你準備好跟AI機器成為同事了嗎？／Bastiane Huang

Bastiane Huang Bastiane Huang目前在舊金山的AI/Robotics新創公司擔任產品經理，擁有近10年產品行銷及市場開發管理經驗；曾在美國《機器人商業評論》及《哈佛商業評論》發表文章及個案研究。如果你也對Robotics 2.0（AI-Enabled Robotics）、產品管理、Future of Work有興趣，歡迎追蹤她的最新訊息。

場景1 ： 用演算法管理員工

越來越多的公司開始使用演算法來管理員工（Algorithmic Management）。像是Uber或Lyft這樣的分享經濟公司，已經率先開發出許多自動工具，來管理遠端工作人員；包括使用者評分系統，以及自動向駕駛提醒或建議下一步動作的系統等等。

在物流業中，UPS和Amazon等公司正在使用自動化系統來追蹤員工、並且優化貨物處理量；這些演算法收集工作人原的資料，並做出（半）自動化的決策來提供即時激勵，以達到更高的產出。

有一些新創公司，也開始提供監視員工、或是管理駕駛行為的AI解決方案。與人工監督相比，這些自動化技術更容易擴展到更多運營據點，因此也被越來越多的公司採用。

場景2：為AI演算法工作的藍領勞工

之前我談到過機器學習（ML）主要有三種類型，包括：

• 監督學習（Supervised Learning）；
• 無監督學習（Unsupervised Learning）；
• 強化學習（Reinforcement Learning)。

直到今天，仍有超過90%使用中的ML演算法是以「監督學習」為基礎。

給產品經理的AI開發指南#1／Bastiane Huang | 吐納商業評論 | Tuna Business Review

為什麼管理機器學習（ML）產品比一般軟體困難？因為開發ML產品的不確定性和可變性更高；而一般軟體工程則是為機器編寫規則，原本就有高度的確定性。而ML系統可以自行學習，所以並不需要人來編寫規則。總之，「實驗」就是開發ML產品的關鍵。 關於管理AI產品，我認為最重要的幾件事是： ...

換句話說，多數AI演算法需要從標記好的訓練資料中學習。為了提供標記過的訓練資料，有一個高成長的行業應運而生：由人工標記影像或聲音資料，以便機器能夠消化和學習。

「Scale AI」是眾多與標籤工作者合作，對資料進行分類，以用於訓練AI模型的新創公司之一；該公司成立僅有三年，卻在最近融資獲得高達1億美元的資金。

Scale與大約三萬名散布世界各地（大多在工資較低的國家）的契約工作者合作，為自動駕駛汽車和其他AI公司（包括Waymo、Airbnb和Lyft等）提供標記訓練資料的服務。

場景3： 遠端控制和模仿學習

在使用大量資料進行訓練時，深度學習的效果優於傳統機器學習；然而，獲取高品質的訓練資料通常很困難、而且成本相當高昂。

解決資料效率問題的方法之一，是使用模仿學習（Imitation Learning），也就是「讓機器從專家的示範中學習」。

FortressIQ是應用模仿學習技術，為顧客自動化公司流程的美國新創企業之一；他們的系統可以分析人類和軟體的互動，以便之後將這些流程自動化。

另一方面，美國新創公司Cobalt提供利用機器學習來執行巡邏工作的保全機器人（上圖）。這種機器人可以識別異常情況，也能讓工作人員遠端監控、並在必要時接管控制權。

AI讓機器變得越來越聰明，不再需要人類的一個口令一個動作；在某些領域中，甚至能夠自動下指令給人類，而這些新型態的人機互動，正在真實上演之中。

但是，我們也開始看到這些新形態人機互動所帶來的副作用：

演算法缺乏透明度和同理心

研究者Lior Zalmanson和Robert W. Gregory在最近的一項研究中發現，Uber出租車司機都認為，演算法非常瞭解他們，但他們對演算法的原理和決策依據卻知之甚少。

此外，司機們也感覺到演算法的決策有些不人性的地方；他們質疑這個系統的公平性，尤其在他們沒有得到明確解釋、卻遭到處罰的情況下特別明顯。

有許多其他勞工也覺得自己被演算法監視。他們不知道這些監控資料會用在什麼地方，也不知道工作分配、評分或報酬是否公平；如果不公平，他們也不知道有沒有什麼途徑可以提出抱怨。

「缺乏透明度」一直是AI的主要問題之一。用這些自動化工具來管理員工，或許確實更有效率及擴充性；但生產力不應該是唯一的目標，必須也考慮到資訊的透明、以及對員工的同理心。

人與機器的角色責任分配不明確

以保全機器人為例，在機器人無法處理的情況下，人類的介入可能會有關鍵作用；但隨著機器人變得越來越聰明，機器可能會得出與人類不同的結論。

人類永遠能夠做出比機器人更好的決定嗎？誰有最終決定權？

另一個備受關注的例子：無人駕駛車。誰應該在自主的無人車中做決定？是車子本身、備用安全駕駛員、遠端監控的工作人員、還是乘客本身？

在什麼情況下、什麼時候介入？如果你只有一瞬間的反應時間，答案會有所不同嗎？誰應該對任何後果負責？科技公司？安全駕駛？還是設計演算法的工程師？

結語

雖然研究人員正在研究轉移學習（Transfer Learning）和元學習（Meta Learning），以設計能夠「學習如何學習」的AI模型；但老實說，我們離完全自主的人工智慧還很遠。

在可預見的將來，我們仍然需要標記資料，讓機器變得更加自主。我們需要調整自己，與時俱進，我們需要學習與AI機器一起共存的最佳方式。我們準備好迎接如此劇烈的社會變革了嗎？我們可以做些什麼來創造我們想要的未來？

在下一篇文章中，筆者對這一點將會進行更多討論。

參考閱讀

給產品經理的AI開發指南#2：如何管理機器學習產品？／Bastiane Huang | 吐納商業評論 | Tuna Business Review

在設計機器學習相關產品與服務時，必須瞭解它和一般軟體開發的不同、以及過程中獨特的優先順序與需求。前一篇中探討了機器學習產品開發時，專案經理必須具有的基礎認識和挑戰，本文則延續討論相關的產品管理須知。 比起一般軟體，機器學習（ML）產品需要更多的反覆試驗；因此，作為PM（專案經理），你需要給工程師和資料科學家足夠的空間和時間去探索。 ...

如何設計好的AI UX (Designing the UX of ML Products)

【本文適合（1）需要設計AI&ML產品的 UX Designer/Product Designer（2）AI產品經理（3）對AI UX設計感到好奇的Anybody。】 在先前的文章，我談到了 機器學習(ML)產品管理方面的挑戰，AI及ML產品需要更多的試驗、反覆調整，也因此帶來更多的不確定性。關於什麼是AI及ML產品，在 這篇文章裡有更詳細的說明。 ...

揭秘電商龍頭亞馬遜不想讓你知道的自動化策略

站在倉儲自動化第一線的亞馬遜（Amazon），為何對AI和機器人的影響力輕描淡寫？揭開亞馬遜沒說的事。 機器學習 (ML) 和機器人技術的突破，大大改善了出貨與量產的速度及成本。我們都希望以更低的成本立即取得我們的包裹，每間企業也希望獲得更高的利潤。但是，隨著工廠和倉庫中越來越多的任務被自動化，我們的社會又將承受哪些全面影響？ ...

自動駕駛汽車的「道德困境」 | 石墨工房．X

「意外發生時，自動駕駛汽車要撞向10個路人好，還是讓車主自己陷入危險的道德困境」是個假議題：如果你是車主，有另外一位人類司機幫你開車，在碰到同樣的狀況時，司機會面臨怎麼樣的「道德」問題、該如何做出符合「道德」的決定？ ...