人工智慧擁有巨大的商業前景,但創造可擴展的變革性變革需要的不僅僅是一個工作模型。
文/Maria Korolov‧譯/雲翻譯
各個層面的商業領袖都看到了使用人工智慧的價值,但真正的價值在於用好人工智慧。
而且賭注很大。根據 2021 年夏天勤業眾信發布的調查,61% 的公司預計人工智慧將在未來三年內改變他們的行業。麥肯錫 2021 年 11 月發布的一項調查顯示,擁有高效領導者、對人工智慧專案委身並對人工智慧的願景和策略明確的公司,將從這一轉變中最為受益。
關鍵的差別是什麼?能夠大規模佈局人工智慧。
能夠脫穎而出的公司,不是透過概念驗證(POC)或單次的 AI 專案,而是能夠在多個團隊中部署多個 AI 應用程式的公司。根據 Capgemini 的 2020 年人工智慧狀態報告,到目前為止,只有 13% 的組織能夠做到這一點。
以下是將人工智慧專案轉變為商業價值的八個技巧,正如那些已經從人工智慧中獲得實質利益的人所說的那樣。
一、專注於事業轉型
三年前,當通用電氣(GE)仍處在人工智慧之旅的早期階段時,人工智慧專案需要密切關注特定的商業利益,從最小的可行專案開始。今天,這個故事更多地是關於使用人工智慧作為商業轉型的一部分。
資深技術副總裁 Colin Parris 說道:「你可以看看一個小筒倉,你最多節省多少庫存,節省 200 或 300 萬美元,但這並不能轉化為整個公司創造價值。」GE 指出了一個例子,在這個例子中,GE 想出如何使用 AI 更有效地管理零件的庫存。下一步是利用 GE 學到的知識並為其客戶提供相同的服務。
Parris 繼續說明:「我可以做出預測 — 或者提供軟體給你使用 — 所以你知道要買什麼零件。所以我在我的產業中從提升效率轉為創造收入。之後,我可以開發我的市場,同樣的技術可以應用到其他產業。」
但是,從使用 AI 削減成本到使用 AI 增加業務的轉變需要從根本上轉變策略,以專注於業務轉型。在 GE,這意味著利用人工智慧驅動的精實生產原則。將 AI 與精實結合起來的一個優勢是它減少了內部變革的阻力。
Parris 再次強調:「多年來,我們一直在進行精實生產,因此人們知道他們的工作不會消失。」
二、了解人工智慧的限制
隨著人工智慧專案規模擴大並成為公司運作的核心,相關風險也隨之上升。如果將針對特定問題訓練的 AI 系統應用在稍微不同的問題上面,結果可能不是最理想的,甚至是危險的。
Parris 說道:「我們有一個叫做 humble AI 的作法,如果情況發生變化,那麼我就不會使用 AI 模型。而是回到我以前的模型。Humble 知道什麼時候該讓步。它控制了你的業務風險。並增加適用率。」
GE「humble AI」作法的另一個面,是確保人工智慧解釋其推論。例如,當技術人員從風力渦輪機中取得數據時,他們通常會在手冊中查看風速與塔架振動的關係,手冊會告訴他們該怎麼做。然而,人工智慧係統可以取得數據、繪製曲線並向技術人員報告渦輪機遇到變槳軸承問題。可解釋的 AI 還會向技術人員顯示這些曲線,並在手冊中拉出包含相關資訊的頁面。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ,與全球CIO同步獲取精華見解 ]
Parris 表示:「人工智慧現正處於自我解釋。技術人員可以看著它說:『這看起來有點不同』。或者他們可以說:『這完全正確。我們就這樣做吧。』」
人工智慧幫助技術人員更快地找到解決方案 ─ 並幫助技術人員相信它確實有效。
Parris 提到:「這是關於擴增智能、輔助智能,它不會取代你,而是在幫助你。」他也說明:「這有助於大規模採用人工智慧。」
三、聽取利害關係人和客戶的意見
對於一些公司來說,確保人工智慧系統產生有用的結果,需要仰賴人工智慧核心團隊之外的協助。與任何專案一樣,這是從收集數據、結果和模型需求開始的。
內華達州人口健康計畫(Healthy Nevada Project)的資料科學總監 Jim Metcalf 表示:「理想情況下,你可以透過線上白板會議開始一個專案,所有主要利害相關者人都會花一個下午的時間來討論細節並記錄查詢需求。」他的團隊在處理心臟病患者協議的工作中吸取了這一教訓。
該專案需要收集患者出院時開立的處方簽。但有些藥物,例如他汀類(statins)藥物,是在患者首次入院時開具的,並在患者離開時繼續使用。該系統假設這些藥物是患者已經持續在服用的處方,而不是與心臟病發作住院相關的新藥,只有在藥量最終低於預期時才會發現這個問題。
Metcalf 提到:「如果我們一開始就和對此感興趣的利害關係人進行更詳細的討論,團隊本可以更早解決這個問題。我們的資料科學團隊已經學會不去假設。在任何人將資料輸入之前,我們就會徹底審查、討論和記錄查詢要求。」
對於企業支付管理平台提供商 Coupa,客戶指出了一種偵測欺詐的新方法。該公司負責產品策略和創新的副總裁 Donna Wilczek 說:「在我們的產業中,一直是以孤立的方法看待支出欺詐。」
她說,但事實證明,在一個領域作弊的員工,更有可能也在其他領域作弊。透過與採購專家和財務審計員的對話,發現欺詐偵測的訣竅在於關注處在詐欺核心的個體。
Coupa 現在收集企業報告的欺詐行為範例,然後將這些真實範例新增到 AI 系統中。
四、沒有更多的概念驗證
當技術是全新的時候,POC 是合理的。然而,Globant 的資料和人工智慧技術總監 JJ Lopez Murphy 表示,如今,透過實驗開始你的人工智慧之旅的需求已經減少。
「就金錢、時間和政治影響力而言,這些實驗中的每一個都非常昂貴,當你做了四次 POC 卻沒有得到什麼結果,人們就會不再相信人工智慧。」Globant 解釋。
他說,反之,公司應該將心力放在有方向的專案。「如果它沒有在生產,或沒有被使用,有時反而比一文不值還要糟糕。」
Gartner 分析師 Whit Andrews 對此表示贊同,他建議公司改做較小、可行產品。他提到:「風險要高一些,但好處是你可以動起來。現在你只需不斷增加容量和功能。」
根據 Gartner 2020 年的一項調查,在 AI 方面成功的公司平均執行 4.1 個測試專案。不成功的公司執行了 5.2 個 POC。他表示:「我們已經過了『把想法拋出,看哪一個有被接住』的階段了。」
五、混合團隊
根據 Gartner 報告,從 AI 專案中獲得「顯著價值」的組織在其 AI 團隊中的角色也增加了 14%,包括專案經理、策略家以及具有不同背景和觀點的人。
Andrews 說道:「第一個使公司成功的習慣是使用混合良好的團隊。」
對於 Tech Data 從事牽涉到計算海鸚鵡的 AI 專案,這意味著需要引薦硬體專家。
「如果你看過《國家地理》的特別節目,海鸚鵡會緊緊地擠在一起,數以千計,而我們的任務是利用人工智慧來計算海鸚鵡數量。」Tech Data 負責全球資料和物聯網解決方案的副總裁 Clay Davis 說道。
在要求 Tech Data 幫助該專案之前,有一個資料科學家團隊正在努力為計算海鸚鵡建立最佳模型,而另一個專業的硬體團隊則在選擇相機和電腦設備。
Davis 解釋:「當你有像相機這樣實質的硬體來捕捉圖像時,有時在偏遠地區,有時在現場進行計算會更有效,有時則不然,如果你在現場進行計算,你需要確保你所使用的硬體足以處理你與資料科學家一起建置的模型。」
三個月後,事實證明,所選硬體無法運用資料科學家提出的模型。Davis 說明:「現在你必須重新開始。要不你必須購買新的硬體,或是要求資料科學家建立一個更有效的模型。從第一天開始,你就需要讓兩個人都參與在專案中。」
在海鸚鵡不計其數的情況下,資料科學家能夠切換到趨勢面分析模型,因此他們可以堅持使用現有的硬體。
六、擁抱該領域的專業知識
Cognoa 人工智慧總監 Halim Abbas 表示,僅依靠資料科學家從數據表面的洞見是一大錯誤,該公司正將人工智慧應用於行為診斷,幫助識別患有自閉症和其他行為行為問題的兒童。
確定數據彼此間的依賴性和數據相關性,通常需要處理該主題的專家。例如,如果一組患者在藍色牆壁的房間和另一位在白色牆壁的房間中診斷出不同的結果,則尋找模式的分析模型可能會推斷出牆漆具有臨床意義。
Abbas 表示:「隨著數據集規模的增加,你顯然會避免這種愚蠢的結論,但可能還有一些微妙之處。」
他補充說,這些是沒有領域專業知識的人工智慧專家不會意識到的問題。當數據較小時,這一點尤其重要,例如條件稀少或人口統計數據較少。
但 Abbas 說,領域專家可能有自己的偏見。「一個雙重確認的好方法是從領域專家那裡取得輸入的資料,並在人工智慧上面做同樣的事情,並且只使用在等式兩邊都經過雙重驗證的東西。」
隸屬 American Chemical Society 的 CAS 是一家擁有 111 年歷史的收集和發布化學研究資料的公司,它發現,將領域專業知識與人工智慧結合,對於資料管理至關重要。
技術長 Venki Rao 表示:「諸如空格、下標、破折號或化學結構中單個字母的變化之類的東西可以在安全和爆炸反應之間產生差異,而我們的機構中有 350 多名博士,負責管理資料。」
最近,該公司已經開始使用人工智慧對數據進行分類和管理,從而釋出一些博士來從事更複雜的工作。但即使是建立一個簡單的 OCR 光學辨識系統,也需要領域專業知識。
「如果你是一個純粹的技術專家,你就不能在第一天對我們來說富有成效,如果你在不了解化學的情況下用技術強行使用它,它永遠不會是最佳的狀態。」Rao 說道。
七、真實世界測試的價值實現
沒有任何作戰計劃能夠在與敵人的接觸中倖存下來 ─ 也沒有任何人工智慧系統能在與現實世界的接觸中倖存下來。如果你的公司沒有為這一事實做好準備,那麼你的 AI 專案在開始之前就注定要失敗。
瑞士信貸集團認知和數位服務主管 Jennifer Hewit 面對這項挑戰。當這家金融服務公司推出第一個支援客服的聊天機器人 Amelia 時,Hewit 知道它經常會放棄並將客戶發送給真人客服,而不是自己回答大多數詢問的問題。
「我很早就決定上線了,當時聊天機器人理解意圖的能力只有 23%。但透過在現實世界的場景中,聊天機器人能夠觀察多元文化、多語言和多時代的對話並從中學習。」
Hewit 表示:「快速上線並向組織公開能力意味著我們能夠在五個月內將她理解意圖的能力從 23% 提高到 86%。」
八、有更高的目的
隨著公司爭奪稀有的人工智慧人才,擁有有意義的專案會產生很大的不同。例如,在 Envision Virgin Racing 電動方程式車隊,使用 AI 的目標不僅是在電動方程式賽車比賽中縮短幾秒鐘的時間。「我們正在推動產業向前發展。」執行董事兼技術長 Sylvain Filippi 敘說著。
Filippi 還提到:「所有的軟體和技術幾乎都直接從賽車導向豪華車款,然後導入路面車,當我們知道這項技術真的會加速向電動汽車的過渡時,就會更有動力。」
他說,下一代電動汽車將於 2023 年開始比賽,帶動電池技術和快速充電的發展。
「快速充電與高密度電池相結合,將有助於輕鬆過渡到電動汽車,不是十年後,而是兩三年後。對於消費者來說,一旦你擁有一輛續航里程大約為 300 英里且充電速度超快的汽車,內燃機的遊戲就結束了。」
他也說明,今天,普通消費者汽車的充電功率約為 50 或 100 千瓦,達到 80% 的電量大約需要 40 分鐘。即使特斯拉目前在 200 千瓦的水平上增加,也將對更長的公路旅行產生重大影響。「我們的想法是讓功率達到 300 千瓦。在 300 千瓦 時,你預期要花 15 分鐘的充電時間。600 千瓦 只需要不到 10 分鐘。」
Envision Virgin Racing 也希望證明在高電壓中行駛的汽車是安全的。
他表示:「我們對汽車的濫用程度是真的。人們可以看著它說,『哦,太棒了,如果這些汽車能做到這一點,我也能做到。』如果我們能讓這些汽車在整個濫用的情況下都可靠,那麼路面車將永遠在路上。這是一個可靠的實驗場 — 就像以前的賽車運動一樣。」
人工智慧是其中的核心。「我們有賽車工程師、系統工程師,還有一群軟體工程師,這些都是賽車運動的新手。由於是電動汽車,軟體帶來的性能這麼多。賽季開始和結束時的賽車是一樣的,但軟體改變了六次,賽車明顯更快了。」
幸運的是,有大量數據可供人工智慧團隊使用,因為電動汽車充滿了感應器,收集了大量高度架構過的數據。他提到:「對於資料科學家來說,這是一個應用他們資源的絕佳場所。」
Envision Virgin Racing 與諮詢公司 Genpact 合作開發資料科學模型和工具。其母公司 Envision 是一家替代能源公司,從風力渦輪機起步,後來跨足軟體領域以提高電網效能。Filippi 說,作為世界第五大電池製造商的擁有者,Envision 對於將這項技術發展到極致非常有興趣。
「這裡有很多重要的經驗。」他說道。
(本文授權非營利轉載,請註明出處:CIO Taiwan)