提升人工智慧專案成功率

How to Make an AI Project More Likely to Succeed
格雷格.賽特爾 Greg Satell
瀏覽人數:1655
首先目標要明確。

最近,德勤(Deloitte)針對認知技術「積極採用者」進行的調查發現,76%受訪者認為,三年內他們公司將「大幅改頭換面」。自1990年代末期網路公司榮景以來,人們恐怕不曾對一種新技術那麼興奮。

這項新技術帶來的各種可能性,似乎足以說明這種熱情是有道理的。人工智慧(artificial intelligence, AI)不只是一種技術,也是範圍廣泛的工具,包括許多不同運算法的方法、豐富的新資料來源,以及硬體的進步。將來我們會見到新的運算架構,例如,量子運算和神經形態晶片(neuromorphic chip),進一步推動各方面的能力。

不過,想望和現實之間,仍存在巨大的缺口。顧能公司(Gartner)估計,85%的大數據專案會失敗。這個過程中,也發生了一些令人尷尬的混亂,例如,道瓊公司(Dow Jones)誤發Google將以九十億美元購買蘋果公司(Apple)的錯誤新聞,機器人軟體卻信以為真而買進,或者,微軟(Microsoft)的Tay聊天機器人在推特(Twitter)犯眾怒。

那麼,你要如何確保自家組織從有關人工智慧的各項做法當中,得到更成功的結果?

首先,你的目的要明確

人工智慧並不是存在於真空之中,而是存在於你的商業模式、流程和文化的情境之中。正如你不會在不了解人類員工將如何融入你公司的情形下,就雇用他,你也必須思考清楚,人工智慧應用將如何驅動產生實際的業務成果。

「你必須問的第一個問題,是你試圖推動產生什麼商業結果,」GoodData執行長羅曼.史塔內克(Roman Stanek)告訴我:「人工智慧專案一開始往往是要執行某種技術方法,而不令人意外的是,第一線經理人和員工並不覺得它很有用,因此沒有真正採用,也就沒有投資報酬可言。」

雖然變革經常是由組織最高層推動,但執行總是由較低的層級推動。所以把目的溝通清楚,是十分重要的。如果第一線經理人和員工相信,人工智慧會幫助他們把工作做得更好,他們對人工智慧的態度會更熱烈,也更能有效推動專案成功。

「能專注於商業結果的人,發現人工智慧正以極少人曾預期的速率,推動獲利成長,」Agorai.ai執行長喬許.沙頓(Josh Sutton)告訴我。他表示,麥肯錫顧問公司(McKinsey)最近一項研究指出,認知工具的潛在經濟價值,在3.5兆到5.8兆美元之間,他認為,這只是人工智慧可能產生的影響的一個指標。

其次,明智地選擇你想要自動化的任務

雖然許多人擔心認知技術將搶走人類的工作,但麻省理工學院(MIT)經濟學家大衛.奧托(David Autor)認為,主要的變動,是例行性和非例行性的工作之間的轉移。換句話說,人工智慧正迅速把例行性的認知流程自動化,很像工業時代的機器把勞力工作自動化。

要了解這件事如何運作,只要到一家蘋果商店走一趟就知道。蘋果公司顯然完全了解如何將流程自動化,但你走進一家蘋果商店時,看到的第一件事,是許多員工等著協助你。那是因為它選擇讓背景任務自動化,而不是讓顧客互動自動化。

然而,人工智慧能大幅提高人類員工的工作成效。例如,歐巴馬執政期間,一份白宮報告引述的一項研究發現,機器判讀放射影像的錯誤率是7.5%,而人類的錯誤率是3.5%,但當人類把他們的工作和機器結合起來,錯誤率就降到0.5%。

或許最重要的是,這個方法實際上能提升士氣。舉例來說,一些工廠勞工自己設計機器人的程式,然後積極和那些機器人協作,執行低階任務。有些情況中,士兵和執行危險工作的機器人建立起很強的情誼,因此甚至會在它們「死亡」時,為它們舉行喪禮。

第三,明智選擇你的資料

長期以來,資料愈多被視為愈好。企業會盡可能挖掘許多資料,然後輸入複雜的演算法,產生準確度很高的預測模型。但現在,情況已經很清楚,這不是很好的方法。就像凱西.歐尼爾(Cathy O'Neil)在《數學破壞的武器》(Weapons of Math Destruction,繁體中文版書名為《大數據的傲慢與偏見》)裡解釋的,我們常不了解自己輸入系統中的資料,而資料偏差正成為重大的問題。「過度配適」(overfitting,或稱過度擬合)是相關的問題。一個模型的準確率高達99%,可能令人刮目相看,但如果這個模型面對變動情況時不夠健全,那麼,準確率只有70%、且較簡單的模型可能更好。

最後,隨著歐洲實施《一般資料保護法規》(GDPR),而且其他地方可能採行類似的立法,資料除了是資產,也正成為負債。所以,你應該仔細思考目前使用哪些資料來源,並建立人類能了解和驗證的模型。

最後,讓人類轉為從事價值更高的社會任務

關於自動化,一個經常遭到忽視的事實是,一旦你把某項任務自動化,它便大致走向大眾商品化,價值也會移轉到其他地方。所以,如果你只是設法使用認知技術來取代人力和降低成本,那麼你很可能走錯了路。

這個原則有一個令人驚訝的例子,來自材料科學這個高度技術性的領域。一年前,我向材料基因體計畫(Materials Genome Initiative)的吉姆.華倫(Jim Warren)談到,把機器學習演算法用於材料研究,這是令人振奮的可能性。最近他告訴我,這個方法日益成為材料研究的焦點。

一年內有這樣的轉變,算是很驚人的。那麼,我們是否應該預期會在失業協助單位見到許多材料科學家?不太可能。其實,由於不少單調乏味的研究工作正外包給演算法,因此,科學家本身得以更有效協作。材料研究自動化先驅、儲能研究聯合中心(Joint Center for Energy Storage Research)主任喬治.克拉布特里(George Crabtree)曾告訴我:「以前我們是按照出版書的速度推進。現在,是按照下一次喝咖啡休息的速度在推進。」

這是了解如何有效實施認知技術的關鍵。機器人不會搶走我們的職位,只是會接手一些任務。這表示我們會日益見到價值從認知技能移轉到社會技能。人工智慧的未來,似乎會有非常多人類參與。

(羅耀宗譯)



格雷格.賽特爾 Greg Satell

作家、演講人和顧問。他的第一本書《創新之道:攸遊於破壞式創新時代的教戰手冊》(Mapping Innovation: A Playbook for Navigating a Disruptive Age)被800-CEO-READ選為2017年最佳商業書籍之一。


本篇文章主題技術