账号:
密码:
最新动态
产业快讯
CTIMES / 文章 /
利用 AI 实现判断标准化
智慧制造永续的基石

【作者: 杰倫智能】2023年10月31日 星期二

浏览人次:【1760】

科技的变革是企业管理能力得以跃进的推手,而当今 AI 的普及化无疑将带来另一次的变革,本文叙述如何建立人人皆具 AI 思维,以数据分析为核心来解决问题的企业文化。


企业的管理能力随着科技的变革已经历了几个阶段的转变。从电脑尚未被广泛利用时,产业专家以纸本纪录各项数据、带领学徒将管理制度标准化的阶段,到企业大规模导入电脑与软体系统,透过资讯数位化及系统流程辅助将营运流程标准化,科技的变革无疑是企业管理能力得以跃进的推手。


什麽是决策标准化?

当今 AI 的普及化无疑将带来另一次的变革,促使企业发展新的管理模式以奠定下一波成长的优势。


Deloitte 於研究报告中指出,受访企业认为导入 AI 的前三大好处包括:


- 加强目前的产品


- 优化内部营运


- 协助做出更好的决策


尤其在治理与品管相关的应用场景,AI 能够免於人类的偏见和情感因素而做出更客观的判断。在台湾,蜂行资本公布的 2022 台湾企业 AI 趋势报告中指出在台各企业的 AI 模型部署率为 50-75% 之间,远高於全球的 20-50%,表现出台湾企业对 AI 应用持开放的态度,并积极透过数据分析、建立模型来应对快速变化的市场所带来的挑战。更大量的运用 AI 模型便是判断标准化的基础;基於判断标准化创造领先优势的企业能够大量运用 AI 模型做出判断、结合自动化技术执行判断结果、确保作业流程能够快速地被复制到其他场域,例如到不同地理位置建厂,而不受人为因素造成的判断落差所影响。



图一 : 基於判断标准化创造优势的企业能够大量运用 AI 模型做出判断、结合自动化技术执行判断结果。
图一 : 基於判断标准化创造优势的企业能够大量运用 AI 模型做出判断、结合自动化技术执行判断结果。

迈向判断标准化需具备哪些条件?

Sam Altman 於一场访谈中说到,在这场由 ChatGPT 引领的 AI 大革命中,人们需要具备韧性、适应性,快速学习新事物的能力,以及能够使用 AI 工具的创造力来因应未来的挑战。对企业来说,培养员工的 AI 思维和建立易於使用 AI 的环境,便是企业利用 AI 发挥创造力大量产出和部署 AI 模型,迈向判断标准化的重要途径。


McKinsey 在「The State of AI in 2022」的企业调查中指出受访企业中的领先者,即前 8% 的企业,皆透过 AI 应用实现至少 20% 的 EBIT 增幅。相较於其他企业这些领先者在以下几个领域拥有卓越的表现:


1. AI 策略的发展与商务需求有高度连结


2. 能够同时进行大量的 AI 应用开发与部署


3. 数据结构高度模组化


4. 确保数据的品质


5. 利用 low-code 或 no-code 工具


从管理角度来看,领先者皆透过标准化的 AI 工作流程与协作方法来增加 AI 应用产出的自动化程度,进而降低模型无法落地的风险。


企业导入 AI 的挑战有哪些?

Profet AI 透过其开发的 no-code AutoML 系统已服务超过 100 间的制造企业,而在辅导客户从议题探索至模型生成落地(即是 AI 生命周期)的过程中,发现多数企业在导入 AI 时皆面临以下 4 大挑战:


1. AI 议题探索过程未能标准化


对处於 AI 应用早期阶段的企业来说,人员所具备的 AI 知识不一,尤其是非与 IT 或资料科学相关的员工可能都不太了解 AI 是什麽。当面对企业内 AI 应用的展开,管理阶层与员工因缺乏能力与经验而不知到能利用 AI 做什麽,且企业无知识系统可协助他们提案,导致每个团队评估 AI 议题适性的方式与执行流程不一,而最後的提案往往也因缺乏领域专家叁与评估的过程,没有明确的商务目标可用於检视 AI 应用的效益。


2. AI 议题执行过程透明度不隹且组织协同不易


由於 AI 应用的开发是一项技术性的工作,所以非技术相关的人员较难叁与议题或专案的执行,导致开发的过程过於仰赖技术人员的判断,缺乏领域专家(例如现场的设备维护人员)的协助以了解问题的全貌,而管理人员也无法确实掌握各单位做了哪些题目?题目何时完成?目前进展如何?以及资源如何被这些题目所运用?只能被动式的接受专案负责人的工作回报。


3. 企业内部 AI 典范议题无法传承与扩散


规模较大的企业中往往会有不同组织或地区的团队尝试解决相似的 AI 议题,在知识不通透的情况下就容易发生团队各自闭门造车的情形,导致人力和时间的重复投入造成资源浪费,且实作过程中的错误也容易重复发生。在没有系统化管理企业内部的 AI 知识的情况下,过往的经验就难以被搜寻和重复利用,造成企业难以透过延续 AI 经验来加速提升企业能力。


4. 缺乏正向与优质的奖励文化来提升员工自主学习使用并分享 AI 经验的意愿


若要加速 AI 能力的扩散,光靠 top-down 的教育训练是不够的。除了学习之外,企业还需员工积极叁与 AI 的应用来累积经验。鼓励员工之间分享知识是提升企业整体 AI 能力水准的捷径,因此企业需思考如何建立良好的奖励机制来形成知识共享的文化。


什麽是 AI 生命周期管理?

关於AI 生命周期管理(AI Lifecycle Management;AILM),可以从AI 应用落地的生命循环区分为技术与商务视角。目前在市场上较常见的是从资料科学家的角度思考的循环,即 MLOps,其目的较专注於模型开发与部署的系统建立和流程整合,如 data pipeline、运算资源的分配、以及模型监控等。而商务角度关注的部分在於 AI 议题的定义是否具明确的商务目标,让最後产出的模型的效益可被评估检视。


如下图中右边的循环所示,相较於 MLOps AI 生命周期管理涵盖了更多细节,特别是在 Planning 阶段的商务需求分析。



图二 : 由不同视角来看AI 应用落地的生命循环周期。
图二 : 由不同视角来看AI 应用落地的生命循环周期。

AILM 如何助企业奠定稳固基础?

AILM 解决方案是一个依循 AI 商业生命周期管理决策需求而诞生的平台,协助企业在解决内外部问题过程中,有效管理执行、监控、决策之间的资讯整合应用,让企业快速成为AI应用的领先者。


AILM 平台在企业活动中将 AI 议题探索标准化与常态化,让组织之间的协作更加顺畅,


有助於企业在各种执行策略发展上有更高度的连结,在数据品质管控上能有更多专家一同叁与来提升精确的关键要素。同时,AILM 在企业的运作环节上也扮演着职场导师的角色。


平台标准系统化的保留内部专家所解决问题的历程,将过去宝贵的经验与知识能快速扩散於企业内部,让企业降低传承所造成的时间与成本,相对的也让企业避免不必要的知识断层所造成的无形成本。当企业内的 AI 应用开始扩散,企业便可建立好的奖励制度文化,透过平台的成果发表机制分享问题解决的过程经验,鼓励员工持续并积极地思考可利用 AI 提升工作效率之处。


最後,AILM 平台与 AutoML 的搭配使用能够协助企业有目的性的进行大量的 AI 应用开发与部署,且工具皆以 no-code 的形式降低人员的使用门槛,加速企业将 AI 工具融入於日常的工作流程中,助企业具备大量利用 AI 模型、迈向判断标准化所需的条件,成为 AI 应用的领先企业!


相关文章
以AI平台改变PCB的现场管理模式
comments powered by Disqus
相关讨论
  相关新闻
» Profet AI与友达数位促进企业 AI全面平展、双轴转型
» 大世科联手大同44MW E-dReg 开发大型储能EMS技术
» 洛克威尔自动化推出FactoryTalk Optix产品 基於云端释放HMI全新可能性!
» IAR与创博合作提升机器人安全 驱动智慧制造未来
» 工研院机器人Cubot ONE首度串联POS外送 业者拟扩大应用范畴


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK82SCAPYLISTACUKY
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw