人工智慧(AI)
人工智慧(AI)是指能執行通常需要人類智慧才能完成的任務的電腦系統,例如辨識模式、理解語言或做出決策。
人工智慧是電腦科學中的一個領域,專注於打造能夠解決通常需要人類思考才能完成的任務的系統,例如辨識模式、理解語言、進行預測或輔助決策。目前使用中的AI系統,大多仰賴機器學習:它們並非被明確以規則寫入程式,而是透過大量數據進行訓練,從中學習統計模式。一個廣為人知的例子是大型語言模型,它透過根據從海量文字中學到的模式,反覆預測下一個最有可能出現的字詞來生成文字。一個有用的區分是狹義AI(針對單一特定任務打造)與通用AI(在任何領域都能匹配人類水準的思考能力,但目前尚不存在)之間的差異。
在企業環境中,AI大多用於界定明確的任務,而非廣泛、通用的問題解決。常見的例子包括自動分類文件、從照片中偵測缺陷、分析機台數據以預測故障(預測性維護),或運行客服聊天機器人。AI模型也能協助規劃與預測工作,例如庫存管理或生產排程。當AI與RPA(機器人流程自動化)結合時,AI通常負責提供決策邏輯,而RPA則在企業系統內執行實際的步驟。
AI系統的好壞,取決於訓練它所使用的數據品質,而且它是根據機率、而非真正的理解來做出判斷。這意味著它可能會產生聽起來自信、卻是錯誤或捏造的答案,這種問題稱為幻覺(hallucination)。正因如此,對於重要決策,人的監督仍然不可或缺,尤其是在結果涉及法律、財務或安全後果的情況下。導入AI的企業,通常更適合從小規模開始,對結果進行抽查,並優先應用在錯誤能被及早發現、且危害較小的領域。
實用範例
一家擁有18名員工的技術服務業者,運用AI影像辨識技術,在進貨檢驗時揪出受損的零件。過去,一名員工每天需人工檢查約200件進貨零件,漏檢率約為3%至4%。導入AI檢查後,漏檢率降至1%以下,該名員工每天多出約45分鐘,現在她將這些時間用於處理客訴與供應商溝通。AI並沒有取代這名員工,而是接手了檢驗中反覆性的部分,邊界案例仍由人來做最終判斷。
Leanshift 如何提供協助
對Leanshift而言,人工智慧是改善流程的工具,而非目的本身。當它能明顯改善流程中的某個特定步驟、節省時間或減少錯誤時,便值得採用,判斷標準與其他任何Kaizen措施相同。這讓焦點始終聚焦在真正的目標上:不是盡可能地使用AI,而是幫助人們理解並改善自己的流程。
常見問題
AI與演算法是同一回事嗎？
不是。每個演算法都是一連串固定的運算步驟,但並非每個演算法都能從數據中學習。AI系統所使用的演算法,能自行從範例中歸納出模式,而不是針對每種情況都被明確寫入程式。
小型企業需要擁有自己的AI模型嗎？
通常不需要。現成的AI工具與服務,已經能涵蓋文字生成、影像辨識或預測等典型任務;只有在非常特定且反覆出現的使用情境下,訓練客製化模型才划算。
AI的結果有多可靠？
這在很大程度上取決於任務種類與訓練數據。對於界定明確的任務(例如影像辨識),錯誤率通常較低且容易量測;而對於開放式的任務(例如文字生成),則應該始終進行抽查。