技能分享 | 為什麼企業在 AI 執行時一直卡關？

在 2020 年，突如其來的新冠疫情改變了許多產業的命運，同時加速推促 AI 落地的速度，AI 人工智慧的應用將成為企業間的新日常。SourceZones 團隊秉持著創業初衷，持續精進我們的產品系列，並透過多方知識的分享，希望可以在後疫情下，提供給各企業相關的應對資訊，增強各界在如何持續營運、優化 AI 架構以及資料處理的基本功。

然而，大家都知道 AI 技術之重要性，但能夠成功導入AI人工智慧的台灣企業卻是少之又少。究竟AI為什麼這麼難落地實施呢？SourceZones 團隊根據多年在台灣協助多個的AI數據處理專案，從橫跨各大產業領域的專案經驗，發現出企業的AI專案在釐清問題本質之後，首先會面臨到一個問題：如何收集資料（Data Collection）和建立 AI 模型（Model Establishing）。

訓練一個 AI，需要多少資料？

如果想知道需要多少訓練資料（Training Data），首先應該先釐清：這個 AI 專案到底要處理什麼問題，以及這個問題有多複雜？確定之後，再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度，用不同複雜度的模型和精準數據彼此搭配，找出最佳平衡，才能讓 AI 專案順利落地。

但是光有資料，又是足夠的嗎？SourceZones 解答，光有資料絕對是不夠的！

資料哪裡來？

很多企業會急著開發 AI 模型，但 AI 專案落地經驗的關鍵之一，是先確認：是否已經準備好數據了？如果沒有這樣的能力，談AI落地其實有點好高騖遠。如果你有看我們之前的大資料文章，你可以知道資料的重要性，其中包含了 Volume（資料量）、Variety（資料多樣性）、Velocity（資料即時性）及 Veracity（真實性）。要具備這四項特點，我們才能擁有完整的資料庫，進而做更好的模組訓練。

AI 資料收集（Data Collection）最大的挑戰，在於針對不同型態的資料，會產生不同的 AI 資料需求，因此需要建立的「資料流」（Data Pipeline），AI 資料處理 （Data Processing）和資料標註（Data Annotation）的模式及流程也會有所不同。發展 AI 之前，如果能建立起上述幾點，並確保可以順暢運行，實際訓練 AI 模型時才會省力很多。

相關文章連結：技能分享 | 大資料（1）：Big Data 時代的到來！

缺乏實際應用經驗

無論是剛導入 AI 的新手企業，還是已有AI專案經驗的老手企業，都曾經在落實 AI 上卡關。這是為什麼？SourceZones 分析，原因是在於，客戶缺乏「實際應用經驗」來進行 AI 模型訓練。

雖然現在市面上有許多開放資料集 (Open Data) 可以供企業進行 AI 數據標註（Data Annotation）或是機器學習訓練。但是當企業放到實際應用場域測試後，經常發現AI模型成效不佳，無法適用於實際場景，最終還是需要回過頭再進行第二次模型訓練（Model Training）。

SourceZones 提供完整 AI 技術之導入應用，再透過我們的 KY-AI 專案前，我們首先先協助企業建立在內部需要的資料流（Data Pipeline）。進而加上我們的產品服務，確保企業有使用符合實際應用場景的數據來訓練AI模型，全盤考量數據類型、角度等多元性，避免機器學習偏誤。

缺乏管理層的理解與支持

AI 的熱潮讓許多企業都想要參一腳，然而 AI 要能夠順利落地，企業管理層對於 AI 的認知和支持更是一大關鍵。許多台灣企業的 AI 數位轉型主導者，在傳統公司中可能有豐富資歷的技術長或管理階層，對於 AI 人工智慧這個全新領域的概念，比較缺乏深度的理解，也沒有類似AI模型訓練和測試的相關經驗。加上考慮到資金及時間成本的問題，讓管理層的長官們在許多政策的推動上常常缺乏信心，差了臨門一腳。SourceZones 協助企業在不增加額外成本的情況下，將 AI 技術成功導入企業中。

創造自身價值

SourceZones 整理出目前許多企業之技術未能達到此部的潛在原因包括：

1. 缺乏豐富及良好的資料源。
2. 缺乏資金進行技術擴展。
3. 缺乏管理層的理解與支持。
4. 未具備 AI 人工智慧相關資訊人員。

但是，透過 SourceZones 的產品，你可以輕鬆簡單地獲取這些資料。SourceZones 具備經驗豐富的開發團隊，整理出自身在技術開發期間遇過的各種困難點。希望可以協助企業減少不必要的開發成本，有效地將 AI 導入到企業當中。

更多相關產品資訊，請見：SourceZones產品資訊。

此外，SourceZones 認為企業發展 AI 人工智慧的最終目的，還是希望能「達到商業目標，創造價值」。在訓練 AI 模型時，貴公司或是貴團隊如果不知道如何判斷哪個指標，對 AI 模型學習來說比較重要，建議回歸初心，重新釐清「 這個專案想達到的商業目標是什麼 」，才是最重要的！