跳到主要內容
 

技術文章


數位轉型時代人才職能的再進化
科技轉型 職能 學習

2020-12-21 陳麗萍 組長 58

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

最新發表
【AI解題案例】打造零風險工廠,AI自動檢測系統輔助作業區的安全監控
【AI解題案例】打造零風險工廠,AI自動檢測系統輔助作業區的安全監控
【AI解題案例】打造零風險工廠,AI自動檢測系統輔助作業區的安全監控   一、解題背景   在工廠管理中,工安事件是最不想見到的事。本專案的出題方為國際輪胎大廠普林斯通(Bridgestone),相較於多數廠商從良率、生產效率或成本的角度切入規劃工廠流程的改善,普林斯通想的是如何善盡「企業社會責任」這一件事,希望透過AI技術改提升輪胎成型作業的安全監控成效。   解題方為在智慧工廠這個領域耕耘已久的ASUS AICS團隊,他們導入Vision-based的深度學習模型,希望做到不只是偵測員工在輪胎成型作業中是否有違反標準工序的危險行為,甚至能判斷出作業員的異常行為,提前做出預測,即時對作業員發出警報,同時通知現場管理人員盡速到場處理。如果有更危險的行為的時候,可以第一時間就把設備停止下來,阻止悲劇的發生。 二、解題架構 l       現況問題:   目前ROLL(滾筒)生產設備的捲夾點周邊並未設置任何監視裝置,其相關作業安全監控仰賴管理責任者於現場巡檢以觀察人員作業。除無法有效監控外,若發生捲入意外,將無法即時對應造成憾事。   輪胎成型機台雖設有監視攝影機,其監視影像多用於品質問題發生時的紀錄追蹤使用,並未充分發揮安全監控功能,且礙於人力不足,無法配置人員緊盯螢幕進行監視。   目前現場的作業安全監控仰賴管理責任者於現場巡檢以觀察人員作業。除無法有效監控外,也難以事前檢出人員異常活動徵兆。而增加人工巡檢確認項目亦會造成管理責任人員工作負擔,無法確實執行其他生產業務對應。   l       解決方案:   本專案同樣需經過AI開發流程:收集資料、為資料做分類與下標籤、模型訓練與測試,以及在邊緣裝置上佈建此模型並進行應用。先來看看關鍵的深度學習模型訓練作法。   針對本專案的視覺監控特性,解題方選擇以事件為主的混合式深度學習AI模型(Hybrid Deep Learning AI Model),並提出5個深度學習模型來解決不同的問題,其作用如下:   DNN 模型1:監控作業員是否有根據定義的SOP作業
   DNN 模型2:監控生產設備運作是否有異常,例如有異物捲入   DNN 模型3:監控作業員的防護裝束是否完備   DNN 模型4:禁制區access control     • 人員上崗前用人臉辨識註冊     • 建立虛擬管制區,管控每個人允許進入的區域     • 使用物件識別、物件追蹤、距離測定來確保人員為進入禁制區   DNN 模型5:蒐集生產設備的關鍵參數,並用AI資料分析監測/預測生產設備運作異常     這5個模型除了偵測場景中的異常狀況外(DNN模型1、2、5),也可以為場景設立虛擬的封鎖線(DNN模型4)以及人員防護裝束管控(DNN模型 3),達到多種層次的安全防護。   實際的運作上,在訓練好DNN模型後會將模型部署到監控環境,透過雲端監控資料平台(Data Platform),平台會對工作現場傳回的數據進行統計與分析,同時將監控狀況可視化,管理人員可清楚掌握狀況。針對發生問題時的影像則會保存下來,做為改善模型的依據。   三、解題成果   AI團隊想進入工廠取得資料做分析並不容易,但透過AIGO這個計畫的媒合,普林斯通很配合解題團隊的需求,讓他們順利收集到合用的資料來做分析,訓練及測試完模型後實際部署到生產線,在 6 個小時內內成功抓到 31 起可疑行為,經人為覆判後,每一筆皆是有危險性的行為,而AI推論時間皆可維持在 1 秒鐘以內。   圖說:在生產線設定「安全區」及「危險區」   四、結論   由於這個題目是要解決生產線作業員的人身安全問題,因此導入的AI方案不能只做到偵測(Detection)的功能,還要進一步做到預測(Prediction),也就是要在危險還沒發生前就預先判斷出來了,並且第一時間發出警告,甚至強迫中斷產線機台的運作。   這考驗了解題團隊及廠商的合作程度:解題方的AI專業需與廠方的Domain Expert緊密合作,由廠方專家協助確認AI的認知是否與他們的認知是一致的,再將訓練好的模型部署到更多的監測相機及機具上,去收集不同的作業員的作業方式,把AI的模型訓練到更趨近於人類的認知。   普林斯通認為這個方案的初步目標已算達成,接下來希望透過大數據的分析,能擴展到其他機台的安全監控,希望2021年能夠全面導入這項AI技術到整個生產製程中,讓職場的安全性提升,員工的安全感也能提升,打造出零風險的工廠環境。  
【AI解題案例】傳產有智慧!染整廠自動預測水洗牢度與總色差方案
【AI解題案例】傳產有智慧!染整廠自動預測水洗牢度與總色差方案
【AI解題案例】傳產有智慧!染整廠自動預測水洗牢度與總色差方案 Source: http://www.dbl-group.com/dyeing/   一、解題背景   人人都要穿衣服,紡織業的歷史悠久可想而知,但衣布的科技仍持續推陳出新,生產的技術也在升級,本案由叡揚資訊提出需求,希望透過AI技術讓染整廠的新員工也能更快掌握老師傅的絕學,除了為染整業節省人力,也能降低人為因素對產品品質所造成的影響。   早期染整工廠多以手工記錄片段的資料,現在進步了些,能靠機器上的感測器回傳各種數據,但在染整過程中何時該補料或該升降溫度,全憑老師傅的經驗來做判斷,一旦設備故障後重啟用或材料狀況有變,整條染程都可能生變而難以救回。   另一狀況則是針對新配方或新染程的研發,只能不停地嘗試各種組合,直到產出滿意的產品為止,過程中會造成材料與時間的浪費,大幅提高製作成本。對於新進員工來說,想要做到「出師」則是漫漫長路。   承接此案的解題團隊是「馬訓冷凝」(取義Machine Learning),他們提出的作法是在染色過程中,利用多目標預測模型,透過系統化配方與染程,使過往依賴人力判斷的染程部份能透過機器來判斷,自動預測水洗牢度與總色差。     二、解題技術架構   本案之解題構想擬採用機器學習與深度學習的技術,建立多目標預測模型,將染色機上的溫度、酸鹼值、水位等 IoT 染程資料視為輸入資料,整合染程設計與配方資料,同時預測該染程的水洗牢度與總色差。     方法一:採用機器學習之多目標預測模型     圖說:機器學習流程架構圖   機器學習有多種演算法,根據不同的資料型態來使用不同的演算法,能解決分類或迴歸問題。本方法的流程步驟說明如下: 將歷史染程數據集之每筆工單之每個 IoT 染程數據序列資料,透過快速傅立葉變換(Fast Fourier Transform, FFT)轉成頻譜特徵。 經步驟 A 計算後之頻譜特徵再透過功率譜密度(Power Spectrum Density, PSD)的計算,轉換為歸一化的功率譜密度。 將以往各工單染程數據的頻譜特徵,進行自相關函數(Autocorrelation)計算,取得特徵。 綜合步驟 A 至步驟 C 產生之特徵值,產生個別 IoT 感測器之特徵向量(每一筆工單都有溫度特徵向量 FT、酸鹼值特徵向量 FP、水位特徵向量 FL 及浴比特徵向量 FR 等四種特徵向量)。 將步驟 A 到步驟 D 進行特徵提取後的四種 IoT 特徵(FT, FP, FL, FR)配對該工單之實際水洗牢度 LW 與實際總色差 LC 作為聯合標籤(LW, LC),形成該工單對應之訓練資料((FT, FP, FL, FR), (LW, LC)) 。 使用各種機器學習演算法訓練模型,例如分類預測模型及迴歸預測模型。 因為機器學習演算法的效能常和資料有關,且各種特徵選取及分類/迴歸方法的組合可能性太多,因此解題策略上優先考慮使用單一 IoT 之特徵向量(如溫度 FT)和各種分類器或迴歸模型開始測試。如果正確率的要求未能滿足,再嘗試多感測器的特徵組合以達到模型正確率的要求。   方法二:採用深度學習網路之多目標預測模型   圖說:深度學習流程架構圖   LSTM是一種時間遞歸神經網路的深度學習模型,適合於處理和預測時間序列問題,在長時間序列問題中較其他方法有更好的表現。本方法的流程步驟說明如下: A.     建立 LSTM 模型:建立一包含(輸入層、LSTM 層、全連結層及 
輸出層)之深度學習網路。
 B.      調整資料序列長度。 C.     數值範圍正規化:將數入值及輸出值之範圍正規化到-1 到+1之間。 D.    採用 K-Fold Cross Validation 的方式訓練 LSTM 模型。如訓練結果未達預期正確率,則調整 LSTM 之Hyperparameter (如Cell 個數、學習速率等)並重新訓練模型測試正確率。
 E.      最終基於 LSTM 網路架構下完成能預測水洗牢度與總色差的多目標預測模型。     表一  各水洗牢度各種特徵選取及分類器之準確度   * psd: power spectrum density, WP: wavelet packet, AVG: piecewise average, LSTM: long short term memory.
   ** 所有的數據都是透過 5-fold Cross Validation 計算出之平均正確率。   三、商轉可行性與成果創新價值   紡織業在染整上分秒必爭,當染整人員進行產品染整上時,如果無法快速定義出適合染整的程序,容易導致產品品質上的瑕疵。假設現在有一批新研發的染整配方時,如果能夠有一套可供相應參考的配方流程,對於染整人員來說,不僅提升了產品上的品質,更節省了多方面的嘗試組合,同時,對於該新研發的染整配方能夠提供給染整人員參考。因此,在染整產品上時,如何找出最適合的染整配方,是本方案所要解決的。   本方案創新價值在於染整流程上所面臨水洗牢固度、總色差,在不清楚染整流程的前提下,使用了機器學習等相關技術,提高產品的品質程度,使產品可多次清洗不易損壞,且不會掉色。   很多紡織業者常面臨無法為染整產品提出最合適染整配方的困擾,本方案在運作時,新研發的染整技術被 LSTM 模型預測後,根據該模型的預測結果,提供給染整人員進行微調,並且將成為改進模型的訓練資料,亦即模型是日復一日、永不中斷的從舊、新資料中自我學習,而非一般的機器學習方法。   這將有助解決上述的染整配方問題,亦能夠幫助新創的紡織公司在初期創立時,透過舊有的染整配方提出有效的染整流程,提供給染整人員研發新的染整技術,這也是本方案的市場價值。   另外,本系統也具備易建置、易移植及易維護等性能,在商業運轉上同時具有可行性。   四、結論   本方案對於專案開發與染整之品質管理,具有相當高的實用性且具有易建置、易維護及易移植等特色,採用的方法也具有理論的支持,並解決了各項影響因子與染整品質的主要問題。   本方案也可針對布料中各別的材質,提取該材質中特有的染整技術,協助技術員在染整中因應各種突發狀況。未來也可結合企業的資料庫,使本系統不僅能用在染整技術上,亦可用於其他層面,如綠色智能化生產、發展個性化染整設備。  
【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/
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