2019年人工智慧的技術成熟曲線
蔡玉琬/ 發布日期：2019/11/04/ 瀏覽次數：158
人工智慧發展近年來備受各界關注，許多產業的資料分析師與人工智慧領導者皆尋求突破發展瓶頸，Gartner認為瓶頸的突破都需要長時間的努力，目前領導人應專注於尋求有立即效益的實務性AI應用。據Gartner對資訊長(CIO)的調查顯示，2019年已部署AI的企業比例，由2018年4%成長至14%，但是2018年的調查顯示，有21%企業回應將在短期內部署AI，此預期與實際部署的明顯落差，顯示應該有相當多因素阻礙企業執行AI的實際部署。
本文摘述IDC與Gartner之研究，闡述近期人工智慧市場重大發展、未來關鍵趨勢，以及具顛覆性效益的AI的顧問及系統整合服務(AI-Related C&SI Services)等AI發展。
一、近期AI市場重大發展
IDC認為目前AI的採用仍相當低，不過正處於轉捩點，且近期AI市場有許多重大發展，概述如下。
(一)許多企業透過併購等方式，提供功能更好的產品或服務：近期與AI發展有關的併購，包含微軟收購GitHub、Semantic Machines(對話式AI技術)、Lobe與Bonsai；甲骨文(Oracle)收購DataFox與Data Science.com；Google收購Velostrata、Kaggle、Halli Labs與Looker；英特爾收購Vertex.AI；Salesforce收購Datorama與Tableau；亞馬遜收購Ring(智慧門鈴)；SAP收購Contextor等。
(二)民主化AI：目前IBM的華生(Watson)僅能透過IBM雲端服務提供解決方案，不過IBM今年宣布，未來透過IBM Cloud Pak for Data(其可部署於IBM雲端、私人、公有、混合或多重雲端環境)亦能使用華生平台。
(三)許多企業推出操作簡易的資料分析AI功能：Adobe的Data Science Workspace讓公民資料科學家(citizen data scientist)能使用AI資料模型分析顧客的資料檔案，而不需使用程式碼；甲骨文正將AI功能內建於雲端、資料整合與應用程式平台。
(四)自動化機器學習將讓商業分析師與開發者，能快速應用可處理複雜情境的機器學習模型，而不需經歷訓練機器學習模型的階段，如Google Cloud AutoML、Amazon Comprehend、Custom Entities APIs、Microsoft Custom Cognitive APIs、H2O.ai與DataRobot's ML平台等工具皆提供類似服務。
(二)民主化AI：目前IBM的華生(Watson)僅能透過IBM雲端服務提供解決方案，不過IBM今年宣布，未來透過IBM Cloud Pak for Data(其可部署於IBM雲端、私人、公有、混合或多重雲端環境)亦能使用華生平台。
(三)許多企業推出操作簡易的資料分析AI功能：Adobe的Data Science Workspace讓公民資料科學家(citizen data scientist)能使用AI資料模型分析顧客的資料檔案，而不需使用程式碼；甲骨文正將AI功能內建於雲端、資料整合與應用程式平台。
(四)自動化機器學習將讓商業分析師與開發者，能快速應用可處理複雜情境的機器學習模型，而不需經歷訓練機器學習模型的階段，如Google Cloud AutoML、Amazon Comprehend、Custom Entities APIs、Microsoft Custom Cognitive APIs、H2O.ai與DataRobot's ML平台等工具皆提供類似服務。
二、AI趨勢發展預測
(一)AI正以不同方式影響企業：相較於幾年前，企業僅能自行建構機器學習(ML)解決方案，然而現在不僅自動化機器學習(AutoML)與智慧應用程式(Intelligent Applications)被廣為討論與使用，AI平台即服務(AI PaaS)、AI雲端服務(AI cloud services)、AI市場(AI marketplaces)等亦廣受歡迎。雖然越來越多人體驗過AI的相關諮詢及系統整合服務(AI-related consulting and system integration (C&SI) services)，不過企業的使用案例數量仍相當稀少。
(二)AI道德與治理更受重視：因為推動AI實務運用需要先處理採用AI應用的障礙，不過目前尚無最佳做法。有些軟體供應商、產業聯盟與政府單位紛紛提出各類指引，不過AI解決方案中的信任(trust)才是使用者願意接受的關鍵要素，擴增智慧(Augmented intelligence)在建立信任方面較自動化的效果較佳，另外，透過闡述預測結果與提供建議給消費者的可解釋性AI (Explainable AI)亦有助於建立信任感。
(三)對話式AI仍為企業優先推動事項：主要是受全球成功推動對話式AI的亞馬遜Alexa與Google助理所刺激。在開發聊天機器人(chatbot)與支援語音功能的策略時，執行者應注意對話式使用者介面(Conversational User Interfaces)、虛擬助理(Virtual Assistant)、自然語言處理(language processing, NLP)與語音辨識(Speech Recognition)在運作與回應時所需耗費的時間，以確保這類技術能被更廣泛的應用。
(四)運算基礎設施持續推進人工智慧發展：如圖像處理(GPU)加速器、現場可程式邏輯閘陣列(Field-Programmable Gate Array, FPGA)加速器、深度神經網絡特定應用積體電路(ASIC)、量子運算(Quantum Computing)與仿神經型態硬體(Neuromorphic Hardware)使人工智慧快速發展，若為AI進行客製化設計，將會加速其發展進程。Gartner建議，在為使用案例導向(Use Case Driven)設計運算基礎設施策略時，應取得成本與表現效能的平衡點。
(五)應用程式開發者與軟體工程師將會面臨更多在AI方面的需求：應鼓勵開發者嘗試使用AI雲端服務、AI平台即服務等工具，且需要不斷提升開發者技能以促使其能夠成為AI策略的要角。
(二)AI道德與治理更受重視：因為推動AI實務運用需要先處理採用AI應用的障礙，不過目前尚無最佳做法。有些軟體供應商、產業聯盟與政府單位紛紛提出各類指引，不過AI解決方案中的信任(trust)才是使用者願意接受的關鍵要素，擴增智慧(Augmented intelligence)在建立信任方面較自動化的效果較佳，另外，透過闡述預測結果與提供建議給消費者的可解釋性AI (Explainable AI)亦有助於建立信任感。
(三)對話式AI仍為企業優先推動事項：主要是受全球成功推動對話式AI的亞馬遜Alexa與Google助理所刺激。在開發聊天機器人(chatbot)與支援語音功能的策略時，執行者應注意對話式使用者介面(Conversational User Interfaces)、虛擬助理(Virtual Assistant)、自然語言處理(language processing, NLP)與語音辨識(Speech Recognition)在運作與回應時所需耗費的時間，以確保這類技術能被更廣泛的應用。
(四)運算基礎設施持續推進人工智慧發展：如圖像處理(GPU)加速器、現場可程式邏輯閘陣列(Field-Programmable Gate Array, FPGA)加速器、深度神經網絡特定應用積體電路(ASIC)、量子運算(Quantum Computing)與仿神經型態硬體(Neuromorphic Hardware)使人工智慧快速發展，若為AI進行客製化設計，將會加速其發展進程。Gartner建議，在為使用案例導向(Use Case Driven)設計運算基礎設施策略時，應取得成本與表現效能的平衡點。
(五)應用程式開發者與軟體工程師將會面臨更多在AI方面的需求：應鼓勵開發者嘗試使用AI雲端服務、AI平台即服務等工具，且需要不斷提升開發者技能以促使其能夠成為AI策略的要角。
三、AI的顧問及系統整合服務(AI-Related C&SI Services)
(一)定義：該技術整合許多智慧自動化的服務，包含策略解決方案與資料分析、設計商業與IT流程、挑選技術、定義資料策略、建構與訓練模型、部署解決方案，以及評估與減緩相關風險等。
(二)發展現況：因投資者持續探索如何利用各式各樣的人工智慧解決方案，以及相當缺乏這些新興領域的人才，將促使對AI的顧問及系統整合服務的需求持續成長。Gartner認為，對此技術的投資將著重於辨識具影響力的使用案例、定義與減緩風險、開發智慧財產權，以及評估、測試與篩選最具效益的技術與平台等方面的發展。
(二)發展現況：因投資者持續探索如何利用各式各樣的人工智慧解決方案，以及相當缺乏這些新興領域的人才，將促使對AI的顧問及系統整合服務的需求持續成長。Gartner認為，對此技術的投資將著重於辨識具影響力的使用案例、定義與減緩風險、開發智慧財產權，以及評估、測試與篩選最具效益的技術與平台等方面的發展。
資料來源
- Garnter、IDC