2. 1 前言
INTRODUCTION
4 概況
OVERVIEW
2 報告概覽
KEY FINDINGS SUMMARY
3 研究方法
RESEARCH METHODOLOGY
5 企業 AI 成熟曲線
THE ENTERPRISE AI MATURITY CYCLE
6 數據生態圈完備度
DATA READINESS
7 數據組織與團隊完備度
TEAM READINESS
8 企業運行完備度
OPERATIONAL READINESS
9 企業落地挑戰
CHALLENGES OF AI ADOPTION
10 企業AI落地的挑戰與隱憂
CHALLENGES & CONCERNS ON ENTERPRISE AI ADOPTION
11 展望未來
LOOKING TOWARDS THE FUTURE
12 企業升級建議
SHIFTING THE PARADIGM
13 貢獻者
THE CONTRIBUTORS
14 結語
A FINAL WORD
15 致謝
ACKNOWLEDGEMENTS
16 免責聲明
DISCLAIMER
目錄
TABLE OF CONTENTS
26. BACKBONE OF THE AI ADOPTION JOURNEY
| AI導入的脊梁
AI 團隊構成 | THE AI TEAM
AI團隊規模 2021 vs. 2022
美國AI團隊規模 2019 vs. 2022
今年,我們看到各企業在AI團隊建設方面取得了優質的
進展。
正如去年的報告中所預測的那樣,各企業都在為他們的
AI團隊配備人員並擴大規模。企業已經將他們的團隊增
加到超過�-�名資料科學家並配備整體��-��人的團隊。
我 們 特 別 注 意 到,在 受 訪 組 織 中,其 A I 團 隊 內 人 員 在
� � - � � 人 之 間 的 比 例 上 升 到 � � . � � %,而 去 年 只 有
�.��%。
每個級別的AI團隊規模的公司的比例也開始越來越接
近,首先是擁有�-�名資料科學家的組織比例開始趨於
平緩。
這與美國企業在過去兩年的趨勢一致。在成長階段團隊
的分布上,台灣持續接近美國的水平。
如果保持這種趨勢,我們預計台灣和美國的AI團隊規模
之間的差距將在未來幾年繼續縮小。我們還認為未來幾
年會有更多的機構擁有超過��人的大型AI團隊,並加
強團隊的力量,協助他們進行積極的模型開發和部署的
工作。
��
27. AI 團隊構成 | THE AI TEAM
SIZE MATTERS | 規模優勢
各成熟度公司AI團隊規模分布
各產業AI團隊規模分布
在我們的AI成熟度曲線中,團隊規模為評估是否
六級公司的重要參考指標。
從今年的分布中可以看出,��%的�級公司在其AI
團隊中擁有超過���名成員。而�級和�級公司也
有較大比例的公司擁有超過���名AI團隊成員。
同樣有趣的是,醫療保健公司似乎已經用更少的
資源做了更多的事情。只有一小部分公司擁有超
過���人的AI團隊,但其產業在我們的AI成熟度
曲線中卻排名前三,高於擁有大規模團隊的製造
業和銀行業。這表明,我們需要一個更有效率及全
面性的團隊以實現更高的AI成熟度,而且成熟度
並不只限於大型企業。採用正確方法的小型組織
也能夠產生正面的結果。
��
28. INFLUX OF ENTRY LEVEL DATA SCIENTISTS TO
FILL THE GAP | 資料科學家大規模湧入
資料科學家團隊 | DATA SCIENTISTS
資料科學家經驗年資
今年的調查產生了非常積極的信號,數據顯示資
料科學家仍然是組織內最受歡迎的職位之一。
有大量的入門級資料科學家湧入組織,以填補AI
部署所急需的工作。
隨著管理層對AI投入承諾的增加,每個業務部門
都在創建更大的AI
“任務清單”
,包括他們希望AI
可以幫助改進的領域和問題。資料科學家在這一
過程中發揮了重要作用,包括瞭解問題,確定方法
和解釋數據,以協助得出最佳解決方案。
總體而言,隨著組織內的經驗水平繼續向成熟度
轉變,我們認為這一趨勢正朝著積極的方向發展。
��
29. AI團隊組成 | AI TEAM CONSTITUENTS
TEAM BALANCE IS REQUIRED TO STAY ABOVE THE EVER CHANGING NATURE OF DATA & AI
| 團隊應平衡組成
AI團隊組成
雖然我們認為資料科學家在確定AI部署的商業案例和AI項目的成功交付方面發揮了重要作用,但成功與否還取決於
工程師和資料科學家之間是否組成了平衡的團隊。
特別是在較高的成熟度階段,各組織在每個角色中都有較平均的地位,這表明數據/AI工程、資料科學和資料分析這�
個角色的分布更加平衡。如果在較低成熟度的企業,每個角色的平均地位也相對較低,分布較分散。
數據需求和基礎設施服務持續快速發展。而組織需要對選擇新使用案例和新工具做出決定,以更好地優化其能力。因
此,一個平衡的團隊要可以不斷地學習、評估、實驗和部署,使組織保持必要的最佳性能,繼續向前推進。
��
20%
0%
40%
60%
49. 晉級LEVEL 1: 組織結構調整
| SHIFTING TO LEVEL 1: ORGANIZATIONAL ALIGNMENT
As we act upon the urgency of AI adoption into the enterprise, the leadership should consider
and decide upon the following questions in order to realize a successful kickoff.
THE ENTERPRISE VISION AND KEY OBJECTIVES FOR ADOPTING AI | 企業願景和採用AI的關鍵目標
作為企業,我們希望通過AI達到什麼目的?這不應該是為了一句口號或流行語,而是幫助企業實現整體的組織願景,
實現收入增長、提高組織效率、加強客戶存留、降低某些流程的成本等諸多商業目標。
IDENTIFYING AND ALIGNING THE KEY STAKEHOLDERS | 找出並凝聚關鍵利害關係人
這些新措施將使誰受益和影響誰?誰是最能影響這些變化的利益相關者?企業需要找出相應的利益相關者,並凝聚上
至管理層,下至關鍵工作者的想法,以獲得整個組織的認同和明確同一個執行目標。
��
50. 晉級LEVEL 2: 實現數據的可及性
| SHIFTING TO LEVEL 2: TOWARDS DATA ACCESSIBILITY
DATA PROLIFERATION WITH GOVERNANCE | 強化數據治理以實現全民數據可及性
團隊成員需要了解數據,並且能依據這些數據來開發有效的應用程式以減輕工作量。
然而,正如我們在今年的報告中所強調的,數據安全反而成為數據可及性的障礙。因此,我們建議企業要多關注數據治理的
服務和解決方案,一個強大的控制框架可以促進信心並加強整個組織的數據訪問靈活性。
BUILD UP THE DATA INFRASTRUCTURE TO COLLECT THE RIGHT DATA FROM THE RIGHT PLACES AND DE-
LIVERED TO THE RIGHT PEOPLE | 建立良好的數據基礎架構,從對的地方收集對的數據並交付給對的人
對於許多大型企業來說,數據收集已經是其運營的核心。然而,有些舊系統可能跟不上最新的數據串流和數據結構,或者被
存儲在組織內部各種不同的數據孤島中。這些疆界需要被打破,以便數據無縫地流入資料湖、倉庫或虛擬資料庫,供用戶或
系統存取並處理這些數據。
企業還應該注重這個基礎架構的靈活性,機動調整這些目標和應用,以對應隨著時間推移和目標發展而產生的改變。
��
51. 晉級LEVEL 3: 快速實驗
| SHIFTING TO LEVEL 3: FAST EXPERIMENTATION
BUILD AND SCALE CROSS FUNCTIONAL AI TASKFORCES | 建立跨部門的AI專案小組
一開始就把重要的利益相關者
(Stakeholder)
納入團隊。團隊成員一開始需要具有廣泛技能、熟悉主題的主力成員,
再加上理解IT和軟體開發的技術專家。資料科學家可以逐步加入到團隊中來運行實驗。正如我們的研究所揭示,成熟
度較高的團隊已經把運營到資料科學的成員同時納入同一屋簷下,以加快發展過程。
TAKE QUICK WINS | 由簡入繁,迅速取勝
為了獲得對此措施的信任和信心,早期的實驗應該專注於單一的案例,這些案例可以迅速證明AI導入的商業價值,從
而建立信心,進而擴大部署。在執行上,建議先建立對當前業務運營影響最小、成功概率高的項目。這就好比產品管理
中的最小可行產品
(MVP)
概念。挑選這些項目進行實驗,可以讓新成立的團隊突破新的任務和範圍,也可以建立整
個團隊的融洽關係和信心。
��
62. BUILD AN ELASTIC FUTURE ENTERPRISE | 建立靈活應變的未來企業
COVID-��讓我們看到了生活中和組織架構的弱點。但它也給了我們一個機會來面對最大的恐懼,並在前進中找
到力量,在新常態下創造全新的商業基石。
希望透過這份報告,能提供台灣企業AI導入的現狀。雖然我們遇到了疫情,但是台灣企業AI的導入仍然展現了正
面的進展。
雖然我們的AI導入有著趕上已開發經濟體的跡象,但我們絕不能自滿。我們仍然處於這些發展和技術的初級階段
。導入AI的旅程是一條長長的曲線,還有不少路要走。數據基礎設施的架構和AI的科技仍持續地以光速發展。因此
,我們鼓勵那些還在早期階段的公司,仍然要不畏艱辛地努力前行;對於走在前頭的公司,需要持續關注產業內的
最新發展,與業內同行進行對話,並在此過程中不斷進行優化。
我們期待著在未來的歲月裡,這個產業將會繼續向前邁進!
14 結語
A FINAL WORD
��
63. OUR SINCERE THANKS | 我們誠摯的感謝
National Development Council 國家發展委員會
Asia Silicon Valley Development Agency
ASVDA亞洲·矽谷計劃執行中心
Taiwan AI Academy 台灣人工智慧學校基金會
ALPHACamp 又米創新股份有限公司
Atayalan Inc.
Avesha Inc.
Canner, Inc. 易開科技股份有限公司
CacaFly 聖洋科技股份有限公司
Instill AI
InfuseAI 工合股份有限公司
IsCoolLab 伊斯酷軟體科技股份有限公司
ProfetAI 杰倫智能科技股份有限公司
TenMax 騰學廣告科技股份有限公司
Richie Tsai 蔡明順 台灣人工智慧學校 校務長
Ning Ning Yu 俞寧寧 VP, R&D, Taboola
Edward Chen Strategy Consultant
Brian Yang Co-Founder, Cacafly
陳五福 董事長
致謝
ACKNOWLEDGEMENTS 15
在此,我們衷心感謝所有幫助我們、提供建議、創建、分發和參與本調查的朋友和合作夥伴,並為本報告的編寫提供寶貴的意見。
��
64. THE INFORMATION ON THIS DOCUMENT IS PROVIDED FOR INFORMATION PURPOSES
ONLY. IT DOES NOT CONSTITUTE ANY OFFER, RECOMMENDATION OR SOLICITATION TO
ANY PERSON TO ENTER INTO ANY TRANSACTION. ANY BUSINESS OR INVESTMENT DECI-
SIONS SHOULD NOT BE BASED PURELY ON THE INFORMATION PRESENTED IN OUR RE-
PORTS. WE WILL NOT BE RESPONSIBLE FOR ANY LOSSES INCURRED BY A CLIENT AS A
RESULT OF DECISIONS MADE BASED ON ANY INFORMATION INCLUDED IN THE REPORTS.
WE DO NOT GUARANTEE OR TAKE RESPONSIBILITY FOR THE ACCURACY, COMPLETENESS,
RELIABILITY AND USEFULNESS OF ANY INFORMATION. IN MANY CASES, THE OPINION
EXPRESSED IN THE REPORTS IS OUR CURRENT OPINION BASED ON THE PREVAILING
MARKET TRENDS AND IS SUBJECT TO CHANGE.
16 免責聲明
DISCLAIMER
��