導入AI的五項組織挑戰 - 像管理傳統IT專案一樣管理AI

本文延續之前康斯坦丁·霍普夫博士等人的研究，該研究談及了〈人工智慧的組織導入：工藝與機械工作〉（Organizational Implementation of AI: Craft and Mechanical Work）中提出的五項組織挑戰。本文專注於這些挑戰中的第二項，即「將AI專案視為傳統IT專案進行管理」。

霍普夫博士等人的研究指出，管理階層傾向將AI專案當作傳統IT專案來看待，主要關注於在預算範圍內按時完成交付成果，並遵循傳統線性和規劃導向的專案管理方法「瀑布式流程模型」（Waterfall Model）（如圖1所示）。

然而，AI專案通常具有更強的探索性和迭代性。這些專案需要不斷提出問題、確定正確問題、蒐集並提取適當的數據、進行實驗，以獲取新知或支援決策等。此外，由於數據具有不斷變化、可編輯和可解釋等特性，使得AI專案面臨更多的不確定性和範圍的變化。

這種探索性的過程符合工藝觀點。在AI專案中，釐清問題和假設似乎是最關鍵的階段。研究中一位受訪的國際銀行經理人指出：「我認為最重要也是最具挑戰性的事，就是精確地定義業務所面臨的問題，以及期望的結果……如果你沒有非常清晰地定義預期結果，你可能會走入完全錯誤的方向。」

由於AI專案的高度迭代和協作性質，許多公司選擇採用敏捷（Agile）（如圖2所示）開發框架（例如Scrum）來管理資料科學家的工作。這種敏捷專案管理方法具有靈活性，因為它們能夠考慮到迭代和實驗開發，或者在專案執行期間，根據新的使用者需求調整專案範疇。

然而，霍普夫博士等人在研究中提及，管理者對這種敏捷方法可能存在誤解。他們誤以為在專案結束時，應該能夠交付一個穩定的軟體產品給客戶。然而，在資料科學專案中，這種情況相對少見，尤其是在早期階段。

這種對專案管理的錯誤認知，可能導致員工生產力和滿意度下降，最終影響業務價值，因為專案成果可能缺乏應有的創新性。

為了克服這些挑戰，霍普夫博士等人提出了以下策略：

首先，資料科學家應該對管理者和業務合作夥伴進行培訓，解釋機器學習模型的運作方式，或者指導他們如何解釋結果。

其次，進一步提供基礎AI和機器學習課程給管理階層和專案經理。這不是為了讓他們自己創建機器學習模型，而是為了幫助他們更好地理解AI專案開發與傳統軟體開發的區別。這些培訓內容應該包括機器學習的工作原理、評估機器學習模型品質的能力，以及AI專案中常見的陷阱。

最後，設定適當的關鍵績效指標（KPI）。成功的AI專案不僅僅在系統上線時結束，而是當系統能協助企業利用它做出數據驅動的決策。

羅凱揚（台科大企管博士）、黃揚博（政大企管碩士、識商創辦人）

資料來源：Hopf, K., Müller, O., Shollo, A., & Thiess, T. (2023). Organizational Implementation of AI: Craft and Mechanical Work. California Management Review, 66(1), 23–47. https://doi-org.ezproxy.lib.ntust.edu.tw/10.1177/00081256231197445