.png)
最新調查｜台灣企業 AI 成熟度現況與導入 AI 三大基本面
一提到導入AI，一部分的企業會開始搜集很多同業AI導入的案例，但這真是最重要的第一步嗎？
我們能理解很多台灣企業主想要大量學習成功案例以減少試錯風險的想法，但我們也認為，在蒐集資料腦力激盪之前，還是需要先退回一步，看看我們現在站在哪裡，要往哪裡去。
否則，往往我們會不清楚為什麼我們看了很多別人的成功案例後，AI專案依舊躊躇不前、在一兩年過去後仍無多大突破、甚至不知道管理層真正的擔憂到底來自哪裡
本文內容將今年3月底釋出的《2022台灣AI產業趨勢報告》做個重點整理，報告內的8大面向即是一個漸進式的思考脈絡，從基本條件到如何升級
給正積極關注AI導入議題的你或你的管理層，這份報告可以是一個指南、一個現在位置到未來的定向參考，閱讀本文後，也建議親自下載詳讀！
一、企業 AI 成熟度階段
先說明此研究報告的基本背景，這份報告是由 Hive Ventures 蜂行資本，一家全球性的風險投資公司所執行，在 2022 年1月14日到 2022 年2月22日這段期間，收集到 270 位個人受訪者，其中大企業與中小企業各佔據50%，產業別則包含製造業、醫療保健、網路和媒體、銀行金融、諮詢公司、石油化學、電信、公共部門，其中以製造業佔據近25%為最多。
並提出 0-6 級 AI 成熟度，作為衡量一家公司導入 AI 的階段
所有企業的目標，都會希望 AI 在企業裡民主化，並成為所有部門間的共同語言的第 6 成熟度等級。
相較去年的調查結果，一半以上的受訪企業其 AI 成熟度仍處於 2 級或 2 級以下。
在今年調查中，有超過一半的受訪企業已經進入了 3 級及以上的水平，而達到第 6 級 AI 成熟度的企業共有4家（醫療、金融、製造等行業）
以下是各級別所處的狀態描述
可以對照自己的公司正處在哪個階段、準備朝什麼樣的階段邁進？
- 等級0：企業準備導入AI並開始驅使企業朝著同一個AI願景發展
- 等級1：無數據不AI，開始建立數據基礎架構以確保獲得達成AI願景目標所需的高質量數據
- 等級2：識別應用場景和建立商業實例。開始跑數據測試來建立各案例的 PoC
- 等級3：確定部署預算來做AI。選定需要的工具、解決方案和伙伴，以補強組織的執行能力
- 等級4：驗證AI項目並開始部署，已經顯現商業價值
- 等級5：AI 正在被部署到更廣泛的業務上。企業投入更多的開發，更多的部門部署，更多的團隊參與
- 等級6：AI 成為企業的DNA。AI 將不再是一個獨立的計劃，而是存在各個部門之間的共同語言和合作
超過 48.7 %的受訪者現在處於 4-6 級別，綜觀各產業，企業導入 AI 的主要目標不外乎：「提升組織效率」、「降低成本」、「提升客戶忠誠度」、「提升收入」
今年「控制成本」成為第二大主要導入AI的目標，反映企業在整體經濟狀況與疫情衝擊下，因對未來的不確定性高，企業管理層對導入 AI 的期待、會關注的面向也跟著調整了
整體來說，企業主依舊是積極採取行動，期望透過新技術、新科技平台，去大幅降低企業營運的成本。
二、導入 AI 的基本條件與基本功 Data
相信在看這篇的你，對於「Garbage in, Garbage out 」這句話一定很熟悉，這句話在機器學習領域是很基本的常識。因此，企業導入 AI 的基本功就是數據生態的完備度，這包含：
- 高品質數據的可及性：數據品質不只要高，還要加上「是否可即時取得」高品質的數據去做決策？
➜ 延伸話題：這也是為什麼 RPA 在近兩三年如此火紅的原因之一，因為正確且快速的將數據就定位，是開始 AI 專案的基礎準備之一
➜ 延伸資源：認識 RPA 與 UiPath 線上影片觀看，60分鐘內，即可快速掌握機器人流程自動化在企業內可應用的面向
- 數據基礎架構：報告中表示，越來越多人轉向支持「混合雲架構」，亞洲將不可避免更加依賴邊緣運算和混合雲模式。特別是銀行業基礎設施已經開始升級，可能因為監管機構調整所致，允許實施更靈活的數據基礎設施，因此大幅減少了對地端系統的依賴，開始導入多雲和混合雲
- Data Stack 數據處理工具與服務：目前各大企業內的各種資料處理服務的普及率還是以 BI 工具最高 (40.15%) ，再來是資料整理 Data Preparation、數據倉庫、ETL工具等
➜ 延伸推薦：全球公認 BI 界黃金標竿 Tableau｜企業級視覺化分析平台｜ 全球超過 8 萬家卓越企業首選
➜ 延伸推薦：資料整理 Data Preparation 流程不但要視覺化、還要可以自動運行 | 資料分析流程自動化始祖 Alteryx｜快速提升商業分析師的資料處理力
三、數據組織與 AI 團隊 Team
這部分探討的包含：
- 領航者（管理層）推動 AI 的意願強弱是否大幅影響 AI 導入的成功？
- AI 計畫團隊該由誰主導最合適？
- 建立 AI 企業文化是否重要？
- AI 執行團隊的規模與組成，是否團隊規模大就一定具備成功優勢？
- 資料科學團隊年資與扮演的角色
3-1. 領航者＝管理層的領導介入很關鍵
成功的 AI 部署與推動取決強而有力的領導介入，其中 CEO 是成功與否的關鍵核心
因為管理層是最清楚要把公司帶往什麼方向、組織運作要達到一個什麼樣狀態的關鍵人物，也就連帶必須清楚什麼樣的手段、作法才可以抵達組織要去的地方。
根據麥肯錫 2021 年針對企業經營者的調查報告，有高達 64% 的企業認為自己需要積極發展新的數位商業模式才能生存至 2023 年
相比2021年，2022年的調查中，管理層對於導入 AI 應用的意願更強，更願意透過 AI 導入帶領組織走出危機。而隨著組織規模越大，一般來說除了 CEO 外，CTO、CIO、CDO 也要一起同心協力
➜ 長青話題延伸：數位優化到轉型，2種改變層面、3大常見誤區
➜ 站外推薦閱讀：一張圖看「與時俱進 vs. 故步自封」的企業在3-5年後的巨大差距
3-2. AI 計畫團隊要「跨職能」，只由 IT 部門評估會是挑戰
過去，IT 團隊都是所有產業中最適合處理 AI 工作的團隊。他們在審查技術需求、調整對應的基礎設施和控制預算
然而，現在由 IT 部門來全面評估組織的所有 AI 需求已經變成一個挑戰。
因為他們無法全盤來看其他部門的數據使用需求、也不可能完全了解數據意義，特別是當數據需求在組織內更加多元化與分散的時候
因此，專家們建議：要成立「跨職能」審查委員會，以「協作方式」調整需求並評估整個組織的資源投入，而非把重擔只放在 IT 團隊身上
如果執行團隊內有資料科學家，他們的重要性會越來越大，因為資料科學家、資料工程師位在業務和技術的交會處，讓他們參與關鍵決策，可確保數據、AI 使用案例與所需技術基礎設施和工具更加一致。
3-3. 明確 AI 企業文化，所有人清楚為何而戰
AI 企業文化是什麼意思？ 我們可以先來回想一家公司的企業文化包含哪些層面：
- 企業存在的價值與意義 Why
- 共同價值觀與準則 Principle 、什麼事情最重要、什麼事情不重要？
- 員工每日營運的行為與習慣 System，也是企業文化落地的體現之一
套用在企業希望透過導入 AI 去打造新的營運與協作模式，有建立起 AI 企業文化，每位員工都能夠：
- 明確知道 AI 存在目的為何，為什麼要這麼做、員工充分理解 AI 的重要性
- 在導入 AI 過程中的任何大小決定與思考應用題目時，能掌握什麼最重要、什麼應該優先思考
- 員工清楚知道 AI 將會如何融入他們日常的工作流程中
AI 企業文化會是企業不斷朝向「全民 AI」邁進的內部共同語言
如此一來在規模化 AI 時，能因為組織內的所有成員都有發言權和參與行動的機會，而大規模提升企業內部的整體生產力，更能促進「部門間的合作和重要項目的創新」
今年報告中，看似相對保守的產業如：石油和天然氣、銀行與金融、製造業，在培養開放的 AI 文化方面取得良好進展。
➜ 站外推薦閱讀：導入人工智慧前，經理人要知道的10件事
3-4. AI 執行團隊規模與組成
今年，各企業在 AI 團隊建設都取得進展。企業已經將他們的團隊增加到超過 3-5 位資料科學家並達到整體 10-50人的 AI 團隊。
不同成熟度級別的 AI 團隊規模也越來越接近，也就是説，不一定越高 AI 成熟度的企業的團隊規模就越大。
所以說，AI 團隊規模是否具備絕對優勢？
若看數據，確實 80% 處在第 6 級成熟度的企業，其 AI 團隊規模擁有超過 100 名成員，4-5級的公司也有很大比例擁有超過 100 名 AI 團隊成員。
但有趣的是，醫療保健產業內的企業，已經「用更少資源做了更多的事」，醫療保健產業在 AI 成熟度排名前三，相較那些擁有大規模團隊的製造業與銀行業，醫療保健業只有一小部分公司擁有超過 100 人的 AI 團隊
這意味，要實現更高等級的 AI 成熟度，人數規模不是絕對，一個更有效率與全面性的團隊是另一個關鍵要素。採用正確方法的小型組織也能夠產生正面結果
而又，團隊中的資料科學家是否是唯一最重要的角色？
在上面的 3-2. 有提到，在選擇與確定 AI 部署的商業應用案例、 AI 項目成功交付這些事情上，資料科學家有一定的重要作用，但更影響最後成功與否的，還是取決於是否有一個「各角色都平衡的團隊組成」
那些有較高 AI 成熟度級別的企業，在每個角色中都較平均，至少會包含：
- 資料工程師 Data Engineer 、軟體工程師 Software Engineer
- 資料科學家 Data Scientist
- 資料分析師 Data Analysts
還有機器學習工程師 ML Engineers 、IT 架構師、專案主管等
能否創造一個「能發揮各職能的、能經驗共享的、能無縫協作的」團隊與協作模式，是探究後續能否創造持續性高價值產出的關鍵。
如下圖所示，一個 AI 專案的開始到部署、監控、優化
這一整個需要不斷迭代循環的過程，一個需要跨專業合作的過程，這樣的團隊組成就像是超能特攻隊般的存在
資料科學家不是唯一最重要的角色，且現在也找不到一個擁有所有技能的獨角獸通才把各階段任務都完成
當能夠清楚這一點事實，就能更清楚去思考，現在所處企業需要什麼樣的平台或資源，去做到 1+1>2 的團隊綜效，也可以一定程度解決人才短缺的普遍性問題。
企業在往後的日子，都將會隨著數據需求的變動、基礎設施服務持續快速發展，要對「選擇新使用案例和新工具」做出決定，以更優化其能力
因此，一個平衡的團隊組成、一個能夠密切溝通、把各專業領域專家容納進來的團隊，是很重要的，他們需要可以不斷的學習、評估、實驗和部署，使組織保持必要的最佳性能。
3-5. 資料科學團隊年資與扮演的角色
今年調查數據顯示，有大量的入門級 (年資一年內) 的資料科學家大規模湧入組織。目前組織內的資料科學家經驗年資，一年以下的佔了45.8% ，其次是佔了 18% 的 3-4 年經驗值。
這也呼應上一題，在資料科學家持續供不應求的狀況下，要思考的是：
是否需要用其他新的思考角度與方式，去解決人才短缺的普遍性問題？
且在可預期的未來，當管理層對 AI 投入的承諾逐步增加、當每個業務單位都希望 AI 可以幫助改進所處專業領域內的問題時
只期待找更多科班出身的資料科學家去填補這些往後可預期的大量需求，不會是唯一解法。
可以開始思考的是：「如何讓企業內部適合且有意願的人才，開始接觸並運用資料科學解決其職能上的問題？該用什麼樣的工具去賦能這些既有人才？」
相信這樣一個「能囊括各職能專業的、協作式的團隊組成」，能加速 AI 專案的開始與運行，包括了解問題、確定方法和解釋數據、得出最佳解決方案等。
四、組織營運系統 Operation
這部分探討的包含：
- 企業都採用哪些 AI 科技
- 各行業模型開發積極程度
- 台灣模型部署率 vs. 全球
- 模型部署速度，模型開發後能多快進行部署？
4-1. 目前 AI 科技採用，仍以 ML 機器學習平台為最高比例
整體來說，針對特定應用的 Tech Stack 在今年的採用率略有增加。
目前 AI 科技採用情況，前10項依序為：
- 機器學習平台 Machine Learning Platform
- 電腦視覺／圖像辨識（在製藥業最廣泛應用、零售業的顧客熱點區域分析等）
- 深度學習平台
- 自然語言處理、理解、生成
- 深度神經網絡
- 異常偵測
- 機器學習作業平台 MLOps Platform
- 機器人流程自動化 RPA
- AI 加速（GPU/FPGA）
- AutoML 平台
利用上述的科技，來解決商業案例的「應用軟體與解決方案」越來越多，讓這些技術能在各產業得到普及。
例如：機器人流程自動化 RPA ，通常會再搭配利用 NLP 與電腦視覺技術，來幫助企業「自動化」那些重複性高、繁瑣但又很重要不能出錯的文書審查，同時將人才的生產力釋放到其他任務上
➜ 延伸推薦閱讀：智慧文件辨識2.0應用，AI＋RPA 發票/文件處理自動化
這些針對企業內部痛點的專屬解決方案，加快從數據到產生價值的過程。與利用原始 AI 科技的解決方案相比，新一代解決方案能迅速解決產業的生產力瓶頸
4-2. AI 模型開發速度繼續加速，保持積極模型開發模式
以產業別來說，製造業和電信業是最積極的。
許多公司在 2022 年就計畫開發超過 100 個模型。而對於那些剛起步導入 AI 的公司，預計在一年內建立 3-10 個模型去支持 3-5 個 AI 項目，以趕上其產業同行的進展。
其中，石油和天燃氣產業大幅加快步伐，超過 1/3 企業表示在 2022 年將開發 10-50 個模型。
隨著企業持續部署、升級其數據基礎設施，這些具有野心的目標確實是有機會的。
同時，承接上述 4-1. 的企業內 AI 科技採用的選擇，延伸一個思考是：
這樣的野心與同業間的年平均模型開發數量，在評估應用平台時，是否有同時將這樣的目標考量進去？
也就是說，如果公司已經知道外部同行年平均計畫開發的模型與 AI 項目數量，當在評估科技平台時，「幫助資料科學家的生產力提升、模型探索與開發效率」就會是一個重要的評估構面。
4-3. 相較全球平均，台灣保持高模型部署率
去年報告中，顯示台灣部署模型的比率遠遠高於全球同行。今年，台灣依舊保持高模型部署率的趨勢
各企業模型部署率在50-75%，與去年20-50%相比，明顯提高（全球平均20%)
可能原因為何？
- AI 團隊更善於挑選、試驗、測試項目和模型，這有利於提高使用模型的成功率（呼應上述 3-2.所述，跨職能的 AI 團隊與賦能 AI 團隊很重要）
- 台灣有大量經驗豐富團隊與具有領域專長的合作夥伴（懂得借力使力）
- 台灣有大量訓練有素的專業工程師
然而，報告中也預計這種增長可能會放緩，因為先行者沒有很多使用案例可以試驗和測試。之後這些先行者企業，將需要開始進行更多大膽的試驗，並為他們的使用創造更先進且客製化的模型，這可能會導致短期內模型部署率下降，但長期而言都會是正向的發展。
4-4. 模型部署速度顯著提升，利用 MLOps 平台縮短模型部署週期
在過去一年中，模型部署速度有了很好的改善。
超過 38% 的受訪公司，有能力在 1 個月內部署模型（去年這比例只有25%）
然而，接近 1/4 公司仍需要超過6個月的時間來部署，高達 14% 的受訪者甚至不確定何時能夠成功部署。
針對那些部署緩慢的企業，Algorithmia 公司建議導入第三方 MLOps 來大大彌補這一差距。根據其2022年的調查，購買第三方 MLOps 解決方案的企業，相比那些自己悶著頭開始的組織，部署一個模型所需的時間減少了 31％
根據他們的報告，這兩種企業部署的平均時間從 92 天下降到 64 天。
總體而言，部署速度的提高是令人鼓舞的，並也說明上述 4-3.提到的，企業希望比去年做更大規模的開發和部署模型是一個合理的期待。
如果企業希望達到與去年相同的模型部署速度，就必須縮短模型部署週期，並利用 MLOps平台，使其流程進一步運作和擴展。
➜ 延伸推薦閱讀： 具備跨職能協作的 MLOps 領導平台｜Dataiku | 一站式從DataOps 到 MLOps ，No-code 到 Full-code 設計都可以
下一篇幅，將回答你一定也很關心的4問題
- AI 落地挑戰：你遇到的挑戰是不是其他企業也有同樣狀況？
- 除了挑戰外，管理層或執行團隊內心最擔憂是什麼？躊躇不前的原因？
- 如果你沒有以上問題，接著你可能會問：「未來 AI 主要應用還有哪些面向？」
- 處在不同階段的企業該優先關注的事情都不一樣，「如何開始逐步升級？」
➜ 下一篇： 台灣企業部署 AI 模型最挑戰的3件事（含升級建議）
