關人工智能的文章，通常在開頭時會想要震驚讀者，因而引用科幻小說的經典作品，或關於人們即將失業的令人擔憂的統計數字。但我認為，在2018年我們才比較接近人工智能的核心，因為我們思考了人工智能可用一些微小、平凡的方式，讓工作變得較容易一些。而且，不一定是你組織中的人工智能專家，才能看出它可協助解決哪些平凡的問題。相反地，組織的所有員工都將有能力發現人工智能有哪些容易達到的成果，可提高組織的效率。但前提是，他們必須知道人工智能能做什麼，以及絕對不可做什麼。
例如，我為一個經常出差的團隊管理財務，我很感謝我的費用軟體使用機器學習，從收據中聰明地做出推測：商家名稱、花費金額、稅金和可能的費用分類。找到機會進行這種巧妙的改進，以節省人力與時間，這種挑戰不僅是針對領導人 最好也有其他組織成員進行這種探索，愈多人參與愈好。
人工智能的一個快速成長的領域，就是機器學習，其中電腦程式根據數據資料，來創造並反覆修改設計演算法，以改進對問題的解答。人工人工智能被認為是隻有最聰明、最有數學頭腦的人，才能理解並使用的技術。的確，日常工作就是在打造機器學習程式的人，往往擁有電腦科學的碩、博士學位。但機器學習就像其他任何技術工具一樣，人們對它的理解可以有不同層次，不完全理解的人也可使用它。我們不必懂得如何駕駛飛機，也能找出合理的新航線。但我們需要知道飛機能做什麼，不能做什麼。例如，外行人也可能會有飛機不該做何種用途的構想，這可能會產生正向結果，例如降低城市中的飛機噪音，或限制極短程的昂貴航班。
企業、非營利組織或政府的領導人投資於人工人工智能大部分注意力都集中在聘用機器學習專家，或付費購買工具。但這一來就錯過一個關鍵機會。組織若要從人工人工智能得最大好處，還應該投資於協助所有團隊成員更加了解人工人工智能工若瞭解機器學習，就較有可能在自己的工作中，發現潛在的應用方式。機器學習的許多最有希望的用途，都將會是很單調乏味的，而這正是技術最有用之處：為人們節省時間，好讓他們專注去做人類勝過機器的許多工作。對機器學習有較多瞭解的行政助理，可能會建議，日曆軟體直接從長期發展出來的模式中學習，例如，若是上司已太久未會見某一團隊成員，就要提醒他。有學到模式的日曆軟體，能讓行政助理有較多時間去做人類特別擅長做的工作，例如協助上司管理團隊。
那麼，你的所有員工應該學習人工人工智能些層面？你團隊中的任何成員都應該要能回答三個重要問題：人工人工智能運作？它擅長什麼？它絕對不可做什麼？讓我們逐一來詳細檢視：
它如何運作？
不負責打造人工人工智能的團隊成員，還是應該知道它如何處理資訊和回答問題。尤其重要的是，人們應瞭解自己學習和機器「學習」方式的差異。例如，試圖分析一百萬個數據點的人，必須以某種方式簡化它，以便理解它；做法可能是找出平均值，或製作一個圖表。另一方面，機器學習演算法在進行計算時，可使用每一個數據點。它們「被訓練」使用現有的一組數據輸入和輸出資料，以找出模式。數據資料是機器能提供有用答案的基礎，因此經理人應確保他的團隊成員具備基本的數據資料素養，也就是要協助人們瞭解數字代表的意義，以及可能隱藏在其中的偏見與錯誤。瞭解數據資料（數據是人工人工智能料），可協助人們瞭解人工人工智能什麼。
人工智能擅長什麼？
機器學習工具經過訓練後，能夠利用大量可靠數據來解決問題，並在人們為其定義的明確參數範圍內提出答案，如此機器學習工具的表現就會很出色。我的費用軟體就是一個絕佳例子：它有數百萬使用者的收據可供學習，並用那些收據來協助預測，一杯星巴克（Starbucks）咖啡應該歸類為出差、文具或是娛樂。知道機器學習擅長什麼，就能快速瞭解機器學習不擅長什麼。新穎的問題，或缺乏有意義的數據資料來提供解釋的問題，仍然屬於人類專長的領域。若要協助你的員工瞭解這個差異，你可以向他們展示，他們已在組織內部或外部使用、由人工人工智能的工具（例如社群媒體廣告，或串流服務提出的建議）。這些例子可協助團隊成員瞭解人工人工智能大潛力，和它的侷限性。
它絕對不可做什麼？
僅僅因為機器學習可以解決問題，並不表示它應該解決問題。例如，機器無法瞭解數據顯示的偏誤，也無法瞭解它作出的建議會有什麼後果。可能會有一些問題，是你的組織絕對不該讓人工人工智能程式去解決的。例如，我不會讓演算法為我的公司作出下列最終決定：僱用誰，在董事會議上討論什麼，或如何管理表現不佳的員工。員工如果已考慮到人工人工智能當道德限制，就可成為防止人工人工智能的重要守衛者。
在人工智能時代，表現最佳的組織，將會很善於為人工人工智能各種機會，以協助員工把日常工作做得更好，並能快速執行那些構想。那些組織將會很清楚應在哪裡運用機器學習，在哪裡避免使用。除了投資於技術，它們還會提醒團隊「人類專長」的重要性，包括：支援同事，好好溝通，並試驗新穎的構想。若要為人工人工智能遍運用作好準備，組織的整個團隊也需要作好準備。
閱讀更多 思想道 的文章
