忘了科技巨頭公司的資料科學博士吧。AI導入企業環境後，匯集各種不同商業技能的團隊，才是實現AI商業價值的關鍵。
文／Maria Korolov‧譯／葉庭筠
隨著愈來愈多企業擴大推動AI專案，使概念驗證性的實驗專案變成業務轉型的推手，就更需要知道真實世界AI專案成功的關鍵。
談到AI團隊，需要的技能超過之前大家的想法，特別需要熟稔業務運作，以及將AI概念翻譯成商業詞彙（或反過來）的人。也就是說，AI不再只需要一組資料科學專家。
事實上，企業的AI專案要成功必須要集結各種人才，麥肯錫（McKinsey & Co）合夥人 Louise Herring 指出。「從技術面來看，重點是如何確保程式碼可支持營運需求，這些元件是否能在重覆使用在全公司各環節。但我們認為最關鍵的是翻譯者，就是能將業務和技術兩個面向構連起來的人。」
本文將告訴你一些企業如何籌組解決業務問題的AI團隊，以及AI技術的進展又如何改寫所謂成功專案的條件。
成功AI團隊的基本角色
成功的AI專案需要有具備各種技能的成員，包括資料科學家、資料工程師、機器學習工程師、產品負責人、變更管理專家及翻譯者。
真正AI專案的資料挑戰與概念驗證及前導性專案大不相同。能支援營運、可擴充的AI專案需要整合大量各種來源的資料，而且資料需快速到位。
「資料科學家和資料工程師是AI專案的無名英雄，」Herring說。「企業內滿是舊式系統，要找出資料所在並將之撈出來並不容易，除此之外，你還得設定好資料管線（pipeline），並確保能擴充。」
根據IBM和資料情報暨市場研究公司 Morning Consult 2021年5月公佈的一份報告，將近 90% 的IT專家表示AI被採用的關鍵之一是不論資料位在何處都能執行AI專案。報告顯示，資料複雜性和資料孤島（silo）是AI採用的第二大障礙，僅次於AI專業能力。
資料科學家寫出的程式碼交給機器學習工程師，由其轉換並部署到營運環境。
Herring指出，成功的AI團隊還需要產品負責人（owner），還可能需要變更管理專家，只是介入的程度有高有低。但真正關鍵的技能是翻譯者（translator）的能力。
「大部份企業都很缺這種人才，但一定要有翻譯者才能將使用案例（use case）的效益最大化。」她說。
有些時候，翻譯者來自AI領域，像是任職業務單位的資料科學家。
「但他們一般來自業務領域，他們必須相當熟悉業務運作，而且某方面來看，資料科學比較容易學。有些組織甚至還設立學院來教導資料科學技能，使他們能無礙和資料科學家和工程師溝通。」
根據德勤（Deloitte）2020年一項調查，需求最迫切的AI技能中，半數與串聯AI專案與業務需求有關。這些翻譯者包含精通AI的業務主管、變更管理專家、使用者經驗設計師以及領域知識（subject matter）專家。
德勤調查顯示，AI領域中，需求最迫切的人才是AI研究人員、軟體開發人員、資料科學家及專案經理。
混合團隊的威力
線上行銷公司 Urban Airship 提供了一個教科書級的示範，說明成功的組織推動AI專案的最新趨勢。這家公司10年前開始計畫導入AI時，找來了一位博士。
「我們引進的第一個機器學習模型是了解行銷郵件的影響力，」該公司產品與工程資深副總裁 Mike Herrick 說。要追蹤使用者是否點選郵件中的連結很容易，但是追蹤他們之後還會造訪網站，以及其他通路的使用就難得多，這就需要機器學習了。
該公司之後又加入預測式分析智慧來找出連繫特定顧客的最佳時機，以及連絡他的頻率。Urban Airship 平台最新元件是利用AI啟動和管理多步驟的顧客旅程（customer journey）。
[ 推薦閱讀： AI產學對談 解析AI應用落地與團隊建立 ]
今天，至少 40% 的新成交業務來自這項工具，Herrick說。「量非常大，這獨特能力讓我們和競爭者產生區隔，這也幫我們成功留住客戶，因為我們帶給他們價值。」
該公司AI專案需要的技能不只有資料科學技能，還包括產品管理、使用者介面設計、軟體工程和產品行銷，他說。「我們的經驗顯示，AI和ML的確需要多功能的團隊來實現這類技術。」
AI團隊集結不同領域專家是一種擴充性的策略，他說，「因為有時候你找得到具備所有技能的人，但這種人極其稀有，而且即使他們具備一切技能，也無法做掉所有事情。」
而讓團隊成員了解業務效益也有助於提供分析，使公司把產品改得更有用，更適合客戶需求。
翻譯者的崛起
二十年來，Company Nurse 協助企業和教育單位處理職場傷害，只要打通電話，就有一組醫療專家前來協助。
該公司現在一周處理10萬件健康相關的交易，而在新冠肺炎疫情下，Company Nurse 也開始提供數位篩檢解決方案。
「我們每天都要篩檢健康癥狀，」Company Nurse 技術長 Henry Svenblad 說，「很多學校使用我們的服務，不只用於老師，也透過『安全返校』方案服務學生。」
2020年該公司已開始將AI應用來解決業務挑戰。AI專案包含可分類敏感醫療文件的系統，以及客服中心的聽寫（speech-to-text）對話系統。
運用AI讓這家公司分類數百萬筆文件，幫助 Company Nurse 部署更有效的網路安全措施。客服中心平均處理時間減少 10% 以上。未來計畫包括使用AI比較健康改進情形和起初電話中提供的資訊，以辨識出可能的詐欺行為，並協助提高客服專員的生產力。
[ 加入 CIO Taiwan 官方 LINE 與 FB ，與全球CIO同步獲取精華見解 ]
這方面 Company Nurse 找來外部廠商，包括Concentric、Genesys和 Salesforce Einstein 平台來解決。他們也有個資料團隊把資料準備好，以便送進AI系統和領域知識專家。
但還有一個關鍵角色是建立AI技術和商業效益（business case）的關聯。「這是我身為CTO的功能，我試圖把『這對我們業務有何影響』和『這技術實際效益為何？』兩個面向拉在一起。」
而透過整合內、外部資源、資料集和第三方工具，Svendblad也引進了新興的AI角色：解決方案架構師。
「解決方案架構師思考的是可以解決問題的ML和AI技術，而現在情形是市面有很多解決方案，很多技術。」凱捷（Capgemini）AI和分析副總裁 Dan Simion 說。
解決方案架構師不只要搞懂要用什麼技術，也要知道這些技術怎麼整合起來，他們的工作是把所有拼片拼起來。」
變更管理和敏捷企業
一般人犯的最大錯誤是認為AI是一種科技類專案，麥肯錫資深合夥人 Tamim Saleh 說。「他們把它當IT專案來處理，以為可以找來一小組技術人員和數學家創造奇蹟。你可能以為這是一個魔術黑盒子，把它導進業務運作中，就會有很厲害的結果發生。」
但AI並非如此。「AI專案有約 50% 的心力是處理人的問題，就是一件變更管理訓練的事。」
以最近一次專案為例，一家鋼鐵業的客戶想改善需求預測。「一開始預測分析師對它沒什麼興趣，」於是這家業者邀請他們一起建立模型，讓他們知道AI不會取代他們，而是當他們的助力。Saleh說。「這個動作就能把他們拉進設計之中，同時推動AI專案的執行。」
如果模型是一個黑盒子，使用者不了解演算法背後的邏輯，就不可能被他們採納，他說。「那麼一來AI就永遠是前導專案，你一直在花錢，卻無法擴展到營運環境。」
[ 推薦閱讀： 時下資安團隊必備的八種新角色 ]
另一個結局是AI只能在一個業務單位測試，但無法拓展到其他地區或產品部門。
Saleh指出，一家銀行訓練1,800人成為翻譯者，CEO必須很有遠見，才能將AI快速部署到整個公司。
成功的AI專案還需要企業改變某些運作環節。例如他的一家公用事業客戶就建了一個很精彩的行銷模型，一小時可以發出500個宣傳活動，但是該公司的行銷活動卻架構在兩個不同的活動管理及行銷團隊，因而無法有效發揮AI應有的速度效益。
Saleh說，這家公司就必須改變，他們必須自己先變成敏捷企業，才能更快做出決策。
企業部署AI應用時，必須經常自問他們的組織是否能讓這項科技完全發揮，「但幾乎所有公司的答案都是，他們的組織運作應該要改變，才能更快做出決策，」Saleh說。
加入外部專業
混合式團隊對想導入營運式AI的公司來說極其重要，分析和諮詢機構Omdia的AI和自然語言處理（NLP）首席分析師 Mark Beccue 指出。
「資料科學家，特別是有經驗的那種十分稀少，而未來很長一段時間都會很難找到。因此就算你已打算建立混合各種技能人才的團隊，委外AI也是不可避免的趨勢。」
因此像 Company Nurse 之類的公司都在尋找外部業者提供工具、平台和專業技能。而且市面上的工具也真的愈來愈好。例如資料標註和清洗都已經可以委外處理，DIY式的雲端AI平台和工具，以及無程式碼工具也讓AI變得普及、民主化。
SaaS和端到端解決方案供應商也有助於將AI推進企業。Salesforce、Adobe、Oracle等都為其工具加入AI能力，像是預測式分析和虛擬助理等。Nuance、Interactions和IPSoft等公司的虛擬助理，全都不需要使用者具備資料科學專業。
「對許多AI使用案例而言，這種作法在可見的未來將是趨勢，」他說。
一些企業也會發現使用外部廠商的產品和元件有很大好處，PwC會計師事務新興科技計畫主管 Scott Likens 說。「這種作法有助降低成本、加速決策，而且做出過去做不到的決策。」
他補充，企業內建立AI團隊成本很高，因為市場上有豐富的AI和ML人才。但這類投資可讓企業和其他同業差異化，並且改善AI使用，滿足公司獨特的業務需求。
企業可以找一些較資淺的成員進來，藉此加速建立AI團隊，顧問公司Insights資料和AI首席架構師 Ken Seier 說。
他的公司就是這樣。「我們愈來愈懂得善用公司內年輕的人力資源。」
他說，祕訣之一就是採用師徒制(mentorship model)。
「我會執行一項專案，找另一名資料科學家來統領，讓最有才能的人去協助不同層級的同仁，這可以刺激學習動機，你的團隊成員就能儘快成長，而且你每一層級都會培養出後援人才。」
(本文授權非營利轉載，請註明出處：CIO Taiwan)
