見人說人話的智慧 【林慧綺】

作者：林慧綺｜政治大學科技管理與智慧財產研究所 107 級科管組｜研究興趣：商業模式創新、新能源、隨緣創新。 

It is humanity that makes AI intelligent.

上週參與時代基金會與美國麻省理工學院（MIT）共同舉辦的全球產研計劃年會，今年以《Less Artificial, More Intelligence: Challenge of AI as a New Industry》為題，邀請MIT頂尖學者以及台灣產學相關領域專家，一同探討AI人工智慧在醫療與機器學習決策輔助等產業應用上的發展與挑戰。從教授分享的內容當中，近一步啟發我思考身為質性研究者看待AI議題的切入點，以及質性與量化研究在AI領域互動的新可能。

見人說人話的智慧

過去AI的研究多專注於如何透過演算法將海量但無意義的資料(data)，轉變成可以輔助判斷的資訊（information）。而當論及AI的醫療應用時，也多強調精準判斷的重要性，因為醫療不同於其他產業的最大特色是，錯誤的決策影響的可能是人命。然而，Prof. Collin Stultz認為，奠基在這些研究之上，較少被重視的是如何將這些資訊，用醫界習慣的溝通方式傳達給醫療從業人員，才能夠真正發揮輔助醫療診斷的效果。如何達成IT領域與醫療領域的跨域溝通，正是他的研究核心。

在大醫院裡，我們可以看到大大小小不同的科別，如心臟內科、胸腔外科、婦產科、麻醉科等等。由此可以觀之，醫界的分工是十分細緻的，會依據生理部位、診斷對象、專業等不同類別進行專業分工。而在眾多不同的專業領域當中，又會各自發展出專業術語的差異性。如果機器預測出的結果沒有因應不同的術語進行調整，將無法與不同領域的醫療從業人員有效溝通。

另外，醫生根據其過往經歷，會形塑出自己在醫療診斷上的先備知識，如果機器預測出的結果與醫生的先備知識過於牴觸，或是AI工具的使用方式與醫生習慣的作業流程過於不相容，會無法取信於醫生而減低他對於AI的信任度，更甚者決定不再採用AI工具來輔助診斷。

我覺得這體現了若要擴大AI於醫療領域的應用，必須更深入瞭解醫療產業與醫療從業人員的脈絡。在瞭解了醫界的脈絡之後，才能經由再脈絡設計出更符合醫生使用習慣的AI產品或服務，進而普及化AI在輔助醫療診斷上的應用，精進醫界技術發展，造福人類社會。

萬箭齊發不如一箭穿心

機器學習是實現人工智慧的一種技術，妥善運用可以協助企業優化服務品質。舉例而言，透過機器學習可以藉由分析海量的歷史數據，精準預測出不同使用者最喜歡的推薦歌單，打造優良的體驗。而若企業希望使用機器學習，則要先定義出欲優化的KPIs（關鍵績效指標，Key Performance Indicators），才能進一步收集相對應的數據，選擇適當的模型來訓練機器。

Prof. Michael Schrage指出，許多企業會設立為數眾多的績效指標，卻沒有定義到真正關鍵的「K」PIs。企業應該先釐清，就整體發展策略而言，希望優化的是什麼？由此定義出KPIs，其中每項關鍵的績效指標應該都要能具體對應到某項企業策略。以全球網路叫車服務龍頭Uber為例，除了活躍用戶數這類App常見指標之外，它定義出叫車市場特有的KPI：ETA（預估抵達時間，Estimated Time Arrival）。藉由精準有效地最小化ETA，Uber得以提供乘車者便利且有效率的交通體驗，同時最大化代僱駕駛在有限時間內的載客數。

定義到對的KPI加以優化，讓Uber獨佔叫車平台鰲頭，但要怎麼知道什麼指標最關鍵呢？我認為答案要回歸到從使用者出發。對Uber來說，身為一個以共享經濟為基礎的叫車平台，它的使用者包含乘客與代僱駕駛。它提供給乘客的服務核心是交通，而交通的本質是將人最有效率地從A處載往B處，因此時間是關鍵；它提供給代僱駕駛加入平台的誘因是能在閒暇時間賺點外快，因此對於駕駛而言最在意的是能在有限時間內最大化收益，時間同樣是關鍵。從使用者的角度出發，可以找到企業的優化策略，進而定義出真正關鍵的績效指標，一箭穿往核心。

To count or not to count

"You can only optimize what you can measure."在討論的過程當中某位分享者如是說道，獲得在場企業家以及數據科學家普遍認同。於此同時，我的腦海浮現出另一句在老思課堂當中聽過的話：『Not everything that counts can be counted.』將我的思緒拉往長久以來一直存在的辯題：究竟是量化研究好，還是質性研究好？

若希望發揮AI輔助醫療診斷的功用，需要扎實的量化基礎獲得精準的決策資訊，亦需要質性發現來AI產出的資訊再脈落成能與醫師溝通的語言；若希望運用機器學習優化企業品質，需要透過質性觀點找到最關鍵的KPI，亦需要量化運算技術以實現KPI的優化，因此我認為，量化研究與質性研究，重點不在於孰優孰劣，而是如何相輔相成，讓科技發展為人類社會帶來更大福祉。

這次的年會再度提醒了我，科技始終始於人性，人工智慧的發展，最終是希望作為人類的幫手，讓人們過上更便利、更健康、更舒適的生活，打造更加美好而友善的社會，也因此在思考未來AI技術的發展時，別忘了回歸以人為本之根本。