領導者的數位轉型(中)

領導者的數位轉型
第三章 人工智慧工廠

▷即使生產的工業化已然實現，但分析與決策大致上然仍然是傳統且高度個人化的流程。隨著人工智慧時代的到來，促使公司展開新的一波的根本性轉變，將資料蒐集、分析與決策予以工業化，改造了現代公司的核心，使其轉變為我們所謂的「人工智慧工廠」(AI factory)。

▷人工智慧工廠是個能夠促進規模化的決策引擎，驅動二十一世紀公司的數位型營運模式，越來越多經營管理決策被內建在軟體之中，將許多以往由員工執行的流程數位化。在Google或百度，再也不用由拍賣官管理每天數百萬筆搜尋廣告的進架流程；在滴滴出行、客來吧(Grab)、來福車或優步，在也不用由派車原來決定該派哪輛車往顧客指定地點；在亞馬遜，高爾夫球的每日價格不再是由運動服飾零售商訂定；在螞蟻集團，每筆貸款的審核不再是由行員執行。

上述流程都已經轉交由人工智慧工廠以數位方式執行，把決策視納入工業化生產流程，有系統的把內部及外部資料轉化成預測、洞察及選擇，指引種種營運行動，甚至把這些營運行動自動化。這使得數位型公司具有更優異的規模、範疇及學習能力。

▷數位型營運模式有多形式，在一些案例中可能只是管理資訊流(例如螞蟻集團、Google、臉書)，在另外一些案例中則是引導公司建造、傳遞或操作實體產品的方式(例如奧凱多、亞馬遜、從Google獨立出來的自動駕駛車Waymo)。不論採取何種形式，人工智慧工廠都是數位營運模式的核心、指引著最重要的流程及營運決策，而人員則從價值傳遞的主要途徑中移出，移至邊緣。

▷從本質上來看，人工智慧工廠能夠創造出使用者互動、資料蒐集、演算法設計、預測與改進之間的良性循環，包括：

1. 更多的資料：人工智慧匯總來自多個不同源頭的資料，這些資料可能來自公司內部或外部。
2. 更好的演算法：組織可以用這些資料去訓練與精進演算法，這些演算法不僅能夠做出預測，也能夠用資料去改進自身準確性。
3. 更好的服務：這些預測結果可以透過通知人類從中獲得洞察，也可以透過自動化流程做出反應，從而影響組織的決策與行動，提供更符合顧客需求的服務。
4. 更高的使用量：透過嚴謹的實驗規則來檢驗先前有關顧客型態變化、競爭者反應、流程變動等各方面的假設，這些規則可以辨別各種變數間的因果關係，用來改善系統。

▷最終，顧客實際使用情形、預測的準確度、所帶來的效益等相關資料會被輸送回系統中，進一步增進系統學習及預測能力，並且不斷重覆這樣的良性循環。

▷顯然地，上述資料無法交由少數分析師用人工方式處理，甚至無法用一般組合語言進行分析。但人工智慧工廠能夠解決這個問題，它將規模化生產方式應用在資料處理及分析上，藉此打造一個以數位型營運模式為核心的組織。接下來以網飛為例，深入探討人工智慧工廠的本質。

△網飛也透過更進階的分析，預測影響顧客忠誠度的因子。為了增加訂閱戶的看片時間，降低顧客流失率，網飛使用人工智慧推出一種功能，自動播出一部影集的下一集，或推薦同類型的電影。如今，類似這樣的客製化及個人化服務已經變得非常普遍。

△網飛也使用資料及演算法來決定自家公司的創作內容。該公司首次於2013年運用預測性分析功能，評估與獨立製片商媒體權資本公司(Media Rights Capital)合作推出<紙牌屋>(House of Cards)得客群潛力，這部影集是描述一位參議員如何進軍白宮的虛構故事。網飛的原創內容副總荷蘭(Cindy Holland)在受訪時指出：「我們運用預測模型幫助我們了解一個構想或特定議題的潛在觀眾群有多大。我們有一個作品體裁結構模型，能幫助我們知道哪些領域的節目有商機。」

△網飛及其它領先公司的經驗，凸顯出人工智慧工廠的一些基本組件的重要性

1. 資料匯流(data pipeline)：此流程以有系統、可持續、可規模化的方式，蒐集、輸入、清理、整合、處理與保全資料。
2. 開發演算法(algorithm development)：演算法產生有關於事業的未來狀態或行動的預測，這些演算法及預測是數位型公司運作的心臟，驅動一家公司最重要的營運活動。
3. 實驗平台(experimentation plaftform)：透過實驗平台機制，人工智慧工廠可以檢驗有關預測及決策的各種假設，以確定演算法建議的改變方案。
4. 軟體基礎設施(software infrastructure)：這些系統把資料匯流嵌入一個堅實的模組化軟體和運算基礎設施裡，並視需要及適切性，把它連結至內部及外部使用者。

▶若說資料是人工智慧工廠的燃料，那麼基礎設施就是傳送燃料的管路，演算法就是執行工作的機器，實驗平台則是把新燃料、新管路與新機器連結至現有營運系統的閥門。

△資料匯流(data pipeline)

• 「資料化」是指有系統的從任何事業自然進行的活動與交易中取得資料。
• 試圖建立人工智慧工廠的傳統型企業往往會發現，它們手中擁有的資料不僅片斷零散、缺乏完整性，而且經常是分散而孤立的存放在各部門IT系統。

△開發演算法(algorithm development)

• 蒐集與準備資料後，使資料變得有用的工具是演算法。演算法是機器處理資料時所遵循的一套規則，用以做出決策、產生預測或解決特定問題。 
• 請想像一下，我該如何分辨分析顧客是否可能棄用某服務(例如取消網非會員資格)。首先，預測演算法將顧客流失率視為各種變數的函數(這些變數包括：使用率、滿意度、人口統計特性、其它用戶的關係或相似性等等)，接著根據以往顧客資料做出調整，測試哪些變像可以準確預測顧客的目標行為。最後，演算法被部屬成經理人的一項分析工具，或是營運流程中的一個步驟(例如自動對可能流失的顧客提供特別優惠)。 
• 網飛在各種情境中使用監督式機器學習。在影片與節目推薦方面，該公司使用一個群集的行動與結果(例如挑選及按讚表示喜歡的電影)構成的標注資料集，對一個被演算法視為與這個群集相似的特定用戶做出推薦。根據用戶及決策脈絡等等特徵來建立一個用戶選擇大資料集，可以產生有效的推薦。這種協調過濾演算法(collaborative filtering algorithm)被用於種種推薦，包括亞馬遜的購物引擎及Airbnb的媒合引擎。