从数码化迈入智能化时代 企业落地AI应用挑战仍大

随着人工智能(AI)技术发展日趋成熟，企业对于发展AI已由探索期，逐渐进入落地AI应用的阶段。然企业在导入AI之际，也开始面临隐私权、效益评估、可信度等挑战。近年产业AI化的脚步加快，为满足更多应用场景，市场也陆续提出解决AI应用痛点的技术/方案。2022 Taiwan AI EXPO开展在即，请随DIGITIMES Research一起catching the waves，透视AI大趋势。

AI产业涉及的技术与应用领域广泛，依产业价值链结构大致可分为五大环节，依序为基础运算资源、数据数据、机器学习(Machine Learning；ML)模型演算法、AI通用技术，以及基于企业需求的各种AI应用方案。

然而AI应用情境差异甚大，对普遍缺乏足够AI领域知识(domain knowledge)的中小企业而言，难以将位居AI产业链中上游的解决方案，直接导入至企业内的AI应用场景。DIGITIMES Research观察目前企业发展AI应用面临的主要挑战包括：

隐私意识高涨：由于数据隐私意识高涨，数据流通性已受法规保护，且特定用途数据采集不易，使得企业无法取得足够数据发展ML模型。
 

ML模型开发不易：当企业取得充足数据后，基于隐私考量，多倾向以内部AI开发人员及开发环境发展定制化的AI应用。然典型ML模型开发过程繁琐，对缺乏AI知识与人才的企业而言，须寻求简化的AI开发方案来加速发展AI应用。

AI决策过程缺乏透明度：许多AI应用已能在极短时间内处理大数据、自行学习并提供决策建议，让许多企业自此改变营运思维模式。然而，目前AI应用的系统却无法向人类解释其决策背后推论成因，因此被称为黑盒子AI(black box AI)。

定制程度不足：位居AI产业链中上游的解决方案多由科技大厂主导，然因定制化程度不足，无法实时满足企业发展AI应用所需。

现阶段AI产业各技术/方案

DIGITIMES Research观察，为降低企业发展AI应用的阻碍，现阶段AI产业以联合学习架构(Federated Learning；FL)、自动机器学习(AutoML)、XAI(Explainable AI)、大型NLP(Natural Language Processing)模型(如GPT-3)等技术方案，以改善数据采集不易、ML模型开发过程繁琐，大厂方案定制化程度不足、AI决策过程缺乏透明度等痛点。

联合学习架构：以分散式(decentralized)运算让用户参与AI模型训练，因用户不需上传数据，而是上传训练后的模型成果，因此可确保数据安全和隐私，亦能让用户仅以自有少量数据仍可共享所有成员共同训练出来的模型。

自动机器学习：利用ML技术来简化典型ML模型开发流程中的繁琐步骤，将重复性的开发任务交由自动化系统来完成，可让缺乏AI专业人才的企业也能顺利完成ML模型开发，进而发展出AI应用。

XAI：目前被称为黑盒子AI (black box AI)的AI系统无法解释其决策背后推论成因，而XAI是一套能让企业理解AI如何做出决策及其工作原理的一组工具和技术。XAI在提出决策建议时，可同时产出该AI系统的解释数据，如导入AI应用前后的差异，有利企业掌握模型溯源，适合应用于医疗保健、金融管理等需确保决策过程透明的领域。

GPT-3：当前最具规模的跨领域通用语言模型(language model)，可让有特定自然语言处理(Natural Language Processing；NLP)应用需求的用户不需特定标注语料及训练过程，并直接利用GPT-3所提供的应用程序界面(Application Programming Interface；API)，进行如机器翻译、程序编写与文章写作等跨领域应用，有助降低企业发展NLP应用的进入门槛。

总结近期技术进展，DIGITIMES Research认为未来AI产业发展将围绕在生成技术架构、流程自动与透明化、以及通用语言模型等趋势，并延伸出各式平台化开发解决方案，特别值得注意的是，GPT-3等通用语言模型的发展最初以人类自然语言文字为主，近期逐渐发展出视觉语言(vision language)，可同时处理视觉、听觉及语言理解，进而生成图文或看图问答等多模态(multi-modal)任务，可预期未来将有助下游企业加速导入AI技术、发展智能化应用，进一步推进产业AI化进程。