人臉辨識、智慧語音助理、機器翻譯、聊天機器人、商品銷售自動化推薦…..，當人工智慧（AI）開始進入我們的日常生活，勢必也將大幅改變各個行業的面貌，在AI產業化、產業AI化的浪潮中，究竟什麼產業導入AI的腳步較快？影響AI應用落地的關鍵因素又有哪些？
根據市場調查機構IDC公佈的2020年台灣市場十大ICT趨勢預測，前兩名由AI包辦，分別是「融合式AI世代來臨」及「AI運算走向端雲共生」，而台灣企業的AI採用率在2021年將達到4成，其中消費裝置、製造、醫療、汽車、智慧城市等，將是AI端雲共生的重點應用產業。
台灣大學副校長陳銘憲表示，AI帶來的科技典範轉移，已經是擋不住的潮流，尤其隨著硬體愈來愈便宜、儲存愈來愈大、頻寬愈來愈快，在個人化與智慧化的科技浪潮中，AI將扮演關鍵角色，也有機會改變台灣科技產業重視成本與效能的傳統工程思維，創造截然不同的產業價值鏈。
陳銘憲認為，AI的市場機會有兩大方向，一是將 AI 加入既有產業的產業AI化，一是由 AI 技術產生新的服務的AI產業化，未來 AI 可以投入的方向主要有醫療、製造、服務，這三個領域都有一個共通點，就是要從垂直領域的使用情境，倒推回去看 AI 可以如何協助，要做到這一點就需要對產業有很深的了解，做到以使用者為中心（user-centric）且好用，如何將自然語言處理（NLP）、電腦視覺等AI技術，結合各行業的領域知識去發展智慧服務，還有很大空間。
各行各業垂直應用逐漸爆發
台灣人工智慧學校執行長陳昇瑋分析，AI歷經三個階段發展，第一波在1950~1960年代，科學家試圖把人的思考邏輯放進電腦，第二波在1980~1990年代大力發展專家系統，希望把人的知識放進電腦，結果都失敗，第三波自2010年代至今，掀起機器學習的浪潮，把人的經驗放進電腦，由領域專家提供歷史紀錄，讓電腦自己歸納，最後終於有了突破，同時並以飛快的速度持續演進中。
陳昇瑋認為，我們可以把人工智慧想像成網際網路，它就像電跟火一樣，是所有產業都需要的，而且可以應用於任何產業；現階段以電商、金融、製造、醫療這些產業走得比較快，至於線下零售、服務業就要取決於歷史資料是否足夠與到位。
以醫療業來說，醫療診斷就很適合AI，因為資料很乾淨，人類在生病時都很聽話，且場域設備都是自己的；但以零售業來說就比較難，因為消費者可能有好幾個帳號，甚至不是用自己的帳號買的。整體來說，醫療業是在預測現在，零售業則是預測未來，至於金融業要預測20年內是否破產，難度就更高了。
沛星互動科技（Appier）執行長暨共同創辦人游直翰認為，AI還在非常早期的萌芽階段，未來10~20年可望進入黃金成長期，企業可以透過「資料完整度」與「產業成熟度」兩個關鍵面向著手，目前在服務業、製造業、醫療業的應用較多，但未來各行各業都能用AI創造更多的可能性，還有很多爆發力道。
機器學習不是魔術，找出規則與關聯性
Appier首席機器學習科學家林守德坦言，AI的入門很簡單，但精通很難，現在有很多開放的工具及資源，做預測模型並不難，但要能夠做到易用、成效佳且使用體驗友善就不是一件容易的事；AI要做到60分很容易，但從可以展示概念到深化到客戶可以接受的產品，兩者之間的鴻溝很大，如何從60分到90分，這30分的差距就是AI競爭的決勝點。
陳昇瑋強調，機器學習不是魔術，基本上就是給電腦已知與未知，讓它找出規則來，只要關連性夠強就做得好，多數AI應用說穿了就是讓機器學會一個對應關係。今天的AI還有很遙遠的路要走，大家不要輕忽但也不要高估它，例如現在電商用AI取代人力寫商品文案、做視覺設計，銀行用AI做客服及審核文件，在各行各業邁入自動化與智慧化的過程中，藍領階級與白領階級都會受到衝擊。
他坦言，目前產業AI化面臨不少挑戰，包括缺乏實戰人才、資料基礎建設不足、找對問題不簡單、產學之間有一定程度的鴻溝，其中最關鍵的還是在於缺乏實戰人才。
事實上，現在許多AI公司或各行各業都開始挖掘AI人才，但並沒有意識到需要什麼樣的AI人才。林守德指出，AI 公司需要三種人才，第一是數據科學/AI/機器學習科學家，第二是資料分析師，可協助企業抽絲剝繭、找到問題核心，第三是AI後端工程師，如果能對應這三類人才的職能，進行相應的技能訓練，將學界的知識與技術帶到業界，再把業界的應用場域提供給學界，這樣產學之間的銜接會更好。
（本文原刊登於數位時代未來商務頻道）
