根據國家發展委員會（國發會）最新發布的「重點產業人才供需調查及推估」報告指出，AI的發展將帶來一系列新產品、商業模式、解決方案，相關應用的市場規模也正快速地成長中。報告中引述Statista的統計，2020年全球AI相關市場規模估計為225.9億美元，相較2019年的146.9億美元成長了53.8%，在此趨勢下持續發展至2025年，將成長至1,260億美元。
現階段AI應用的技術大致可分為電腦視覺、數據推理推論、移動控制、資料擷取與整理、自然語言處理等領域，將普遍成為製造、醫療、零售、金融等產業應用主流。問題是，應用蓬勃發展所帶動的AI人才需求缺口過大，儘管學術單位已增設相關課程、吸引學生入學，短時間仍難以解決人才短缺的情況，尤其是具有實作經驗的人才更是匱乏。如此情況下，勢必影響企業AI發展的進度，連帶影響到AI應用所能帶來的生產力提升、經濟成長落實的速度。
TIBCO（台灣堤巴克軟體）大中華區解決方案資深顧問于正之觀察，實際上AI應用所需的資料科學家人才，不僅是近幾年稀缺，長久以來皆為罕見的人才，只是過去稱為統計學家或數學家，每個企業都希望招聘到這類人才。近幾年面對國際市場競爭，企業欲借助AI之力提升競爭力，更是求才若渴，積極招聘相關人才與評估可輔助解決困境的解決方案，期盼能更加自主掌握技術來實現智慧化轉型。
機器學習與AI應用遍地開花
針對AI與機器學習應用的現況，根據甲骨文台灣區技術總監黃久安實際觀察接觸本土客戶的歸納，大致可分為兩類，其一是大量用於圖形模擬、影像辨識處理的機器學習，過去無法實現的應用，在GPU加持下已可成真。例如氣象局的氣象模擬估算天氣的變化，需要強大的運算力輔助，主要運用的是機器學習演算，藉由反覆迴歸的計算來達到預測性，過去得仰仗超級電腦等級才可實現，如今採用日漸普及的高效能運算伺服器（HPC）搭配GPU處理器已可達成。
他強調，現代GPU運算能力驅動了相當多應用，例如汽車產業評估車輛碰撞瞬間的防撞效果與造成損害狀況，通常是以影像模擬方式，運用相當多機器學習演算法。以前圖形化運算要用超級電腦等級才做得到，現在用多台x86電腦叢集即可達到相同效果，使得AI應用變得更加多元。
另一種是IT部門熟知的資料類型機器學習，過去探討多年的人工智慧，如今已廣泛落地。以前只有大型企業能招聘資料科學家來加以實現，而且應用情境大致固定，現在則是更廣泛應用，基於機器學習技術邏輯與價值的理解，開始延伸應用到更多場景。
前述提及的圖形模擬技術應用主要是製造業，至於金融業，可能採用圖學原理執行運算，例如保險公司的精算單位，也要利用特殊演算法來處理，圖學原理即為其中一種。黃久安指出，運用特殊演算法的專業領域，像是氣象模擬、車輛碰撞、保險精算等，必須由專業顧問團隊與解決方案供應商才有能力協助實作，基於新提出的演算法設計成為應用軟體，搭配強大運算力來實現。
反觀非特殊演算法的資料分析，則須結合產業知識，但複雜度相對較低，現階段這類型資料科學家人才較多，基於發展已相當成熟的技術工具，為應用場景增添預測性。流程通常是先行標註資料內容特徵，運用機器學習演算來判讀異同，進而預測下一步可能的模式。 總體來看，愈來愈多產業願意投入機器學習與AI應用，主要會運用在既有運算程度較高的領域，或者是讓技術已經相當成熟的資料分析領域，得以更深入探究商業價值。機器學習與AI應用可說已遍地開花，勢必會在各處結出豐碩的果實。
軟體工具演進輔助提升分析效率
為了降低企業客戶的資料科學學習門檻，讓不同知識與技術背景皆可運用機器學習與AI，市場上陸續出現新一代的解決方案，國際市調機構Gartner更於今年（2021）將此類方案劃分為DSML（Data Science and Machine Learning）平台。SAS台灣業務顧問副總經理陳新銓認為，主要來自進階分析（Advanced Analytics）的演進，用以實踐資料科學生命週期中的各種任務，例如理解營運環境、資料提取與準備、資料探索、特徵工程、建立模型、部署與維運等方面。
于正之說明，從過去的商業智慧（BI）、Hadoop大數據分析、自助式分析，演進到DSML，整體資料分析框架大致可區分為四個階段，即描述式分析、診斷式分析、預測式分析、處方式分析。描述式分析與診斷式分析屬於商業智慧範疇，自助式分析也較偏向診斷式分析，讓操作者從中挖掘洞察。預測式分析與處方式分析，則屬於AI領域。運用AI預測得到結論後，還必須要能夠提出解決問題的處方，正是當前資料科學的應用主軸。
就資料分析工具來看，于正之說明，大致區分為專門做資料可視化分析軟體，以及統計數值分析引擎的工具。資料可視化分析軟體是協助企業實作資料描述與診斷，使其轉換為圖形化，以儀表板方式呈現，或是產生出商業報表。這類軟體早期為商業智慧工具，產生出固定式報表，演化到提供自助式報表，進一步演進到資料科學領域，方式是增加支援Python與R程式語言，讓使用者自行建立可執行的分析報表，但是並非真正的資料科學運用工具，只是可擴展更多應用場景。
「真正的資料科學工具，也會有可視化分析能力，主要是為了數據重現之用，輔助選用多種類的演算法或機器學習模型，加快產生模型的速度。」于正之說。至於既有的統計數值分析引擎工具，演進方向是變得更易於上手，再加上現代資料科學所需的機器學習演算所需的開發語言，輔助資料科學家提升執行任務的效率。他指出，TIBCO兩種特性都具備，可相輔相成，讓資料科學家採用基礎的方式探索數據型態，有特別的想法時再換到高階的資料科學工具設計機器學習模型實作，得到的結果再運用可視化功能查看有效性，並回頭調整分析模型，如此循環之後逐步提升達到精準度。
他以客戶的實際案例說明，某本土製造業成立人工智慧辦公室，任務是蒐集生產線上所有感知器產生的資料，交給人工智慧辦公室的三名資料科學家，負責找出生產工作流程中良率的資料關聯性，建立最佳溫度分析模型。程式碼撰寫大約花費一個半月時間，嘗試運用多種不同機器學習演算法，找到最佳解答。但是採用TIBCO後，相同的來源資料只花費兩天時間，即可得到相同的解答。此即為典型的案例，採用工具可提高人工找到解答的效率，甚至較人工撰寫的程式碼，分析準確度更高，可快速地回答企業營運的提問，彰顯AI應用的價值。