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三項，即「系統連結缺失和資料稀缺」。
霍普夫博士等人的研究指出，大型國際企業通常使用已運行數十年的系統來支持業務流程。這些系統由不同技術堆疊而成。然而，將新開發的AI系統與現有系統進行連結，比一般人所想像的困難得多。管理階層通常認為透過適當的介面就可以實現連接，但實際上，開發這些介面往往比預期更為複雜，有時甚至根本不可行。這主要是因為在連結時，不僅需要改變IT系統，還需要重新設計整個業務流程，以實現數據驅動決策的有效性。
該研究引用了一位製藥業的數據科學家的觀點，他表示：「將新AI模型整合到現有系統中，這是我們無法實現的……我們雖然擁有眾多優秀的模型，但卻難以將它們部署在現有系統中。」此外，在企業開發AI應用程式時，資料的可用性和品質是面臨的重大挑戰。根據霍普夫博士等人的研究，資料科學家在開始AI工程之前，需要花費大量時間來辨識、存取和準備資料。而存儲在IT系統中的資料通常並非為分析和預測而被記錄。因此，為了提升AI系統的預測品質，可能需要重新設計資料的生成來源和處理過程。
Credit Canva
解決方案
霍普夫博士等人在他們的研究中提出了幾種應對系統連結缺失和資料稀缺挑戰的策略：
首先，建立AI系統和IT系統之間的橋樑至關重要。這可以通過引入各種第三方系統的介面，實現系統之間的無縫互通。然而，這些系統通常昂貴。另一個解決方案是利用機器人流程自動化（RPA）技術，觀察使用者在企業資源規劃（ERP）系統中執行的業務流程，並進行自動化處理。
其次，將預測結果轉換為可執行的方案對於提高用戶接受度至關重要。組織需要尋找將AI系統輸出呈現給最終用戶的新方法。例如，將預測結果轉換為可操作的方案，並在適當的時間和地點呈現給員工。
其三，讓AI系統扮演學徒的角色。這意味著讓AI系統觀察人類專家執行任務，並記錄所有相關的輸入資料和結果。通過觀察數千次的任務執行，系統能夠學習將輸入資料轉換為正確結果的函數。這樣的結果通常比人類專家的判斷更加精確。
最後，提高數據意識至關重要，因為資料提供者難以預測其他人將如何使用這些數據，且在解釋現有資料的真實含義方面可能存在困難。組織應該加強對資料品質的認識，並鼓勵跨部門間的資料共享和重複利用。同時，資料科學家應不斷強調原始數據點之間的相關性。這種數據意識的提升有助於改善資料的品質和精確度，進而提升AI系統的性能和可靠性。
羅凱揚（台科大兼任助理教授）、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
—
✨ 歡迎追蹤，獲取更多相關資訊
► 識商IG：
https://www.instagram.com/bizsense2023/
► Line交流社群：
✨ 最新活動：AI商業策略讀書會
