人工智慧應用百花齊放下,產業真的準備好了嗎?(營運策略篇)

瀏覽數:16


疫情後企業大幅增加人工智慧投資

  根據諮詢機構Cognizant全球調查指出,三分之二的企業管理階層認為人工智慧將對公司營運造成重大影響,最重要的是對人工智慧態度的轉變,過去,許多機構預測人工智慧將取代大量勞動人口引起業者的不安,但當前在疫情衝擊下,企業對於精準預測、流程改善、智慧分析的需求大幅提升,根據顧問公司Cognizant的統計,企業對人工智慧技術的投資連帶水漲船高—從2020年的4.5%躍增至2021年的8.3%,增幅近200%。其中,汽車、金融、科技、醫療、電信為人工智慧投資最多之行業,以美國通用汽車(General Motors)來說,公司正在打造以軟體驅動的人工智慧車輛;德國福斯集團(Volkswagen Group)則投資人工智慧行銷科技強化其顧客銷售額;美國富國銀行(Wells Fargo & Company)以人工智慧進行各種詐欺檢測,降低壞帳風險…在科技席捲全產業的浪潮下,唯一不變的就是快速改變。

圖、美國人工智慧新創依舊為全球主要獲投地區

資料來源:CB Insights

  如果從新創投資的角度來看,龐大的應用市場吸引大量提供人工智慧服務的新創進入,相繼帶動一波狂熱的新創募資潮。根據CB Insights的統計,2021年第三季全球AI投資市場交易金額達歷史新高179億美元,前三季的投資件數累計達2073件,超越2020年同期水準。幾大獲投新創案例包含開放式AI與大數據分析平台Databricks、企業AI協作與開發平台Dataiku、自動化機器學習平台DataRobot等,在新創的題材持續發酵下,企業已經逐漸排除單靠自身產品/服務的「右腳成長」模式,開始引進投資、併購的「左腳成長」模式,原因在於當前許多新興人工智慧方案或工具由新創主導,企業自行開發的速度可能跟不上技術變化,因此透過投資來與新創合作的「雙腳並用」模式,成為許多經營管理階層開始思考的方式。

如何衡量企業在人工智慧策略的部署能力

  鮮少有技術項人工智慧一樣對產業造成如此廣泛與深遠的影響,企業多在啟動多種人工智慧專案後才逐漸發現效益與問題,這對企業來說形成一種挑戰:如何制定完整的人工智慧策略?大型企業具備完整的產業藍圖,多半預計在2030至2050年間轉型為智慧企業,許多中小型業者則缺乏對人工智慧的認知、基礎設施也相對不完善,對於技術帶來的利弊尚未了解,又何來藍圖之有?同時,即便許多大型企業導入各種相關專案,但由於人工智慧具備連續性、可擴展性、兼容性、可移植性等特質,時而較難衡量實際成效,許多專案從啟動至發酵需少說具備1-2年的時程,屆時外部環境可能大幅改變,資料又要重新倒入與處理時,先前的專案究竟算是成功還是失敗?許多企業亦反映,由於人工智慧專案需要IT、轉型、各業務部門提供資料與工具開發,在績效衡量上容易帶來組織內部不和諧,這種同時牽涉到領域知識與數位工具應用的專案,其成效衡量確實帶來一定難度。當然,由於人工智慧尚處於發展階段,衡量指標確實需要滾動式調整,筆者在參考多家國際機構/顧問公司的方法後,認為一家企業若要制定較為完善的人工智慧策略,可參考下述橫量面向。

表、企業建立人工智慧策略可衡量之面向整理

項目

說明

願景與策略

包含公司是否具備人工智慧導入藍圖、組織是否了解人工智慧帶來的價值、人工智慧策略與企業營運策略是否相符合、管理階層是否支持、是否具備數據治理/人工智慧倫理策略

導入人工智慧目的

增加營收、降低成本、提高客戶忠誠度、建立新商業模式(第二現金流)

組織部門調整型態

採用DevOps、MLOps,提高組織營運效率

數據工具部署

公司內部數據/第三方數據(Third Party Data)、企業是否建立端到端(End to end)數據平台、是否具備可規模化的資料訓練流程

數據基礎架構

地端部署(On Premise)、公有雲(Public Cloud)、私有雲(Private Cloud)、混合雲(Hybrid Cloud)

技術採用狀況

企業投入自然語言處理、電腦視覺、AutoML、機器學習、深度學習、協作機器人、資料自動標籤工具、營運智能工具、機器人流程自動化、數位分身等技術狀況。

模型開發速度

過去開發模型需費時1-2年時間,在疫情與技術進步下模型開發速度可能加快,或是同樣時間內增加模型開發的數量。

模型部署週期

企業經常面臨從實驗測試到模型部署到應用場域時的挑戰,平均而言模型從開發完成至部署可能花費約3-4個月的時間。

外部合作夥伴

是否與第三方資訊服務業者合作、是否與人工智慧相關新創(投資、合資、併購)

資料來源:經濟合作暨發展組織(OECD)、世界經濟論壇(WEF)、Tortois、Mckinsey、Bain & Company

  衡量人工智慧策略的面向往往不只表格中的項目,上述內容較強調企業是否了解人工智慧對公司發展的影響,以及如何善用相關工具達到策略目標。事實上,數據的取得性以及人工智慧是否能夠規模化是企業擬訂策略時的關鍵考量議題。舉例而言,製造業的廠區或許具備大量數據來源,但常因營運科技(Operation Technology,OT)與資訊科技(Information Technology,IT)無法串接而導致資料無法完整搜集,由於工廠區許多機器具備不同通訊協定(protocol)而難以整合,許多企業在運用人工智慧轉型前必須耗費大量時間處理不同通訊協定的資料,使之規格化與一致性;此外,部分業者或許在單一工廠成功導入人工智慧優化專案,但因技術或預算考量無法進行規模複製,使得該工廠變成獨樹一格的示範點,相當可惜。事實上,如鴻海富士康、西門子、寶僑、印度塔塔集團等業者,在擬定人工智慧策略前多半以終為始,將規模化可能遇到的挑戰與預算考量進去,避免到時專案被束之高閣的窘境。

企業人工智慧策略的起點:資料現代化

  人工智慧導入成功與否一個相當關鍵的因子為企業的資料處理能力,雖然該議題從 2013年的巨量資料(大數據)出現時就已發酵,但不可諱言的是,許多企業在導入人工智慧時一大困難為資料處理能力不足,進而影響模型I/O的成效,稱為「資料現代化」(Modernizing data)的能力,資料現代化的意思為企業是否能快速並規模的搜集、清理、分析各式內外部資料(如ERP、CRM、外部社群、感測器、各式裝置等)。全球顧問公司ESI ThoughtLab指出,若按照企業使用人工智慧的成熟度,可分成領導者、先進者、導入者,與初始者四大類,領導者企業在資料現代化的能力高達91%,而初始者不到5%,營運流程自動化能力較高的業者如汽車、電商零售、生技醫療、金融業等在資料現代化的能力較強;同時,ESI ThoughtLab未來三年預計企業將投入35%以上的轉型預算在資料現代化上。

圖、具備擬真功能的合成數據未來可能用於人工智慧導入

資料來源:Gartner

  當然,有些企業會詢問,如果我本身資料量不足怎麼辦?確實,許多看似具規模、先進的企業,實則許多營運流程/部門仍處於紙本作業階段,除了加緊腳步將資料數位化外,當前尚有一種新興科技—合成數據(Synthetic data),合成數據為透過軟體模擬真實環境所生成的虛擬資料,市調機構Gartner預測,到 2030 年,人工智慧中使用的大部分數據將由統計模型、模擬或其他技術人工生成;當前已有實驗結果表明,合成數據在模型中產生的效益一點都不低於真實數據。對企業而言,開發人員需要經過透過仔細標註的大型數據來訓練神經網絡,而更多樣化的訓練數據通常會產生更準確的AI模型,根據統計,平均標籤一數據的費用約為6美元/張圖像,假設企業若需要標記上百、甚至千萬以上圖片時,其耗費成本相當驚人。因此,合成數據提供一種降低資料取得成本的管道。

  根據NVIDIA調查,產業界如金融、汽車、製造、醫療、零售、學術研究機構對於合成數據相當感興趣。相關服務商也如雨後春筍般冒出,當前較著名者為Scale AI,該公司透過演算法生成如圖像、文本、語音和影音的真實數據,並為自駕車業者提供訓練機器學習模型所需的標記數據,應用在開發和部署用於倉庫與現場的機自駕車,由於自駕車公司通常需要從現實世界中重新建立模擬場景,但現實世界中的數據相當難完整取得(例如道路上其他汽車的時速,或是同時有100輛車經過同一道路),加上智慧車載人機主要透過各種可見光與不可見光感測器進行環境監控,透過整合各種人工智慧技術大幅提升環境辨識的清晰度與偵測距離,同時精準辨別任何天候下的人事物需要大量資料作為基礎。Scale AI目前客戶包含Toyota、Lyft、Optimus Ride、Otto Motors等業者,公司估值已達73億美元(約2,100億台幣),Scale AI解決了許多企業數據不充足的問題,也加速許多客戶達到資料現代化的步伐。

企業的最佳戰友:資料數據服務提供商

  企業陸續運用人工智慧進行數位轉型,然而也面臨了數據不足、人才缺乏、無法維運等問題,也變成企業導入人工智慧的障礙。因此,各科技大廠與資訊業者紛紛開發出各種資料處理與機器學習自動化工具,期望能降低導入的技術門檻,來促使人工智慧普及化。儘管疫情爆發,市調機構Gartner仍預測,資料數據服務提供商的市場在收入和規模上都在繼續成長,全球資料與數據服務市場預計在​​2024 年將達到 2320 億美元,服務商的服務範疇、領域專業知識、技術產品專業知識、與在地畫的專業知識是主要差異因素,常見提供的服務包含業務諮詢、技術顧問、資訊架構設計、現場服務、遠端服務、系統測試、基礎設施建立、人員訓練等,這些服務提供商成為企業未來導入人工智慧時的必要戰友,必須同時精通方案導入與專業的特定領域知識。以下列舉五家全球知名的綜合性資料與數據服務商供企業參考。

Accenture:策略諮詢暨數據服務提供者

  Accenture並不同於傳統擅長策略規劃的MBB(Mckinsey、BCG、Bain),其組織結構按照客戶類別區分,組織結構基於客戶行業劃分:行業結構包括產品製造(Products)、通信媒體與高科技(Communications, Media & Technology)、金融服務(Financial Services)、資源(Resources)和醫療衞生與公共服務(Health & Public Service)。公司競爭優勢有二,第一為特定營運流程改善,透過「診斷+手術」的服務針對企業特定營運流程(如採購、財務、業務、行銷、工廠製程)進行精確改善,這類服務對於數據採集、分析、應用需要相當專業的知識,因此公司建立期第二優勢:平台生態系,與Google、AWS、微軟、阿里雲、Salesforce等科技業者合作,加強其人工智慧服務能力。比較特別的是,Accenture為在美上市之顧問公司,這在普遍為私有公司的顧問屆中較少見到。

Capgemini:擅長併購的資料服務顧問商

  Capgemini(凱捷)為一電腦資訊設備及網路規劃之諮詢顧問業務業者,原先主要客群為金融業、公共服務業、醫療製造、零售消費等,看準未來智慧製造的龐大商機,公司於2020年併購亞創集團(包括數據科學服務公司Tessella),提供大型石化、能源等大型製造業者轉型為智慧企業。這家系統管顧公司透過靈活的收購不斷取得新服務,例如其投資組合中的Perform AI擅長協助客戶資料處理與人工智慧規模化。同時,Perform AI在全球建立了人工智慧卓越中心(AI centers of excellence),將各式各戶案例與使用工具做一整合,同時設計各產業標竿應用案例,以因應龐大的人工智慧市場需求。公司本身也積極運用人工智慧從傳統的系統整合轉變為人工智慧服務業。

Infosys:從印度走向全球的資訊服務業

  Infosys相當具備代表性,公司是僅次於塔塔資訊服務(Tata Consultancy Services)的IT廠商,主要客群為金融保險與製造業。公司主要與Google、Snowflake、AWS、Microsoft等科技業合作,提供數據和基礎架構搬遷與託管服務,協助業者快速上雲。在人工智慧快速崛起的時代,Infosys做出幾大佈局,第一為投資創新和技術中心,開發各種智慧服務,其二為與學術機構/實驗室合作,若遇到適合的人工智慧團隊即透過收購納入自身組織,最後為針對個垂直領域開發特定的演算法模型(如語音模型、語義模型),並安置於Live Enterprise Solutions人工智慧服務平台上,提供詐欺預防與供應鏈服務。

NEC:活躍於人工智慧小眾市場的菁英

  NEC開發了許多生物識別技術相關的解決方案,主要客戶類別為公共部門、保險金融、高科技、零售等,公司的著名解決方案為AI(“NEC the WISE”)和生物識別技術(“Bio-IDiom”)兩大項。雖然以解決方案起家,但囿於日本產業對數位轉型(DX)的高度重視,NEC亦提供相當數量的企業轉型服務,其服務重心在於從資料出發,架構出公司轉型時須具備的營運/組織流程,在其諮詢服務中處處可見數據策略、數據架構、數據管理、數據生成、數據治理,NEC認知到完整的數據策略對未來人工智慧導入相當重要。不過,公司有個相當明顯的致命傷:品牌知名度不足,公司主要營收來自於日本當地企業與部分亞洲區域,全球化服務範圍較低,雖然公司嘗試收購其他資訊顧問業者,但成效並不顯著。

NTT DATA:

  NTT DATA集團是日本最大的資訊系統整合公司,也是全球排名前10的IT服務供應商,公司強項為商業分析預測、雲端應用,與IT顧問諮詢,主要客戶為銀行、零售、汽車、保險和電信。公司的服務團隊以多樣性著名,通常一個團隊出動包含業務顧問、數據科學家、人工智慧專家、UI/UX設計師、IT架構師、雲端工程師和數據管理人員,同時透過旗下的IDI+ Platform提供服務,該平台整合目前各類新型的機器學習與深度學習模型模組,提供客戶快速的設計符合需求的影像分析或AI預測模型,在模型設立完成後,透過auto deployment功能快速執行模型部署,節省模型從設計到上戰場的時間。公司同時也提供製造業的智慧物聯網(AIoT)服務,智慧物聯網結合三大技術:嵌入式系統和感測器、雲端數據分析、AI邊緣運算,為物聯網與人工智慧的整合。許多製造業積極了解與導入相關應用,企業能透過智慧物聯網在工廠中將使用特定的演算法測量由各種與IoT相關的設備所產生的數據,然後反饋到與IoT相關的機器,使工廠達到節省電力、診斷機械、預防性維護等效益。

  在資料驅動轉型的前提下,由於許多產業形成獨特的人工智慧應用需求,因此當前的資訊顧問服務商不能僅具備數位工具,還必須和著擬定企業的人工智慧策略,才能獲得客戶的青睞。因此許多顧問/IT諮詢業者紛紛透過併購人工智慧新創、大數據分析服務商等業者,以水平整合的方式增加自己產品組合豐富度,甚至自身透過引進人工智慧提升服務品質與效能,傳統的策略顧問如麥肯錫、BCG、貝恩等也紛紛朝向數據策略服務轉型,對產業界而言不啻為一好事。

技術是否規模化將決定企業人工智慧策略成敗

  企業具備資料現代化與數據服務顧問協助仍然不夠,許多企業雖然針對單一人工智慧專案制定相關投資報酬率指標,但投報率再高,若無法規模化也無法達到轉型效益,同時也因為能夠規模化,人工智慧才能創造新的數位營運模式、驅動企業的經濟價值。雖然與工業個名一樣都強調規模經濟的效益,但與工業革命時代不同的是,工業革命的技術創新帶來的是對特定產業或產業群聚的影響,企業在運用新技術(如蒸汽機)的好處是能夠地理性的延伸產業的疆界(例如跨國大規模生產),強調現有營運成果的規模化。而人工智慧時代企業面對的是無止盡且系統性的大規模變化,同時衝擊所有產業,受到莫爾定律(Moor’s Law)的主導,人機協作帶來前所未有的消費者剩餘與創業機會,是一種無形軟體系統的產業疆界延伸,強調的是新營運模式的規模化。企業正從單一核心能力時代(如產品力)邁向以資料分析為中心、演算法驅動的數位能力時代,在人工智慧的催化下,企業應力使資料現代化、尋找合適的合作夥伴,以及條件允許下快速規模化的能力,方可在人工智慧浪潮下生存。

 

參考資料
1.https://www.cognizant.com/us/en/latest-thinking/perspectives/adopting-a-platform-strategy-for-growth-seven-considerations
2.https://www.cognizant.com/us/en/latest-thinking/perspectives/for-technology-companies-speed-to-market-is-rooted-in-software-engineering
3.https://analyticsindiamag.com/10-ai-startups-that-raised-funding-in-2021/
4.https://venturebeat.com/2021/11/11/report-ai-startup-funding-hits-record-high-of-17-9b-in-q3/
5.https://techcrunch.com/2021/11/16/huge-deals-are-pushing-more-ai-startups-into-ipo-territory/
6.https://oecd.ai/en/wonk/cset-test-classification-ai-systems
7.https://oecd.ai/en/wonk/policies-ai-inclusive-growth
8.https://oecd.ai/en/ai-principles
9.https://www.weforum.org/agenda/2021/10/3-predictions-about-the-future-of-responsible-technology/
10.https://www.weforum.org/projects/model-ai-governance-framework
11.https://www.pdpc.gov.sg/-/media/Files/PDPC/PDF-Files/Resource-for-Organisation/AI/SGModelAIGovFramework2.pdf
12.https://techcrunch.com/2022/02/02/scale-ai-gets-into-the-synthetic-data-game/
13.https://blogs.nvidia.com/blog/2021/06/08/what-is-synthetic-data/
14.https://internationalbanker.com/technology/what-is-synthetic-data-and-why-will-it-be-so-important/
15.https://www.google.com.tw/search?q=scalable+ai&sxsrf=APq-WBt4ZuvXNISrcPYtgt5zdS-D6OE5dw%3A1644062694820&ei=5mf-YbDIMYyF0wS3jragBw&ved=0ahUKEwiw06bnwuj1AhWMwpQKHTeHDXQQ4dUDCA4&uact=5&oq=scalable+ai&gs_lcp=Cgdnd3Mtd2l6EAMyBQgAEIAEMgUIABCABDIECAAQHjIECAAQHjIGCAAQBRAeMgYIABAFEB4yBggAEAUQHjIICAAQBRAKEB4yBggAEAgQHjIGCAAQCBAeOgcIIxDqAhAnOgUILhCABDoICAAQgAQQsQM6CwgAEIAEELEDEIMBOgsILhCABBCxAxCDAToECCMQJzoECAAQQzoOCC4QgAQQsQMQxwEQowI6BwgAELEDEEM6BwgAEIAEEAo6CAgAELEDEIMBSgQIQRgASgQIRhgAUABYrBxgzR9oAnAAeACAAWWIAYYIkgEEMTMuMZgBAKABAbABBMABAQ&sclient=gws-wiz
16.https://towardsdatascience.com/scaling-ai-5-reasons-why-its-difficult-6ea77b9f7d48?gi=f63dc64c801
17.https://www.bcg.com/capabilities/digital-technology-data/artificial-intelligence
18.https://aai.frb.io/assets/logos/AppliedAI_Whitepaper_OrganizingAI.pdf
19.https://www.bain.com/insights/who-will-lead-the-next-era-of-artificial-intelligence-tech-report-2021/
20.https://www.bain.com/insights/how-artificial-intelligence-is-solving-the-5g-equation/

更多資訊請參考...
{{item.title}}
生產力中心提供的活動資訊
{{item.title}}
相關出版品...