週五下午參加創新產業小聚 — 人機協作，迎向 AI+ 世代工作坊，因為是各個團隊第一次的討論。所以我先用二十分鐘的時間為參與者打底，建立共同語言和知識起點。
如果你不是要研究那些模型、演算法、平台，只是想要快速認識人工智慧 (Artificial Intelligence, AI) 的人，以下是我幾頁手寫的板書內容，在此說明，希望對你能有點用處：
Page 1：AI 的基礎
人工智慧的基礎有三加一，分別是 ABC＋I：
- Algorithm，演算法。你或許會聽到許多專有名詞，例如：非監督式和監督式學習、神經網路、機器學習、深度學習… 等等，廣泛地來說，都是屬於 Algorithm 的範疇。
- Big Data，大數據。Data 是 AI 的決定性要素。沒有 Data 就不要進入 AI 領域，就算要進去，也找不到入口。
- Cloud Computing，雲端運算。這代表計算能力的普及化，為什麼前兩波 AI 議題興起又沈寂了，而這次的第三波 AI 在最近兩年開始被大家廣泛地討論呢？很重要的一個原因就是因為計算能力限制的突破。
- Internet+，互聯網加。透過 Internet 的發展，尤其是在 IoT (Internet of Things) 的時代，各式各樣的數據開始被紀錄、分析與應用。也可以說，Internet+ 加快了 Data 的「數量」，也就成了「Big」Data。
以江湖高手出手要「快」「準」「狠」來說，ABCI 可以有些對應：提供計算能力的 Cloud Computing 就是「快」；提供武器彈藥和投放發射武器目標的就是 Algorithm、Big Data 和幫助蒐集 Data 的 Internet+，強調的就要「準」；至於目前 AI 尚無有效法處理認知、邏輯和情緒等問題，那麼到底要說「狠」或「不狠」呢？
Page 2：AI 的技術本質和商業本質
目前機器學習 (Machine Learning) 和深度學習 (Deep Learning) 是 AI 最常被使用的算法模型，這裡我暫且將其和 AI 連結在一起。
其技術的本質是「分類」(Classification)，當然，「分群」(Clustering) 或「迴歸」(Regression) 也是，但為了便於記憶，你就選一個吧。至於 AI 的商業本質，則毫無疑問的總結成「經營效率」的提昇。這裡說的經營效率是廣泛的定義，舉凡生產、銷售、行銷、供應鏈、營運、行政… 等等的效率，端看你所在的領域為何。
在此基礎上，人類透過「決策」(Decision Making) 連結技術端和商業端。
Page 3：導入 AI 所需要的團隊
在之前技術和商業的二分架構下，一個成功的 AI 團隊有三個重要的角色，分別是：
- AI 科學家 (AI Scientist)。負責提供相關的技術。
- 領域專家 (Domain Expert)。負責提供並解讀數據，也是知識提供者。
- AI 推動者 (AI Facilitator)。負責整合團隊，包括目標管理、任務與資源配置、團隊溝通和快速驗證概念。你也可以想成是專案經理 (Project Manager)，雖不是把分之百吻合，但能幫助想像。
其中，AI Facilitator 不必是 AI Scientist，也不一定是 Domain Expert，但最好是能「略懂」各方面知識，這樣推動起來才更順暢。
PAGE 4：團隊開發 AI 專案的五步驟
我提出 DDADD 這五步驟：定義 (Define)、數據 (Data)、分析 (Analize)、設計 (Design) 和執行 (Deliver)。其中第一步 Define，因為團隊是個隨機的組合，加上演練的範圍不宜過大，所以我列出快速濃縮議題的提問：在目標主題下，哪些工作內容或任務
- 是重複的？(每天、每週、每月都必須做的)
- 是被抱怨最多的？(例如：人會說「好煩喔」、「好無聊喔」之類的)
當然，如果可以做任務分析，拆解出比較細一點的流程更好。
這個活動連續四次討論，每次都有不同的主軸，但基本上我會用 DDADD 這五步驟和團隊一起玩，一起探索 AI 的商業應用。
結語
AI 很熱門，但大部分人認為要入門很難，或許是他們都想到 AI Scientist 這角色吧！其實，如果你是 Domain Expert，擁有該領域的專業知識，找到能合作的 AI Scientist 也很不錯。
如果你和我一樣，對於跨技術和商業，為他們搭橋 (Bridge)，那從 AI Facilitator 切入也挺不錯的。
