小洪的部落格

使用前請詳閱說明書：導入AI前要先了解它

人工智慧(Artificial Intelligence, AI)的核心在於透過演算法(Algorithm)與資料(Data)，建立可以進行預測或決策的模型。對於餐飲業而言，常見可應用的AI模型包括：需求預測模型(Demand Forecasting)、顧客分群模型(Customer Segmentation)、推薦系統(Recommendation System)、人力排班優化模型(Scheduling Optimization)。但實務上，多數餐飲企業所擁有的資料量與資料品質，往往難以支撐複雜AI模型的有效運作。何以故？！

因為AI系統最大的風險之一，就是[資料偏誤](Data Bias)。當資料樣本無法代表整體母群體時，就會出現樣本偏誤。例如，餐廳的會員資料主要來自外送平台顧客，但內用顧客可能並未加入會員。若AI模型僅依據會員資料分析顧客行為，決策結果就會出現謬誤。其次，AI模型通常依據過去資料建立，因此會將過去的模式延續到未來。例如，若過去的促銷活動主要在週末進行，模型可能推論[週末促銷最有效]。再者，許多資料紀錄並不完整，例如，未記錄顧客用餐原因、未追蹤回訪率、員工離職原因未被量化等。換言之，當資料本身不完整時，AI分析自然也難以準確。

就算資料是完整、真實，也不代表就沒有其他問題。AI的機器學習模型通常需要把資料進行[標籤資料](Label Data)的動作，一般常見的有，[好評/負評]、[滿意/不滿意]、[高價值顧客/一般顧客]等。然而，這些分類往往具有主觀性。例如，顧客給予四顆星評價，究竟算滿意還是不滿意？同樣的問題在不同企業可能有不同定義，這也會影響AI模型的判斷。

除了[質]的問題，餐飲業與科技公司或電商平台相比，通常還面臨著[資料量不足]的問題。大型電商平台每天可能產生數百萬筆交易資料，但一家餐廳每天可能只有數百筆交易。在統計學上，資料量越大，模型預測通常越準確。因此，即使是再強大的AI模型，也必須依賴數據的[質]與[量]，否則跑出來的結論只會是一場災難。

值得一提的是，許多AI模型，尤其是深度學習模型，具有高度複雜性，其內部運算過程往往難以被人類理解，這被稱為[黑箱問題]。換句話說：業者可能只是知道AI給出的答案，但卻不知道為什麼會得到這個答案。例如，AI預測某門市營收將下降，但模型並未說明原因。管理者若盲目相信模型，極有可能做出錯誤決策。

此外，當企業導入AI系統後，有個重要問題要面對，就是若AI判斷錯誤，責任應由誰承擔？例如，AI預測需求增加，因此餐廳大量備料。但實際需求未如預期，造成大量食材浪費。此時，究竟誰應負責？是系統廠商？店長？還是AI模型？