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。
