【我在引導現場】AI 行業應用的基礎知識

週五下午參加創新產業小聚 — 人機協作,迎向 AI+ 世代工作坊,因為是各個團隊第一次的討論。所以我先用二十分鐘的時間為參與者打底,建立共同語言和知識起點。

如果你不是要研究那些模型、演算法、平台,只是想要快速認識人工智慧 (Artificial Intelligence, AI) 的人,以下是我幾頁手寫的板書內容,在此說明,希望對你能有點用處:

Page 1:AI 的基礎

人工智慧的基礎有三加一,分別是 ABC+I:

  • Algorithm,演算法。你或許會聽到許多專有名詞,例如:非監督式和監督式學習、神經網路、機器學習、深度學習… 等等,廣泛地來說,都是屬於 Algorithm 的範疇。
  • Big Data,大數據。Data 是 AI 的決定性要素。沒有 Data 就不要進入 AI 領域,就算要進去,也找不到入口。
  • Cloud Computing,雲端運算。這代表計算能力的普及化,為什麼前兩波 AI 議題興起又沈寂了,而這次的第三波 AI 在最近兩年開始被大家廣泛地討論呢?很重要的一個原因就是因為計算能力限制的突破。
  • Internet+,互聯網加。透過 Internet 的發展,尤其是在 IoT (Internet of Things) 的時代,各式各樣的數據開始被紀錄、分析與應用。也可以說,Internet+ 加快了 Data 的「數量」,也就成了「Big」Data。

以江湖高手出手要「」「」「」來說,ABCI 可以有些對應:提供計算能力的 Cloud Computing 就是「」;提供武器彈藥和投放發射武器目標的就是 Algorithm、Big Data 和幫助蒐集 Data 的 Internet+,強調的就要「」;至於目前 AI 尚無有效法處理認知、邏輯和情緒等問題,那麼到底要說「」或「不狠」呢?

Page 2:AI 的技術本質和商業本質

目前機器學習 (Machine Learning) 和深度學習 (Deep Learning) 是 AI 最常被使用的算法模型,這裡我暫且將其和 AI 連結在一起。

其技術的本質是「分類」(Classification),當然,「分群」(Clustering) 或「迴歸」(Regression) 也是,但為了便於記憶,你就選一個吧。至於 AI 的商業本質,則毫無疑問的總結成「經營效率」的提昇。這裡說的經營效率是廣泛的定義,舉凡生產、銷售、行銷、供應鏈、營運、行政… 等等的效率,端看你所在的領域為何。

在此基礎上,人類透過「決策」(Decision Making) 連結技術端和商業端。

Page 3:導入 AI 所需要的團隊

在之前技術和商業的二分架構下,一個成功的 AI 團隊有三個重要的角色,分別是:

  • AI 科學家 (AI Scientist)。負責提供相關的技術。
  • 領域專家 (Domain Expert)。負責提供並解讀數據,也是知識提供者。
  • AI 推動者 (AI Facilitator)。負責整合團隊,包括目標管理、任務與資源配置、團隊溝通和快速驗證概念。你也可以想成是專案經理 (Project Manager),雖不是把分之百吻合,但能幫助想像。

其中,AI Facilitator 不必是 AI Scientist,也不一定是 Domain Expert,但最好是能「略懂」各方面知識,這樣推動起來才更順暢。

PAGE 4:團隊開發 AI 專案的五步驟

我提出 DDADD 這五步驟:定義 (Define)數據 (Data)分析 (Analize)設計 (Design)執行 (Deliver)。其中第一步 Define,因為團隊是個隨機的組合,加上演練的範圍不宜過大,所以我列出快速濃縮議題的提問:在目標主題下,哪些工作內容或任務

  • 是重複的?(每天、每週、每月都必須做的)
  • 是被抱怨最多的?(例如:人會說「好煩喔」、「好無聊喔」之類的)

當然,如果可以做任務分析,拆解出比較細一點的流程更好。

這個活動連續四次討論,每次都有不同的主軸,但基本上我會用 DDADD 這五步驟和團隊一起玩,一起探索 AI 的商業應用。

結語

AI 很熱門,但大部分人認為要入門很難,或許是他們都想到 AI Scientist 這角色吧!其實,如果你是 Domain Expert,擁有該領域的專業知識,找到能合作的 AI Scientist 也很不錯。

如果你和我一樣,對於跨技術和商業,為他們搭橋 (Bridge),那從 AI Facilitator 切入也挺不錯的。

發表迴響