人工智慧與知識工作者共創高效能

Using AI to Make Knowledge Workers More Effective
保羅.道格提 Paul R. Daugherty , 詹姆士.威爾遜 H. James Wilson
瀏覽人數:645
應用本文的四個原則,讓人類和機器彼此都變得更好。

新的人工智慧具有辨識背景、概念和意義的能力,為知識工作者和機器之間的協同工作,開闢了令人驚奇的新途徑。專家現在可以提供更多意見,對人工智慧的結果進行訓練、品質控制和微調。機器可以擴增人類合作者的專業知識,有時還可以協助造就新的專家。這些系統可以更精確模仿人類的智慧,已證明比之前由大數據驅動的系統更加強大。而且它們可能深刻影響到美國勞動人口中48%的知識工作者,以及全球超過2.3億知識工作者的角色。但若要充分善用這種更聰明人工智慧的各種可能性,公司必須重新設計知識工作的流程和職務。

知識工作者大致同意這一點。所謂知識工作者,能夠在非固定的認知過程中,進行推論思考、創造、決定,以及應用各種見解。一份針對企業人工智慧所做的大規模全球調查中,詢問超過150名這類專家,當中有將近60%的人表示,他們舊的工作說明已不再適用於自己與人工智慧的新協作。約70%的人表示需要接受訓練和重新學習技能(以及在職教育),因為與人工智慧共事合作帶來了新的要求。85%的人認為,企業最高層級主管必須參與重新設計知識工作者角色和流程的整體工作。這些高階主管在重新設想如何藉由人工智慧,更妥善利用知識工作之際,可以應用以下原則:

讓人類專家告訴人工智慧,自己重視的是什麼

以很可能很普遍運用人工智慧的醫學診斷為例,通常當人工智慧提供診斷時,醫師並不很清楚演算法的推論過程,但醫師最終必須向病人提出解釋,這就是所謂的黑箱問題。但現在Google Brain開發了一個系統,打開了這個黑箱,為人類提供翻譯。例如,面對人工智慧所提供的癌症診斷時,醫師可能會想知道,對於他認為重要的各種因素,這個模型考量到什麼程度,像是病人年齡、病人是否曾接受過化療等等。

這項Google工具還允許醫學專家在系統中,輸入自己認為重要的概念,並測試自己的假設。例如,專家可能想要查看,如果把系統之前未考慮的某項因素納入考量(例如某些細胞的狀況),是否會改變診斷結果。正在協助開發這套系統的賓恩.金(Been Kim)表示:「很多時候,在攸關重大的應用程式中,領域專家已經有了自己關心的概念清單。我們在Google Brain的醫療應用中一再看到這樣的情況。他們不希望模型給他們一組概念,而希望是由他們來告訴模型,自己感興趣的概念。」

讓模型納入常識

隨著網路安全顧慮增多,組織增加使用工具在網路中的不同節點收集資料,以分析威脅。然而,其中許多以資料驅動的技巧,並沒有把多種來源的資料整合起來,也沒有納入網路安全專家的一般知識,這些專家知道攻擊者的範圍和不同的動機,了解典型的內部和外部威脅,以及企業面臨的風險程度。

英國國家資料科學和人工智慧研究機構「艾倫圖靈研究所」(Alan Turing Institute)的研究人員,正試圖改變這種狀況。他們的方法是使用貝氏模型(Bayesian model),這是一種機率分析方法,能找出風險因素之間複雜的相互依存關係,並將數據資料與判斷結合在一起。在企業網路安全中,這些複雜的因素包括網路上各種類型的大量裝置,以及組織安全專家對攻擊者、風險等方面的知識。雖然很多以人工智慧為基礎的網路安全系統,都在最後一刻納入人的決策,但艾倫圖靈研究所的研究人員,想要尋找一些方法,可在整個系統中呈現和整合專家的知識。例如,安全分析師對於IP竊取攻擊背後的動機和行為,有專業的了解,也了解這些攻擊與阻斷服務攻擊有何不同,他們這些知識從一開始就會明確地寫入系統的程式之中。在未來,人類知識結合來自機器和網路的資料來源,會被用來訓練更有效的網路安全防禦。

利用人工智慧,協助新手成為公認的專家

人工智慧可迅速將初學者變成專業人士。惠普(HP)證實了這點,做法是使用自家人工智慧實驗室的認知運算平台,分析一家客戶的電話客服中心兩年的來電資料。分析結果發現,那個客服中心使用佇列系統,來安排顧客來電的處理順序,導致等待時間過長和客服品質不佳。那個認知運算平台能夠從先前的電話紀錄中,找出每個客服人員獨特的「微技能」,也就是客服人員擅長處理的顧客要求類型。現在,系統會把來電顧客提出的要求,與這些微技能配對,把電話轉給曾成功處理類似要求的客服人員。客服中心的首次聯繫解決率提升了40%,電話轉接率降低了50%。

當客服務人員學到新技能,人工智慧軟體會自動更新他的專業技能,他就不必用人工方式,在人資紀錄中更新自己的技能檔案。此外,隨著客服人員的專業知識增加,這套軟體也會安排把更複雜的問題交給他處理。同時,這套軟體會持續強化他的專業技能,而人工智慧對於「微技能」的推論,提升了專家「訓練」軟體的效率。值得一提的是,另有許多公司也在設法解決這種再訓練的挑戰;例如,資金雄厚的新創公司ASAPP,目前可提供即時建議給客服人員。

使用資料效率人工智慧技術,繪製人類專家的工作流程

許多類型的專家相對稀少,因此他們不會產生大量資料。但是,許多人工智慧的進步向來是仰賴深度學習和機器學習,而後兩者都需要很大量的資料,才能由下而上地訓練和打造系統。未來,我們將看到更多由上而下的系統,可用更少的資料來打造和訓練這類系統,讓它們取得並體現工作者的專精知識。

例如,法國布雷斯特大學醫院(University Hospital of Brest)醫療影像處理實驗室、醫學院和布列塔尼電信學院(Telecom Bretagne)近期舉辦了一場競賽,看看哪一個參賽者的醫療影像系統,能最正確辨識在微創白內障手術中的每一個瞬間,外科醫師使用的是哪些工具。優勝的人工智慧機器視覺系統,只用五十個白內障手術影片訓練了六週,其中48次手術是由一位知名的外科醫師操刀,一次是由擁有一年經驗的外科醫師進行,還有一次是由實習醫師進行。準確的工具辨識系統,讓醫療人員能夠嚴謹分析外科手術程序,並尋求改進的方法。這種系統的潛在應用包括:製作報告、外科手術訓練,甚至是未來在手術室即時提供支援給外科醫師做決定。

這些例子顯示,各種不同學科的工程師和先驅目前所設計的人工智慧,是要讓專家能夠更容易訓練和評估人工智慧,並讓人工智慧吸收專家極為珍貴且往往很稀有的知識。若要利用這些新的可能性,組織必須據此分配人工智慧支出。若想從自家的系統和知識工作者那裡取得最大的價值,組織必須重新設想專家與機器互動的方式。就像今天的機器學習系統擴增了普通勞工的能力,未來的系統將把知識工作者的表現,普遍提升至過去無法達到的優異水準。

(劉純佑譯)



保羅.道格提

保羅.道格提 Paul R. Daugherty

埃森哲顧問公司(Accenture)科技與創新長,與詹姆士.威爾遜合著《人+機器:在人工智慧時代重新設想工作》(Human+Machine: Reimagining Work in the Age of AI, HBR Press, 2018)。


詹姆士.威爾遜

詹姆士.威爾遜 H. James Wilson

埃森哲研究所(Accenture Research)資訊科技與企業研究執行董事,與保羅.道格提合著《人+機器:在人工智慧時代重新設想工作》。