sbinlin
commented
7 years ago 目前 recommendation system and spare part prediction system 就是解決特定問題的技術, 但要完全解決挑戰一用一套模型做出產品, 要的就是對此專業領域的深入了解並可以對各類問題解決方案做清楚的定義, 而以此開發出可解決客戶問題的動態適用模型.
Open sbinlin opened 7 years ago
sbinlin
commented
7 years ago 目前 recommendation system and spare part prediction system 就是解決特定問題的技術, 但要完全解決挑戰一用一套模型做出產品, 要的就是對此專業領域的深入了解並可以對各類問題解決方案做清楚的定義, 而以此開發出可解決客戶問題的動態適用模型.
2017-10-26 03:03中央研究院資訊科學研究所研究員 陳昇瑋
有人說，資料是新時代的石油；那麼，人工智慧（AI）就是新時代的電力，未來將不會有任何現代產業與AI無關。
研調機構IDC預測，在2021年時，全球在認知計算及AI系統投資規模將達576億美元；市調公司顧能（Gartner）同時預測，至2020年，AI相關產業產值將達3,000億美元，包含各式產品與服務。這些數字不見得準確，但某種程度反映全球各產業決策者對AI的重視。
根據個人觀察，國內各產業看待AI技術較有歧異之點在心態：主動擁抱，或是觀望同業的動作，或是等待技術供應商的火力提供。以成熟易引入的技術而言，這些作法都沒有對錯，端視企業本身的規模及IT策略而訂。
問題在於AI技術的引入會面臨兩大挑戰，挑戰一，AI是解決特定問題的技術：同樣是深度學習模型，要解決什麼問題，能解決什麼問題，能解到什麼程度，產生多少價值，在每家公司都不一樣，多元性及客製化程度遠比導入ERP（企業資源計畫）、 CRM（客戶關係管理）系統高得太多。例如，同樣是AOI（自動光學檢測）技術，在A公司做來檢測電路板的瑕疵，在B公司檢測織物的瑕疵，在C公司檢測玻璃的瑕疵，以高標準來要求的話，絕對不是調整參數就好。因此，未來的五年甚至更久的時間內，很難期待會有套裝系統可以直接購入及進行簡單客製化，符合各產業、各公司、各種問題的期待。
挑戰二，AI並沒有辦法plug & play（即插即用）：目前的AI皆由機器學習模型來驅動，而機器學習必須要有大量資料來訓練。若公司內原本並沒有蒐集某個想要解決的問題的資料，或是資料蒐集時間不夠長，任你找到絕世高手或買到厲害的系統也沒有用。例如，若要進行未來半年的某產品銷量預測，通常需要該產品或同類型產品及競品在過去三年或五年以上資料，以及搭配的各式環境因素、客戶訂單資料等等。若是沒有這些資料準備好，AI系統就是不能動，沒有油就沒有辦法發電的道理。
幸運的是，這一波（也是人類史上的第三波）的AI浪潮伴隨著「人工智慧民主化 （AI Democratization）」的趨勢，最重要的概念是，AI技術不應該只被某些跨國企業所壟斷，應該讓所有需要的人都有機會參與及使用。具體的作法包含各種深度學習開發工具及模型的開放源碼，以及各式最新核心技術的分享等等。
我個人所看到的是機會，因為這個AI民主化趨勢，AI技術發展在各領域所帶來的機會無窮無盡，是習慣等待國外大廠解決方案的我們應該把握的。
發展AI的要素有三：資料，演算法及運算能力。運算能力通常不構成門檻，演算法因為AI民主化趨勢，全球的水平雖然仍有差別，但若以應用開發為主，差異並不大；資料的蒐集往往才是決勝的關鍵。因此，只要是懂得把握手上資料的產業，應該要把握這個機會及時間點，儘早在公司內部至少開始探索AI的可用之處。團隊再小也沒關係，重點是儘早將問題定義清楚，建立好資料蒐集方法，納入企業日常運作中，以開放源碼工具儘早驗證資料的可用性及AI所能帶來的價值，才能將自己準備好，日後不論是建立正規團隊或是導入更完備的AI系統，立即讓AI產生最大價值。
當然，目前普遍遇到的挑戰是AI人才的缺乏。
（作者是中央研究院資訊科學研究所研究員、台灣資料科學協會理事長）