從數位化邁入智慧化世代 企業落地AI應用挑戰仍大

隨著人工智慧(AI)技術發展日趨成熟，企業對於發展AI已由探索期，逐漸進入落地AI應用的階段。然企業在導入AI之際，也開始面臨隱私權、效益評估、可信度等挑戰。近年產業AI化的腳步加快，為滿足更多應用場景，市場也陸續提出解決AI應用痛點的技術/方案。2022 Taiwan AI EXPO開展在即，請隨DIGITIMES Research一起catching the waves，透視AI大趨勢。

AI產業涉及的技術與應用領域廣泛，依產業價值鏈結構大致可分為五大環節，依序為基礎運算資源、數據資料、機器學習(Machine Learning；ML)模型演算法、AI通用技術，以及基於企業需求的各種AI應用方案。

然而AI應用情境差異甚大，對普遍缺乏足夠AI領域知識(domain knowledge)的中小企業而言，難以將位居AI產業鏈中上游的解決方案，直接導入至企業內的AI應用場景。DIGITIMES Research觀察目前企業發展AI應用面臨的主要挑戰包括：

隱私意識高漲：由於數據隱私意識高漲，數據流通性已受法規保護，且特定用途數據採集不易，使得企業無法取得足夠數據發展ML模型。
 

ML模型開發不易：當企業取得充足數據後，基於隱私考量，多傾向以內部AI開發人員及開發環境發展客製化的AI應用。然典型ML模型開發過程繁瑣，對缺乏AI知識與人才的企業而言，須尋求簡化的AI開發方案來加速發展AI應用。

AI決策過程缺乏透明度：許多AI應用已能在極短時間內處理大數據、自行學習並提供決策建議，讓許多企業自此改變營運思維模式。然而，目前AI應用的系統卻無法向人類解釋其決策背後推論成因，因此被稱為黑盒子AI(black box AI)。

客製程度不足：位居AI產業鏈中上游的解決方案多由科技大廠主導，然因客製化程度不足，無法即時滿足企業發展AI應用所需。

現階段AI產業各技術/方案

DIGITIMES Research觀察，為降低企業發展AI應用的阻礙，現階段AI產業以聯合學習架構(Federated Learning；FL)、自動機器學習(AutoML)、XAI(Explainable AI)、大型NLP(Natural Language Processing)模型(如GPT-3)等技術方案，以改善數據採集不易、ML模型開發過程繁瑣，大廠方案客製化程度不足、AI決策過程缺乏透明度等痛點。

聯合學習架構：以分散式(decentralized)運算讓用戶參與AI模型訓練，因用戶不需上傳數據，而是上傳訓練後的模型成果，因此可確保數據安全和隱私，亦能讓用戶僅以自有少量數據仍可共享所有成員共同訓練出來的模型。

自動機器學習：利用ML技術來簡化典型ML模型開發流程中的繁瑣步驟，將重複性的開發任務交由自動化系統來完成，可讓缺乏AI專業人才的企業也能順利完成ML模型開發，進而發展出AI應用。

XAI：目前被稱為黑盒子AI (black box AI)的AI系統無法解釋其決策背後推論成因，而XAI是一套能讓企業理解AI如何做出決策及其工作原理的一組工具和技術。XAI在提出決策建議時，可同時產出該AI系統的解釋資料，如導入AI應用前後的差異，有利企業掌握模型溯源，適合應用於醫療保健、金融管理等需確保決策過程透明的領域。

GPT-3：當前最具規模的跨領域通用語言模型(language model)，可讓有特定自然語言處理(Natural Language Processing；NLP)應用需求的用戶不需特定標註語料及訓練過程，並直接利用GPT-3所提供的應用程式介面(Application Programming Interface；API)，進行如機器翻譯、程式編寫與文章寫作等跨領域應用，有助降低企業發展NLP應用的進入門檻。

總結近期技術進展，DIGITIMES Research認為未來AI產業發展將圍繞在生成技術架構、流程自動與透明化、以及通用語言模型等趨勢，並延伸出各式平台化開發解決方案，特別值得注意的是，GPT-3等通用語言模型的發展最初以人類自然語言文字為主，近期逐漸發展出視覺語言(vision language)，可同時處理視覺、聽覺及語言理解，進而生成圖文或看圖問答等多模態(multi-modal)任務，可預期未來將有助下游企業加速導入AI技術、發展智慧化應用，進一步推進產業AI化進程。