科技的變革是企業管理能力得以躍進的推手，而當今 AI 的普及化無疑將帶來另一次的變革，本文敘述如何建立人人皆具 AI 思維，以數據分析為核心來解決問題的企業文化。

企業的管理能力隨著科技的變革已經歷了幾個階段的轉變。從電腦尚未被廣泛利用時，產業專家以紙本紀錄各項數據、帶領學徒將管理制度標準化的階段，到企業大規模導入電腦與軟體系統，透過資訊數位化及系統流程輔助將營運流程標準化，科技的變革無疑是企業管理能力得以躍進的推手。

什麼是決策標準化？

當今 AI 的普及化無疑將帶來另一次的變革，促使企業發展新的管理模式以奠定下一波成長的優勢。

Deloitte 於研究報告中指出，受訪企業認為導入 AI 的前三大好處包括：

- 加強目前的產品

- 優化內部營運

- 協助做出更好的決策

尤其在治理與品管相關的應用場景，AI 能夠免於人類的偏見和情感因素而做出更客觀的判斷。在台灣，蜂行資本公布的 2022 臺灣企業 AI 趨勢報告中指出在台各企業的 AI 模型部署率為 50-75% 之間，遠高於全球的 20-50%，表現出台灣企業對 AI 應用持開放的態度，並積極透過數據分析、建立模型來應對快速變化的市場所帶來的挑戰。更大量的運用 AI 模型便是判斷標準化的基礎；基於判斷標準化創造領先優勢的企業能夠大量運用 AI 模型做出判斷、結合自動化技術執行判斷結果、確保作業流程能夠快速地被複製到其他場域，例如到不同地理位置建廠，而不受人為因素造成的判斷落差所影響。

圖一 : 基於判斷標準化創造優勢的企業能夠大量運用 AI 模型做出判斷、結合自動化技術執行判斷結果。

邁向判斷標準化需具備哪些條件？

Sam Altman 於一場訪談中說到，在這場由 ChatGPT 引領的 AI 大革命中，人們需要具備韌性、適應性，快速學習新事物的能力，以及能夠使用 AI 工具的創造力來因應未來的挑戰。對企業來說，培養員工的 AI 思維和建立易於使用 AI 的環境，便是企業利用 AI 發揮創造力大量產出和部署 AI 模型，邁向判斷標準化的重要途徑。

McKinsey 在「The State of AI in 2022」的企業調查中指出受訪企業中的領先者，即前 8% 的企業，皆透過 AI 應用實現至少 20% 的 EBIT 增幅。相較於其他企業這些領先者在以下幾個領域擁有卓越的表現：

1. AI 策略的發展與商務需求有高度連結

2. 能夠同時進行大量的 AI 應用開發與部署

3. 數據結構高度模組化

4. 確保數據的品質

5. 利用 low-code 或 no-code 工具

從管理角度來看，領先者皆透過標準化的 AI 工作流程與協作方法來增加 AI 應用產出的自動化程度，進而降低模型無法落地的風險。

企業導入 AI 的挑戰有哪些？

Profet AI 透過其開發的 no-code AutoML 系統已服務超過 100 間的製造企業，而在輔導客戶從議題探索至模型生成落地（即是 AI 生命週期）的過程中，發現多數企業在導入 AI 時皆面臨以下 4 大挑戰：

1. AI 議題探索過程未能標準化

對處於 AI 應用早期階段的企業來說，人員所具備的 AI 知識不一，尤其是非與 IT 或資料科學相關的員工可能都不太了解 AI 是什麼。當面對企業內 AI 應用的展開，管理階層與員工因缺乏能力與經驗而不知到能利用 AI 做什麼，且企業無知識系統可協助他們提案，導致每個團隊評估 AI 議題適性的方式與執行流程不一，而最後的提案往往也因缺乏領域專家參與評估的過程，沒有明確的商務目標可用於檢視 AI 應用的效益。

2. AI 議題執行過程透明度不佳且組織協同不易

由於 AI 應用的開發是一項技術性的工作，所以非技術相關的人員較難參與議題或專案的執行，導致開發的過程過於仰賴技術人員的判斷，缺乏領域專家（例如現場的設備維護人員）的協助以了解問題的全貌，而管理人員也無法確實掌握各單位做了哪些題目？題目何時完成？目前進展如何？以及資源如何被這些題目所運用？只能被動式的接受專案負責人的工作回報。

3. 企業內部 AI 典範議題無法傳承與擴散

規模較大的企業中往往會有不同組織或地區的團隊嘗試解決相似的 AI 議題，在知識不通透的情況下就容易發生團隊各自閉門造車的情形，導致人力和時間的重複投入造成資源浪費，且實作過程中的錯誤也容易重複發生。在沒有系統化管理企業內部的 AI 知識的情況下，過往的經驗就難以被搜尋和重複利用，造成企業難以透過延續 AI 經驗來加速提升企業能力。

4. 缺乏正向與優質的獎勵文化來提升員工自主學習使用並分享 AI 經驗的意願

若要加速 AI 能力的擴散，光靠 top-down 的教育訓練是不夠的。除了學習之外，企業還需員工積極參與 AI 的應用來累積經驗。鼓勵員工之間分享知識是提升企業整體 AI 能力水準的捷徑，因此企業需思考如何建立良好的獎勵機制來形成知識共享的文化。

什麼是 AI 生命週期管理？

關於AI 生命週期管理（AI Lifecycle Management；AILM），可以從AI 應用落地的生命循環區分為技術與商務視角。目前在市場上較常見的是從資料科學家的角度思考的循環，即 MLOps，其目的較專注於模型開發與部署的系統建立和流程整合，如 data pipeline、運算資源的分配、以及模型監控等。而商務角度關注的部分在於 AI 議題的定義是否具明確的商務目標，讓最後產出的模型的效益可被評估檢視。

如下圖中右邊的循環所示，相較於 MLOps AI 生命週期管理涵蓋了更多細節，特別是在 Planning 階段的商務需求分析。

圖二 : 由不同視角來看AI 應用落地的生命循環週期。

AILM 如何助企業奠定穩固基礎？

AILM 解決方案是一個依循 AI 商業生命週期管理決策需求而誕生的平台，協助企業在解決內外部問題過程中，有效管理執行、監控、決策之間的資訊整合應用，讓企業快速成為AI應用的領先者。

AILM 平台在企業活動中將 AI 議題探索標準化與常態化，讓組織之間的協作更加順暢，

有助於企業在各種執行策略發展上有更高度的連結，在數據品質管控上能有更多專家一同參與來提升精確的關鍵要素。同時，AILM 在企業的運作環節上也扮演著職場導師的角色。

平台標準系統化的保留內部專家所解決問題的歷程，將過去寶貴的經驗與知識能快速擴散於企業內部，讓企業降低傳承所造成的時間與成本，相對的也讓企業避免不必要的知識斷層所造成的無形成本。當企業內的 AI 應用開始擴散，企業便可建立好的獎勵制度文化，透過平台的成果發表機制分享問題解決的過程經驗，鼓勵員工持續並積極地思考可利用 AI 提升工作效率之處。

最後，AILM 平台與 AutoML 的搭配使用能夠協助企業有目的性的進行大量的 AI 應用開發與部署，且工具皆以 no-code 的形式降低人員的使用門檻，加速企業將 AI 工具融入於日常的工作流程中，助企業具備大量利用 AI 模型、邁向判斷標準化所需的條件，成為 AI 應用的領先企業！