隨著人工智慧 (Artificial intelligence, AI) 的發展與成熟，使其被廣泛的應用於不同產業，應用 AI 協助企業獲得成功的程度，已超出數年前人們的想像。其實近兩年就能觀察到 AI 創新技術的熱潮，幾個 AI 重要核心，像是演算法、資料科學和 IT 部署等等，過去是相對獨立的。但隨著 AI 應用的持續發展，未來這幾大環節勢必將被整合在一起，包括開發流程、部署流程和企業營運流程，更加之將與 No-code/Low-code 等趨勢緊密的結合。
展望 2024 年，本文將分享促進 AI 發展的 6 大關鍵技術，幫助大家更了解 AI 該具備的特質。
關鍵一：AutoML 加速企業導入 AI，減少耗時費力的大量人工處理時間
隨著產業加速轉型需求，導入 AI 的需求更盛，除了 AI 專案開發，如何讓機器學習這項技術快速普及化，也成一大重點。但對於企業而言，光是優化、管理機器學習模型，就需要數名資料科學家。技術門檻在前，加上人才不易取得，如果企業雇用一個經驗與專業都不足的資料分析團隊，很可能因為演算法使用不當或是其他資料使用上的問題而導致模型結果不佳，反而造成嚴重的損失。
在這邊要介紹的，正是 Decanter AI 其中一個能解決以上問題的功能 — AutoML 。AutoML 加速企業導入完整資料分析流程並實行資料策略。傳統的資料分析流程包含許多步驟，資料分析過程有很大一部分需要不斷反覆地手動嘗試跟測試，是沒辦法為企業加值的工作。而 AutoML 可以讓資料分析團隊省下這些不必要的時間浪費。導入 AutoML 的企業只需把寶貴的時間花在了解並定義實際的商業需求，以及最後結果的解釋與實施因應策略，藉此讓企業更有競爭力，到永續經營的目標。
關鍵二：供應鏈物流必備的需求預測 (Demand Forecasting)
疫情嚴峻期間，國際運價短短兩年飆漲十倍，全球供應鏈面臨高風險、高運費、高庫存負擔的問題。過去，多數企業依靠傳統 Excel 報表安排供應鏈計畫，然而疫情期間的極端變化，這種做法無法快速適應，更可能導致供應鏈斷鏈並給企業帶來巨大損失。為了能靈活應變不確定性高的全球物流環境，企業需要預測未來的能力，也就是需求預測 (Demand Forecasting) 。
Decanter AI 的 AutoTSF 功能可以解決供應鏈需求預測的問題。利用 AutoTSF 功能進行需求預測的特點在於，將具有時間趨勢的特徵列入考慮，因此比用 ERP 報表做統計預測更加快速、準確。AutoTSF 預測未來以及時間序，幫助在疫情劇烈變動的環境下，也能達到預測未來更加準確。
關鍵三：龐大、不斷變動的數據流，AutoMLOps 與 DataOps 即時應變更新
當數據的觸角已伸到不同產業，可能會遇到的下一個問題是：如何讓數據與模型保持更新？舉個企業常碰到的例子，對數據分析團隊與業務團隊而言，最麻煩的一點是必須不斷交換數據以及模型的迭代耗費大量時間。當業務單位遇到新問題要解決，或是數據團隊發現模型不準了，就需要不斷溝通調整或拿新資料找出不準的原因。這個討論過程非常繁瑣，如果是跨國企業更會碰到時區問題，很難每次都把所有人聚在一起討論。
AutoMLOps 與 DataOps 功能可以解決這樣的問題，像是自動抓取新資料、自動建立新準確模型，告訴你為什麼之前的模型不準了，什麼樣的環境、數據導致不準，新的模型有什麼新邏輯都能在 Decanter AI 自動產生。AutoMLOps 與 DataOps 功能給模型更好的演算法、更佳的資料，資料的最佳化也就意味著能產生更優秀的模型，讓業務單位與數據團隊不用重複做繁瑣的資料交換工作。
關鍵四：讓團隊使用 AI 有信心，Explainable AI 從數據及 AI 模型中學習
隨著 AI 的先進與成熟，隨之衍生出的挑戰是多數 AI 產生的預測結果難以解讀。像軍事、航太這種涉及安全的領域，要求模型必須具備可解釋性，才會接受和應用。但在過去，演算過程被視為所謂的「黑盒子」，無法對分析結果進行解釋。甚至建立演算法的工程師或資料科學家也很難解釋內部發生了什麼情況，或是 AI 演算法如何得出特定結果。若不曉得 AI 為何產生這樣的結果，會讓組織之間的溝通變得困難，且難以信任 AI 及下決策。
因此，這裡介紹另一個關鍵技術 —— Explainable AI 的功能。 Explainable AI 的特點在於，能幫助我們瞭解、解讀 AI 的決策過程，而不是盲目信任 AI 的判斷結果。Decanter AI 的 Explainable AI 功能可以把解釋 AI 的圖表、敘述變成看得懂的故事，讓數據講故事、讓故事更真切，並且讓我們更安心地從數據及 AI 模型中學習，決策判斷時有更清楚的數據佐證，團隊會更願意將 AI 納入自己的工作流。
關鍵五：第三方開放生態，AIgos 可放入自行研發的演算法
一般有導入 AI 的企業，常碰到團隊想加入自己建立的模型，但多數的 AI 平台無法加入自行設計演算法的情況。除此之外，產學合作需求日益擴大，但學界的技術往往要花多年的時間才能順利在產業落地。為解決上述兩個問題，能共同開發的 AI 平台概念就此產生。
Decanter AI 的 Algos 功能開放第三方生態，讓每個人將不同專業領域的演算法上架到 Decanter AI，讓使用者在不同應用場景中都可以得到最專業的技術。優點在於等同超過上百位領域專家共創演算法，讓每一個企業、學術單位可以在 Decanter AI 平台上建立自己的演算法。
關鍵六：更多 AI 部署到嵌入式設備，需要 Edge AI 強化資安
傳統的 AI 佈署，是將資料集中後，由一個具備強大算力的伺服器進行模型訓練與預測。為了讓更多使用者同時在不同地方存取、使用模型，我們會將伺服器連網，並讓網路上的使用者能夠依據指定的安全協定連線到伺服器上，我們稱為雲端部署。但是隨著時代演進，在工廠端、製程環境開始需要部署 AI 並進行相關預測，更多低成本、低功耗設備得到了硬體支援。在這種場景下，雲端形式的 AI 部署會衍生出隱私問題，以及資安方面受到質疑，於是直接在邊緣裝置上進行 AI 運算的 Edge AI 概念應運而生。
為解決此問題，Decanter AI 的 Edge AI 與加密功能，幫助企業在部署 AI 模型時隱機密私不外洩。這種做法不只顧及了資安要求，更實現了 AI 高效部署，並能讓 AI 得到更廣泛的應用。Edge AI 強調不需要連線到伺服器，而是直接在邊緣裝置應用 AI 模型，重點是由不同邊緣裝置在不洩漏資料的條件下共同參與模型訓練。
AI 技術優化企業流程，Decanter AI 助您實現 6 大關鍵技術
AI 技術優化在開發流程、部署流程和企業營運流程這三個環節內缺一不可，包含資料整備、AI 模型建構與調整、AI 可解釋性以及資安保護等。AI 的創新速度飛快，以上的 6 大關鍵技術會是未來一到兩年內的的主流，並對市場產生革命性的影響。
