本文出自

不斷線的顧客新關係

不斷線的顧客新關係

2019年5月號

大型企業必須設置專責單位》催生人工智慧的長字輩職位

How to Set Up an AI Center of Excellence
湯瑪斯.戴文波特 Thomas H. Davenport , 希瓦吉.達斯古塔 Shivaji Dasgupta
瀏覽人數:1749
  • "大型企業必須設置專責單位》催生人工智慧的長字輩職位"

  • 字放大
  • 多人授課購買
    購買〈大型企業必須設置專責單位》催生人工智慧的長字輩職位〉文章
  • 個人收藏購買
    購買〈大型企業必須設置專責單位》催生人工智慧的長字輩職位〉PDF檔
    下載點數 10
大型企業如果想使用人工智慧,就要設置人工智慧卓越中心這類專責單位。畢竟,人工智慧人才及專業難求,最好有一個中央單位,再依需求把這個單位的人員派至全公司各單位執行任務。如果採取這種集中化做法,員工滿意度及留任率都會提高。

在未來幾十年間,人工智慧(AI)將是重塑商業樣貌的最重要技術之一,能推動各種組織裡所有流程的最佳化,AI也已是目前全球最具價值的幾個平台業務的推動引擎。在我們看來,AI將會成為商業領域永遠存在的重要面向,而若要發展並支持潛在的新商業模式及能力,就必須持續擁有AI能力。

更明確地說,我們認為企業必須設置專責單位,以強化鞏固AI。這是一項重要的商業工具,無法透過由下而上的新奇想法來產生。目前已有許多企業投入大量財務資源在AI上,而必要的技能及經驗太稀少,因此別以為只需要很少的協調或合作,公司各部門就能普遍擁有相關技能和經驗。過去電子商務的發展造成了數位長(Chief Digital Officer)及相關單位的出現,以推動線上能見度及業務,因此我們認為,AI也終將推動產生新的能力中心(competence center)、卓越中心(center of excellence),以及這些中心裡的新職位。

建立AI領域的能力中心或卓越中心,這個想法並不很新。最近一項針對美國使用AI的大型企業高階主管所進行的調查顯示,37%受訪者表示自家公司已有類似單位。例如,德意志銀行(Deutsche Bank)、摩根大通(J.P. Morgan Chase)、輝瑞(Pfizer)、寶僑(P&G)、保險業者Anthem和Farmers Insurance等,這些非科技業公司都已成立集中式單位,負責監督全公司AI作業。

許多企業已熟知某些AI技術,例如,機器學習的根源來自統計迴歸。這讓人思考,AI能力中心或卓越中心是否應與分析單位合併。如果既有的分析單位已經在執行一些預測性分析的工作,願意學習和成長的分析師也許就能精通許多AI專案,而合併這兩個單位或許就是個好主意。

AI團隊該做的事

不論AI團隊是來自於擴編現有的分析單位,或是新成立的全新單位,它都有各種該做的事。其中有些事可以與資訊科技單位合作,例如,開發AI模型和系統、與供應商密切合作、建立技術基礎設施;另有一些該做的事情,則要與企業領導人密切合作推動。雖然合作很重要,但以下幾項工作是AI團隊責無旁貸的:

建立AI在企業中的願景

企業領導團隊必須討論AI是什麼、能做什麼,以及可能如何協助推動新的商業模式與策略,而且最好是與AI專家一起討論這些議題。否則,AI在企業裡可能無法發揮最佳功能。

找出可促進業務的使用案例

開發AI能力的員工,必須知道自家公司所需應用或使用案例的優先順序。他們應該在「策略價值」與「可達成目標」之間取得平衡。公司也許可以把其中一些使用案例,發展成為試辦計畫或原型,但也該要有一套多步驟流程(定期由AI中心及高階主管審視監督),以推動AI的生產部署。

設定適當的AI發展目標抱負

由於AI協助推動的通常是個別的工作任務,而不是整個職務或商業流程,因此最好的做法往往是執行企圖心較小的專案,而非極為大膽且困難的專案。但為了得到管理階層的注意,並對公司業務有重大影響,企業或許可執行整體業務裡某個領域的一連串較小型專案。這可能需要制定一份「路線圖」,提出一個有多項使用案例的時間表。AI中心可協助企業在AI領域「大處著眼、小處著手」(think big, but start small)。

建立要達成的資料架構目標

根據前述的願景與使用案例,公司就知道應建立什麼樣的資料平台及工具。這對任何(與資料有關)的專案都極為重要,能納入所有類型的資料,包括結構性、非結構性和外部的資料。目前,Hadoop是標準的資料管理平台,但AI中心還必須決定是要部署在公司內部或雲端,以及決定是要使用開放原始碼方案再自行維護,或直接購買授權方案(例如,要在Cloudera使用Hadoop或用AWS,或者使用開放原始碼)。對許多公司來說,使用開放原始碼的現成分析工具(例如Alteryx),就能快速方便地建立模型,獲得效益,而不見得要選擇過去商業智慧導向的各種套裝工具(例如SAS或SPSS的早期版本)。

管理外部創新

AI中心能協助安排處理公司與大學、供應商、AI新創公司的關係,以及與其他專業或創新來源的關係。公司可以打造一個AI生態系統,甚至也許可以投資一些看來可能為自身業務增加價值的企業。這也有助於企業取得最佳工具與技術。

打造並維持一個支持AI的人際網路

AI中心若想運作順利,就需要在全公司上下都有一群有影響力的AI支持者和擁護者。許多公司在這方面已發展得相當好;根據德勤(Deloitte)在2018年的意見調查,有45%的受訪公司已指派各部門的資深高階主管,來負責推動AI。由於程式撰寫已逐漸走向大眾商品化(像是R或Python等程式語言,都已經有現成的程式腳本),因此企業建立內部能力時,應該把重點放在建立統計模型和數學模型,而非單純的程式撰寫。

宣揚成功的案例

AI或任何新技術的關鍵成功因素,就是要大肆宣揚成功的例子,還要有按優先順序安排好的使用案例。這樣一來,大家就會願意接受使用更多AI,這種溝通宣傳實際上就像是為AI中心做行銷。

延攬及培養相關人才

要成功打造AI中心,最關鍵的因素之一就是招募、吸引或培養人才。大家都知道,公司很難聘用到頂尖的AI工程師和資料科學家(統計人員),即使在矽谷也很難。大部分企業會聘用少數幾位有開發及執行AI演算法能力的人(例如擁有AI或電腦科學博士學位)。然而,AI中心的許多聚焦在業務的工作任務,可由具備AI能力、能使用自動化機器學習工具的MBA程度的分析師來執行。如果想快速擁有AI人才,一開始可以先聘請顧問或供應商來執行早期的專案,但一定要讓他們與內部員工組成團隊來執行。

企業或許也想從現在開始打造自己的AI人才。量化導向的員工,沒有理由不能接受訓練。包括思科(Cisco Systems)在內的一些公司,與大學合作為內部員工規畫資料科學訓練計畫,已成功訓練出幾百位經過認證的專業人員。同樣的做法也能應用在AI領域(某些訓練內容也能通用)。

此外,像Reply和DataRobot之類的公司,以及像是麻省理工學院(MIT)之類的大學,都有提供短期的高階主管教育課程,可為每家公司量身打造能快速提高AI相關技能的課程。

組織架構及流程

雖然AI中心沒有單一最佳的組織架構,但我們認為,通常最好採取集中化的架構設立AI單位,直接隸屬於總部層級的一個業務職能部門,並指派這個AI單位所屬人員到其它單位去執行任務。AI人才很稀少,如果分散在公司各個不同單位裡,就很難形成關鍵多數。根據我們在分析部門方面的經驗,集中化做法可為這種類型的職務帶來較高的工作滿意度,以及留任率。

為了避免過度官僚的做法,集中化的AI單位應該指派本身人員(至少是部分人員),到應該普遍運用AI的事業單位或職能部門去。這樣一來,AI中心的員工就能熟悉該單位的業務事項和問題,也能與各單位重要高階主管建立關係。讓AI人員在各事業單位之間輪調的計畫,可以促進知識的成長及移轉。隨著AI開始在公司內普及,這些原本只是派駐的人員,或許就能將自己的直屬單位從AI單位,轉移到各個事業單位或職能部門。

關於AI中心應隸屬哪個領域,有幾種不同的可能做法,但我們認為,最佳選擇是設立一個中央的策略單位,同時負責數位任務。德國最大的民間媒體公司ProSiebenSat.1,就把資料分析團隊的定位,放在數位業務及資訊科技之間,好讓該團隊更專注在針對平台經濟開發出新的商業模式。德國最大的大眾保險業者Versicherungskammer,讓 AI及分析團隊直屬於資訊長。寶僑的AI團隊,是由資訊科技和研發單位共同合作。而Anthem的認知(AI)卓越中心是直屬於數位長。

一如今日的許多技術,AI專案最適合採取「敏捷法」來進行,設定許多短期目標,並經常與各個利害關係人開會。如果必須要有很多的系統開發或整合工作,或許就應採用較傳統的專案管理做法。

最後,由於AI可能出現一些道德倫理議題,因此不應忽略AI中心內部可能會碰到這類議題。在推動AI時,企業或許也該設置與道德倫理有關的職位或審查委員會。例如,微軟就設置了「AI倫理人員」(AI Ethicist)這樣的職位,指導各事業處理像是演算法偏誤、AI應用程式對消費者的影響之類的議題。

所有的業務資源都需要焦點,並協調一致方向,才能成功。AI人才及專業都很稀少,因此相較於其它類型的資源,更有必要在企業能力中心或卓越中心內建立達到關鍵多數的AI資源。我們相信,企業如果沒有設置專責單位來有效應用AI技術,實際上是不可能成功地成為「AI優先」的企業。

(林俊宏譯自2019年1月16日HBR.org數位版文章)



湯瑪斯.戴文波特 Thomas H. Davenport

美國貝伯森學院(Babson College)管理與資訊科技校聘傑出教授、麻省理工學院數位經濟計畫(MIT Initiative on the Digital Economy)研究員、德勤分析(Deloitte Analytics)資深顧問。他著有十幾本管理書籍,新作是《只有人需要應徵》(Only Humans Need Apply: Winners and Losers in the Age of Smart Machines,繁體中文版書名為《下一個工作在這裡》),以及《AI優勢》(The AI Advantage)。


希瓦吉.達斯古塔 Shivaji Dasgupta

德意志銀行(Deutsche Bank)私人及商業銀行部執行董事,以及資料架構及智慧分析主任。德意志銀行為麻省理工學院數位經濟計畫的成立會員。


本篇文章主題分析