數位轉型浪潮襲來，企業各界也如火如荼展開導入 AI 的計畫，AI 關鍵字搜尋熱度五年來持續上升。根據台灣人工智慧學校去年10月的產業 AI 化現況調查，來自 516 家企業的填答者中，有 86％ 相信自己的公司需要導入 AI，不過企業是否真的準備好了？本文整理了 CloudMile 提供超過 25 家客戶 AI 解決方案所累積的經驗，以協助產業順利應用人工智慧 、提升營運效能。
導入 AI 核心基礎：資料、資料、資料
在招募 AI 人才看重的三項關鍵特質一文中，我們曾用咖啡豆譬喻開始機器學習前，最重要的原料──資料。沒有相關的數據資料，就無法萃取出香濃的咖啡，以電商產業的應用為例，顧客於各種購物管道與平台上的瀏覽與交易行為，從造訪網站的頻率、停留期間，到點擊下載等次數都是珍貴的數據資產。
而累積各式資料後，由於資料的正確性將大大影響機器學習最終的分析結果，需避免「Garbage in, garbage out.」的狀況產生，如果資料遺失、過時或不完整，將訓練出錯誤的模型，所以資料清理的環節相當關鍵。
電商零售業可能會遇到資料清理，例如常見的會員資料，有些生日採西元紀年，但有些採民國紀年，因此資料整理及清洗便是重新改寫少部分以民國紀年的數值，或重新搜集資料缺漏的欄位，以避免錯誤的資料影響預測模型，進而降低 AI 專案成效。
定義明確問題、與合適的團隊 /人才合作
企業若想導入 AI，內部需建立一整個 AI 團隊嗎？還是委外合作？這題的答案，因企業產品的核心價值及欲解決的目標問題而異。2019 企業 AI 領先度大調查數據指出，台灣金融業有高達 82% 採用跨部門組織合作，並透過外部資源或委外投入 AI 分析，原因一是經評估後，自建 AI 解決方案的成本過高，因此委外合作。二是過程涉及金融業領域的特殊情境，同時需要內部隱私數據訓練模型，所以選擇啟動客製化 AI 專案，開發專屬分析工具。
以 CloudMile 服務傳統紡織業為例，在了解客戶過往採用舊有倉儲系統，並依賴人工辨識布料導致效率低落後，透過多次的需求諮詢，我們協助客戶定義出明確的需求──快速辨識與搜尋布料；接著利用機器學習訓練布料樣式的辨識模型，成功減短製程、加速生產效率。
管理階層需帶領團隊正確認知 AI 並 Start Small
企業經常對導入 AI 抱持「有立竿見影成效」的迷思；然而專案時程從初期的定義需求、資料探勘，中期如資料清洗與與模組開發，到最後的上線應用，往往需要至少半年的耕耘，同時更受限企業內部如資料不足，或 IT 基礎架構無法支援而延長。因此台灣人工智慧學校執行長陳昇瑋便建議，企業管理階層對 AI 解決方案需有正確認知，勿落入傳統的 ROI 考核框架，避免著眼於短期成效而錯失轉型的潛力。
Google 深度學習研究團隊聯合創始人吳恩達也表示，提供適當的 AI 訓練給公司內部不同層級的員工，有助推動企業轉型並培訓內部 AI 人才，並建議從小地方開始（Start Small）發展 AI。先讓重複性高、繁瑣的作業自動化與數位化，再進階至深入的 AI 應用。另一方面，Start Small 也意味組織小型團隊，制定明確的 AI 專案目標、時程及合理的預算，以便敏捷地審視投資成效。
