千萬別誤會了,AI並不是什麼問題都能搞定的神奇解決方案。但這項技術在各種企業系統中都能產生實際應用,特別是針對資料分析和異常偵測案例等方向發展。
文/Galen Gruman 譯/兩三松
人工智慧(AI)現在已成為每一個企業IT單位想要有所表現時,都必須具備的要素。正因如此,您也許會認為應該持續地加以宣傳,以突顯AI技術的重要。
沒錯,AI的確能夠為企業帶來商業上的價值。但換個角度來看,AI可沒法神奇地解決貴企業組織裡的所有問題。
為了了解當今企業IT在那些領域可以充分發揮AI的功能,我們特別採訪了 Forrester Research 公司AI領域分析師 Kjell Carlsson、Gartner公司分析師 Charley Rich,與IDC分析師 Mickey North Rizza。
別將自動化與AI搞混
人工智慧技術的供應商常對外宣稱,說是只要採用了他們的產品,其中所包含的人工智慧秘方就能徹底改變貴公司的業務。建議各位千萬別相信這些宣傳術語。Carlsson警告說:「如果這些人工智慧產品,看起來就像是在電影場景裡頭出現的神奇道具時,請務必保持謹慎懷疑的態度,別衝動購買。」
[ 下載 2020-21 CIO大調查報告,掌握2021年企業IT導入趨勢 ]
IDC的 North Rizza 則表示,大多數供應商所提供的解決方案,都是基於制式規則來進行判斷的AI系統。軟體當中複雜的演算法或邏輯,的確可以處理許多常見的案例,並且比尋常人類能做到的更快也更準確。但這些能力其實屬於自動化功能,並不能算是AI。
自動化是一件好事,但是基於機器智慧的自動化,有可能是假裝的或是有問題的。在真正的AI系統中,系統會自行決定要做什麼事,而這在大多數業務實例中都不太可能發生。請想像一下,如果貴公司的財務處理、人員招聘、產品計畫和網路管理等重要工作,是由AI所掌控時,會產生什麼後果?
企業應將AI實施重點,放在應用分析和異常偵測上
真實的合理情況是,企業可以考慮發揮AI技術,找出人類在決策時的可能異常模式。已知模式目前可透過自動化方式處理;但是要挖掘未知模式,就得採用機器學習,以及其他像是深度學習與通用人工智慧(artificial general intelligence)等形式才行。
透過以分析基礎帶動的AI來偵測異常形態,通常能比人類更快地鑑識出未知模式。AI甚至可以依據近似的模式(如果有的話)對人類建議對應的行動。不過AI系統將採取何種行動的決定權留給人類,讓其他人能夠複核,並納入在分析結果以外的專業知識判斷。
自動化設備,或是自動化相關軟體,都可以利用預設規則與其他程式化邏輯來執行決策。像是機器人流程自動化(robotic process automation, RPA)之類的技術,是現今利用的自動化科技向前開展的好範例。它們並不是真的AI──因為它們並不會主動「思考」,而是利用愈來愈複雜的演算法,來處理愈來愈精細的工作流程。這類軟體可能看起來很聰明,但它們是由人類程式開發人員所掌握的智慧,並不是由系統所產生的AI。
針對企業需要的分析系統,尤其是針對異常偵測的分析,占據了目前企業系統中實作AI專案的大部分。相關的整合工作,通常是利用軟體供應商依據眾所周知的用戶案例與業務流程來完成。
[CIO都在讀: AI最常見的應用有哪些? ]
Forrester分析師Carlsson表示,針對由企業自行研發出來的應用系統,如果想要導入AI的分析功能,並不是件容易的事。資料科學是將AI融合至分析的領域當中,但一般人通常不清楚的是,資料科學家其實沒有接受過決策和業務分析方面的培訓。因此一般企業雖然對生產需求方面能有很好的預測,但接下來就不知道該做什麼了。
Carlsson補充說:「在理想情形下,利用AI,將更適合的資料輸入到企業的傳統最佳化引擎裡進行分析時,的確能建立起更好的預測模型,它們彼此能夠形成互補。但這其實是一件很痛苦的工作,因為系統的最佳化人員,不曉得應該要如何與資料科學家溝通,反之亦然。資料科學家其實是一個語意高度模糊,幾乎可以代表任何意義的專業術語,這也意味著很少有企業IT組織能夠理解其意涵。」
雖然現況如此,Carlsson樂觀地指出:「工程師們正開始利用AutoML來存取控制機器學習,而這些新型框架讓工程師們免於從零開始打造機器學習模型。這些工具變得相當容易學習使用,簡單到連擅長資料處理的業務面使用者也會操作,將特定領域專業知識推展到一般資料科學家通常難以掌握的範圍。精通六標準差(Six Sigma)和精益管理(Lean)等方法的跨職能流程改進團隊,特別適合將AI導入分析功能。雖然這些人員擁有應對變更管理方面的基因,不過不會變的是,如何獲取資料並使其合理化始終是一項艱鉅的挑戰。」
這些更具探索性質的AI形態(Carlsson稱之為「擴增智慧」(augmented intelligence)),對於各類型的企業系統,都有遵循法規且產生助益的實際案例,像是行銷、物流、文書處理和IT管理系統本身等,同時它們還具備了讓一般使用者能夠直接操作的使用者介面。
將AI應用在業務系統上
AI的應用分析形式,通常應用在處理來自企業系統裡的大量資料,應對的是環境常常處於不斷變化或不確定的狀態,以及需要迅速適應流程的情形。
物流產業可說是AI分析的典型應用範例,AI被用來分析包裹遞送、車輛行進路線和即時庫存管理及情境推估等,像是針對客戶的信用評分和產品推薦。更新的應用領域,包括了個人信用管理、履歷評分和風險管理等多項領域。
而AI應用的未知領域,則是自動化文件處理。Forrest分析師Carlsson表示,有太多的企業執行流程都取決於文件的流向。儘管像是法律合約、企業規章、醫療報告等高度固定格式化的文件,是比較容易加以解析,但目前仍然很難從此類文件中提取出相關資訊。原因是有一些看似不重要的文件細微變化,如標題格式與表格邊框等,會讓依規則指令行動的文件資訊提取程式感到混淆。
更困難的,是要提取在各類表單當中並未被明確定義的內容含義。Carlsson說:「舉例而言,像是財務顧問的客戶會對市場的新興部分感到興趣。這些顧問正在尋求研究投資所需的企業基本資料、相關資源和行銷模式,而非採用傳統推薦模式,不然給客戶的投資選擇都會太接近。」另一個範例是分析醫學病理報告,提供像是「建議您詳細檢查報告的內容細節,以免忽略罹患癌症的風險;從病患的抱怨看來,這類情形還蠻常發生的。」之類的補充資訊。Carlsson補充道,他認識一家醫療機構,已開始採用AI文件處理功能來找尋相關案例,並能自動將資料輸入至美國國家癌症資料庫之中。
將AI應用於IT管理系統:AIOps
在AIOps(人工智慧營運)領域,則是對利用AI協助減輕IT工作負載抱有很大期望。希望透過AI可以鑑別並診斷網路問題、處理業務工作流程等方面問題;接著將程序加以自動化,能夠對使用者提出建議,甚至自動執行可能的補救措施。而類似的方法,也可以應用於協助加強企業資訊安全,像是入侵偵測與偷竊企業內部資料等資訊安全問題上。
Gartner的Rich表示:「AIOps的發展,目前尚遠不及其他企業AI領域來得成熟。它通常涉及到有監督和無監督的機器學習,有時深度學習和圖形分析更會進一步『把數學應用在解決問題上』。這意味著IT人員可以透過系統日誌紀錄,尋找出可能模式和異常現象;而這些由IT人員負責處理的異常現象,可以直接以人工或是透過自動化方案來解決。」
Rich說,AIOps面臨的挑戰是「有太多來自四面八方的各種訊息影響,因而導致誤報」。現在幾乎所有的管理事務都已被數位化,讓訊息判斷的難度變得愈來愈高。事件相關分析只能說是一項基礎型技術,也已經存在了數十年。Rich認為:「這些訊息分析是依據規則來判別的,因此涉及非常繁重的分析工作,並且需要被一直更新。這類資料的品質通常是一團亂,因此在各企業實作時通常都得自行客製化。但是用AI進行分析的想法的確行得通,只要企業願意付這個成本。市場上其實需要用類似的解決方案來完成訊息分析工作,而且是在避免動用到資料科學家的前提下進行,但這在現今來說是不大可能的。」
[CIO都在讀: 什麼是AIOps?將智慧帶入IT營運 ]
另一個挑戰,牽涉到的是從以時間為主軸的演算模式,執行執行時間序列分析。Rich說:「這些演算法打從1950年代就已經存在,但直到最近,我們才具備了足夠執行這些演算法的運算能力。」
AI需要解決的另一個需求已久的領域,則是根本原因分析(root-cause analysis),這項分析會動用到大量的相關和時間序列分析。Rich補充說:「這項承諾的確由來已久,不過我們至少看到圖形分析(graph analysis)方面開始有了進展。」
更遠的發展目標,是類似自我修復系統(也被稱為NoOps)之類的概念。Rich表示:「也許有一天,我們真能達到那個目標。但我們目前所能做到的,就是依據條件邏輯來執行程式腳本,以啟動對應的因應動作。在過去的6至8個月當中,供應商持續提供了常見問題的知識庫,並提供了增加新問題的工具組合。」
但Rich也警告大家,先別太期望AIOps有一天真的能夠自動自發地處理IT營運問題。「您永遠不可能獲得所有的系統提示訊息。即使您真的能夠拿到所有資訊的話,一旦出現了一個目前並沒有解決方案的新問題時,要怎麼辦?接下來就會產生改變的風險:您還可能不小心搞壞什麼?風險分析的確是必須的,但事實上並不存在能夠面面俱到的分析結果。」
所幸AIOps目前仍然可以協助IT人員擴大挖掘問題的程度,進一步更迅速地解決或預防這些問題。
將AI應用於使用者介面
多年以來,我們已看到不少專家對自然語言處理(NLP)做出不少承諾,而這些承諾意謂著減少對於技術支援人員的需求。聊天機器人是實現承諾的範例之一,但也是可能影響信心的危險案例──這些「智慧型」的人機互動,是不是可能讓客戶感到沮喪與增加心理負擔?這些AI依循的判別規則,大多無法解決客戶的顧慮,但有時卻又可以解決。Carlsson指出,無論如何,不論是在文字還是口語方面,自然語言處理對於理解人類對話的能力,都有了長足的進步。
在處理語音辨別與理解非結構化文句方面,自然語言處理在過去20年間有了巨大的躍進,無需透過鍵盤輸入,就能促進人機之間的互動,並且協助使用者在把資料送進人工或是自動化系統之前,先縮小資料查詢的字詞含義。這其實也是某種形式的分析,只是特別著重在文字含義與表達方面,像是對語音訊息進行分析,以進一步推動相互溝通的機會。
[ 加入 CIO Taiwan 官方LINE,與全球CIO同步獲取精華見解 ]
在過去的幾十年中,機器視覺的發展也有了重大進展。儘管自動駕駛汽車所提出的承諾比目前能達到的多出很多,但碰撞緩解技術顯示了持續偵測外在環境條件,並依規則讓系統進行自動調整(像是緊急剎車)的能力是實實在在能夠實踐的。與自然語言處理一樣,機器視覺也是AI發展的一部分,而不僅僅是基於規則的自動調整或回應。
隨著基本模式分析的持續改善,機器視覺與其他感應技術開始被廣泛應用在倉儲業辨別需要包裝的物品、在醫療業用以檢測腫瘤的藥物,以及在零售業用來了解消費者行為等等。
關鍵的是,在這種情況下,AI可以正確分析來自人類與環境等真實世界的實際資料輸入,減少人們必須了解使用者介面的特殊指令語法和限制等需求,進一步讓使更多的人能夠用更自然的方式,與科技相關系統進行交流。
(本文授權非營利轉載,請註明出處:CIO Taiwan)