速食AI遍地有 欠缺領域知識的AI有何用?

作者: 黃繼寬
2019 年 04 月 13 日

然而,隨著時序進入2019年,有些以AI為創業題目,或是原本在別的領域耕耘,後來看見AI話題火紅,想來沾AI光的新創業者,已經資金燒盡,創辦者不是想把自己的公司賣掉,就是開始裁員。這些現象顯示,開發AI應用是一回事,要從這些應用變現則是另一回事。

為何AI應用這麼難賺錢?就筆者觀察,這個現象背後的原因有二,一是想用AI解決的問題牽連太廣,除了技術之外,還有商業模式、法律、金融保險等領域的問題需要解決,以一家新創公司之力,根本難以克服。另一個原因則是,有商業價值的應用題目多半與垂直領域的知識密切相關。如果一家AI只懂AI技術,根本解決不了客戶的問題,自然無法讓客戶為產品/解決方案掏出荷包。

AI不是新玩意 速食AI非難事

如果不把統計學領域發展出來的核心知識當作AI發展的起點,而是以艾倫圖靈(Allen Turing)提出圖靈測試的觀念開始,學術圈對人工智慧的研究跟投入,已經有七十多年歷史。如果把許多人工智慧演算法所使用的統計學工具、方法當作人工智慧的發端,則相關技術的發展歷史,已經超過一個世紀。

不管是七十多年或一百多年,以科技業的時間尺度來說,都絕對稱得上是骨董級。這麼漫長的時間所累積、沉澱的知識,加上網路發達跟開放原始碼風潮,有心人要在網路上檢索相關資訊,靠自我進修學AI,絕對是不成問題的。如果在學校念的是數學、統計相關科系,學習各種AI工具的過程,只會更駕輕就熟,因為當前的AI,核心其實是統計跟數學,只是改用程式語言或程式框架來表達。

對大多數資訊科系出身的人來說,學會如何使用AI工具並非太困難的事,但要開發一款AI工具或框架,則是另一回事。統計跟數學都是很高深的學問,要開發AI工具,必須有很紮實的統計跟數學底子,無法速成。所幸對大多數人來說,只要學會如何使用AI工具來解決問題就夠了,不用深入到自己開發AI工具。

但也因為AI工具的使用門檻其實不高,因此產生了「全民瘋AI」的奇怪現象,很多資訊工程背景的工程師投入AI相關產業,或是透過自主進修掌握了AI工具的使用方法,就開始想利用AI來解決問題,創造商業價值。但這其實是一種過度簡化跟跳躍的思維。

AI工具必須與領域知識結合

AI只是一種工具,要用這個工具解決什麼問題,決定了AI工具的商業價值。就像一把菜刀,在廚藝普通的你我手上,大概只能用來切肉切菜,但職業大廚卻可以用來發揮各種刀工,讓食材變得更美、更好吃。而廚藝普通的一般人跟職業廚師最大的差異,就在於對烹飪這門技藝的領域知識(Domain Knowledge),有著極大的落差。

以半導體、電子業使用AI的成功案例來看,目前AI在產業界最成功的應用在於自動分析大量資料,找出不同資料之間的關聯性,但也僅止於此。一般的AI工具沒辦法告訴使用者,資料的關聯性背後的原因跟其所代表的意義,除非其所使用的AI工具已經結合了特定領域的專業知識。

以IC設計為例,晶片設計工程師在開發晶片時,會需要EDA工具執行大量電路設計模擬,從許多可能的設計方案中,找出效能最好,或結果最符合設計目標要求的設計方案。這個過程需要極大的運算量,同時也會產生大量資料,AI輔助工具可以幫IC設計工程師爬梳出這些資料的相關性,但AI無法告訴晶片設計者,為何資料之間的關聯性會如此分布,因為這涉及了IC設計的領域知識。

在產品測試端,其實情況也類似。不管是晶片或系統產品,在生產過程中或生產完成,進行測試時,都需要經過少則數項、大則數十項、數百項檢測。在真實世界裡,產品缺陷或失效,常常是以群落的形態出現,例如某個檢測項目A不通過,則檢測項目C、D不通過的機率很高,但如果A項目不通過,檢測項目B就很少出問題。AI輔助工具可以幫檢測工程師分析這些資料,找出不同缺陷或失效之間的統計關聯性,但卻無法解釋為何會是這種狀況,因為這也涉及了領域知識。

「知其然,不知其所以然」是目前AI輔助工具在產業應用上最大的問題。因為不知其所以然,所以無法幫助或建議工程團隊下一步該採取什麼行動來解決問題。對AI輔助工具的使用者來說,這種「做半套」的解決方案吸引力有限,工具的供應商自然不容易賺到錢。

有領域知識的工程師最該學AI

在AI工具上手容易,領域知識卻需要靠時間累積的情況下,同樣是會使用AI工具的工程師,身懷領域知識的工程師,身價跟不具備領域知識的工程師相比,自然不在同一個水準上。目前科技業界大喊欠缺AI人才,其實話只說了一半。企業需要的是「具備領域知識」的AI人才,而不是現場實務白紙一張,只懂AI工具的資工人才。

最近有些發展AI應用的新創公司之所以資金燒完,面臨解散或必須把自己賣掉,靠新資金挹注繼續營運的命運,關鍵就在這些新創公司大多是不具備特定領域實務經驗,只懂IT技術的創業團隊,所以他們提出的方案,對客戶而言很難搔到真正的癢處。另一方面,有些企業決定自己培養AI人才,把公司內資工背景的資訊人員送去培訓,也很容易犯了同樣的錯誤。公司裡的IT工程師或MIS,畢竟還是跟產品的研發、製造實務有段距離,同樣有缺乏領域知識的問題,只是狀況外的程度有所差別。

對製造業來說,真正該去學AI的,是負責產品或製程相關研發的工程師,因為這些工程師才有領域知識。正因為AI工具只知其然,不知其所以然,所以需要工程師們的專業知識來解釋這些結果背後的意義,進而找出行動方案。這樣才能讓企業把AI導入到日常運作中。

然而,要製程或研發工程師去學AI、做AI,對許多企業來說是相當具有挑戰性的,因為這些RD工程師平常就已經非常忙碌,要他們再花時間去學AI,進而投入AI工具的二次開發,對企業來說,是很大的投資跟負擔。而且,這些具備AI工具使用、二次開發能力,又有領域知識的工程師,將會是其他同業搶著要的熱門人才,對企業主來說,這樣的育才投資,會不會變成為他人作嫁,又是一個需要審慎考慮的問題。

AI產業進入盤整期 從業人員回頭紮馬步

從2016年開始的AI新創風潮,到現在已經過了兩年多時間,有些未能找到有效商業模式的AI新創公司,已陸續解散或被其他企業收購。2019年將是AI產業盤整、收斂的一年。在這個過程中,很多具備AI使用能力的資訊工程師,不是得轉換跑道進入產業,就是順著公司被收購,有機會接觸到產業運作的實務。這對AI技術的普及應用來說,未嘗不是件好事。

其實,科技業界並不需要那麼多開發AI工具或模型的人力,因為這其實是學術性質很濃厚、很理論的工作,由學術界或幾家世界級大廠來做,也就夠了。懂得使用AI工具的資訊工程師,如果能利用這個AI盤整的機會,投入其他產業,對產業發展跟個人職涯,都是更有幫助的事。但對資訊工程師來說,如果要投入其他產業,最要緊的是要盡速補足產業所需的領域知識,把馬步紮穩了,才能成為企業搶著要的即戰力。

》想看更多內容?快來【免費加入會員】【登入會員】,享受更多閱讀文章的權限喔!
標籤
相關文章

小巧/低功耗特性亮眼 Edge TPU鎖定邊緣應用

2018 年 11 月 19 日

布局AI邊緣運算商機  IP/晶片/儲存業者各有千秋

2018 年 07 月 02 日

資安攻擊層出不窮 新創AI產品紛紛問世

2018 年 12 月 23 日

突破尺寸/功耗/效能天險 智慧推論晶片迎接新典範

2020 年 06 月 13 日

智慧醫療方興未艾 AI抗疫喜迎順時鐘效應

2020 年 06 月 29 日

虛擬賞屋/AI估價大行其道 房地產業加速擁抱數位科技

2021 年 10 月 23 日
前一篇
Bureau Veritas桃園分公司官網全新改版
下一篇
AI應用水漲船高 FPGA邊緣運算完美達陣

登入會員

本站程式甫於2022.5.5更新,
所有舊會員必須先點擊:
忘記密碼 進行密碼確認後,才能正常登入。

上述動作目的在於確保帳號安全性,造成不便懇請見諒。如您已重設過密碼,請忽略此訊息。