服務創新電子報

後電子化企業時代:人工智慧是解藥?還是毒蘋果?

隨著開放原始碼社群及大型線上教育平台日漸興盛,使得人工智慧的取得成本越來越低,幾乎所有企業、甚至個人都能夠使用機器學習,也因為這個原因,已有越來越多企業試圖將人工智慧導入商業營運的場景,然而,人工智慧的駕馭可要比取得困難許多。當這些無法被駕馭的人工智慧被導入到實際作業的環境當中時,真的只是「Garbage in Garbage out」(廢料進廢品出)這麼簡單嗎?

訓練有素的人工智慧

人工智慧需要餵以大量乾淨、穩定、多樣與即時的資料來進行訓練,在很多時候,高品質、可用的資料甚至比人工智慧的演算法更難取得。不乾淨、不完整的資料會誤導人工智慧對於問題的理解能力,就好比一團廢鐵,怎麼煉也煉不出黃金,垃圾進、垃圾出便是這個道理。

高品質資料4V(來源:https://www.123rf.com/profile_juliatim)

許多問題都是自找的

本文引用史隆管理評論的《Don’t Let Artificial Intelligence Supercharge Bad Processes》中的一個例子,有一種人工智慧是透過影像辨識的方式,將經過打印、傳真過後的文章內容進行再結構化,意思是這個人工智慧能夠還原實體紙張打印的內容,重新建立電子檔的資料結構。乍看下是個好點子,糟糕的也正因為導入這項技術的企業也認為它是個好點子。而其實這個問題有一個最簡單的解決辦法,是直接透過電子郵件傳送電子檔,這樣既可保留電子資料,也可以在接收端用印表機印出。

許多簡單的問題其實都可以透過流程再造的方式解決,但因為人工智慧看似能夠解決所有的問題,因而使企業在導入這些技術的同時,無法梳理、辯清流程真正的問題所在。一個有問題的流程若不到棘手的地步,通常不會是決策者出手的目標,而在很多的情況下,人工智慧讓這些有問題的流程,看似不那麼嚴重,這也是為什麼企業應該要小心地使用人工智慧。

模式會改變!人工智慧也會變得糊塗!

用大量資料訓練人工智慧、反覆訓練,而且是以自動化的方式訓練,這樣問題就永遠地解決了嗎?本文前面提過,人工智慧的決策相當依賴資料品質的穩定性。資料的來源如果不穩定,則會嚴重影響到人工智慧的決策品質。然而,更麻煩的或許不是資料不穩定,而是模式所產生的變化。舉個例子來說,過去依據股市的訊息,機器可在一定的範圍,有效地預測股市變動。但自社群網路的興盛,許多網路評論會影響投資人的投資決策,新行為的發展,使股市訊息不再是唯一參考依據。也就是說,外在環境的變動改變了事物的判斷準則,人工智慧既難以反映此一變化,亦難以評估其是否仍然有效。

不可理解的智慧  與迷思無異

根據史隆管理評論中的《Minding the Analytics Gap》一文所顯示,資料分析與人工智慧技術發展的速度,遠超過決策者對他們的認識,換句話說,當協助管理者做決策的數據結果不再容易理解,則管理將不再是科學,而是回歸到經驗與直覺的判斷。管理者僅能判斷最終結果是否合理,而無法理解機器思考的過程。當人工智慧能夠正常運作,那很好,然而,因為其思考過程難以被理解,沒有人知道機器何時會失靈,這就像是在企業內部的某個角落埋了一顆未爆彈一樣可怕。

顯然,企業在後電子化時代,要正確、有效地導入人工智慧,還有很長的一段路要走,第一是決策者要豐富、建立自己對於新資料分析技術的認識,第二則是要建立有效與技術人員溝通的管道。最後,則是要明辨問題的來源,將人工智慧用來做有意義的事情,而不是為了解決一個不必要的麻煩。(周平)

Share
標籤: , , ,

留下您的評論

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料

Share