在供應鏈的挑戰、當前國際衝突頻傳，以及未來淨零碳排的壓力下，預測能力變成企業最重要的指南針，許多製造業無不挹注資源在預測能力上，供應鏈科技、智慧戰情室、商業智慧系統紛紛成為企業標配，也引爆了智慧營運的產業浪潮。
為何企業在導入人工智慧專案或進行相關投資時經常失敗？根據Gartner調查指出，85%的人工智慧投資在前導專案時即以失敗告終，而剩餘比例的53%能走到模型量產階段，但即便如此，在FOMO（Fear of Missing Out）的恐慌下，企業依然前仆後繼地投入人工智慧：人才、新創投資∕併購、技術研發、籌組人工智慧聯盟等。
確實，在供應鏈的挑戰、當前國際衝突頻傳，以及未來淨零碳排的壓力下，預測能力變成企業最重要的指南針，因此從國際企業到中小企業，許多製造業無不挹注資源在預測能力上，供應鏈科技、智慧戰情室、商業智慧系統紛紛成為企業標配，也引爆了智慧營運的產業浪潮。
不過，許多企業低估部署人工智慧的困難度，不少業者甚至以為如嵌入CRM或ERP軟體這般容易，僅需要外部顧問與內部相關團隊即可完成。其實正確的觀念應該將人工智慧建立視為廠房的資本投資，製造業者並不會將廠房的建造視為創新且幾乎萬能的生產工具，而是讓各產線營運、人員訓練、設備維護等功能維持在可運作狀態。人工智慧又何嘗不是如此？演算法、資料、運算能力、相關團隊應完全常態化，而非當成寶貴專案捧在手掌心，無論是模型精確度或是資料品質，都須經手無數試錯且不斷修正，企業能一蹴可幾的難度非常高。在此先讓我們看看企業在人工智慧上常見錯誤與正確作法為何。
常見錯誤一：問題的本末倒置
許多企業容易在不知道要回答什麼問題的情況下開始投資人工智慧，或開始分析各種資料，當前由於許多新興科技的興起是業主容易轉移業主的注意力：自動駕駛汽車、臉部辨識技術、自動無人機、智慧工廠等。確實，企業想要嘗試這些數位工具是必然，但也別忽視人工智慧與機器學習帶來的核心商業價值：讓企業做出更好的決策，將人工智慧和機器學習視為改進當前營運流程的一種方式，而不急著視為一種新商業模式。如果企業首先能夠分析營運流程中的各決策點（Node）並自問「如果我們可以將此決策改進x%，它將對我們的底線產生什麼影響？」，則能大幅降低倒果為因的謬誤。
常見錯誤二：無法清楚辨認商業價值
除了第一點無法清楚辨識問題外，許多企業即便了解問題所在，也不一定能透過人工智慧解決該問題並產生商業價值。在許多公司，要讓人工智慧在組織中發揮真正的價值，公司的業務部門必須了解該技術的潛力和局限性，這樣才能確實符合期望和達到變革結果。
創新工場董事長、全球人工智慧專家李開復指出，著重在垂直領域的人工智慧解決方案價值將逐年提高，主要原因在於模型本身僅是一個工具，最重要的仍然是行業知識本身，具備特定領域知識的解決方案對企業而言才有導入的意義。模型絕非越大越好，公司應該透過「10-20-70」的方法來評估人工智慧的商業價值：以10%的工作建立一個適當的機器學習模型與演算法規則來協助系統自行學習、20%將投入於高品質的數據和創新數據科技、70%將專注於開發新的業務流程或改變企業功能的運作方式。
建議做法：善用機器學習自動化滿足業務需求
即使在一個類別中，企業也擁有多種原始資料類型可供機器學習算法使用。例如，如果系統目的在於建立銷售預測，則可以使用絕對貨幣值輸入相關產品價格的數據。然而，折扣與參考價格的參數關聯性往往更高，特別是需要考慮需求彈性的情況下，參數的複雜化容易讓分析也跟著複雜，因此當前企業常見做法是透過機器學習自動化（AutoML）來解決這些問題。
當前各種人工智慧應用的關鍵模型，在許多開源資料庫與科技業者分享的情況下，其開發和訓練門檻變得更低、支援的類型也更廣，許多不懂程式開發的領域專家，也能快速建立可用的機器學習模型，這種技術平民化大幅降低科技的使用門檻，當一項技術逐漸為內外部所接受時，其可用性將大幅提高，機器學習自動化朝向網頁化介面、免程式開發特性、工作流程視覺化管理方向發展。
近來，AutoML是產業界與人工智慧領域相當熱門的詞彙，其主要核心為不必寫出複雜的演算法也能快速建立並部署AI模型，2021年在供應鏈與晶片短缺的衝擊下企業對精準預測的需求有增無減，但在演算法模型的開發速度上卻跟不上需求，原因在於單是從情境確認、資料分析到模型部署上線，公司內部就須花費大量的時間溝通，而未來局勢的改變又造成執行環境需要重組。同時，在模型管理上，部分公司以為將程式碼控制好就好，殊不知模型會隨著時間過去而開始「飄移」，失真狀況可能越日益嚴重。事實上，AI模型從實驗到應用，建模僅是AI開發的一小部分，後續架構與流程管理的差事，對企業來說才是重點，也是所謂「AI技術負債」的來源，這種無形負債一但累積，對於企業未來的競爭能力是極大扣分。
未來的企業特點為超級自動化與智慧化。（資料來源：Gartner）
當前著名的機器學習自動化為支援支援CNN、RNN和LSTM三種演算法的Google Cloud AutoML，其最大特色為使用無程式碼（no-code），使用者僅需要上傳訓練用的參數資料，即可開始訓練模型，同時能針對特定需求自動挑選演算法，大幅降低人工智慧開發成本與時間。而同為Google競爭對手的AWS也不落人後，其Amazon SageMaker Studio除可自動訓練模型外，也會自動產生程式碼，作為資料預處理的先鋒作業。而IBM、微軟等業者也嗅到人工智慧常態化的商機，紛紛建立各種無程式碼工具與機器學習自動化方案，以期未來快速協助企業轉型，哪裡有缺口，哪裡就有商機。
可解釋人工智慧將打破企業對黑盒子的迷思
可解釋人工智慧（Explainable AI，XAI）指的是讓技術專家理解人工智慧之成果的方法與技術，是相當對於黑箱學習的一個概念，可解釋性的關鍵在於「Why」，是一種要求解釋的權力，深度學習模型當前因過於複雜，因此經常在可解釋性上被挑戰，但深度學習模型又具備未來各種商業領域的應用潛力，因此Hiesinger才認為也許從「大腦自行組合與生成」的角度可以解決這樣的問題，使AI具備深度解釋能力、可解釋模型和這些模型的應用。
＜本文作者：Howie Su現為產業分析師＞