利用 AI 实现判断标准化

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。

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。

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！

‧	以AI平台改变PCB的现场管理模式

comments powered by Disqus