企業該如何導入人工智慧,成為一個AI賦能的組織?

對於許多企業來說,人工智慧的導入與應用非常、非常、非常重要。在近於五到十年的未來,AI將會成為驅動競爭性的核心要素之一。正如我們於人工智慧以及大數據這兩篇的文章中提到的,在現代這個數據驅動商業環境中,如此技術的成熟以及思維的轉換已是許多企業的發展重點

在現在,AI技術上更加成熟的企業不僅更快、更精準、同時效益也更高。 譬如以CPG與零售業者為例,AI在組織內部成熟的幾種體現方式就包括了更好的供需匹配、更精準的廣告預算分配、更有效率的渠道管理、還有更快速的產品開發週期等等。 而這些體現方式都進一步代表著更低的運營成本、更好的投資報酬率、甚至是更開心的客戶。

然而即便AI的價值體現是如此明確,我們的觀察卻發現絕大多數的企業在人工智慧的導入上仍然止於口號,或是說,缺乏可支撐性的長期發展策略。

在我個人的服務經驗當中,就常常看到許多決策者亮著充滿希望的雙眼,跟我們說他們企業要開始導入AI。  由於我在此話題的溝通上已經充滿經驗了,所以我知道,會出現如此主題無不外乎就是觀察到了競爭對手在AI上的應用所產生的迫切感,或是決策者可能被HBR在AI上的某篇文章所感動了,當然,高估了人工智慧的價值且低估了執行的困難度也常常是原因之一。

但不論如何,起點就是一個起點,相對於不去開始,這世界上沒有不好的起點,所以緊接著下一個話題就是「為什麼會有如此需求?」,在這個階段,大概就有50%以上的客戶會得到「也許AI不是最好的選擇」的答案。譬如一間消費品業者曾經給我們的答案就是「想要優化行銷效益」,然而在我們初步評估後發現強化相關BU與行銷間的合作並且讓整個團隊皆能參與測試能夠更直接的創造價值,而後我們也與該公司一同合作並培養了相關的能力與建立流程,最後更是在MROI上取得了預期之上的成長。

舉出這個案例並非是要挫折業者在導入AI的決心,反之,我想要強調的是人工智慧的應用僅是多個選項之一,就如同工具箱中的某一個工具一樣,也許它非常的有用,但卻也絕對不是萬能的。

那麼如果說業者所提出來的問題剛好非常符合AI的能力呢? 再進一步地探討做法之前,我們先重新規劃一下角色,從組織內部來探討發展AI的策略。

企業該如何發展AI?

AI的重要性以及其技術所蘊含的價值我們在人工智慧這一篇已經探討過了,而一些演算法的技術背景以及其商業應用我們也在機器學習這篇文章中概述了一些ML演算法與神經網路的技術,那們現在要思考的即是對於決策者來說,該如何規劃AI策略? 在這篇中,我們提供了一個涵蓋著五個階段的流程,驅動企業成為一個AI賦能(AI Enabled)的公司。

  1. 全面的對組織上下做一個價值面分析
  2. 用小規模的前鋒計畫快速創造價值並增強信心
  3. 規模化正確的數據管理模式並且讓不同團隊在AI上的理解以及文化
  4. 建立內部的AI團隊與該團隊與不同BU的合作框架與流程
  5. Your Call

1. 全面的對組織上下做一個價值面分析

在第一階段時,策略性的評估前進方向是非常重要的,大部分的企業在選擇發展AI的方向時,往往是通過參考同行、或是選擇獲利性最高的業務功能、或是憑直覺,然而同行所發展的方向在組織能力、組織文化、以及相關性上皆不見得是最適解;而獲利性最高的環節也不一定是AI能夠創造最大價值的地方;最後,憑直覺做決策,在這種組織缺乏經驗以及能力的陌生領域中,成功率往往是極差的。

所以,若想要大幅的提高導入AI的成功率,首先可以先全面的對組織(或是部門)上下做價值面分析,也就是說,將不同運營流程,或稱價值動因拉出來,評估AI的可行性,以及預計能產出的效益,最後再朝向效益較高且高可行性的方向前進。

2. 用小規模的前鋒計畫快速創造價值並增強信心

如同任何數位轉型專案一樣,在初期,發展一個新領域時,必須要選擇一個能夠快速體現出價值,讓團隊增強對於該發展的信心的專案,如我們於數位轉型這篇文章中所提,策略必須要與組織文化併行,而在初期利用這種快速的價值體現,就是在變革管理中極為重要的環節。 倘若在初期選擇了一項也許潛在效益極高,然而可行性較低的專案,那麼在遇到一些瓶頸與困難時,來自高層以及別的部門的壓力往往使得專案的發展草草結束,如果不是徹底的失敗。

在初期時,企業可能會與全部讓外部的AI團隊與內部團隊配合,或是招募專家來發展AI,但不論方法為何,清楚的溝通並理解專案的流程、管理方式、溝通方法、以及最低期望等重要的指標後,就可以開始起跑專案了。(這裡有一個很重要的要點是,在大部分的專案中,導入AI創造價值通常不難,但失敗的原因往往可以歸咎於內部溝通,導致雙方對彼此有錯誤的期望,所以在一開始就將這些指標與流程明確的溝通清楚是極為重要的。)

3. 規模化正確的數據管理模式並且培養不同團隊在AI上的理解與文化

在絕大多數的AI商業應用問題上,所謂的AI問題可以細分成三個層面:數據問題、文化問題、以及能力問題。 在這三者之中,最常遇到的問題往往是數據問題,譬如說不具備充足的數據、數據不乾淨、數據獲取成本較高、數據缺乏整合、以及其他因素,而使得AI的發展受到限制。  我們於此篇報告中對於數據的獲取、架構、治理、以及應用上提供了一個完整的數據管理框架。

而在文化問題上,也就是如何讓人員充分的理解AI的重要性,以及AI將會如何融入他們的流程,更明確的說就是,在溝通上必須要讓人員明確地知道AI的存在目的是要增強團隊的能力而非取代團隊。 如此一來在規模化AI時,將能避開許多不必要的阻擋。 

最後則是能力的問題,這裡的能力指的並非是演算法上的成熟度,其實若非在NLP、圖像、影像、甚至是訊號等領域中較為前沿的發展,培養一位AI工程師並不是多麼困難的事情,根據共同創立Google大腦的資深AI專家Andrew Ng,若擁有高中數學能力以及基礎的程式理解,平均訓練一個AI工程師的時間大約落在100小時。

然而,這裡所提的能力則是領域專家如何培養對於AI的理解與敏銳度,讓他們能夠連接他們所擁有的專業知識至AI的應用領域,與相關團隊一同配合,建立近一步的發展。

4. 建立內部的AI團隊與該團隊與不同BU的合作框架與流程

若一開始選擇與外部團隊合作發展AI,在這個階段中,就是一個建立內部能力(AI團隊)的時機了,因為絕大多數的決策者已對於AI有充分的認識,也清楚AI所能帶來的價值,而許多領域專家也清楚AI的應用領域以及如何溝通需求,最後,大多數的人員也充分的理解AI,並且也對於發展AI的策略方向表示正面支持。

在建立內部團隊的同時,思考AI與其他BU合作的框架與流程也非常重要,我們的經驗發現,以敏捷的方式建立團隊將能產生最大的價值,也就是讓AI資深專家配合其他AI工程師與不同的BU共事,將能加速發現價值與部署的時間,並創造卓越的價值。

OOSGA Analytics

我們的團隊統合研究、調查以及實務經驗,透過每一次的Insight,分享給台灣決策者相關議題上的思考方式與執行手段。