台灣產業AI化面臨的四項挑戰
工研院所屬的人工智慧共創平台AIdea，自2017年起致力媒合學界/新創的能量讓產學研合作更便利，最終建立本地的應用解決方案。AIdea平台執行一段時間以來有些實作收穫，也對本地企業在AI導入進行多方面觀察，故對現階段台灣產業AI化的推動，歸納出正面臨的四項挑戰。
挑戰一：資料是否以數位方式儲存，以及其儲存的「質」與「量」是否充足
本地企業在產業AI化上遇到的第一項挑戰，就是資料是否以「數位方式」儲存，以及其儲存的「質」與「量」是否充足。許多傳統產業過去可能仰賴經營者的經驗或老師傅的手藝，未曾在生產/銷售過程中佈下足夠的感測器或數據蒐集系統；或者有部分數據，但未包含重要因子，又或者有數據但數位化程度不足，都是需即刻改進的。有企業即使建立了數位資料倉儲，然蒐集時間長度不足，或更新間隔過長，或多樣性不足，後續應用也常無以為繼。最後資料若是仰賴人工判斷後輸入，往往輸入的歸因或文字敘述將因人而異，資料本身的價值會減損甚至無法使用，都是在規劃資料蒐集時要考慮的。
挑戰二：如何讓管理階層對AI技術所解決的問題，能有正確預期
第二項產業AI化挑戰，就是如何讓管理階層對AI技術所解決的問題，能有正確預期：管理階層的支持對執行AI專案很重要，但同時也必須讓管理階層了解到AI並非萬靈丹，有適用的特定情境。若某些企業本身曾長期累積結構化資料，過去藉統計分析也能找到不錯的解決方案，此時引入AI不一定有加分，且投資回收是個現實問題。引入AI後最明顯的改進，應該是在於消化更多與議題相關的非結構化資料，增加資料特徵豐富性，找到更多的Insights。而AI解題也往往會發生一段時間做不出成果的現象，但這並非代表該技術無用，有時僅是資料量不足或尚未找到正確的切入面向；即使能做出明顯結果，有時攤開來看也可能看不出其因果邏輯，造成管理階層不願意冒風險實行；這些可能發生的現象，最好在事前即與管理階層有充分溝通，或者協助管理階層對解題效果不預期過高或過低。
挑戰三：組織文化衍生的問題
本地企業遇到的第三項挑戰，來自於組織文化衍生的問題。本地企業考量資源運用的效率性，往往將AI應用部門設於中央，以個別專案與各業務需求單位合作；執行上一方面AI應用部門存在短期間要證明本身價值的壓力，易讓業務單位產生「跨過界」的感覺，難以開誠布公合作；步驟上基於時間壓力，希望一次性可產出解決方案，但往往不切實際。關於AI應用，建議先聚焦解決單一「痛點」，找出單一特定專用演算法，因為從分析/洞察/演算法到最終解決方案，通常另需資訊部門或系統整合商的協助，有漫長道路要走。
挑戰四：技術推陳出新太快
最後一項挑戰來自於此領域技術推陳出新太快，但又必須跟企業實際功能流程緊密結合，兩者間講究如何取得適當平衡。技術變化快造成演算法研發人員要一手唸論文一手做開發，此領域雖然已有自動機器學習工具出現，但若要達商業應用等級，仍必須靠有經驗的工程師進行高度客製化模型調整，也須結合最新在地累積資料持續進行優化，有如另一型態的「手工業」。而諸如系統第一階段要做到多好，之後多久須升級，甚麼狀況下須加入新功能，以及每次改版如何搭配實際功能流程的改進，都必然做好先期規劃，否則系統落地時可能影響實際功能流程。
本訊息來自經濟日報