「AI 就像在屋頂上騎腳踏車，易學難精。」

這句話出自已故陳昇瑋教授對此我深感共鳴。每個碰到的專案，做到一定階段或者說一開始就會有個問題跑出來--一定要用AI嗎? 這是每天我都在問自己的問題。數據開始紅，大概是從資料科學家會是21世紀最性感的職業這篇報導開始，慢慢地開始有人談大數據、工業4.0、AI或是數位轉型，大家都琅琅上口，好像每個人都是專家，但回到事情本身，你真的在賣場看過尿布放啤酒旁邊嗎?如果你手上只有名為AI的這把大槌，那所有東西都看起來會是釘子，所以正確的說，要不斷的問自己--要不要放棄用AI的手法來解決問題?

回顧自己11年的經驗，不論是甲方或是乙方，公司內部稽核、外部接案輔導、評審，大大小小案子共400多件。案子為什麼成功好像沒什麼具體的準則，但失敗倒是驚人的相似，想想也該整理一下，也算替自己有個交代。東西最終有沒有落地，還是要回歸到營運上來說。你或許曾聽過這樣的吐槽，如果不執行這專案，公司就省了多少錢~或者微軟某個主管大專案搞失敗難過地要引咎辭職時，被上面老闆說，我花了那麼多錢讓你試，你要在這經驗上把下個專案弄成功，所以留任他。本系列名稱靈感來自上述兩件事，於是我盤點了一下手上看過或經歷過的專案的總成本，大概是30億元，所以有了系列名稱《30億的維運教訓：一個 IT 工程師的 AI 落地避坑指南與營運思維》。

現在我自己大概會用這樣的流程來進行避坑，大致如下:

1. 找人推動AI-->人才的重要性 (外部顧問或內部專人)
2. 推動AI要解決什麼問題?-->量化的目標(Y)，重點在於數據驅動
3. 技術可行性評估? 如:硬體要可以負荷(算力)、演算法輸出結果要精準且有意義[X有即時性且合理(DOMAIN))
4. 如果前面假設都通過，經濟效益有?
5. 最後開始推行時會遇到人的問題，通稱組織與文化，回到人本身

大概的流程圖會長如下這樣:

實務上，不見得嚴格按照上面流程跑，如果有東西已經確定繞不開早點止損也好，但為了敘事方便，我從最簡單的情況說起。引述巴菲特的觀點:

「找到打擊率4成的好手，然後不要指手畫腳!」

同理，如果找到對的人，後面交給他就好了，這大概是最輕鬆省力的做法，只要你遇到對的人，所以第一大項我會先談一下強打者的特徵(當然是有得選的前提下)。但天底下哪有那麼好的事，再強的打擊者都會有低潮，所以如果你發現一段時間以來這傢伙好像沒有4成打擊率，那麼該怎麼辦，畢竟沒有走到終點，沒有人知道究竟是不是遇人不淑! 不過如果未來要相處的團隊有考慮到接下來談的一些重要事項，我會很願意與之一起走到最後。這些重要事項，我通常會照上面的流程圖走(註1)，概念上是先處理非政治問題再處理政治問題，或許你聽過這樣的說詞，身為技術工程師，這案子我聽起來沒有太大的問題，但基於某某原因我要再跟PM或上級請示一下。我很喜歡這樣的說法，原因是技術上的東西相對客觀，所以可以相對容易的有共識，例如問題的定義可不可以被量化目標，以及規劃使用的解決方案技術可行性是否存在。當目標被量化出來時，通常也代表後面的效益也某種程度被量化，所以大家是在同一件事情上討論，比較不容易公說公有理，婆說婆有理，能有共識做下一步決策。所以談完第一大項的人才之後，我會接著談在極小成本下怎麼快速的看一下第二大項量化目標與第三大項技術可行性。

反過來說，有些老闆還沒聽你報告，就會先問效益是多少，回收年限是多少? 經濟效益就非常赤裸的砸在臉上，那就先評估它也行，但AI這東西嘗試性質偏大，經驗上長官在初期通常都不會卡太緊，甚至有點財大氣粗的味道，你前面盡量試，這時就全力衝刺吧~所以我效益放在第四大項講。
(實際上，熟了，都會參雜著一起評估完)

最後，專案第一次落地時，我只能說一樣米養百樣人，沒有設計能符合每個人需求的，但至少要能搞定大部分人，這大部分人的行為我通稱組織文化，只能說一個鍋一個蓋，這很煩心...所以個人建議是優先評估非政治問題，如果沒太大問題，再來看政治問題怎麼折衝，然後就繞回去原點，如果一開始我可以挑合作對象...總言之，第五大項我會盡量談一下組織文化，如果看到某些東西請避開他(船大難掉頭)，或者你有決心讓大象會跳舞~

冗長的序言就到這吧~接下來5天，預計都是關於第一大項人才的議題，那明天就從選人開始談起~

註1: 偶爾會遇到上天派來的天使，讓你知道要提前確認某些事情，那就去做吧! 不要猶豫，例如某大神跟你說過往類似專案曾被某法規卡住、某某客戶特別在意什麼。