穩步克服AI發展挑戰 探索巨大商業價值
- 魏淑芳
-
現今翻閱專業報章雜誌，出現頻率最高的燙金關鍵字，無疑是人工智慧(Artificial Intelligence；AI)，有人樂觀預期AI將為人類帶來巨大好處，有人則悲觀認為AI可能帶來災難(例如搶人類的工作機會)，無論如何都可以肯定，AI對於你我的影響已經從無到有，而且一天比一天大。
事實上AI並非此刻才誕生的新科技，不僅不是新科技，還是已存在於地球超過一甲子的老科技。1956年，美國Dartmouth College的一場會議，有人提出假設，任何的學習行為、智慧行為，理論上都可以被精確描述，進而做出機器，針對這些行為進行模仿，此一論點成為AI的開端，之後便掀起一陣狂潮，甚至有學者在1965年提出大膽預言，在當時的20年內，機器(AI)將能取代人類所有的工作。
但毫無疑問，上述AI先驅的熱情，並未成功換來預期成效，隨著愈來愈多人意識到AI需要漫長發展，投資的興緻大大降低，在1974年迫使AI進入第一次寒冬。
到了1980年，得力於專家系統的誕生，及日本第五代電腦技術的抬頭，才讓AI重現活力，只可惜人們後來意識到專家系統太聚焦於專業領域，反倒限縮AI處理問題的格局與範圍，應用範疇流於狹隘，且需要動用龐大的資料庫，也讓執行預算捉襟見肘，遂讓AI在1980年代晚期二度陷入寒冬。
歷經數度低潮 這回上升趨勢更明確
一直到了2010年，AI浪潮再次崛起，這回與過往不同之處，在於背後驅動力量更為強壯，而非僅是靠熱情與夢想撐腰，舉凡高效能運算、網際網路、大數據、感測器等技術的精進，乃至運算成本的下降，加上機器學習、深度學習等演算法之蓬勃興起，都給了AI豐沛養分。
因此這一波AI浪潮席捲多年，至今不但沒有退潮跡象，而且聲勢愈來愈猛，幾乎已躍為產業或企業數位轉型的頭號武器，早些年亦曾風靡一時的雲端運算、行動化、社群媒體、大數據等等。
儘管在企業數位化過程，仍舊是不可或缺的關鍵元素，但有不少人已視它們為AI的「側翼」，某種程度上它們的存在意義，就是幫助AI發展得更好，就連氣勢看漲的物聯網(IoT)，也必須藉由與AI合體為AIoT，以形塑更大的票房魅力。
這番論調聽來有些偏頗、極端，但卻反應了某部份事實，相較於其他技術，AI更像是數位轉型價值鏈的最後一哩，所以AI之所以暴紅、之所以蔚為顯學，並非炒作，而是其來有自。
在2018年，國際知名的研究暨顧問機構Gartner，曾經對於全球AI所能引發的商業價值做出預測，估計今年AI商業價值將達到1.175兆美元，足足比上一年度大增近七成，成長幅度至為驚人。
時至2022年、也就是4年後，AI商業價值可望攀升到3.923兆美元，比2018年的預測值高出2.34倍，足見AI不只現在當紅，未來還會繼續走紅。此處說明，所謂AI的商業價值，不僅來自於新增營收(開創嶄新商業模式)，也涵蓋降低成本(優化營運效率與品質)，甚至也包含顧客體驗的改善。
伴隨上述報告出爐，Gartner的研究副總裁John-David Lovelock也發表看法，他認為展望今後10年，肇因於運算能力與資料量的數量、速度與多樣性都持續顯著攀升，與此同時，深度神經網路(DNN)亦將不斷精進，導致AI肯定成為最具突破性、創新性的技術項目。
只不過值得注意的，在2017？2022年期間，企業獲取AI能量的來源，主要倚賴市面上擅於解決單一需求的利基型解決方案，但隨著時序推移，曾經風光一時的AI技術方案，終將陸續從「神壇」退駕，意即開始從市場頂峰往下走，只因為企業的投資態度會回歸到務實的基本面，藉此做一番沈澱省思，不斷審視AI之於企業內部的應用與業務價值，真正懂得利用AI去解決過去解決不了的大問題，創造更扎實的應用成效，使得AI轉型旅程走得更加健康順遂，而非只是人云亦云跟流行。
不僅撙節成本 也能創造新的收益商機
前面提到，AI的商業價值，主要源自於三個面向，事實上，在導入初期最快看到成效的一環，其實是在於顧客體驗，因為一開始企業尚無能力窺探AI完整奧妙時，最立竿見影的實踐方式，就是利用AI技術來改善顧客互動關係，藉此提升來客數、增進留客率。
緊接著企業逐漸意識到，可以運用AI技術來優化內部的營運流程效率，不僅對於商業決策制定的品質與速度多所助益，甚至在後續任務執行的過程，亦可藉助大量的自動化機制，降低人為介入的失誤風險，也可望加速產出成效，總體而言，到了這個階段所能展現的最大價值，即是降低成本。
前面談及的營運成本撙節，比較偏向節流層面，但AI運用一旦走到了最終極致，便會擺盪到開源面向，也就是說，企業終將利用AI技術來增進既有產品與服務的銷售績效，且更進一步探索新產品及服務的商機，終至達到新增營收的遠大願景。
縱使AI方興未艾、遠景無限，讓多數企業趨之若鸄，但不可諱言，此時此刻企業在投入AI發展時，必然會面臨諸多挑戰。曾有專家點出，若從深度學習的角度來看，現今企業可能面臨的發展瓶頸不少，包括資料需求過大，無奈多數企業僅有小數據、欠缺大數據，訓練出來的模型易出現頗見；深度學習演算法難以累積技能與知識，仍需為每一種應用重新建立模型；在部份應用情境下，雲端運算架構面臨挑戰。
此外還包含了AI的感知與認知能力，未必贏得了人類；針對從感知到決策的高階智能，技術上尚在起步階段，因而有人冀望從諸如DeepMind等增強式學習(Reinforcement Learning)來尋求突破，但很現實的，現階段增強式學習訓練成本實在太高。
然而值得慶幸的，一些有助於解開上述糾結的技術趨勢，正在逐步發展成形，比方說有人認為非監督式學習與增強式學習正在導引未來的發展方向，足以幫助人們加速理解世界、創造新事物，預期今後會從監督式學習走向增強式學習、再邁向遷移學習，使機器在認知環境、學習技能之餘，也讓機器知得得以散播。
