0%
最後一期，我們即將為您帶來 IBM AI 階梯方法論，透過四步驟完整了推動 AI 技術的發展。想知道更多關於階梯方法論的哪四大步驟嗎？趕緊往下閱讀完整文章，教會您成功的寶貴經驗！
正如我們在課程開頭為您作的說明，“資料”是推動企業數位轉型的新能源，要釋放資料的價值，必須透過人工智慧（AI）、機器學習（ML）和深度學習（DL）等方法來實現。然而，對於企業來說，要廣泛性地採用人工智慧仍然是一項艱巨的任務。想要將人工智慧的應用成功地融入在企業營運流程中，企業必須克服三大挑戰：資料的複雜性、人才的稀缺性以及對人工智慧系統的信任度。
作為長期致力於推動 AI 技術發展的 IBM 公司非常清楚這些挑戰的重要性，為協助企業克服這些難題，IBM 從過去大量 AI 專案中獲得的寶貴經驗，設計出一個成功導入 AI 的方法論，稱之為“AI 階梯 (The AI Ladder)”。這個方法論為企業成功導入 AI 提供了框架，協助企業更順利地將對 AI 的願景轉化為真正的商業成果。這個如同階梯般拾級而上的的概念與步驟，讓企業可以透過統一且自動化的方式來收集資料、組織資料、分析資料，並將這些資料轉化為提升企業洞察力的能源。此外，IBM 也利用這個方法論為其 Data and AI 產品定義了一個清晰的技術發展藍圖，藉以協助企業加速人工智慧的旅程。
AI 階梯由四個階段（或稱為“階梯”）組成。第一步，收集資料 (Collect)，也就是讓企業能更輕鬆地取得需要的資料。這些資料可以來自各種來源，包括公開資源 (Public sources)、公有雲 (Public clouds)、私有雲 (Private clouds)、企業內部伺服器等，並以多種不同格式儲存。但由於技術、監管或其他原因，並非所有資料都能順利取得。因此，AI 階梯的第一步著重於從各種來源收集所有類型的資料，並在符合內部政策和監理要求的條件下，盡可能供應這些資料給需要的使用者。此外，這個階段還關注於無論資料的來源或類型，都能透過統一的方式存取及使用這些資料，也就是說，當企業實現了這個階段的工作，使用者將無需為資料整合的問題所煩惱。
第二步，組織資料 (Organize)，這個階段的重點是透過內建的資料治理、資料保護與合規性能力，為企業建立一個值得信賴、業務就緒 (Business-ready) 的分析基礎。如果您有機會看一下手邊的資料，通常會發現大多數的資料都存在一些類似的問題，例如：定義不清楚 (Ambiguity)、缺失值 (Missing values) 以及明顯不正確的值。此外，除了這些必須解決的資料品質問題，去除重複資料 (Redundancies) 和解決互相矛盾 (Contradictions) 的資料，同樣也是重要的課題。因此，為了確保資料的一致性和可靠的品質，企業必須建立適當的資料治理 (Data Governance) 程序，確保資料來源被清楚地記錄下來，以及對各種資料進行有條不紊的編目管理 (Cataloging)。同時，企業必須確保敏感性資料能夠始終保持其私密性，並保證資料存取的安全性。
在適當地收集和組織必要的資料後，企業應該已經準備好將這些資料應用於人工智慧的使用情境中。因此，AI 階梯的第三步，分析資料 (Analyze) 的重點是協助企業使用人工智慧從資料中獲得洞察力，藉以實踐數位轉型。為此，企業必須遵循人工智慧的生命週期管理 (AI lifecycle) 通則。廣義而言，人工智慧的生命週期管理包括三個階段：
這個階段的目標是建立適合解決問題的人工智慧演算法或模型，除了訓練模型之外，我們還必須選擇和評估適當的模型，以確保最終選擇的模型能夠有效地解決手頭的問題。
當一個模型被建立並測試完畢後，它需要被投入到企業營運環節中。通常，模型會成為複雜的應用工作流程或業務流程的一部分。在這個階段，我們的關注焦點是確保模型面對“真實世界”的資料時，能夠做出正確的判斷和預測。
模型一旦被投入到企業營運的環節，就必須持續地進行評估，以確保模型的使用與企業關鍵績效指標 (KPI) 維持一致。在這個階段，為了避免決策上的偏差並提高透明度，企業必須精準理解和解釋模型決策的過程，以及為什麼它會做出這些建議。
AI 階梯的最後一步，注入 AI (Infuse)，這是人工智慧被“落實於營運環境 (Operationalized)”的關鍵階段。換句話說，AI 模型被部署到整個企業的正式營運環境系統中，並在高度品質、少量錯誤、滿足服務水準協定（SLA）的標準下，完成預期的推論工作。此外，整體模型使用上的反饋回路 (Feedback loops) 必須到位，以確保模型品質不會隨時間推移而降低。企業必須思考如何將 AI 融入於工作流程中，從每個部門、每個業務流程、甚至融入到每個關鍵活動中，以發揮出人工智慧真正的價值。儘管為了實現 AI 階梯的最後一步可能需要對企業現有的工作流程進行重大調整，這些流程改造雖然複雜且難以執行，但這也是邁向 AI 驅動型企業數位轉型的最後一步。
參考資料：無
