浪費時間和金錢,運用錯誤的技術來處理手頭上的工作。但如果它們清楚了解不同的技術,就更能夠確定哪一種技術最適合處理哪些需求、可以和哪些供應商合作,以及多麼快可以建置好一套系統。要了解這些,通常必須在資訊科技或創新單位中,持續進行研究與教育。

尤其是企業必須借重關鍵員工的能力,例如資料科學家,他們具備必要的統計和大數據技能,能夠學習這些技術的具體細節。一項主要的成功因素,就是你的人員願意學習。有些人會掌握這個機會,另外有些人則會想要緊抓著自己熟悉的工具。公司應設法確保前者所占比率較高。

如果公司內部沒有資料科學或分析能力,近期可能必須建立外部服務供應商的生態系統。如果你期望執行較長期的人工智慧專案,就應引進專家人才到公司裡。不管採用哪一種做法,擁有適合的能力,攸關能否有進展。

由於認知技術人才欠缺,大部分組織應建立一個資源庫,也許設在資訊科技或策略等中央部門,並指派專家加入全公司裡的高度優先專案。隨著需求和人才增多,一個合理做法可能是指派專責小組,到特定業務職能或單位裡,但即使如此,由一個中央協調部門來管理各個專案和職涯,是有幫助的。

2. 建立專案組合

推動人工智慧專案的下一步,是以系統化的方式評估需求和能力,然後發展出一個安排好優先順序的專案組合。在我們研究的公司中,通常是以工作坊或透過小型諮商專案來執行。我們建議企業在三大領域進行評估。

確認機會。第一個評估是要決定,哪些業務領域可能從認知應用獲益最多。一般來說,公司的那些領域欠缺「知識」(從資料分析或一組文字裡取得的見解),但因某種理由而無法取得知識。

● 瓶頸。在某些情況下,缺乏認知見解是因為資訊流動遇到瓶頸;知識存在組織裡,但分布狀況不是最理想。例如健康照護經常就是如此,知識分別存在各個診所、科別或學術醫學中心裡,互不相通。

● 擴大規模的挑戰。其他的情況是知識已存在,但使用知識的流程太長,或是擴大知識的規模要花太多經費。財務顧問建立的知識經常是這樣。因此,許多投資和財富管理公司,現在擁有人工智慧支持的機器人建議能力,可以在例行性的財務問題上,提供客戶符合成本效益的指引。

製藥業中,輝瑞(Pfizer)為了處理擴大規模的問題,目前正在使用IBM的華生系統,加速免疫腫瘤學領域費時費力的藥品開發研究流程;免疫腫瘤學是新興的癌症治療方法,利用人體的免疫系統,協助對抗癌症。免疫腫瘤藥品最久可能要12年才能上市。華生系統全面檢視相關文獻,以及輝瑞本身的實驗室報告等資料,協助研究人員發現變數之間的關係,並找出隱藏的形態,如此應能加速找出新的藥物標的、研究用的合併用藥療法,以及這類新藥的病患選擇策略。

● 火力不足。最後,一家公司收集的資料可能太多,超過目前人力或電腦火力能適當分析和應用的程度。例如,某家公司可能有關於消費者數位行為的大量資料,但對於這些 資料的意義、可在策略上如何運用,公司卻欠缺見解。為處理這個問題,企業使用機器學習來支援一些任務,像是程式購買個人化數位廣告等,或是像思科系統(Cisco Systems)和IBM的做法,建立數萬個「傾向模型」(propensity model),以判定哪些顧客可能購買哪些產品。

● 決定使用案例。第二個評估領域,是要評估哪些使用案例(use case)裡的認知應用可能產生大量價值,且能協助企業成功。首先要問一些關鍵問題,像是:解決你想解決的這個問題,對你的整體策略有多重要?從技術和組織這兩方面來說,執行擬議中的人工智慧解決方案有多困難?推動這項應用而得到的好處,是否值得所花心力?其次,決定使用案例的優先順序時,應考量的因素包括:哪些使用案例可提供最多的短期和長期價值,以及哪些使用案例最後可能整合到更廣泛的平台或認知能力組合中,以創造競爭優勢。

●選擇技術。第三個評估領域,檢視每個使用案例考慮的人工智慧工具,是否真能勝任要處理的任務。例如,聊天機器人和智慧型代理人可能讓一些公司備感挫折,因為它們大多僅能處理有腳本的簡單案例,還比不上人類解決問題的能力(但它們正在迅速改進)。其他的技術,例如機器人流程自動化,能簡化開立發票等簡單的流程,但其實可能反而減緩較複雜的生產系統。而且,雖然深度學習視覺辨識系統能認出照片和影片中的圖像,但需要許多標籤資料,而且可能無法理解複雜的視野。

隨著時間推移,認知技術會徹底改變企業經營的方式。但今天,比較明智的做法,是運用目前可用的技術緩步漸進推動,同時規畫在不久的將來進行轉型變革。例如,你最終可能想要把與顧客的互動交給機器人執行,但現在比較可行的做法,也許是把你的內部資訊科技服務台自動化,作為邁向最後目標的一步。

3. 推行試辦專案

目前的和理想中的人工智慧能力,這兩者之間的差距不見得很明顯可見,因此企業應先推行認知應用的試辦專案,然後才推展到整個企業。

驗證概念可行的試辦專案,特別適合有高潛力業務價值的計畫,或是可讓組織同時測試不同技術的計畫。務必特別小心,避免受到技術供應商影響的資深高階主管「交辦」專案。只是因為高階主管和董事可能覺得有壓力,必須「做點認知方面的事情」,並不表示你應該繞過嚴格的試辦專案流程。上司交辦的專案經常失敗,而這會使組織的人工智慧計畫嚴重受挫。

如果公司計畫推出幾項試辦專案,可考慮創設一個認知卓越中心或類似的架構,來管理它們。這個方法有助於在組織內部建立所需的技術技能和能力,也有助於把小型試辦專案,推進到更廣泛的應用,產生更大的影響。輝瑞全公司有超過六十項專案,都有運用某種形式的認知技術,其中許多屬於試辦性質,有一些則在規畫之中。

BD的資訊科技部門裡,有一個「全球自動化」職能負責督導許多認知技術試辦專案,這些專案使用智慧型數位代理人和RPA(有些工作是與BD的全球共用服務〔Global Shared Services〕單位共同執行)。這個全球自動化小組使用端對端流程圖,以引導執行,並確認自動化的機會。該小組也使用圖形化的「熱度圖」(heat map),指出最適合由人工智慧介入的組織活動。這家公司已在資訊科技支援流程裡,成功執行智慧型代理人,但還沒有準備好支援大規模的企業流程,例如訂單到現金(order-to-cash)。健康保險公司安聖(Anthem)已發展出一個類似的集中式人工智慧單位,稱為認知能力辦公室(Cognitive Capability Office)。

重新設計商業流程。在制定認知技術專案時,應仔細思考可以如何重新設計工作流程,尤其著重在人類和人工智慧的分工。有些認知專案,是80%的決策由機器做,20%由人類做;還有一些專案的比率剛好相反。以系統化方式重新設計工作流程是有必要的,這樣才能確保人類和機器彼此截長補短。

舉例來說,先鋒投資公司有新的「個人顧問服務」(Personal Advisor Services, PAS)產品,結合了自動化投資建議和人類顧問的指導。在這套新系統中,認知技術用來執行許多傳統的投資顧問任務,包括建構一個量身打造的投資組合、隨著時間推移而重新調整投資組合、投資虧損節稅操作(tax loss harvesting),以及可節稅的投資選擇。先鋒公司的人類顧問擔任「投資教練」,負責回答投資人的問題、鼓勵健康的財務行為,並擔任「情緒斷路器」(這是先鋒的用語),也就是促使投資人按計畫行事。公司鼓勵顧問學習行為財務學,以有效扮演這些角色。PAS方法已快速吸收超過八百億美元的資產由公司來管理,吸收資產的成本低於純粹以人類為基礎的顧問,顧客的滿意度也高(見表:「一家公司的分工」)。

先鋒公司了解,在執行PAS時,重新設計認知工作的重要性,但許多公司只是沿用既有做法,把現有的工作流程自動化,尤其是在使用RPA技術時。企業把既有的工作流程自動化,可迅速執行各項專案,達成投資報酬率,但放棄了充分運用人工智慧能力、大幅改善流程的機會。

重新設計認知工作時,若運用設計思維的原則,往往可以受益,這些原則包括:了解顧客或最終使用者的需求,請工作會被調整的員工參與,把設計視為實驗性「初稿」,考慮多個替代方案,以及在設計流程中,明確考慮認知技術能力。大部分認知專案也適合反覆進行的敏捷式開發方法。

4. 擴大規模

許多組織成功實施認知試辦專案,但在推展到整個組織時,一直無法像試辦專案那麼成功。若要達成目標,企業必制定詳細的擴大規模實施計畫,而這需要技術專家與自動化商業流程負責人員協同合作。認知技術通常支援的是個別任務,而不是整個流程,因此,若要擴大規模實施這些技術,幾乎總是需要與既有的系統和流程整合在一起。接受我們調查的高階主管表示,這種整合是他們在人工智慧行動方案面對的最大挑戰。

企業推動擴大規模流程的第一步,是要考慮所需的整合是否可能或可行。例如,如果相關的應用取決於很難取得的特殊技術,就會限制擴大規模。務必在試辦階段之前或期間,確保商業流程的負責人員與資訊科技部門,討論擴大規模應考慮的事情。避開資訊科技部門是不可能成功的,即使像RPA之類相當簡單的技術也一樣。

舉例來說,安聖保險公司正在開發認知技術,這是它現有系統現代化計畫的一部分。安聖並沒有把新的認知應用程式加進既有技術中,而是採用全方位的方法,讓認知應用產生的價值極大化、降低開發與整合的整體成本,以及在既有的系統創造光環效應。安聖也重新設計流程,同時「利用認知,讓我們更推進一個層次,」資訊長湯姆.米勒(Tom Miller)說。

擴大規模的過程中,企業可能面對重大的變革管理挑戰。例如,美國一家服飾零售連鎖店在少數店面推動的試辦專案,使用機器學習來進行線上產品推薦、預測最佳存貨與迅速補貨模型,以及最困難的工作,也就是採購。採購人員過去總是根據直覺訂購產品,現在他們感覺受到威脅,會說出類似這樣的話:「如果你信任這個,要我做什麼?」試辦計畫推動之後,一群採購人員去見採購長,要求撤銷那項計畫。採購長指出,試辦結果是正面的,也保證會擴大實施這項專案。他安撫採購人員說,他們免除某些採購工作之後,可進行價值更高、由人來做仍比機器做得好的工作,例如,了解較年輕顧客的渴望,以及決定服飾製造商的未來計畫。同時他也認為,採購人員必須接受再教育,學習新的工作方式。

若要讓擴大規模達到想要的成果,企業也必須聚焦在改善生產力。例如,許多公司計畫逐漸提高生產力,在不增加員工的情形下,增加顧客和交易。公司若認為減少人力是投資人工智慧的首要理由,達成這個目標的理想方式,應該是規畫透過遇缺不補或取消外包,來逐漸達成。

未來的認知公司

我們的調查和訪談顯示,曾有認知技術經驗的經理人,看好它的前景。雖然早期的成功相當有限,但我們預期,這些技術最後會改變工作的樣貌。我們相信,目前適度採行人工智慧、計畫將來積極執行的公司,會發現自己所處的位置很有利,和很早就運用分析法的公司一樣,能得到好處。

行銷、健康照護、金融服務、教育和專業服務等資訊密集的領域,透過人工智慧的應用,可變得對社會更有價值,也比較便宜。每個產業和職能裡,業務上單調繁瑣的事務(例如,督導例行性交易、一再回答相同的問題、從無數文件中擷取資料),可能成為機器的負責範圍,讓人類員工騰出心力,去做更有生產力和創意的工作。認知技術也是促使其他資料密集技術成功的催化劑,包括:自動駕駛汽車、物聯網,以及行動與多通路消費性技術。

認知技術很讓人擔心的一件事,就是會造成很多人失業。當然,隨著智慧型機器接手傳統上由人類執行的某些工作,有些人可能會失業。但我們相信,在這個時點,大部分勞工沒什麼好憂慮的。認知系統只是執行工作當中的某些任務,不是整個工作。我們見到一些人失業,主要是由於公司遇缺不補,不是被取代,或是把外包的工作改為自動化進行。目前進行的大部分認知任務,擴增了人類的活動,執行較寬廣的工作當中一個範圍狹窄的任務,或是從事一開始就不是由人力執行的工作,例如大數據分析。

和我們討論過失業問題的大部分經理人,都致力於擴增策略(augmentation strategy),也就是整合人員和機器的工作,而不是完全取代人力。我們的調查中,只有22%的高階主管認為,減少人力是人工智慧的首要好處。

我們相信,每一家大型公司都應探索認知技術。這一路上會有一些顛簸,而且對於取代勞動力和智慧型機器的倫理問題,不能掉以輕心。但是,認知技術若是規畫和發展得當,可能開啟一個生產力、工作滿意和繁榮的黃金時代。

(羅耀宗譯自“Artificial Intelligence for the Real World,” HBR, January-February 2018)



湯瑪斯.戴文波特 Thomas H. Davenport

貝伯森學院(Babson College)資訊科技與管理的傑出教授、麻省理工學院數位經濟計畫(MIT Initiative on the Digital Economy)研究員,以及德勤分析(Deloitte Analytics)資深顧問。


拉傑夫.羅南奇 Rajeev Ronanki

德勤顧問(Deloitte Consulting)資深顧問,領導認知運算和健康照護創新實務。本文提到的一些公司,是德勤的客戶。


本篇文章主題技術