AI开发工具为什么让企业遇到了难题

细想每个人工智能的应用场景，若要从“云端”到“终端装置”，走过软件、韧件、硬件，到资料与服务逻辑之间的串接，从头到尾软、硬整合一条龙提供服务，就需要许多不同的系统开发环节，但各环节之间却又环环相扣。

以人工智能的开发框架来说，该选择哪一种框架训练模型，方便开发者直接将应用模型放到终端去推论、提供真正的智能服务，就是一个重要关键。

Deep Sentinel创办人Winston表示，对于软件或网络服务开发者来说，终端硬件通常不是我们熟悉的环境，我们需要芯片上面已经有完整的作业系统，可以跑特定的开发框架，例如谷歌的TensorFlow或是英伟达的CUBA，让我们可以把训练好的模型与终端应用的程序逻辑放上去。

开发人工智能演算法的程序语言就是一个门槛。提供智能服务的企业通常不会仅需要人工智能这项应用，原先服务开发已经使用的语言环境是否可以直接接轨就是第一个门槛。不同的开发语言常因为适用于不同的应用环境吸引不同的开发者，因此稳定的开发者来源也是企业选择技术路线必须考虑的长期因素。

除此之外，纵然多数主流的人工智能开发框架都已经开放其程序码，但不同框架的社群大小、云服务的支持程度、工具是否容易上手、训练或推论所需的加速芯片是否支援，这些都是考虑重点。

不同开发框架的社群大小，通常意味着有多少开发者应用。越多开发者在这个框架进行各种改写或整理，除了表示这个开发框架在较短时间就有机会应用最新的深度学习演算法外，也意味着有更多同好可以讨论或协助解决开发上的问题。

对于企业来说，这同时也是人才来源较多、支援厂商可能也较多的一个重要讯号。除此之外，为了避免被锁定在一个特定的开发框架，导致没有转换其他工具的弹性，是否容许将训练模型转换到其他不同的工具也是考量点之一。不过，性能和价格也是重要的关键，就算是性能好的芯片，可能因为耗电量高货是价格昂贵，甚至因为开发团队没办法很快将训练完成的人工智能模型与服务程序装上，而忍痛放弃。

纵然大部分的开发工具都以开源，意味着企业有机会自行建立开发团队来发展人工智能的相关智能应用，但企业还是一而再、再而三的面临要自己做，还是外包给特定团队的选择。自行开发通常掌控度最高，开发进度与设计逻辑都可以掌握在自家手上，但往往也意味着要现有团队学习开发人工智能应用的新技能，或是必须招聘新的团队成员，可能面临不同企业的商业文化与开发习惯之间的磨合，这些都是时间成本。

一名大型金控企业的技术负责人表示，人工智能应用是碎片化的，分散在很多不同的服务流程里。我们必须把每个流程自习拆开，确认不同阶段所需对应的工具，再来考虑这个工具应该选用什么样的框架开发。

以语音识别相关智能应用来说，这并非金融服务的核心项目，如果市场上已经有比较好的“语音转文字”或“文字转语音”工具，我们就可以考虑直接取用。但是某些服务可能牵涉到企业搜集的个人资料处理，例如以机器学习预测客户这次进行的什么样的服务操作，这部分外包可能就有资料安全和核心知识逻辑流出的疑虑，所以我们必须自建团队做资料分析。

从软件或服务起家的技术团队，需要有硬件设计能力的顾问协助设计，帮忙排出硬件或韧件的问题，协助软件团队找出真正的问题。所以一个完整的软件团队也必须从中学习硬件、软件和韧件和平共处的本事。