壹、前言

人工智慧（Artificial Intelligence，簡稱AI）在工作實務上是一個以專案為基礎的開發工作，其工作流程主要包含專案的「規劃」與「執行」。同時，AI專案大多時候屬於跨領域的專案，很少可以找到同時兼具領域本身專業，又同時具有AI專業的從業人員，因此，除稅務專業人士之外，仍需另外聘請或培養AI專業團隊，稅務團隊依照台灣現在的科層體制，應具有決策者（公部門長官或會計師）與執行者；AI專業團隊則應包含顧問（或專案管理人員）與工程師。

以下將詳細介紹在專案各階段中，各職位應該扮演的角色與參與的程度。同時，本文亦將說明「規劃」階段中須具備的各項基礎知識。

貳、AI專案的規劃與執行

在「規劃」階段，團隊必須思考清楚欲解決的問題與最終成果的樣態，這個階段所做的正確決策幾乎是專案成功的前提，決策者與稅務專業人員必須全程介入，並徵詢AI專業顧問的意見，以確保方向不偏且可以解決實際問題（見【表一】）。這個過程必須探索以下議題作成決策：資料來源、任務類型、可行的演算法以及成果評價（見【圖一】），本篇文章將逐項說明這些議題。

在「執行」階段，稅務相關專業單位必須聘請或外包專業的AI團隊來解決問題，以確保軟體工程品質，並能夠選擇正確的工具來解決問題，決策者僅在專案方向上提供建議；在技術細節方面，稅務單位內部的專案執行者則盡可能從工程師身上汲取經驗（見【表一】）。此階段需解決的問題包含資料前處理、模型建構、調整超參數以及模型部屬。由於此階段牽涉到較多的演算法與工程細節問題，將在以後的系列文章中再行討論。

參、資料來源

訓練AI模型其實是個填鴨式教育的過程，填鴨式教育的前提便是要有足夠的題目與答案，這代表著AI模型並不是魔法、也不像人腦一樣具有推論能力，如果模型看過的題目不夠多元、沒有看過相關的題目或是看到錯誤的答案，模型便無法準確作答，這種情況也就是大家常說的「garbage in, garbage out」。因此，資料的多寡與品質可以說是AI的關鍵，好的資料往往比好的演算法或工程師更值錢。

在稅務領域，資料來源可以有很多種，外部資源如政府開放資料、搜尋引擎網站資料到電商商舖資料；內部資料如歷年累積下來特定格式的報告資料、客戶資料庫當中的資料、與客戶或是納稅人往來的郵件資料等，在解決特定問題時都可能是非常有價值的資料來源。

在剛開始做AI時，大多僅能從現有資料著手尋找議題，讓過去塵封已久的資料重新產生價值，然而如此被動的方式大多時候並無法針對組織內部較棘手的問題導入AI，只能依循資料的類型與特性開始專案。所以在AI時代我們看待資料的方式，應該由被動轉為主動，可以的話，最好可以重新設計企業邏輯與商業流程，過程中務必特別考量到資料價值，並特別蒐集那些未來可以對組織內部有所幫助的資料。若企業或組織能夠依循著這個方向完成企業邏輯與商業流程的設計，便可以被稱作是具有Data Sense的企業或組織......（閱讀全文請參考月旦會計實務研究或月旦知識庫）

全文刊登於月旦會計實務研究，第24期：獨立董事改選與執行業務指引　 訂閱優惠