準備好轉型了嗎？企業導入 AI 前的五個問答

在過去的 5 到 10 年間，人工智慧（Artificial Intelligence）一直是商業上廣泛討論的熱門話題。然而，近期隨著大型企業與新創公司一連串的技術推進，使得人工智慧不僅僅是大多數企業嘗試探索的主題，更成為了一項迫切需要認真看待並從中獲取實際價值的首要任務。

儘管對 AI 存在濃厚的興趣，許多公司仍缺乏明確的 AI 應用策略。即使對於發展相當成熟的 AI 應用案例，如需求預測、個人化服務和異常檢測等，許多企業的策略方向仍不明確，更何況是採用新興的生成式 AI 功能和大型語言模型（LLM)。

隨著現今企業面臨的競爭壓力日益增長，如何提升企業的營運韌性是每個業者都需要思考的課題。尤其創新應用的發展速度只會加快，企業如繼續採取觀望態度，有可能會導致 AI 冷感，而失去產業競爭優勢。然而，企業要能有效實現生成式 AI 應用並兼顧永續經營，需要的是高階主管的持續投資，並且內部需擁有一致的願景與支持，因此我們於本篇文章為您歸納每個企業組織都應該檢視並回答的五個問題，以協助企業加速探索 AI 投資所能帶來的價值。 

企業在計畫運用新興科技時，都應先定義好明確的目標，尤其並非企業內部每個部門都需要自行開發先進的 AI 模型。例如，一間金融服務公司可能決定開發和調整自家的詐欺偵測解決方案作為其主要的競爭優勢；同時，搭配購買現成的解決方案來優化客服中心。

釐清投資 AI 的動機可以確保企業在許多面向做出明確的選擇，像是投資項目與方式、要自建模型還是找合作夥伴，又或是購買 AI 解決方案等。檢視您的企業為何追求 AI 應用不僅可以使企業的 AI 投資與營運策略保持一致，還可以幫助簡化整個組織的決策過程。

以下舉例三個實際的企業案例，了解不同的 AI 導入與應用方法：

• 一家美國家居用品零售商選擇利用 Google Cloud 開箱即用的零售業搜尋解決方案，以省下數百小時的開發時間，並讓他們在數週內部署完成 AI 解決方案，開發團隊也能將注意力放在其他更高價值的計劃上。與基於規則的優化相比，採用 AI 強化後的搜尋功能使熱搜收入增加 10 %。
• Wendy's 溫蒂選擇利用 Google Cloud 的預訓練 AI 模型，以加速其自有數據的部署，節省數年的模型開發時間，更快導入 AI。對於 Wendy's 來說，加速模型開發至關重要，可以更快速回應加盟店相關的業務問題和商機，而無需等待 IT 從頭開始開發專案。 
• Etsy 採用 Vertex AI 和其他 Google Cloud 服務來建立端到端的機器學習 (ML) 平台，來提供最先進的搜尋、廣告和產品推薦功能等個人化體驗。團隊現在不僅能夠自由試驗他們選擇的 ML 框架，從想法構思到實際於平台進行 ML 試驗所需的時間預估將會縮短 50 %。 

大多數企業都處於 AI 旅程的不同階段，尤其現今 AI 技術已全面嵌入電子郵件、辦公室平台到供應鏈和各式各樣的軟體。不過從更具策略性的角度來看，AI 應用成熟的公司和剛開始導入 AI 的公司在 AI 使用上存在很大差異。問題二可以幫助企業確定目前內部的 AI 狀態，並檢視與目標間存在的差距。

以下分享 Google Cloud 在協助企業定義現階段的 AI 能力時，會使用的六個維度，以了解企業在平台、工具、資料存取和品質、文化和業務流程方面的 AI 能力。而這些維度不僅可以協助企業更熟練地掌握傳統 AI 技術，還可以幫助企業為生成式 AI 等新技術做好準備。

• 領導力：企業的 AI 策略在多大程度上得到領導者的支持，以及在團隊結構、預算決策和企業願景中的反映程度。
• 存取權限：組織如何將資料管理視為實現 AI 的關鍵，以及團隊共享、發現和重複使用資料與其他機器學習資產的能力。
• 安全：保護資料和機器學習服務免受未經授權的存取，包括控制、治理和其他確保負責任、監管和隱私標準的策略。
• 規模：企業使用雲原生機器學習服務的程度。這些服務需要可以隨著更多資料與模型和更快的資料處理而擴展，且不會影響品質。
• 自動化：正式上線資料處理和 ML 管道的自動化程度，以可靠地大規模訓練、部署、追蹤和監控 AI 模型。
• 學習：在技能提升、招募及與他人合作等面向的品質和規模，以確保組織擁有執行 AI 策略所需的人才和技能。 

企業透過這六個維度可以全面了解內部的 AI 能力狀況、需要改進的領域，並確定專案的優先順序。

儘管企業採用 AI 的急迫性越來越高，但在利用新技術建立財務韌性與營運韌性前，選擇正確的應用案例至關重要。以下幾個 AI 應用問題供企業參考：

• 您需要利用生成式 AI 來製作 20 萬個不同的行銷廣告，或者可以選用傳統的 AI 方法來優化廣告效果嗎？
• 是否值得對客戶生命週期價值進行建模付出大筆 AI 投資，儘管它可能不是一個重要的品牌差異化元素？
• 在投入資源開發進階需求預測模型之前，是否有與庫存和倉儲管理團隊就該模型如何適用整體供應鏈流程達成共識？是否建置足夠強大的資料基礎使得需求預測值得信賴？

如果企業未能訂出新技術投資的優先順序，而只是追求流行，最終的投資成效可能就會不如預期。那麼，企業究竟該如何確定 AI 應用案例的優先順序？ 

傳統上，企業可能會將專案的潛在價值與其所需的時間和精力進行比較。在這種方法下，通常會優先考慮低工作量、高價值的應用案例。應用到 AI 專案規劃，則建議比較「可行性」（feasibility）和「可操作性」（actionability）。換句話說，您的資料量和 AI 是否足以建立可用模型？如果可行，您的業務和營運團隊能從中獲益多大？ 

透過這個新的評估框架，企業可以更輕鬆地對 AI 應用案例進行排序。企業也能自行為該框架添加其他維度，像是正式上線模型的潛在價值（即 AI 投資報酬率）和導入新模型的成本（即部署每個模型的成本）等。 企業現今有許多部署AI 應用的方式，但如何選擇並整合現有的技術和數據，可能是決定企業能否成功實現目標的最大因素。

企業建模後但卻從未上線使用的風險是真實存在的，與其一頭栽進建模，投資現代化 AI 平台或許更為值得。正確的 AI 平台以及正確的營運模式可以顯著降低正式上線的成本和時間，像是部署 AI 的成本便能大幅下降。

日本通訊和印刷公司 Toppan 透過從地端人工 AI 解決方案轉向 Google Cloud 提供的 AI 平台 Vertex AI，將建模和預測成本降低了90%。此外，Vertex AI 的預訓練模型準確性更高，可以更有效地應用於日常專案。在此之前，只有工程師和資料分析師參與 AI 使用，但如今透過 Vertex AI 介面設定，行銷人員也可以直觀地使用該工具，有效地在整個企業組織中實現 AI 民主化。 

建立責任制（accountability）是企業成功 AI 轉型的關鍵，有助於企業將每個任務對應到明確的績效指標和營運成果。正確的 KPI 可以幫助企業找出轉型瓶頸，並確保 AI 投資不斷優化。此外，設定用量與花費監控來提高跨團隊在雲端和 AI 服務支出的可見性，對於控制成本也很重要。特別是，將使用量分配回各個團隊可以幫助內部控制成本，同時確保它分配的公平性與合理性。

本文編譯自 Google Cloud Blog