cover credit to Made by Radio

筆記一下“AI for Everyone”課程中部署策略章節，由於課程中提及的AI加速聘雇人力資源案例，筆者過去曾在相關領域SaaS擔任產品設計師與PMs共筆AI產品調研，加上近期獨角獸企業Klarna在客服領域導入AI成效，來做個簡單觀察筆記。

先介紹一下講者背景，吳恩達 Andrew NG (以下稱Andrew)， 致力協助企業轉型以及熱衷推廣AI教育知識，今年4月成為Amazon董事成員。Andrew在史丹佛大學兼任教授，過去任職於Google Brain 深度學習領導人之一，也曾在百度擔任首席科學家。他也是DeepLearning.AI, Landing AI 創辦人以及大家熟悉的Coursera合夥人，Andrew於2012年與合夥人Daphne Koller共同推出Coursera學習平台，現為全球規模最大學習平台之一。

如何啟動AI Project

AI技術行之有年，近年許多AI技術團隊釋出模型API也開放不少資源供開發者構建產品，如今比起以往取得AI資源更容易，不少企業和新創開始積極思考，如何導入創造市場價值或轉變方向(Pivot)尋找自身產品與AI交集點。
那麼該如何開始循序漸進推進AI項目？這裡Andrew提到在啟動AI應用項目前期，除了可以諮詢市場專家和技術盡職調查（Due diligence）也提出了一些Brainstorming Framworks：
1.任務自動化：審視人們在工作中的流程，透過AI實現任務自動化的機會。
2.商業價值驅動力為何？如何分辨使用AI或數據解決方案做增強。
3.辨識可以導入AI解決的業務痛點。

延伸第一點，Andrew提出客服案例：客服人員工作除了接電話，回覆Email、協助客戶退款等事項。而其中以回覆郵件路由Email routing這部分相當適合成為機器學習的項目用來評估AI的發展方向之一。
順便分享一下近期看到Y Combinator 討論AI新創題目提到任務自動化的觀點，呼應Andrew提到的觀點，有興趣可以從下面影片4:26分開始觀看。

有大數據才能開始嗎？

“You can make progress even without big data.”
_{Andrew Ng}

有大數據資料多少有幫助，但”並非”有大數據才能進行，這類議題Andrew認為多少有些市場過度炒作，即使沒有大數據前提下也可以儘早開始蒐集數據，找出應用切入的可能性，接者逐步修正產品方向取得進展。
課程中提到的案例，假設杯子製造商透過影像辨識生產結果，手中只有10張 100張 或 1000張照片，遠不及達到標準的數據量，也不代表無法開始進行，數據量多寡最終取決解決的問題或設定目標。

Build vs. Buy?

同IT軟體開發形式，可以分為委外(Outsourced)或內部(In-house)，Andrew以機器模型(Machine learning)和資料科學(Data Sciense)分別建議，前者可內部或委外交由專家支援，後者與業務之間關係更緊密，通常應用業內領域做分析，DS相較於ML項目比例更多是放在企業內部進行。

若打算將資源全部投入技術開發，除了考慮是否擅長行業技術以及自家研發對產品是否具有獨特防禦能力，對於非熟悉技術領域專長，可以透過外部購買提高作業效率，以IT行業為例，雲服務（如AWS）這類行業標準解決方案，與其付出高成本自行開發一個雲存儲系統，不如使用像 AWS、Google Cloud，這類服務已經相當成熟且高效。
這裡引用Andrew提及自家團隊名言：

簡述一下Klarna商業模式BNPL(Buy Now, Pay Later) 的服務，主打消費者可享先買後付，Klarna與電商合作，讓消費者在電商結帳時可以使用Klarna付款，Klarna會先付款給電商，消費者收到商品和發票後在付款，但如果消費者無法支付購物費用，風險與損失則由Klarna承擔。退貨時Klarna也提供退款服務。
以Klarna商業模式來看，也能稍微理解為何選擇將AI資源投入在客服端，可見其售後服務的重要性。
以下，擷取Klarna於官網2024年2月24發表與Open.ai 攜手開發AI Assistance 上線一個月帶來成效：

如果我們從用戶體驗視角來看像是等待客服時間以及是否有被正確解決問題，都是列入客服滿意度重要指標
而等待時間並非只有進線客服忙碌的情境，有許多狀況考量像是新移民進線國家不會使用當地語言與客服溝通，以往需等待人工轉線時間或雙方使用翻譯工具的時間，現在AI能直接辨識且使用相同語言做回應。

這裡也順便轉貼 Peter Su 分享Intercom 前陣子發表” The Intercom Customer Service Trends Report 2024″， 第一張是分析AI 客服與人類客服的強弱項，第二張圖提到預測接下來五年可能會產生的新職缺。

撰寫此文時間點在2024年3月，回來補充一下Klarna 近期9月消息，Klarna 與Salesforce, Workday 第三方服務平台正式解約，執行長宣稱內部持續積極推動導入人工智慧來建構系統及應用，消息一出免不了引起正反與論，不過畢盡Klarna正在積極佈局IPO，即便有一派認為只是消息面釋出，但回看Klarna 2019-2022年轉虧為盈的努力，或許可以觀望一下未來發展動向。

節省雇主審核時間，加速篩選人才效率

VanHack總部位於加拿大，專注協助客戶招聘科技人才的新創公司，幫助全球科技企業與Talent進行媒合，其中Talent Pool 功能，提供候選人上傳自介影片和履歷資料建檔，雇主可以透過求職者跟蹤系統(ATS, Applicant Tracking System) 篩選來自世界各地人才。

由於Vanhack客戶和人才遍及全球，以往由招募經理判斷候選人是否通過語言能力資格，但人為因素多少影響結果，因此VanHack 致力透過AI幫助求職者爭取公平求職環境，提出主張“code has no accent”，請候選人依據面試題目錄影口述答題，並透過AI技術快速地驗證候選人語言能力，此舉不僅幫助候選人在初試時有機會取得面試門票，同時也節省招募經理的時間加速徵才效率。

人機協作共存的時代

Andrew在AI and Society 章節指出，根據麥肯錫估計報告2030年AI自動化將取代4-8億工作機會，同時另項報告也顯示AI可能會創造5-8億就業機會，甚至未來有機會產生許多未知的新職缺名稱，如同Web2.0之前，我們都無法預測會有SEO優化、使用者體驗設計師..等職位出現。
至於麥肯錫報告是如何估算AI導致工作消失的可能性？從分析行業工作在透過拆解工作任務後，針對可實現AI自動化任務來做可行性計算，前提是允許AI能在工作框架之下運作，下圖是麥肯錫估計2033年最有可能實現AI自動化職業。

事實上，AI非新技術，但有鑒於近年AI發展趨近於普及化，AI現正處於疾風驟雨之下快速地發展變化，因此也引起不少廣泛討論，像是人們該如何重新定位自身在工作中的角色，這裡筆者想分享Andrew 引述了一段英國著名童話，《金髮女孩和三隻熊》中一段故事，金髮小女孩走進三隻小熊的屋子，發現桌上有三碗粥，一碗太熱、一碗太冷，最後小女孩選了不冷不熱的粥，在不偏頗任一極端，先找到平衡點且符合自己的狀態做考量。

正如市場出現新科技常伴隨熱議狀況，避免投射自我認知或過去經驗而產生的偏見去定義新事物，而是專注如何應用在手邊工作做有價值的運用，像是Andrew在課程結尾前提到，面對AI趨勢與自身專業不同賽道的考量，並非只有All or Nothing ，擁抱 AI 的方法之一也可以是與其專業領域結合。

此課程適用想暸解AI基本運作或部署AI項目的朋友，Andrew Ng透過淺顯易懂的方式做講解，有興趣可以在Coursera 或 Deep Learning AI 觀看完整課程。