本文将会探讨：
- 如何透过 AI 决策让【判断标准化】？
- 迈向判断标准化需具备哪些条件？
- 企业导入 AI 的挑战有哪些？
- 什麽是 AI Lifecycle Management (AILM)？
- AILM 如何助企业奠定稳固基础？
如何透过 AI 协助决策让【判断标准化】？
企业的管理能力随着科技的变革已经历了几个阶段的转变。从电脑尚未被广泛利用时，产业专家以纸本纪录各项数据、带领学徒将管理制度标准化的阶段，到企业大规模导入电脑与软体系统，透过资讯数位化及系统流程辅助将营运流程标准化，科技的变革无疑是企业管理能力得以跃进的推手。当今 AI 的普及化无疑将带来另一次的变革，促使企业发展新的管理模式以奠定下一波成长的优势。
Deloitte 於研究报告中指出受访企业认为导入 AI 的前三大好处包括：
- 加强目前的产品
- 优化内部营运
- 协助做出更好的决策
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，有相同的衡量基础，不受人为因素造成的判断落差所影响。
Profet AI 提供
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：
- AI 策略的发展与商务需求有高度连结
- 能够同时进行大量的 AI 应用开发与部署
- 数据结构高度模组化
- 确保数据的品质
- 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 系统已服务了超过 100 间的制造企业，而我们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参与评估的过程，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佳且组织协同不易
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参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，企业还需员工积极参与 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。
企业 AI 管理应涵盖 AI 全生命周期
AI 应用落地的生命循环可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 AI 开发与模型运行的循环，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，管理重点较 IT 技术面。
而企业管理的观点更需关注业务流程(Business Process/Value)，即 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。
因此企业需要 AI 全生命周期管理 (AI Lifecycle Management, AILM)。
Profet AI 提供
AILM 如何助企业奠定稳固基础？
Profet AI 研发的 AILM 解决方案，是一个 AI 商业生命周期管理决策需求而诞生的平台，提供决策者、管理者、执行人员不同 AILM 管理模组。
协助企业 AI 议题的价值能量化，并让评估与执行过程能标准化，有效管理执行、监控、决策之间的资讯整合应用。
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参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 AI 应用开发及部署，有效加速企业於日常的工作流程中结合 AI 工具，使各领域议题转化 AI 模型後，以数据驱动决策、迈向判断标准化，成为 AI 应用的领先企业。
责任编辑：Mia
核稿编辑：Jocelyn
快加入 INSIDE Google News 按下追踪，给你最新、最 IN 的科技新闻！
