AI非萬能 清楚定義題目更重要
AI時代，定義問題比解決問題更重要。電腦可以解決很多問題，但只有人才能定義問題。
採訪／施鑫澤 文／林裕洋 刊期／2020.10
過去幾年，人工智慧一直是非常熱門的名詞，被視視為是推動智慧工廠、智慧應用服務的重要核心。而Gartner在2020年十大策略性科技趨勢中，便指出人工智慧、機器學習等，將被持續用於來提升各種應用場景中人類決策的能力，可望為業務轉型帶來了龐大的商機。所以全球知名電子代工大廠英業達，便在2018成立AI研發中心，以加速相關相關解決方案落地，期盼藉由數位轉型強化競爭力。目前，該公司已將AI技術，應用於包括軟體測試、AIoT檢測、以及筆電表面刮痕檢測等，以確保提升整體產品品質，強化在市場上的競爭力。
英業達人工智慧中心首席科學家陳佩君說，資料是21世紀的石油，AI即是21世紀的電力。AI技術早被廣泛應用於消費者的日常生活中，如Facebook、Google等等，均早運用於此技術已掌握消費者的需求，這也是最高級的AI應用模式。
只是隨著AI技術成熟，應用面向也日趨廣泛，也讓不少人對該技術存在美好的幻想，以為AI無所不能。其實，AI只是種模仿人類的思考行為，只能針對企業給予的資料內容，回應出相對應的結果。如同我們小時候在學數學應用題，必須預先給予合適的演算法等資訊，且資料內容、格式等等都得定義清楚後，才能分析出相對應的資料。換句話說，若企業沒有給予合適的演算法、合適資料等，最終自然也無法展現出預期的成果，因此無論是演算法、AI團隊建置、資料收集與整理等環節，都是企業要運用AI技術創造價值時的重要工作項目。
回台灣定居 順勢加入英華達
目前在英業達人工智慧中心擔任首席科學家的陳佩君，在清華大學攻讀物理系學士學位時，亦副修電機、數學、外語等學位。在清華大學取得物理系碩士學位後，選擇進入於人工智慧領域排名龍頭的卡內基美隆大學，專攻讀電腦視覺博士學位。畢業後，陳佩君選擇到矽谷工作，也因為有極為優異的表現與技術能力，獲得進入NVIDIA的工作機會，並且成該公司的第一個視訊處理器架構師。離開NVIDIA之後，進入英特爾負責OpenCV專案，這是一個跨平台的開源電腦視覺程式庫，應用範圍非常廣泛。在新創 Cognitive Networks 服務時，負責演算法開發和與資料科學的工作，讓公司業績成長超過10倍以上，並且投入新產品開發的專案工作之後 Cognitive Networks 公司更是成功被收購。
如同多數在矽谷工作的優秀人才，陳佩君也選擇投入自行創業的領域，可惜實務與理論之間的差距極大，首次創業之旅最終以失敗收場。儘管如此，她也認識不同領域的創業家與創投團隊，同時確認創業是種可改變世界的模式，因為唯有投入創業才能夠真正接觸到消費市場，且知道會對誰產生何種影響。最後，陳佩君再度運用本身專業知識投入創業工作，並順利完成創業的夢想，且公司也被知名企業收購，完成創業的夢想。然為給小朋友最棒的生活環境，她決定回到台灣，並且於花蓮定居，2018年被英業達延攬加入，過著搭飛機往返台北上班的生活。
陳佩君感慨表示，在成功解鎖在科技聖地矽谷創業與成就後，慎思下一步。新創公司被收購後，回台灣多跟家人多相處，之前矽谷工作、創業期間多年沒回台灣了，也思考下一步為原鄉、台灣能有什麼貢獻？由於我的故鄉就是在花蓮，所以自然選擇回到好山好水的家鄉。
回台灣沒多久，便接到來自英業達的工作邀約，科技製造業是台灣經濟奇蹟的驕傲，收到英業達的工作邀約，非常興奮。我本身矽谷的軟體為主的背景，加上英業達強大的硬體、量產能力，可以創造無限的可能！有人說在矽谷上班非常彈性，但除非像這次疫情大爆發，否則也並不一定等能接受員工在家工作，透過遠端視訊參與重要會議。
啟動AI專案 資料品質非首要關鍵
台灣高科技產業在全球向來居領先地位，面對競爭對手步步進逼，各家業者早已投入運用AI技術發展智慧製造等專案。至於資金、人力成本有限的中小企業，也在近幾年投入運用AI技術，如不少業者正將AIoT技術運用於生產限制中，期盼透過逐步擴大運用規模的方式，達到提升產品品質、營運效率的目的。而在2019年，IDC也公布AI準備度模型，讓企業衡量是否已經準備好要擁抱AI，衡量指標包含AI發展策略、資料品質、可用性與即時性等等。
而在AI領域投入極深，且有豐富實務經驗的陳佩君認為，好的資料品質自然有助於打造AI模型，加速AI專案推動。然並非所有企業推動AI專案時，都是在全新的場域之中，所以很可能無法一開始就取得乾淨的資料。其次，資料品質是否乾淨、符合AI模型需求，也需要有產業知識協助，所以不一定需要在AI專案啟動時，就急於取得乾淨的資料。
「如同大家生病去做檢查時，往往會在檢驗報告出爐後，徵求兩位醫生的看法，甚至當兩位醫生的看法不同時，還可能會徵詢第三位醫師的看法，資料品質也同樣是如此。」陳佩君解釋：「當一次訓練AI模型時，需要哪些資料，多數企業恐怕都沒有概念，所以當訓練AI模型的成效不如預期時，自然就需要重新調整資料來源或結構，第二度或第三度進行AI模型訓練。唯有藉此才能找到真正符合AI模型需要的資料集，因此下定決心啟動AI專案才是最重要的步驟。」
值得一提，陳佩君團隊提出的新一代演算法只需要小資料(Small Data)，並自主學習，縮短企業訓練AI模型的時間，這對於無法在第一時間提供高品質資料的企業而言，是相當的幫助。
取代人力、提升品質 英業達活用AI技術
創立於1975年的英業達，是全球知名的筆記型電腦與伺服器代工大廠，因應市場快速轉變，更積極投入雲端運算，無線通訊、智能裝置、物聯網及綠色能源等高科技產品的領域。由於筆電軟體測試階段分成硬體外觀、內部軟體安裝等兩大部分，以確保產品能正常，早期受限於技術上的限制，該公司都是採用人工測試。簡單來說，就是讓現場負責品質檢測的工程師，按照標準流程執行每項檢測工作，如開機、按鍵測試，以及軟體安裝的畫面與資訊是否正確等等，最後再將檢測結果抄入下來。
陳佩君指出，由於外觀檢測、測試螢幕畫面檢測，需要仰賴現場工程師的眼睛，所以往往需要年輕的工程師協助，長期下來對公司人力成本與效率造成極大挑戰。我們研發的自動檢測機器人，就是將產品開機、按鍵測試與畫面檢視等工作，交由機器人手臂與感測元件取代，最後透過影像辨識搭配OCR技術進行檢測。如此一來，即可達到節省人力成本，以及提升員工附加價值等目的。
尤其筆電外觀檢測工作部分，雖然公司有訂出一定的標準，但是當員工的工作時間一長，很難保證不會因為眼睛勞累，導致發生檢測標準不一的問題，而透過採用視覺檢測技術的AIoT協助，自然可將前述問題降到最低。隨著AI專案成效浮現，目前英業達已進入新一代AI模型專案研發工作發，即運用AI自主學習技術學習未知瑕疵的判讀。
「AI自主學習並不是全新的概念，例如Google推出的AlphaZero，雖然是源自於AlphaGo，但是卻因為具備自主學習能力，所以可以藉由自我對弈強化實力。」陳佩君解釋：「我們希望公司的AI專案也可透過自我學習技術，強化對瑕疵的判讀能力，這對於提升產品品質將會帶來極大幫助。」
活動多元人才 打造AI團隊
由於AI演算法成熟，加快企業運用該技術發展智慧服務的速度，也讓全球企業面臨AI人才荒的窘境。根據 Element AI 發布「2019年全球AI人才報告」(Global AI Talent Report 2019)指出，全球僅36524人符合「AI專家」資格，雖然比2018年調查增加了66％，但是仍然無法滿足企業營運需求。為此，世界各國均有不少專門培育AI人才的組織，企業則期盼從挖掘擁有數理背景的員工，培育成具備AI能力的人才，為打造AI團隊奠定基礎。
台灣人工智慧學校認為人工智慧團隊的核心成員，製造需要資料科學家、資料工程師及機器學習工程師三種專家，資料科學家擅長連結資料與商業價值，資料工程師擅長蒐集及處理資料，機器學習工程師擅長演算法，從資料裡頭榨取出最多的資訊，讓人工智慧系統的決策更精準。陳佩君認為者三種專家需要密切合作，甚至三位一體，機器學習工程師開發演算法才能有來自資料工程師處理資料得到的洞察力，或是機器學習工程師演算法的突破提供了資料科學家新的的商業價值。
此外，陳佩君認為AI團隊還需要專案經理(Project Manager, PM)、熟悉產業知識的專家等人才加入，才能讓AI專案效益浮現。
陳佩君指出，企業推動AI專案的目的，通常是為加快決策速度、縮短產品開發時程，乃至於最佳化生產流程、提升產品品質等等，因此絕對需要熟悉產業知識的第一線員工加入，才能確保AI專案可符合使用單位的需求。此時，PM就是扮演非常重要的溝通角色，要將第一線員工需求轉換成AI工程師聽懂的語言，確保開發單位、使用單位有共識。
在矽谷工作過程中，陳佩君發現不同民族的特性迥異，如印度人因為英語能力較好，所以在往往被賦予重要的溝通角色，至於以色列人由於生活環境面對極大壓力，因此有非常強的競爭力意識。
AI時代，定義問題比解決問題更重要。電腦可以解決很多問題，但只有人才能定義問題。多元的人才，跨領域、文化的思維，多元的團隊，輔以順暢的溝通，解決問題的方法更全面，AI產業化更成功。
