Skip to content
 

技術文章

熱門發表
AI市場發展趨勢與高科技製造業應用
AI市場發展趨勢與高科技製造業應用
AI市場發展趨勢與高科技製造業應用 近幾年來AI應用領域變得越來越熱門,AI的商業化在加速產業數位化方面發揮了顯著的功用,同時也能透過提升勞工生產力和生產自動化的途徑推動生產力成長。根據埃森哲諮詢公司(Accenture PLC)的研究報告預測,未來資本和人口的成長將不再能推動全球經濟符合預期的成長,但AI技術的應用將能適時補上,尤其是在對AI技術研發投入最多的電子資訊相關產業。接下來就讓我們一起來關心一下AI市場的發展趨勢,以及AI在高科技製造業上的應用吧!  AI相關應用的市場規模正快速成長中,根據Statista的統計數據顯示,2020年全球AI相關市場規模估計為225.9億美元,相較去年的146.9億美元成長了53.8%,至2025年更將成長至1260.0億美元,等於在未來五年尚有超過1000億美元的成長空間。 圖1、全球AI市場規模(億美元) 資料來源:Statista,本研究整理 從技術面來看,製造業的AI應用主要可分為電腦視覺、數據推理推論、移動控制、資料擷取與整理和語音及自然語言處理等領域。根據資策會教育研究所轉型中心的調查,約有四分之一的高科技製造業廠商以電腦視覺為最主要的AI技術應用,其次為數據推理推論,原因為高科技製造業目前是以品質檢測與製程優化為主流AI應用。另外有34.2%的廠商表示仍在規劃中或尚無相關應用。                                                                           圖2 高科技製造業廠商使用比例最高之AI技術                      資料來源:本研究整理  現代高科技製造業高度專業複雜化的特性,使其AI應用需要客製化的程度也相對較高,目前尚難以同一解決方案在不同類型的場域進行通用,僅能在同質性高之場域進行同類型應用的複製。現今高科技製造業常見之AI應用如下: 1.       品質管理(Quality Management) 品質管理主要包括品質預警和瑕疵檢測兩種應用方式。品質預警運用AI演算法配合IoT技術,透過對機台各項生產數據的即時監控與運算,提前預警可能影響產線品質的問題,屬於AIoT之應用範例;瑕疵檢測則是應用機器視覺技術,對產品的瑕疵進行偵測,針對細微瑕疵的檢測能力還能高於人類的肉眼檢測,若能與雲端數據處理架構進行整合,即可立即標記出瑕疵並自動進行處理。 2.       預防性維護(Preventive Maintenance) 對於製造業而言,產線若因故障等計畫外因素造成需要停機維修,將帶來嚴重的損失。因此,利用AI演算法和設備內的嵌入式感測器,來針對故障進行預測和應對,就能做到產線的預防性保養,達到減少計畫外的停機時間、節省人工和維修成本、確保運作效率、提高資產回報率以及延長生產設備的剩餘壽命等效果,成為未來製造業必備的解決方案。 3.       自動化生產(Automated Manufacturing) 運用AI技術達成產線自動化能有效提高生產效率與品質,甚至超越人力所能達到的程度,而且能在複雜或是危險的環境下不間斷地進行生產,避免人力生產的過勞風險和工安意外,同時減少瑕疵品的產生。而透過雲端整合各廠房的生產數據,再由AI運算來溝通協調不同廠房的產能、原料供給和維修保養等措施,並將在不同廠房學習到的經驗應用到其他廠房,也有助於強化整體自動化生產的效能。 4.       電腦輔助設計(Computer Aided Design) AI在電腦輔助設計中的角色,也正在改變製造業設計產品的方式。藉由過去由設計師和工程師所完成設計的相關數據,例如材料類型、生產方法、預算限制、時間限制、設計限制以及其他製程參數,AI演算法將能透過這些數據資料來學習如何設計產品,並客觀地探索各種可能設計方案的品質、功能、成本和可製造性,直到找出最佳的設計方案。 5.       數位對映(Digital Twins) 數位對映利用IoT技術收集應用場域的各項數據資料,並透過AI模擬分析應用場域之情況,對實體人事物進行數位化映射,在虛擬世界中即時、雙向地描繪真實工廠運作,藉此對製造流程場域進行掌握和控制,達到優化運作效率、提升良率和降低成本的目的。  AI與製造業之間的連結也並非僅止於單方面的技術應用,AI技術應用普及化的過程所帶來的硬體需求,同時也會連帶提升製造業的商機。根據Statista的統計數據顯示,2020年由AI帶動之全球硬體市場收益約為714.7億美元,至2025年則將成長至2346億美元,成長幅度高達228.2%。由此可見,AI帶來的市場商機將使製造業受惠,而製造業的成長又會帶來導入AI的需求,兩者之間存在著相輔相成的正向循環,未來兩者之間的連結也會越來越密切。                                                                              圖3   AI帶動之全球硬體市場收益預測(億美元) 資料來源:Statista,本研究整理 AI於製造業的應用有望解決許多問題,包括專業人才短缺、複雜決策和資訊整合等,雖然過程中需要大量的投資,包括人事和資本的支出,但完成後將能顯著地降低營運成本,並解決很多傳統製造或管理方法所無法解決的問題。而未來隨著AI應用逐漸深入製造業的各個角落,製造業工廠的智慧化程度,勢必也將越來越高。   財團法人資訊工業策進會∕數位教育研究所∕數位轉型訓練中心盧士彧 副分析師
全球AI研究與人才競逐
全球AI研究與人才競逐
  全球AI研究與人才競逐 隨著AI在各行各業的應用越來越廣,就業市場上對於擁有相關技能的AI人才需求也快速增加。由於目前AI應用發展所帶動的AI人才需求增速高於新AI人才的產出速度,因此儘管學校端已不斷加開課程、增加入學人數和開發新學程以滿足學生的需求,但就業市場上仍普遍出現AI人才短缺的情況,尤其是具有實做經驗的AI人才更是缺乏。 就業市場上AI人才的供不應求,已直接影響到部分企業的AI發展進度,連帶影響到AI應用所能帶來的生產力提升和經濟成長落實的速度。換言之,現階段產業AI化的轉型速度,將很大程度地受到專業AI人才的供給量是否足夠的掣肘。因此,各國政府在政策上是否能使國內AI人才的供應順暢無虞,將成為各國AI技術與應用發展競爭力能否持續提升的一大關鍵。 若以國際角度出發,來觀察各國對AI人才的吸引力差異,則可從各國AI博士人才的流入和流出比例來進行比較。如下圖1所示,各國AI人才吸引力可分為人才流入和人才流出兩個面向,橫軸的人才流入比例定義為,該國內AI博士人才中於外國獲得博士學位之比例;縱軸的人才流出比例定義為,該國內AI人才博士畢業後前往外國工作之比例。 圖1 各國AI人才吸引力比較資料來源:《Global AI Talent Report 2019》,轉引自LinkedIn Database,本研究整理。   綠色虛線為流入比例等於流出比例的示意線,因此位於綠色虛線右下方的日本、美國、中國、南韓、澳洲、台灣、西班牙、英國、瑞典和瑞士為AI博士人才流入大於流出的淨流入國,而位於綠色虛線左上方的義大利、以色列、印度、德國、法國、加拿大、荷蘭和新加坡則為AI博士人才流入小於流出的淨流出國。 兩條紅色虛線代表的是AI博士人才流入和流出比例的平均值,將各國分為四個象限,第一象限的加拿大、荷蘭、新加坡、英國與瑞士等國多為高等教育吸引力較強的國家,不論AI博士人才流入和流出比例皆高於平均值;第二象限的法國和以色列,流入比例低於平均,流出比例則高於平均,淨流出較為嚴重;第三象限的日本、美國、中國、南韓、義大利、印度和德國流入和流出比例皆低於平均值,AI博士人才偏向自給自足;第四象限的澳洲、台灣、西班牙和瑞典,流入比例高於平均,流出比例則低於平均,在留住國內人才和吸引外國人才上表現皆優於平均,屬於表現較佳的一群。 目前世界主要國家皆早已投入AI相關研究,2000年後發表之AI相關研究篇數也快速增加(詳見圖2),以OECD於2019年之統計數據來看,主要國家之AI相關研究發表篇數以美國為最高,中國與歐盟則依序次之。從研究品質的角度觀察,美國AI相關研究品質位於前50%的比例高達76.3%,甚至品質前10%的研究也有24.1%的比例,而中國品質位於前50%的比例則僅占40.6%,歐盟則占51.4%,相較之下美國的AI研究品質明顯較高(詳見圖3)。 圖2 1980年至2019年主要國家AI相關研究發表篇數資料來源:OECD.AI,本研究整理。 圖3 年主要國家AI相關研究發表篇數與品質占比資料來源:OECD.AI,本研究整理。   若將AI相關研究發表的質與量同時納入分析考量,便可以觀察到目前全球主要國家於AI相關研究的競逐態勢。從下圖4的分析圖可以看出2019年主要國家AI相關研究的地位差異,美國AI相關研究的質量俱佳,於AI研究的競爭中明顯處於領先地位;位於第二領先群的是中國與歐盟,中國雖在研究發表量上多於歐盟,但歐盟則在研究品質上略勝一籌;位於第三領先群的包括澳洲、加拿大、英國、日本和印度等五個國家,印度雖然研究發表量位居全球第四,但品質上卻明顯低於其他競爭國家,澳洲、加拿大和英國於研究品質上有較好的表現,日本則介於中間;其後的國家中,瑞士、新加坡和香港等地於研究品質上表現優良,台灣、韓國、巴西和伊朗則在研究量能上表現較佳,緊追第三領先群。 圖4 2019年主要國家AI相關研究競爭比較資料來源:OECD.AI,本研究整理。   從專利發表的角度來看,2019年全球AI相關專利的發表數量以美國最多,高達7344件,與排名第二的歐盟有明顯差距,歐盟2019年發表之AI相關專利數量為1987件,排名第三的日本則為1682件,其後依序為韓國、中國、英國、台灣、瑞士、印度和澳洲(詳見圖5)。 圖5 2019年AI相關專利發表前十大國資料來源:OECD.AI,本研究整理。 展望2021年,美國仍將主導全球AI研究發展的趨勢,中國以及歐盟緊隨其後,形成三強鼎立之局面。而我國在人才吸引力和專利發表上則有著不俗表現,未來應如何進一步提升我國AI研發能量,將有賴國內產官學界的攜手合作與努力推動。 財團法人資訊工業策進會∕數位教育研究所∕數位轉型訓練中心盧士彧 副分析師    
數位轉型時代人才職能的再進化
數位轉型時代人才職能的再進化
數位轉型時代人才職能的再進化   近年來全球資訊產業趨勢變化快速,雲端運算、物聯網、資料科學、人工智慧和5G行動通訊等尖端技術日新月異的發展應用,帶動了數位經濟的興起,並同時重塑了全球經濟結構。根據世界經濟論壇(WEF)的預測,2022年全球GDP將有六成來自數位經濟,可見數位經濟的發展對全球經濟未來趨勢影響之重大,而其影響自然也將及於人力資源市場。  產業面臨這一波數位轉型,正如當初個人電腦、網際網路的普及一樣,將會完全翻轉全球經濟、以及企業現有的商業模式。過往數位科技人才大多為資通訊及高科技產業所需求,隨著產業積極導入數位工具及人工智慧應用、企圖尋求下一波創新成長動能,各行各業展開數位科技人才爭奪,根據國家發展委員會對於臺灣未來十年人力市場之預估,數位人才將呈現大規模人力缺口。  AI取代工作 還是創造機會   科技帶來翻天覆地的影響,新興領域之人才需求不斷攀升,嶄新的商業模式、跨領域的整合應用也層出不窮。迎接新科技帶來新工作機會的同時,人才技能必須時常更新,以掌握未來世界的人力需求及工作樣態的變化。  根據臺灣經濟研究院研究報告指出,隨著人工智慧、物聯網、大數據、資訊安全等技術發展,將會為我國帶來新的人力需求;反之,設備操作、倉儲物流、行政庶務等事務性及高重複性工作,則可能因新科技而受到衝擊。然而,人類的工作真的會被AI和機器人取代嗎?國際研究暨顧問機構Gartner指出,2020年,雖然有180萬個職位被AI取代,不過同時AI也將創造230萬個工作機會,帶動整體工作機會正成長。未來的人力資源趨勢將是人工智慧結合人腦的工作型態,隨著自動化科技的引進顛覆人類在工作上所扮演角色,勞動者必須具備新的技術和能力,以因應這一波數位趨勢。 人才職能重塑 已是世代常態   各種新興科技正在重塑我們的世界,我們是否都準備好了呢?現今企業普遍面臨相當大之人才挑戰,人才競爭態勢只會越來越激烈,數位科技浪潮下,在可預見的未來,機器人或人工智慧一定會對企業人力運用造成影響,企業數位轉型已經是勢在必行的壓力,就公司而言,企業所需的人才技能隨著公司經營策略的調整均在不斷轉變中,人才需要積極主動、擁抱改變,人才所具備的技能如不隨著大環境的變動,將面臨無法與時俱進的風險、最終可能被市場淘汰。  過去用一把刷子行走職場、或是十年磨一劍的年代已經過去,單一技能很容易被潮流取代、唯有具備數位科技、跨領域專長的人才方能在瞬息萬變的職場上勝出。世界經濟論壇的報告指出,全球所有受雇員工有半數以上(54%)需要在未來三年內接受大幅度的技能重塑與提升訓練。而數位科技人才常需隨趨勢發展而更新專業能力,根據之前Gartner的一份調查,職場員工平均每三年需更新一次職務內容與數位科技專業能力。 職能再進化 先找出自己的型   在這波數位技能革命中,企業必須打造新的人才職能規格、於公司內部創造並鼓勵員工持續學習的環境和文化,同時協助員工捨棄舊技能與發展工作所需新技能。由於企業很難找到各方面條件都符合的現成人選,招募到合適的人才所需之時間已經越來越長。有越來越多的企業支持從既有的員工進行在職培訓,並轉型為數位科技人才,不僅有效降低企業招募時間與經費成本,也可以避免招募到的員工不適任無法久留的風險。越來越多的企業正在提高技能重塑的投資,在企業發展數位轉型的同時,偕同組織內的人才一起精進、重塑員工技能,及早做好職能轉型的全面準備。  然而,職能轉型並非一件容易的事情,根據108年經濟部人工智慧產業人才需求調查發現,並非所有現職員工都能成功轉型人工智慧人才,最被企業看好且轉型成功率高的人才通常已具備相當基礎(有型)、在這個基礎上進行職能轉型較容易成功;例如工程類職務(如:系統工程師、後端軟體工程師) 本身即具有程式撰寫、系統開發能力,較容易轉型為機器學習工程師及AI應用工程師等AI新興職務。而資料類職務(如:資料庫工程師、統計分析師)已具有資料庫或數據分析等基礎,亦容易轉型為資料工程師或資料分析師。而一般常見的產品經理、專案經理及行銷企劃專員等職務,已具備專案管理、產品管理、行銷推廣、跨部門溝通…等軟實力,若能再強化AI相關基礎知識,也容易轉型為AI專案經理或AI產品經理。  生命不息 學習不止   迅速和持續變化的工作性質正在改變學習與工作間的關係,當我們一直被機器追趕著學習新技能,如何能夠有效應對新世代的變遷、在數位經濟的潮流中成為未來產業所亟需的人才?在數位時代的潮流之下,新世代的人才需要透過不同管道不斷精進自我,才能持續增加自己的附加價值,而不被時代所淘汰。未來的人才唯有在終生學習、科技協作、軟技能和環境應變等四個面向深化努力,方能應對快速變遷、日新月異的產業趨勢。   在終生學習方面,除了持續學習的腳步外,在學習的方向上,也要注意學習內容與工作之融合度,以期能符合實際工作的職能需求,此外考量個人能力及人格特質做個性化的學習,也對強化自身附加價值,以及未來職涯的發展有所助益;在科技協作方面,隨著AI與自動化的興起,新的工作型態對人機協作的需求也越來越高,在人類主導的情況下,由機器提供輔助進行工作,將會成為產業從人工朝向智慧化發展過程中過渡的第一步,因此在科技協作的學習投入,將能有效幫助人才面對AI化與自動化的挑戰;軟技能是人類勝出機器的關鍵,包括溝通、思考和創意等在現今這個科技時代愈趨重要,未來人才需要培養機器所無法取代的能力,以增進自身在職場的不可取代性;在環境應變方面,由於近年來產業趨勢的變遷快速,新技術的推陳出新使得人才在適應環境變化上的需求大幅提升,未來的人才也需要像電腦持續定期更新,隨時檢視自己的技能、擁有持續重塑自己以靈活應變的能力,才能在時代的潮流中維持競爭力!   財團法人資訊工業策進會∕數位教育研究所∕數位轉型訓練中心陳麗萍 組長
【AI解題案例】如何挑水果?自動辨識水果甜度方案
【AI解題案例】如何挑水果?自動辨識水果甜度方案
【AI解題案例】如何挑水果?自動辨識水果甜度方案 一、解題背景   很多人都有面對水果攤上一整籃水果,不知該如何挑到「好吃」的水果的經驗吧?本專案希望採用人工智慧技術來解決這個問題:只要用手機拍下眼前的蘋果,即可透過APP幫你分析這顆蘋果甜不甜,如何做到的呢?請看本文的剖析。   本專案的「出題方」為台灣楓康超市,他們遇到的問題是消費者在商場時,經常為挑選蘋果而不斷翻動眼前的一堆蘋果,導致某些蘋果彼此碰撞而損傷,希望有一套APP能協助買家挑選,降低水果被撞擊的機率。   接受挑戰的「解題方」是來自朝陽科技大學的「四葉草」團隊,該團隊成員已累積兩年以上的AI解題經驗,所擅長的領域包括影像辨識、CNN卷積神經網路,並具有資料集採集與建置、AI訓練環境架設及AI模型訓練的經驗。   二、解題架構:   以下來介紹他們的解題技術架構及執行方法:   AI模型訓練流程: 1. 準備訓練圖片   AI解題的第一個步驟自然是要取得可供訓練的資料集,也就是要辨識的「蘋果」資料集,包括蘋果的種類/產地、檢測日期、各角度照片、白利糖度值(Degrees Brix, ° Bx)、口感說明等。其中蘋果的種類/產地可從其表面黏貼的標籤得知,其他資料就得靠自己來搜集,目前仍無法在網路上取得完全符合的資料集。   因此,該團隊為紐西蘭富士、智利富士和envy富士三種蘋果的「單顆」蘋果各拍攝了6個角度的相片,再一顆顆切片來做甜度測試。他們還做了「雙顆」蘋果拍攝:挑選一顆較為不紅的蘋果與一顆較紅的蘋果,做為比較的對照組,這麼一來便可以增加蘋果在進行辨識時的準確率。   除了「單顆」蘋果與「雙顆」蘋果的拍攝外,為了可以模擬消費者挑選蘋果的場景,也進行了「蘋果成堆」的照片六面拍攝。   圖說:「蘋果成堆」的六面拍攝   拍攝完蘋果的照片就進入蘋果甜度測試步驟。蘋果甜度檢測使用的是手持光學式白利糖度檢測器,此儀器的運作原理為利用光進入不同的介質時會造成行進路線的改變從而產生夾角,由此便能測出不同的液體甜度。為了取得完整的蘋果甜度資料,該團隊針對檢測甜度也設計了嚴謹的實驗流程。   圖說:蘋果甜度值的檢測方式   最終得到的資料集包括 660 張的智利富士蘋果 (單顆)、330 張的智利富士蘋果(成堆)、660 張的紐西蘭富士蘋果(單顆)、330張的紐西蘭富士蘋果(成堆)、240張紐西蘭 envy富士蘋果(單顆)、120 張紐西蘭 envy富士蘋果(成堆)、300張雙顆蘋果照片、總共2640張照片,以及780 筆甜度資料,130 筆平均甜度資料。 2. 進行AI模型訓練   使用 AI 進行圖像辨識可以發現人類肉眼難以觀測出的細微特徵,進而判斷蘋果是否為甜。針對這專案的 AI 模型是使用圖像辨識能力較強的卷積神經網路,利用其特點即可達成高準確度的結果。   「四葉草」團隊使用的是留一交叉驗證法(leave-one-out cross-validation),此方法僅保留一張圖片做測試,其餘的圖片則會全數用於訓練,完成訓練後會將正確的結果記錄為 1,錯誤的結果記錄為 0。   已完成的訓練的圖片會使用該團隊自行設計的自動化更換程式,將未測試的圖片從訓練的資料集內取出一張與已測試的圖片交換,往復訓練與圖片交換的流程,最終將正確結果的數量加總後,除以資料集的圖片總數即可得該模型的準確率。   本專案原先的訓練環境如下: l   作業系統使用 Linux Ubuntu 16.04 l   使用運算速度較快的 GPU 替代 CPU 訓練,GPU 型號為 NVIDIA GeForce GTX 1050 Ti l   程式語言使用支援多種套件的 Python l   深度學習框架使用 TensorFlow l   編譯器以 Spyder 與 Jupyter Notebook 為主   透過 AI 模型訓練,總共訓練了 3 種不同種類的模型,包括CNN 基本模型、Inception_RasNew_V2、MobileNet_V2。這3種模型中,CNN因架構較為簡單,適合剛入門的初學者;Inception_RasNew_V2不會因訓練的更深而降低準確率,有較佳的訓練性能;相較於傳統的卷積,MobileNet_V2能更快速地完成運算,效率也因此提升。3種模型的比較如下圖。   3種模型的實測結果中,以CNN 基本模型(使用 kernel4*)的 81.94%準確率最高,但最後為了在 APP 上 嵌入 AI 模型,為了避免 APP 的容量過於龐大,所以使用較為輕量的MobileNet_V2,準確率為 75.69%。請參考下表。 3. 產出模型與APP上架   手機已是大部分人生活中不可或缺的隨身裝置,其功能與效能也不斷提升,運用手機APP來辨識蘋果可以說是最方便的作法了。目前本專案不僅發展出用於辨識甜度的AI模型,也推出與楓康行動GO整合的APP,並已上架到Google Play上了。   目前已成功能將訓練完成的模型內嵌於 APP中使用,模型經優化處理後已縮小至 17MB。此APP的甜度辨識功能會將甜度高於15以上判定為”sweet”,底色呈現紅色;若甜度低於 15 以下便被判定為”notsweet”,底色呈現黃色,如下圖。   三、創新亮點   本方案透過將訓練完成的 AI 模型嵌入至 APP 中,實現了即時的反饋結果,且具有無須網路即可達成應用目標。消費者只需使用手機內建的相機拍照,即可偵測出眼前蘋果的甜度,無須使用一般極昂貴的甜度分析儀器,才能像有經驗的果農或水果商一樣挑出好吃的水果,相當實用。 四、結論   本方案在開發過程中確實遇到不少困難,特別是在採集資料上,例如蘋果的拍攝角度、模擬超市的燈光環境、甜度的測試等等。在上述的幾點困難點中,最困難的就是照片的拍攝參數設定,因為並非每支手機的解析度、RGB 等都相同,所以拍出來的照片也皆不相同,只能從組員中挑選一支手機當作拍攝手機,以達到標準性。   因此,在本次解題中若有要改善的項目,可能就是在採集資料上的時間過長,但為了使訓練時的資料是可行的,所以才會在這個環節比較謹慎、重複測試不同的方法。總體而言,本方案以下4個好處:1. 減少消費者翻攪行為;2. 提升企業與消費者之間的互動體驗:3. 降低企業營運成本;4. 減少資源的浪費。   展望未來,這套方法除了用於超市,也可應用於智慧農業與品質監控:在智慧農業上,可以透過無人機來進行蘋果的監測,當蘋果的甜度達到一定數值時,即可進行採收蘋果的動作;在品質監控上,可以透過甜度將蘋果進行品質分級,進一步還可應用於電商平台作為蘋果品質保證的依據,舉例來說,消費者在電商平台購買蘋果時,可透過掃描電商平台上圖片結果,來判斷是否要購買此蘋果,店家亦可透過本研究來證明其蘋果品質。 延伸閱讀: 甜度參考網址:https://www.stemilt.com/fruits/apples/fuji-apples/
AI浪潮下的8大關鍵職缺
AI浪潮下的8大關鍵職缺
AI浪潮下的8大關鍵職缺     隨著新興科技的不斷演進,從智慧型手機的普及,到大數據、雲端、平臺經濟的蓬勃發展並邁向成熟,2020台灣ICT人才發展報告指出,因應數位科技演進,未來於人工智慧(Artificial Intelligence, AI)、大數據分析(Big Data Analytics)、資訊安全(Cyber Security)與物聯網(Internet of Things, IoT)四大科技應用領域將快速成長,因此衍生之各領域專業人才需求也將增加,而國內現階段要發展AI,最缺的就是人才,資策會數位教育研究所針對人工智慧領域,蒐集並彙整產業人才需求概況,帶您來看看人工智慧產業最熱門的八項AI關鍵職務是什麼吧! 1.     資料工程師   在這個大數據的時代,由於分析用的資料量龐大,通常蒐集到的資料可能有缺失、格式錯誤、或是有著不合理的極端值,因此在運用資料進行分析前,必須要有人協助進行資料清洗的程序。  資料工程師就如同在廚房中要協助完成備料作業的重要人物,運用著資料組織與清理能力,協助進行資料的前處理,包含:資料擷取、資料清理、資料運算,並建立部署資料儲存環境的系統結構,以及協助處理資料過程遇到的資料庫效能、安全性以及自動化等問題排解。 2.     資料分析師   資料分析師指的是在組織中,協助資料轉換、萃取,從中彙整並理解各式資料生成的方式與商業邏輯的專業人員。他們需要知道如何提出正確的問題、善用資料視覺化工具,並具備數理統計與資料分析技能(如:探索式資料分析與非監督式學習、線性模型與監督式學習),針對應用情境提出分析建議、輔助公司商業決策。  如何將資料轉化成易讀性、具視覺化的展示效果,讓組織清楚掌握重點及商業價值,資料分析師功不可沒。 3.     AI應用工程師   資策會MIC觀測AI發展趨勢指出「AI落地」將是未來產業焦點,在AI落地前「效率」問題需要被解決,因此需要AI應用工程師這號人物,以現有人工智慧技術,協助分析客戶需求,評估解決方案可行性,並進行系統整合測試計畫。他如同魔法師一般,將人工智慧應用技術由虛轉實,成為一個可使用、可產生價值的功能模型或產品。  AI應用工程師除具備一般軟硬體工程師的系統整合開發能力,更要對於人工智慧基礎,如:資料結構、機器學習、深度學習有一定的掌握度才行。  4.     機器學習工程師   美國求職網 Indeed曾表示2019年度最佳工作的第一名是機器學習工程師;LinkedIn在2019底發佈的2020 工作趨勢報告亦顯示,機器學習和人工智慧在過去4年的人才職缺成長速度達74%,成為年度新興工作。到底機器學習工程師的日常是什麼呢?  機器工程師扮演著將機器學習方法實作以設計AI解決方案的角色,他需要依據功能需求,使用現有演算法與領域資料集來整合、訓練、最佳化演算法模型,因此須熟悉主流機器/深度學習框架、雲端平台相關程式開發技能。 5.     演算法工程師   當現有演算法模型無法滿足組織業務需求,或是希望可藉由新的演算法模型來解決問題、創造營運價值,就需要靠演算法工程師之功力!演算法工程師除了負責人工智慧演算法的開發與設計,更要想辦法從數據中挖掘出隱藏價值,故演算法工程師除了具備演算法能力、機器學習/深度學習的理解,他要對產品及業務有相對的敏銳度和分析能力,並且還要保有持續學習的求知慾,每天蒐集並閱讀大量最新的演算法論文與研究,亦是演算法工程師的生活日常。  6.     資料科學家   曾被《哈佛商業評論》指為「21世紀最性感的工作」的資料科學家,被業界譽為這類的人才最難養成,不僅僅要懂統計、熟悉機器學習及深度學習、更要有資料分析的專業及能洞悉問題點的能力。  資料科學家擁有高薪的理由就是要清楚掌握問題的痛點,他不一定要資訊背景出身,但必須有能力將資訊、統計、業務三種領域的知識整合,並且需要對該產業有一定的商業知識與敏感度,協助組織找到成功的商業模式、提出洞見、提出商業預測模型,並將其分析結果努力導向組織走往正確的方向。 7.     AI產品經理   有別於一般傳統產業的產品經理,工作重點著重在評估市場與消費者需求、制定產品開發策略及掌握產品開發進度,AI產品經理還需要掌握AI領域的基礎理論與應用知識,以面對在產品開發過程中可能面臨到的不確定性,如:投入AI技術後,軟體開發過程可能會變得更複雜、或是會有全新的設計產出或新的處理流程出現,這樣的產出是不是客戶想要的?  因此AI產品經理的挑戰即在於掌控整個開發團隊進度、把關產品開發品質之餘,要用對於AI領域知識的理解,在產品開發過程中針對問題做出適切的評估與判斷,創造AI產品之價值。 8.     AI專案經理   為搭上AI的浪潮,每個組織想推動AI專案去改善生產流程、提升產能與創造效益,但推動一個AI專案容易嗎? IDC於2019年5月對2473家在營運中使用AI解決方案的機構進行調查,發現AI專案有超過50%以失敗收場。根據資策會MIC產業分析指出,導入前對AI基礎認識不夠、導入目的定義不清、輕忽導入AI的複雜性以及對導入效益過度期待等皆是造成AI失敗的原因。  故在AI導入的過程中,除技術類的人員投入,亦需要一位熟悉產業知識、又具溝通協調及問題解決能力的AI專案經理,協助進行AI專案計畫的執行和控管,並擔任客戶的聯繫窗口,提供適切專案滿足需求,並讓業務與IT等相關員工了解導入AI的效益以及彼此間的職責分工,共同努力完成專案任務。     在AI技術應用的演進下,幾乎各種產業、各個領域都能受惠於AI帶來的變革,唯有多元的人才,將跨領域與跨文化的思維結合AI核心技術,並輔以順暢的溝通,才能讓AI產業化更成功,更加速AI的落地。   財團法人資訊工業策進會∕數位教育研究所∕數位轉型訓練中心 林書萍 副規劃師