美國貝伯森學院(Babson College)資訊科技與管理校聘傑出教授、英國牛津大學薩伊德商學院(Oxford's Saïd School of Business)客座教授,也是麻省理工學院數位經濟計畫(MIT Initiative on the Digital Economy)研究員、德勤(Deloitte)AI實務的資深顧問。與尼廷.米塔爾(Nitin Mittal)合著《全力投入AI》(All In on AI)。
ChatGPT一推出,就成了社會熱議的焦點。但在它推出前夕,本文作者就點出了這類生成式人工智慧的潛力。到底什麼是生成式人工智慧,它如何應用於行銷、程式設計、對話和知識管理,以及它對法律和道德帶來了哪些問題,本文一次讓你了解。
說到推行AI運用,許多公司的執行規模都太小,試探性質太強。據調查,在90%已經進行一些AI投資的公司中,三年來取得商業效益的不到40%,因為小規模運用的成效有限。那麼,那些大力投入AI運用並取得成功的公司,做對了什麼?
臉書、蘋果、亞馬遜、Google、優步(Uber)等頂尖公司,已經以驚人的速度創造了價值。這些公司大多是數位原生的多邊平台公司,善用人工智慧創造了巨大的優勢。傳統公司是否也有可能運用這種商業模式?本文以幾家成功轉型的傳統公司為例證,指出非數位原生的公司,或資源不那麼充裕的中型企業,可透過六個步驟達到轉型的目標。
科技迅速改變了企業數據分析的用途,但預測模型需要很大量的歷史數據,以及相當程度的專業,才能建立及使用模型,這些都限制了預測模型的使用方式及時機。然而,AI使新一代的企業分析法逐漸出現,同時納入了某種程度的自動化及情境資訊。不僅大企業能夠在數據分析面上更加游刃有餘,過去難以負擔數據科學家聘請費的中小型企業,將能夠更精準地分析自家的數據,並得到更清晰的見解。
我們直覺認為,數據科學是專家的事,一般員工沒必要了解這麼多。這個想法太狹隘了。數據科學必須廣泛地普及化,不妨讓全公司都參與,大家一起「玩數據」。現在已經有許多工具,將數據科學的部分作業流程簡化或自動化,而位於組織第一線的員工,早已熟稔公司業務,只要能掌握使用小量數據,就能熟練並快速地對問題做出回應。數據科學的關鍵在於人,只要能策略性地讓員工參與數據工作,就會看到更好的結果。
隨著大數據對各行各業帶來的巨大利益,每家公司都需要有人妥善管理各種數據資料,因此「數據長」一職應運而生。然而根據分析,數據長的平均任職期間是2年。為什麼這個理應備受需要的職位,卻很難做得長久?最關鍵的問題,在於數據長這個職位沒有好好界定清楚,與分析長、資安長、隱私長等職位混淆不清。那麼該如何改善這個問題,讓數據長真正發揮價值?
數據比以往任何時候都更重要,但大多數組織仍在一些關鍵問題上放錯重點:更關注數據基礎設施,而非數據產品;建立的數據往往很少考慮到最終用途;缺乏共同的數據語言,每個部門各自為政。本文提出一套「數據供應鏈」管理流程,讓公司可以解決上述問題。數據和其他任何類型的資產一樣重要,而且數據產品日益和實體產品一樣重要,如何管理數據,是領導人不能忽視的問題。
AI的發展日新月異,而能從中獲益最多的,就是行銷。全球有高達七成的AI高階主管認為,三年之內,AI會整合到所有的企業應用程式中。各家企業領導人與行銷長,該如何充分運用AI的潛力,以獲得豐富報酬?本文告訴你箇中訣竅。
為提供您更多優質的內容,本網站使用cookies分析技術。若繼續閱覽本網站內容,即表示您同意我們使用 cookies,關於更多 cookies 資訊請閱讀我們的隱私權政策。