您的AI還在沙盒裡嗎？ 那些說已獲AI成效的企業做了什麼？
人工智慧(Artificial Intelligence, AI)的發展持續擴增經濟型態，舉凡企業、政府與各新創公司無不趨之若鶩，宣示插旗。在2018年7月，一份國際調查報告(註)中，過半(51%) AI早期採用者的組織表示部署 AI 「獲得實質成效」，79%認為「分析技術」在其中扮演「重大」角色。但實務上，許多企業的AI發展仍處於沙盒演練狀態，究竟「分析技術」如何協助企業部署AI？還有哪些基礎建設，是這些表示已改善流程、提高營利的組織，所共通投入的做法？
做到企業級AI：「分析驅動」、「最佳決策」以及「流程自動化」三合一
「AI對企業的價值在協助或部分取代『高重複性』及『高運算量』的人類工作，而本質就是分析」，SAS台灣資深顧問分析師林育宏說明，「AI的商業面貌是分析驅動的自動化決策，為建構這樣的價值，在應用上要做到讓營運流程具備『分析驅動』、『最佳決策』以及『流程自動化』三要素合一。」
林育宏以電商導入AI為例，商業目標是從消費者的大量消費、瀏覽紀錄中，使用AI學習分類消費者的數位樣貌，加以預測其購買機率、潛在流失機率。我們該如何開始呢？
首先，分析團隊必須瞭解資料特徵、業務情境、應用限制等，以擬定「分析策略藍圖」，協助營運單位快速預測消費者的未來行為(Prediction)。-分析驅動
進一步地，透過業務經驗或進階演算法，從眾多行動方案中，擬定出對客戶與公司而言整體最好的決策(Optimization)。-最佳決策
同時，分析團隊需反覆評估整體流程的邏輯是否符合AI導入的預期產出，最終由IT人員將「資料→模型→決策」的流程做到自動化(Automation)。-流程自動化
上述透過分析驅動，到完成自動化決策的流程，能大幅降低「高重複性」或「高運算量」人力的需求，將員工生產力集中在高附加效益的策略性業務上，實現企業級AI的價值。
AI導入起手式: 將大數據由「資料型態」轉換為「模型型態」
許多企業發展AI專案時，光在啟動階段就因面臨到不同部門對導入AI有認知落差而延宕。究竟開始投入時，該如何雙方協作？林育宏以金融業打造智能客服為例，分享SAS協助業者發展AI的實際程序：
Step1:發想業務情境-由營運部門提出，根據AI三要素，思考商業情境。例如：我們要打造一個智能客服，滿足「自動回應客戶的常見問題，並從對話過程中適時提供客戶感興趣的服務或商品，進而提升客戶滿意度與營運績效」。
Step2:拆解分析命題-由AI或分析團隊提出，將業務情境細分成多個分析命題。例如：「如何從對話中瞭解客戶意圖？」、「如何專業回應客戶問題？」、「如何瞭解客戶偏好、特徵？」、「如何做到個人化推薦？」。
Step3:擬訂分析策略-由AI或分析團隊對每一個分析命題提出多個模型或演算法，如：「自然語言處理」、「意圖預測」、「情緒分析」、「客戶特徵工程」、「客戶偏好探勘」，並開始與技術、營運部門討論業務邏輯。
Step4: 盤點營運數據-由AI或分析團隊與業務部門討論，共同梳理實際可取得資料並建立衍生變數，如：「即時對話文字資料」、「帳務流量資料」、「客戶行為資料」、「CRM價值特徵」。
Step5:建立AI模型-由AI或分析團隊開始將企業數據由「資料型態」轉換成「模型型態」，建立智能客服模型。該智能客服模型經過測試後，正式部署到實際的營運環境中。
完成以上步驟後，當客戶開始與AI模型互動，企業即可收集到更多的資料，並回饋到下一次的AI訓練中建立良性循環機制，長期下來為企業探索更多潛在新商業。
完成AI基礎建設 - 統一、協作的分析平台
「如果說『分析驅動』是AI的關鍵起手式，那麼擁有一個『統一架構、共同協作的分析平台』就是AI部署的最後一哩路。」
林育宏提醒，AI被高層認可的初步價值在於部署的速度及業務解釋的透明度，因此全程化的AI分析週期-從資料管理、分析洞察、模型部署，到資料視覺化都相當重要。企業要完成AI基礎建設需注意三件事：
1. 共享且協作：支援不同程式語言的協作環境，例如：Python、R、SAS、Java等；且所有人均共享分析結果及模型。
2. 高運算效能：從資料管理、多元的模型演算，到模型推論的效能。
3. 資安權限控管：加速AI模型開發的同時，也能讓管理者統一治理數萬個模型及資料安全。
林育宏總結:「擁有統一架構的分析環境才得以讓企業的資料科學家、商業分析者及決策者協作AI的多樣性、共享策略，同時完成控管。最終，AI的價值與倫理才得以被信任。」
註：「人工智慧的動能、成熟度和成功模式」這項調查由 SAS、Accenture Applied Intelligence及Intel委託，由Forbes Insight於 2018 年 7 月進行。為一項針對 305 位企業領袖的全球調查，其中有超過半數是資訊長、技術長及分析長。
