十大步驟,測試您的 AI 解決方案是否能成功

快速進行可行性測試

 

你聽過「餐巾紙測試」(Back-of-a-Napkin Test)嗎?這項淺顯易懂的實驗源自於知名的物理學家,恩里科.費米(Enrico Fermi),應用於今日的商業情境,想要了解一個人是否能快速掌握一項問題,就是請他在一張餐巾紙的背後寫上他對這項問題的理解。

如果無法使用簡短、清楚的方式描述一個事件、產品或是解決方案,那就表示你可能還不夠透徹地了解它,然而,這也是多數人目前面臨人工智慧的挑戰。

 

財務部門導入AI解決方案的方法論中的第三步驟

 

挑戰:在許多企業 AI 的專案中,AI 往往是相對輕鬆的部分,IT 團隊很容易開發出原型,而且初步運行的成效也不錯。但是,從簡單的產品原型與特別清洗過的數據,轉移到實際日常的營運情境,中間將面臨流程再造、組織磨合與運作效率等問題,多數時候難以一蹴可及。

如何解決這項問題?我們建議你快速進行以下 AI 測試十步驟

 

  • 步驟 1:公司目前有「令人感興趣的目標」嗎?這個目標對應到你希望 AI 能夠達成的結果,例如:未來某一筆交易、某一個潛在客戶、某一個帳戶、某一筆銀行轉帳等等…

 

  • 步驟 2:如果提升達成目標的工作效率、或採用更精準的方式之後,能不能帶來重大且正面的商業成效?反之,若是採用人力達成目標時,是否會使用大量資源?

 

  • 步驟 3:若為目標訂定有意義且簡單的分類是很容易的,例如:信用卡詐欺交易(風險分數)、客戶(高/低)長期價值、銀行轉帳(是/否洗錢)等,那這在商業情境上是可行的嗎?

 

  • 步驟 4:假設你已經成功開發出這項 AI 解決方案,並且可以準確地預測,你將如何應用預測資料?跟當前的運用方式有何不同? (我們需要一個明確的答案,而不是 “nice to have”)

 

  • 步驟 5:用於標記的訓練數據: AI 模型需要訓練。企業是否有紀錄關於這項目標和所需分類的歷史數據?例如過去的信用卡詐欺交易、產生虧損的客戶、又或者是洗錢案件?如果以上皆非,你可以生成一些訓練數據嗎?

 

  • 步驟 6:訓練數據的相關因子:針對這項目標,目前你有收集相關驅動因子的數據嗎?你知道有哪些可能的要素,將導致利潤成長或下降?舉一個簡單的範例,當你已經知道「鞋子尺寸」是影響消費者買單的重要指標,企業卻沒有收集任何鞋子尺寸的紀錄,可想而知這個這項專案將難以推進。

 

  • 步驟 7:你有試著在餐巾紙背後,簡短地摘要你的專案?如果 AI 原型成功了,它是否會帶來可預期的商業效益?

 

  • 步驟 8:你確定需要 AI 來解決問題嗎?問題真的有那麼複雜嗎?

 

  • 步驟 9:你確定透過既有的解決方案或是雲端服務(如:圖像辨識、語音翻譯)無法解決問題?這些套裝 AI 服務其實已經能解決多數的商業問題,你只需下載並使用!

 

  • 步驟 10:你確定過去或者是未來即將使用的資料,符合 GDPR 或是相關隱私法規嗎?結合許多不同來源的數據通常是精準 AI 模型的先決條件。

 

現在是否覺得評估業務和財務部門導入 AI 變得更具體了呢?至少你現在有了一個可以遵循的架構,該架構幫助你組織當前考量 AI 專案的種種疑慮,進一步衡量 AI 在您的財務部門中,可能帶來的龐大潛力。

 

準備好進行測試了嗎?

 

是的,這個模型其實還有更多步驟,但是現在你應該開始準備測試 AI 是否可以解決一些業務問題,並可以從財務部門「最大公約數」的興趣目標開始。

 

敬請關注本系列,下一篇文章將討論如何結合企業內部或外部合作夥伴,建立 AI 團隊。

 

本系列由快桅集團(Maersk)全球財務專案負責人 Anders Liu-Lindberg 以及 AI 新創 Enversion 稽核長 Thomas Schultz 兩位作者共同撰寫,經授權後刊登,原文請見此

 

歡迎您與我們聯繫

撥打 SAP 專線:0800-885-989
線上專員洽談:https://bit.ly/3li1q7J
加入 LINE@ :https://goo.gl/RbmeFM
觀賞影音頻道:https://goo.gl/AjjnXL