文／吳怡銘,PMP

當鋼鐵人對著AI管家Jarvis天南地北的尬聊，那股虛幻與現實的神對答場景是不是令你印象深刻！好萊塢的電影情節讓全球企業對於AI和大數據趨之若鶩，以為一機在手可以解決所有的商業問題，進而帶來高獲利。然而，美夢真的是這樣嗎？答案是可以，商機的背後得付出相對應的條件與代價。

相信大多數的人都會對AI抱有憧憬，覺得很科學、很玄奇，以為他就跟人類一樣能思考並且對答如流。對此，數據決策公司數據科學家尹相志開門見山的說，「很多對AI的想像都是受到好萊塢電影的影響，得記住一個原則，電影裡能做到的真實世界通通能做到，但是直到現在還沒有任何一台機器可以自行思考。」

「是不是有種美夢被戳破的感覺」尹相志點出，「AI到底是在做些什麼？簡單來說，目前大概99%以上稱之為『監督式學習』，你要餵給AI一個Input，他就會吐一個Output給你。」

數據分析是懂得與人溝通的科學
也就是說，要教導AI，必須不斷地丟進輸入(Input)，AI方可回應輸出(Output)，其中輸出如果跟答案有落差，就繼續給Input，一來一往，經過幾千次、幾萬次，甚至幾百萬次、幾千萬次，把落差越修越小後，「此時，再給予Input，Output就會離你要的答案越來越貼近。」

「第一，要有明確的Input和Output；第二，Input要有數據；第三則是Output通常是人類的答案。」尹相志認為一個好的AI必須要有這三個要件，「不只要有數據還要有答案，該答案雖然藉由AI傳遞出來，也應是模仿人的行為。以蘋果手機的Siri來說，語音識別就是輸入你的聲音，輸出則是你想要的文字，光是這兩句話的字面意思就是一個學習，『我怎麼知道這個字是什麼意思』、『我怎麼知道這個聲音是什麼意思』，都是得先人為寫出來，必須要有人的答案。現在大家看到都是後端光鮮亮麗的一面，前端的運作幾乎都忽略，而此往往才是最重要的。」

尹相志表示，現在很多數據科學家會有一個通病，所以在區分是初學者還是有經驗的人變得重要。一旦問題出來，會講出一堆決策樹(Decision Tree)、卷積神經網路(CNN)的演算法專有名詞出來，這類鐵定是菜鳥，他的眼界只放在算法上。「數據科學是要用數據解決問題的科學，必須要懂得問題的困難點在哪裡？該處理的地方在哪邊？不是一直拘泥於算法。」

問對問題有利商業分析結果
他舉例常見的電信產業顧客流失分析來說，常見的合約落在24個月，如果將商業分析的問題放在「顧客期滿24個月會不會解約」，準確率通常都很高，因為根本就問錯問題，到底目標是預測誰會走？還是想辦法把那些會走的人留住？

「理解本質的問題，最有效的做法是，為期24個月的合約，我們要在的幾個月預測他會不會走。此際，數據科學家應盡到與業主溝通的責任，經沙盤推演後發現第18個月最適合，也就是合約到期的前半年，原因是足夠做三輪的活動去挽留舊顧客。」尹相志說。

「數據科學家要懂得與業主溝通」他再度重申，「就會發現目標不會是全體顧客，而是未來半年合約要滿24個月的那群人，分析取樣的母體不同，結果截然不同。這就是對商業問題的理解，算錯一步就會步步錯。」

又好比電信催收，可以利用數據分析來釐清顧客沒有在期限內繳費的原因，如果是惡意可很快的直接進入斷話環節，非惡意則可利用停話來等待顧客繳納，這都是大量數據帶來的回應，能有效降低企業耗損的人力和資源。

幫企業「賺錢」及「省錢」
當問及企業應該如何看待數據分析時，尹相志有感而發地表示，現在很多企業不曉得數據科學的用途，僅是為了AI而AI，BI而BI，這只會製造出更大的問題。

「數據科學是用來解決未來問題的科學，絕非製造問題的科學，數據要如何發揮它的作用或是發揮它的功能，甚至是要拿數據來為企業做決策，開宗明義要搞清楚一件事情—哪一些決策過程如果有數據支援，可以為公司帶來很大的獲利，或是減少很大的損失—事實上，數據的效用只有兩件事：第一，如何幫公司賺到更多的錢；第二，如何幫公司節省更多的錢。」他說。

從上述這兩個地方著眼的話，可以找出企業中賺錢或是賠錢的商業環節，或評估若多了哪個分析情報可以解決這些商業環節的問題，「把這些點項先找出來，再從中去規劃，發展企業內部的數據分析平台，而不是先找一堆廠商來比價，先買一堆軟體，但是要做什麼卻一無所知。」

人機協作，善用80/20法則
大家對於AI觀念多數源自好萊塢，這些錯誤的觀念會讓人們有錯誤的期待，如果將錯誤的期待拿來推行，方向會完全走偏。以信用卡中心的客戶服務人員來舉例，如果我們心裡想的是好萊塢的那套，是不是機器客服就可以全數取代人力客服。

問題是，全世界最先進的自然語言—英文，AI也只能做到將近70％至80％，沒有辦法理解並回答很複雜的問題，遑論是更複雜的中文。「即使是逼死廠商也做不出來，所以大家只能做假，這就是世界上有那麼多假AI的原因，很多都是好萊塢迷。」他說。

換句話說，如果對AI有正確的理解，除了知道它不能解決全部的事情外，人機協作才是對企業最有利的正軌，尹相志說，「往最基本的80/20法則思考，80％的顧客打電話來都是重複問哪些20％的問題，就可以把重複且大量的數據撥給AI來執行，AI解決不了的問題則交還人力負責。」

尹相志解析，要懂得人類的神經、人類的大腦是怎麼運作的，特別是把抽象的東西變換成具體，得靠一些經驗以及對問題的理解的程度才行。「千萬別以為AI在科學數據的加持下可以取代人力，無法在短時間內快速、有效的回應顧客，可是會激怒顧客，反倒得不償失。」

避免及防患「過擬合」風險
對於企業來說，莫過於最希望能從數據中找到有利於決策的問題，「我不這麼認為，應該反過來思考清楚正確的問題為何？再基於這個問法去找答案，畢竟數據很龐大，如果沒有想法就去數據裡頭撈一撈、碰碰運氣，很難找到問題的癥結。一定要有明確的目標，再從數據中做確認與驗證。」尹相志認為。

值得一提的是，現在數據科學最怕遇到「過擬合」(Overfitting)，屬於數據分析中的風險。以股票交易為例，現在的神經網絡建模能力都很強，AI可以輕而易舉將每個交易日發生的數據背起來，畢竟從股票成立到今日也才十幾萬筆資料，要促使回測得到滿分絕對不難，但要預測明天股票是漲還是跌，不一定可以料事如神，這點要特別小心。

「在AI的時代，任何的落地驗證，除了要小心『假AI』，也要小心Overfitting。必須在真實的場景，用真實的數據，才能夠保障答案是正確的，對企業才有價值。」尹相志強調。

充分溝通，化困難為策略
「現在最大的困難是，分析的人懂算法，但不懂商業思維；更可怕的是，企業做決策的人也不一定懂得商業思維，就變成大家都在瞎忙，做一些不合用的事情。」尹相志看到國內外企業普遍的通病憂心地說。

經常發現業主極欲問AI：「今年該怎麼做才能讓業績提高」，只是很抱歉，AI連「Errr……」的聲音也發不出來，但如果先用人工把問題轉換成明確的輸入與輸出，例如：執行A方案成效會有什麼樣的變化？答案較可能呼之欲出。

尹相志指出，數據分析有三大關卡要突破：第一關，使用的單位不知道該問什麼問題；第二關，分析的人不懂得將使用者的問題轉化成機器的算法；第三關，如何取得高品質的數據。

舉例說，近來在AI領域盛行的機器視覺，很多光學製造業都想要做AOI（瑕疵檢測），卻因為工程浩大，沒人要把清楚的瑕疵數據標示出來，「大家都想要AI，卻沒人要準備數據，產生嚴重的鴻溝。曾經遇到業主直接了當地告訴我，希望把做好的模組移轉，一樣愛莫能助，因為AI沒學過就無法正確判斷，遑論跨公司、跨業態。」他說。

文末，熱愛數據科學的尹相志，深感這個行業就像是福爾摩斯，必須要從一堆數據中抽絲剝繭找出蛛絲馬跡，除了觀察力和敏銳度要高之外，還要善於與人溝通，「這個工作有趣的地方是，會一直遇到新的行業，理解他們新的問題，提出新的解決方案，非常有成就感，非常享受其中。」