【Profet AI 聊 AI】解鎖企業競爭優勢: AI 驅動決策!建立「判斷標準化」的企業文化

本文將會探討:

如何透過 AI 決策讓【判斷標準化】?邁向判斷標準化需具備哪些條件?企業導入 AI 的挑戰有哪些?什麼是 AI Lifecycle Management (AILM)?AILM 如何助企業奠定穩固基礎?

如何透過 AI 協助決策讓【判斷標準化】?

企業的管理能力隨著科技的變革已經歷了幾個階段的轉變。從電腦尚未被廣泛利用時,產業專家以紙本紀錄各項數據、帶領學徒將管理制度標準化的階段,到企業大規模導入電腦與軟體系統,透過資訊數位化及系統流程輔助將營運流程標準化,科技的變革無疑是企業管理能力得以躍進的推手。當今 AI 的普及化無疑將帶來另一次的變革,促使企業發展新的管理模式以奠定下一波成長的優勢。

Deloitte 於研究報告中指出受訪企業認為導入 AI 的前三大好處包括:

加強目前的產品優化內部營運協助做出更好的決策

尤其在治理與品管相關的應用場景,AI 能夠免於人類的偏見和情感因素而做出更客觀的判斷。在台灣,蜂行資本公布的 2022 臺灣企業 AI 趨勢報告中指出在台各企業的 AI 模型部署率為 50-75% 之間,遠高於全球的 20-50%,表現出台灣企業對 AI 應用持開放的態度,並積極透過數據分析、建立模型來應對快速變化的市場所帶來的挑戰。更大量的運用 AI 模型便是判斷標準化的基礎;基於判斷標準化創造領先優勢的企業能夠大量運用 AI 模型做出判斷、結合自動化技術執行判斷結果、確保作業流程能夠快速地被複製到其他場域,例如到不同地理位置建廠,有相同的衡量基礎,不受人為因素造成的判斷落差所影響。

Profet AI 提供

邁向判斷標準化需具備哪些條件?

Sam Altman 於一場訪談中說到,在這場由 ChatGPT 引領的 AI 大革命中,人們需要具備​​韌性、適應性,快速學習新事物的能力,以及能夠使用 AI 工具的創造力來因應未來的挑戰。對企業來說,培養員工的 AI 思維和建立易於使用 AI 的環境,便是企業利用 AI 發揮創造力大量產出和部署 AI 模型,邁向判斷標準化的重要途徑。

McKinsey 在「The State of AI in 2022」的企業調查中指出受訪企業中的領先者,即前 8% 的企業,皆透過 AI 應用實現至少 20% 的 EBIT 增幅。相較於其他企業這些領先者在以下幾個領域擁有卓越的表現:

AI 策略的發展與商務需求有高度連結能夠同時進行大量的 AI 應用開發與部署數據結構高度模組化確保數據的品質利用 low-code 或 no-code 工具

從管理角度來看,領先者皆透過標準化的 AI 工作流程與協作方法來增加 AI 應用產出的自動化程度,進而降低模型無法落地的風險。

企業導入 AI 的挑戰有哪些?

Profet AI 透過其開發的 no-code AutoML 系統已服務了超過 100 間的製造企業,而我們在輔導客戶從議題探索至模型生成落地(即是 AI 生命週期)的過程中發現多數企業在導入 AI 時皆面臨以下 4 大挑戰:

1. AI 議題探索過程未能標準化

對處於 AI 應用早期階段的企業來說,人員所具備的 AI 知識不一,尤其是非與 IT 或資料科學相關的員工可能都不太了解 AI 是什麼。當面對企業內 AI 應用的展開,管理階層與員工因缺乏能力與經驗而不知到能利用 AI 做什麼,且企業無知識系統可協助他們提案,導致每個團隊評估 AI 議題適性的方式與執行流程不一,而最後的提案往往也因缺乏領域專家參與評估的過程,沒有明確的商務目標可用於檢視 AI 應用的效益​​。

2. AI 議題執行過程透明度不佳且組織協同不易
由於 AI 應用的開發是一項技術性的工作,所以非技術相關的人員較難參與議題或專案的執行,導致開發的過程過於仰賴技術人員的判斷,缺乏領域專家(例如現場的設備維護人員)的協助以了解問題的全貌,而管理人員也無法確實掌握各單位做了哪些題目?題目何時完成?目前進展如何?以及資源如何被這些題目所運用?只能被動式的接受專案負責人的工作回報。​

3. 企業內部 AI 典範議題無法傳承與擴散

規模較大的企業中往往會有不同組織或地區的團隊嘗試解決相似的 AI 議題,在知識不通透的情況下就容易發生團隊各自閉門造車的情形,導致人力和時間的重複投入造成資源浪費,且實作過程中的錯誤也容易重複發生。在沒有系統化管理企業內部的 AI 知識的情況下,過往的經驗就難以被搜尋和重複利用,造成企業難以透過延續 AI 經驗來加速提升企業能力​​。

4. 缺乏正向與優質的獎勵文化來提升員工自主學習使用並分享 AI 經驗的意願​​

若要加速 AI 能力的擴散,光靠 top-down 的教育訓練是不夠的。除了學習之外,企業還需員工積極參與 AI 的應用來累積經驗。鼓勵員工之間分享知識是提升企業整體 AI 能力水準的捷徑,因此企業需思考如何建立良好的獎勵機制來形成知識共享的文化。

企業 AI 管理應涵蓋 AI 全生命週期

AI 應用落地的生命循環可分為技術與商務視角。目前在市場上較常見的是從資料科學家的角度思考 AI 開發與模型運行的循環,即 MLOps,其目的較專注於模型開發與部署的系統建立和流程整合,管理重點較 IT 技術面。

而企業管理的觀點更需關注業務流程(Business Process/Value),即  AI 議題的定義是否具明確的商務目標,讓最後產出的模型的效益可被評估檢視。

如下圖中右邊的循環所示,相較於 MLOps AI 生命週期管理涵蓋了更多細節,特別是在 Planning 階段的商務需求分析。

因此企業需要  AI  全生命週期管理 (AI Lifecycle Management, AILM)。

Profet AI 提供

AILM 如何助企業奠定穩固基礎?

Profet AI 研發的 AILM 解決方案,是一個 AI 商業生命週期管理決策需求而誕生的平台,提供決策者、管理者、執行人員不同 AILM 管理模組。

協助企業 AI 議題的價值能量化,並讓評估與執行過程能標準化,有效管理執行、監控、決策之間的資訊整合應用。

AILM 平台在企業活動中將 AI 議題探索標準化與常態化,讓組織之間的協作更加順暢,

有助於企業在各種執行策略發展上有更高度的連結,在數據品質管控上能有更多專家一同參與來提升精確的關鍵要素。同時,AILM 在企業的運作環節上也扮演著職場導師的角色,

平台標準系統化的保留內部專家所解決問題的歷程,將過去寶貴的經驗與知識能快速擴散於企業內部,讓企業降低傳承所造成的時間與成本,相對的也讓企業避免不必要的知識斷層所造成的無形成本。當企業內的 AI 應用開始擴散,企業便可建立好的獎勵制度文化,透過平台的成果發表機制分享問題解決的過程經驗,鼓勵員工持續並積極地思考可利用 AI 提升工作效率之處。

最後,AILM 平台與 AutoML 的搭配使用能夠協助企業有目的性的進行大量 AI 應用開發及部署,有效加速企業於日常的工作流程中結合 AI 工具,使各領域議題轉化 AI 模型後,以數據驅動決策、邁向判斷標準化,成為 AI 應用的領先企業。

責任編輯:Mia
核稿編輯:Jocelyn

快加入 INSIDE Google News 按下追蹤,給你最新、最 IN 的科技新聞!

延伸閱讀:

矽谷因 AI 分裂成兩派:樂觀進步的 e/acc 與末日保守派 decels 愛酷智能科技推全新生成式 AI 產品  AccuFLOW.ai微軟 Copilot 可以生成完整歌曲!與 AI 新創 Suno 攜手加入新 Plugin

 

 

 

Read More 

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *