十項提升AI專案效益的建議(上)

許多企業嘗試以試探性方式引入人工智慧(AI),但由於規模過小,最終無法實現經濟價值的門檻。根據 2019 年麻省理工學院斯隆管理評論(MIT Sloan)和波士頓諮詢集團(Boston Consulting Group)的調查,有七成受訪的企業聲稱引入AI後僅帶來微不足道的業務效益。

美國貝伯森學院(Babson College)戴文波特(Thomas H. Davenport)教授與德勤負責人尼挺.米塔爾(Nitin Mittal)合作,在 2023 年 1 月的《哈佛商業評論》發表了一篇名為《停止對人工智慧進行摸索》(Stop Tinkering With AI)的文章,總結了 30 家沒有技術優勢卻成功透過 AI 部署實現效益的企業和政府機構的經驗,並提出了 10 項成功應用 AI 的建議。

1.定義目標

研究建議,不論企業採用 AI 的原因為何,應事先明確制定整體目標,將其視為未來實施的指導方針。

例如,當德勤審計與鑑證團隊(Audit and Assurance)開發 AI 平台 Omnia 時,以全球客戶為目標,故著重於標準化不同國家和公司資訊,以因應監管數據差異。

2.合作開發

研究強調,僅仰賴內部技術開發不僅成本高昂,開發週期也較長。透過與其他合作夥伴合作,整合各方專業技術,構建完善的 AI 生態系統,有助於企業更迅速實現 AI 的成功應用。

例如,Omnia 與聊天盒實驗室(Chatterbox Labs)合作,共同開發技術模組,用於評估AI模型的偏見問題。

3.精通分析

任何機器學習技術的基礎都是數據分析,進而用以預測或生成目標結果。企業必須擁有大量高品質的數據,以提高模型的預測能力,從而優化 AI 在業務流程中的預期效益。

例如,全球最大的硬碟驅動器製造商希捷科技公司(Seagate Technology),運用大量感測器數據自動化檢測晶圓缺陷,將檢測精確度從 50% 提升至超過 90%,避免了廢品的產生,同時節省了數百萬的人工檢查成本。

4.靈活架構

研究建議企業需要建立模組化、靈活的資訊科技架構,確保足夠的擴展性和彈性,以便跨組織使用數據和技術。

例如,將數據和應用程式遷移至雲端,能有效降低儲存成本、方便整合多源數據,同時充分利用雲端內建的機器學習工具和平台,積極累積客戶的數位足跡。

5.納入流程

在整合 AI 到業務流程之前,企業必須首先明確哪些工作可以受益於 AI 的應用。高階管理人員需要深入瞭解這些流程,從第一線員工的角度來看待,以確定如何運用 AI 來改進這些流程。

例如,美國政府退伍軍人事務部在 Covid-19 大流行時使用 AI 聊天機器人來協助評估確診病例的嚴重程度,並確定可能的入院地點。

總結而言,上述五項內容強調企業需要明確目標、尋找合作夥伴協同開發,確保擁有完善的數據及靈活架構,並審視流程中可優化之處。

黃揚博(政大企研碩士、識商創辦人)、羅凱揚(台科大企管博士)

資料來源:Davenport, T. H., & Mittal, N. (2023). Stop Tinkering with AI. Harvard Business Review, 101(1), 116–127. https://hbr.org/2023/01/stop-tinkering-with-ai

更多商普好文推薦

競爭者分析的資料來源

競爭者分析的資料來源 俗話說,「商場如戰場」,要在戰場上克敵制勝,蒐集情報是一定是不可少的工作。但情報從哪裡來,又該如何收集,經常考驗著各個

閱讀更多 »
回到頂端