2022年5月31日 星期二

運用AI演算法「數據圖」,下一個關鍵數位優勢

當你在網購平台瀏覽商品,在Google搜尋任何疑惑事項的解答,打開Netflix或Spotify想看支影片或聽點音樂來消磨時間時,是否想過:為何這些演算法可以這麼精準地知道我的喜好?甚至在我想到之前,就提供最合我心的推薦?因為這些演算法的背後,都有一個最新的「數位優勢」⋯⋯

插畫/亞騰.馬攸許金(Artem Matyushkin)

在亞馬遜(Amazon)每分鐘銷售的4,000種產品中,大約有50%是透過其個人化的推薦引擎展示給顧客。當你造訪亞馬遜網站時,網站的演算法會預測在那個當下你想要什麼,然後根據這項預測,從大約3.53億件商品中挑選出一些產品的組合,為你安排那些產品推薦。推動產生這些結果的,是亞馬遜不斷演變發展的「購買圖」(purchase graph)演算系統,也就是以數位方式呈現出現實世界中存在的「實體事物」(entity),其中儲存了有關這些實體的資訊(例如顧客、產品、購買情形、活動和地點等),以及它們之間的關係與相互影響的關係。亞馬遜的購買圖,會把消費者的購買歷程,和網站上的瀏覽數據、Prime Video上的觀賞數據、Amazon Music上的聆聽數據,和Alexa支援裝置的使用數據,全都連結起來。該公司的演算法使用「協同過濾」(collaborative filtering)技術,也就是整合多個因素,例如多樣性(推薦項目有多麼不同)、偶然性(有多麼出乎意料之外),和新奇度(有多麼新穎)等因素,以產生出全世界最複雜精細的某些建議。亞馬遜擁有豐富的數據和領先業界的個人化技術,因而能在目前占有美國電子商務市場的40%;最接近的競爭對手沃爾瑪(Walmart),市場占有率只有7%。

 

Google為了與亞馬遜競爭,於2021年4月公布自家的「購物圖」(Shopping Graph),這個由人工智慧(AI)強化的模型,可以在用戶搜尋時提供產品推薦。每天有超過10億人在Google上研究各項產品,購物圖將他們連結到整個網路上超過240億項商品,分別由數百萬個商家提供。「購物圖」建立在Google無與倫比的「知識圖譜」(Knowledge Graph)功能上;知識圖譜掌握了在其龐大網路中的各種實體,以及各個實體之間的關係,包括來自多個來源的結構性和非結構性數據,這些來源包括Android系統、語音和圖像搜尋、Chrome瀏覽器擴充程式、Google Assistant、Gmail、照片、地圖、YouTube、Google Cloud和Google Pay等。Google的購物圖系統,讓170萬個商家得以使用簡單但彼此關聯的工具,在整個Google上展示相關商品,有了這套系統,Google已經準備好迎接亞馬遜的挑戰。

 

像亞馬遜和Google的這種「數據圖」(datagraph),仰賴產品的使用數據(也就是顧客在使用平台或產品時的行為數據),來掌握公司與其顧客之間的連結、關係和相互關係。數據圖概念的靈感,來自「社會網絡」(social network)和「圖論」(graph theory;編按:數學的分支,使用由點與線構成的圖形,來呈現事物之間的關係,以供研究);其中「社交圖」(social graph)的定義,是呈現出個體之間的相互連結,其中的節點代表個人,而這些個人之間的關係(也就是與朋友、同事、主管等個人之間的關係),則以連結線來呈現。這個概念源自社會心理學家史坦利.米爾格倫(Stanley Milgram)的研究,過去二十年來,這個概念提供一個有用的觀點,可用來分析組織、產業、市場和社會的結構和內部互動情況。臉書(Facebook)在2007年推出臉書平台時,普及了數位社交圖的應用,這項工具讓開發人員得以設計一些應用程式,以整合進入臉書網站的資訊流和各種關係之間的連結。

 

領先的科技公司正在使用數據圖,以提供個人化的顧客推薦、更新產品、優化廣告等等。最成功的例子,包括亞馬遜的購買圖、Google的搜尋圖、臉書的社交圖、Netflix的電影圖、Spotify的音樂圖、Airbnb的旅行圖、優步(Uber)的移動圖,以及LinkedIn的專業圖,這些都充分利用了持續收集到的顧客互動數據,搭配專屬的演算法,因而得以在創造產品和用戶體驗等各方面,都超越競爭對手。


本文討論企業如何向數據圖領導公司的最佳實務取經,以獲得新的競爭優勢。


數據網路效應

要了解數據圖,我們首先需要了解「數據網路效應」(data network effect);用戶在使用產品或服務時產生的數據,會對其他用戶更有價值,在這種情況下就會發生數據網路效應。這種效應與直接網路效應不同,後者是指服務的價值會隨著更多用戶加入而成長,例如臉書或LinkedIn的情況;數據網路效應並不需要透過增加用戶數量,來提高這個網路的價值。相反地,既有用戶持續參與,會產生更廣泛和更深入的產品使用數據,這讓演算法能夠產生持續改善的結果。例如,Google每年2兆次搜尋當中的每一次,都有助於公司擴充其知識圖譜,改善其搜尋引擎,進而為用戶產出愈來愈好的搜尋結果。相較之下,如果用戶不再使用這個平台,平台就會變得陳舊,而且效用降低。

 

數據圖不是靜態的,並非反映某個時刻當下的情況資訊。數據圖是動態的,反映出數據科學家所謂的「動態數據」(data in motion)。這也是不可能以人工方式繪製數據圖的部分原因。在任何特定時刻,全球消費者與某家公司產品互動的數百萬個單位的數據,都需要由科技來即時收集和詮釋。

 

數據圖的三大成功要素

數據圖領導人會蒐集顧客行為數據,快速整合他們從中學到的事物,以改善本身產品和服務的每個層面。他們不斷改進自己分類和標記產品數據的方法,並發掘各實體之間的關係,好讓演算法能將商品更好地分類,以便提供個人化的推薦。他們持續更新自身的演算法,以便根據最新和最相關的數據來提供個人化的推薦,這有助於改善和延長顧客的互動交流。接下來,我們來檢視成功運用數據圖的公司有哪些關鍵行為。


1、他們大規模學習,且行動迅速。

數據圖掌握了個人如何生活、工作、娛樂、學習、聆聽、社交、觀看、交易、旅遊、消費,以及進行其他與商業相關的任何活動。進行數位化,讓公司有可能大規模、廣泛而迅速地觀察所有這些領域裡的顧客數據,並進行編碼。例如,臉書的社交圖會時時刻刻分析28億人及其社交活動的數據:他們在做什麼?他們加了哪些人當好友?哪些人不再是好友?他們要去哪裡旅遊?他們談論哪些品牌?他們正在看什麼電影?他們正在聽什麼音樂等等。


數據圖掌握了人們如何工作、娛樂、學習、社交、交易、旅遊,以及進行其他與商業相關的任何活動。


LinkedIn的專業圖,即時掌握了在五千多萬家公司工作、曾就讀於九萬多所學校的7.74億專業人士,對職缺資訊的回應,以及他們如何更新現況和實況短片。此外,LinkedIn的專業圖也能把成員連結到其他的實體,例如他們擁有的技能,以便為用戶提供針對他們的廣告、學習建議、新聞提要等等。LinkedIn目前是微軟(Microsoft)的子公司,也是微軟數據生態系統的一部分,這讓它得以創造更生動鮮活的數據圖。


在傳統公司裡,顧客數據是儲存在不同部門的資料庫中,成為各自獨立的紀錄。若要獲得數位優勢,公司必須將數據整理成為互動圖,可以由演算法來分析,以提供見解,並為每位顧客提供個人化的價值。


2、他們使用數據圖來豐富產品線。

數據圖領導人,會使用一套涵蓋各種類別的概念,例如購物、旅遊或搜尋等概念,以機器可讀的圖像格式,來組織整理他們的知識和專業技能。以Airbnb的旅遊圖為例。圖中描述了超過700萬間房屋的清單,標記的方式呈現出各種實體(城市、地標、活動等)、特性(例如顧客評論和營業時間),以及它們之間的各種關係,以產出不斷改善的建議,建議的內容不僅包括出租房屋的類型,也包括晚餐的最佳地點或遊覽景點的最佳時間。這種擴大產品範圍的能力,讓Airbnb能夠為顧客提供優於傳統旅館的服務,傳統旅館的數據儲存在各部門獨立的系統中(比如訂房數據儲存在預訂系統中,餐廳推薦數據儲存在禮賓服務系統中,水療中心的數據儲存在按摩服務預約系統中)。同樣地,Netflix持續改善75,000種細項類型的電影和電視節目的呈現和分類方式(就像Spotify對音樂和podcast的類似做法)。


Google已經能打造威力遠更為強大的服務。它的知識圖譜呈現字詞和概念之間關係的方式,能協助其演算法理解上下文。這讓Google能回覆口頭詢問,例如:「嘿,Google,預訂兩張下週三去羅馬競技場的門票,用Google Pay付款。」基礎知識是以「圖」的形式來呈現,所以演算法可以理解用戶在問什麼;演算法知道「羅馬競技場」是羅馬的一個景點,下週三是5月25日,「預訂」的意思是購買門票,而「付款」牽涉到使用儲存的信用卡(而非這些字詞的其他意義)。每一次的查詢和每一次的顧客互動,都會讓知識圖譜有所改善,以反映出意義改變時的新關係。


設想某位攀登過美國亞當斯山(Mount Adams)的登山愛好者,接下來想要攀登日本富士山。她在搜索查詢時可能會問:「相較於亞當斯山,攀登富士山應該做哪些不同的準備?」以目前的情況來說,需要搜尋好幾次才能獲得答案,但Google正在開發一種新模型,具有更複雜的知識鏈接(能夠順暢地進行多種語言的翻譯),以便更有效地回答這類查詢。


若要與數位領導企業競爭,你應自問:我們產品的相關知識,是否大多是以各自獨立的數據集存在,還是我們正在開發機器可讀的圖表,以辨識出我們顧客的偏好模式?


3、他們贏得顧客的關鍵時刻。

2001年,Netflix的45.6萬名用戶,只選擇了系統2%的推薦。到了2020年,這個比率已經提高到80%,而Netflix擁有超過2億名訂戶。 Netflix使用其電影圖來贏得「關鍵時刻」:在90秒到2分鐘內,觀眾會決定,是要留在Netflix上看影片,還是去其他地方。Netflix透過演算法來客製化和更新主畫面,持續為每位訂戶提供針對個人所需的推薦。到2015年,Netflix每年防止了超過10億美元的取消訂閱,這要歸功於其個人化的推薦引擎。


為了贏得關鍵時刻,臉書以近乎即時的方式,對30億名用戶進行A/B實驗,為每位用戶提供個人化的首頁更新。臉書在顯示貼文之前,會檢視一組可能的貼文,並將其縮減到大約500種可能性,這是根據那名用戶過去的行為模式來挑選,他可能會去看的大約500種貼文。然後,臉書專屬的神經網路(neural network)對那些貼文進行評分和排序,接著以各種不同的媒體類型,例如文字、照片、聲音和穿插廣告的影片,來安排這些貼文。


臉書的數位內容庫可以即時將資訊提供給全球的顧客(這方面會受到各國法律的限制),優步則不同,優步之所以能夠滿足顧客的交通需求,其基礎在於,在明確的時間和確切的地點,是否有車輛可用。優步的關鍵時刻,是顧客願意等待司機的5分鐘。這家共乘公司追蹤智慧型手機有開啟其應用程式的司機和乘客(之前優步在用戶並未使用應用程式時也進行追蹤,經顧客強烈反對後,2017年被迫改變這項引發爭議的政策),使用這些數據來分析可能的需求模式。然後,它提供誘因給在選定地點提供服務的司機。該公司不斷優化安排路線的演算法,以便在關鍵時刻贏得顧客。


儘管許多公司都宣稱以顧客為中心,但很少有公司像這些領導企業那樣使用數據圖和演算法。請自問:我們是否使用AI支援的演算法,為顧客提供持續改善的產品,以確保他們與我們的產品互動,而不是離開我們?


著手進行的五大步驟

企業若是希望維持與數據圖領導業者競爭的能力,必須了解的第一件事情,就是成功的策略不只仰賴擁有大量資訊;關鍵在於即時蒐集相關的產品使用數據,以達成數據網路效應並建立優勢。企業若是觀察到顧客與其產品的更多互動,就能累積更豐富的數據;當企業向更多元的顧客群銷售更多產品時,便會累積更多不同種類的數據,可協助它們讓自家的商品進一步差異化。


企業若是沒有使用數據圖,或尚未成功使用數據圖,必須採取下列步驟迎頭趕上:


1、擬定數據圖策略。

首先,讓具備產業知識的高階主管與數據科學家搭配合作,把你公司的數據圖予以概念化,檢視其未來的發展軌跡,並勾勒出合理可行的商業影響。許多欠缺亞馬遜或Netflix那種龐大資源的公司,已經這樣做了。例如,Stitch Fix是個人化的時尚服務平台,2010年由一名商學院學生所創辦,現在該公司的市值已高達16億美元,主要歸功於其「時尚圖」。


線上學習平台Coursera,展現新的市場進入者可以使用數據圖來顛覆市場。傳統大學提供「一體適用」的課程和證書;相較之下,Coursera在教育領域的運作就像是Netflix或亞馬遜。它透過可累積的模組,提供個人化的線上體驗,這些模組可以在不同的時段、地點、難度和價格點來消費使用。它使用自家專屬的「技能圖」,以傳統大學無法達成的方式,來客製化終身學習服務。


請自問,你的數據可以如何為你的業務提供獨特的優勢?你可能擁有專屬的「數據鉤子」(data hook),讓你在顧客使用產品時,觀察到他人無法獲得的詳細資訊。你的優勢可能來自卓越的數據範圍(你數據的深度和豐富度),以及能否取得合作伙伴的互補數據。你可能擁有更快的數據速度(動態數據,相較於競爭對手需要批次處理的片段式數據)。考慮如何透過收購〔例如微軟收購LinkedIn 和動視(Activision)〕,或組成聯盟(例如Google與Shopify的合作),來提升規模、範圍和速度。


2、開發專屬的演算法。

獨立執行不同類型的分析,已經不足以成事。數據圖領導企業會在一個整體架構下,使用專屬的演算法,進行描述分析(「發生了什麼事?」)、診斷分析(「為什麼會發生?」)、預測分析(「可能會發生什麼事?」),以及規範分析(「應該發生什麼事?」)。你可以逐漸調整改變你的數據圖基礎設施,從設計用來分析靜態數據(批次處理、獨立分析)的傳統架構,轉變為分析即時的動態數據。


務必要把你的演算法,與你所在產業的其他演算法(以及相同類型的演算法)進行比較。例如,如果你的成功指標,是顧客依據你的推薦而採取行動的程度,那麼你推薦引擎的績效,相較於Netflix、Spotify和亞馬遜等領導業者的表現如何?


3、產生信任感。

做為顧客數據的保管人,是一項重大責任。大多數顧客把電腦、演算法和機器學習視為複雜的「黑盒子」,而且許多人認為,自己的數據正在被使用(甚至濫用)來讓數位公司變得富有和強大。你使用演算法的方式,必須能讓人產生信任感,而且必須付出努力,以贏得蒐集和分析數據的權利。請使用消費者能夠理解的語言,來說明你在做什麼。


企業使用演算法的方式必須能讓人們產生信任感,而且必須付出努力,以贏得蒐集和分析數據的權利。


當消費者覺得自己的數據被濫用時,信任便會受到侵蝕。臉書已經成為這種困境的典型代表。最近,臉書數據科學團隊的一位吹哨人直接指控,該公司利用其數據和演算法來增加煽動性內容,以提高臉書網站的互動量,即使該公司進行的專屬內部研究指出,這麼做會傷害用戶和社會。臉書執行長馬克.祖克伯(Mark Zuckerberg)否認這些說法:「說我們為了獲利,刻意推送讓人們憤怒的內容,這樣的論點非常不合邏輯,」他說:「我們從廣告賺錢,廣告商一直告訴我們,他們不希望自家廣告旁邊出現有害或令人憤怒的內容。」祖克伯能否修復這些損害,取決於臉書未來如何使用其演算法和個人數據,以及它與用戶的溝通是否透明。


每家公司都必須不只在演算法的技術層面投入資源,還必須以消費者能夠理解和覺得安心的方式,說明自家公司在做什麼。顧客愈來愈期望了解數位產品如何運作,以及AI支援的服務是如何提供的,而且各國也要求各家企業依據當地法規,調整其數據營運。例如,在有嚴格隱私法規的德國,阿里巴巴需要的數據策略,與它在中國使用的不同。而且它必須以能促進信任的方式,和這兩國的消費者溝通。


4、更新組織。

商業領導人必須分配必要的資源,以升級數據圖所需的技術基礎設施。他們必須招募的人才,是在數據科學和商業方面都兼具廣度和深度的人才。他們必須建立的數據組織,要能成為把企業所有部門都連結在一起的結締組織,體認到現代組織必須同時兼顧相互競爭的兩大派別:認為數據和演算法具備最優異的力量,能夠解決問題的派別,以及不認同這種看法的派別。這種緊張關係定義了現代組織的運作文化:一個好例子就是,Netflix執行長里德.哈斯廷斯(Reed Hastings)如何平衡矽谷的分析拉力和好萊塢的創意拉力。


5、從你的數據圖獲利。

如果建構數據圖是用來支持和塑造策略,數據圖就能揭露價值不僅在於如何設計和製造產品,也在於產品如何為顧客解決特定的問題。數據圖提供的見解,能協助你選擇最合適的獲利機制,並擬定從數據進展到商業成果的清晰路徑。你可以透過基於數據網路效應所做出的可信建議,來保護你目前的營收和獲利,就如同Netflix使用即時數據來改善顧客保留率一樣。

 

你還可以使用你的數據圖來制定思慮更周詳的方法,透過追求新的價值領域來擴大你的營收和獲利流,如同蘋果公司(Apple)在進入信用卡、電視和健康照護領域時所做的那樣。而且,你可以在競爭對手已經善用數據圖的市場裡進行反擊,就如同迪士尼(Disney)以Disney+成功進入影音串流市場的競爭那樣。


重塑優勢

大家都看過麥當勞(McDonald's)店門口「銷售超過X十億個漢堡」的宣傳標語,而且多年來看到這個數字持續上升。不過,追蹤每年銷售了多少個漢堡已經是過時的做法。數據圖的領導企業不太關心這些絕對數字。相反地,他們會問:我們是否有每位消費者在哪裡購買漢堡的數據?在什麼時間買?他會搭配什麼飲料?他在購買漢堡之前或之後會做什麼?我們的顧客是哪些人?他們的年齡、收入、地點、偏好、生活方式等等又如何?我們要如何滿足他們更多的需求,好讓他們在我們這裡,比在其他商家消費更多?並確信他們的錢花得有價值,而且會持續回來光顧?


數據圖將會重塑各個產業的競爭態勢,而且比大多數人預期得更快。現在正是時候,每家公司都不再能夠僅使用數據來改善營運效率,而應體認到數據圖的競爭優勢。資深領導人必須投資以升級他們的數據架構,以便即時全面了解,消費者如何與他們的產品和服務互動。有了這種架構之後,領導人便能開發出獨特的方法,來解決顧客的問題。

 

文章來源:《哈佛商業評論》 

2022年5月10日 星期二

AI人工智慧如何做決定?核心演算法窺密

AI(人工智慧)獲得洞察力和做出決策的方式通常是複雜而神秘的,這引發了人們對深度或機器學習(AI的核心演算法)的可信度的擔憂。

 

最近有一項新的研究,希望透過比較AI軟體的推理與人類推理的匹配程度,以便瞭解AI是否像人類一樣做決定。

探究AI學習的方式

隨著機器學習越來越廣泛應用到現實世界,瞭解它如何得出結論以及它是否正確至關重要。例如AI系統似乎可以準確地預測某張照片中皮膚的病變是癌症,但它可能是通過圖像背景中不相關的黑點來做出判斷的。

對AI的機器學習而言,知道一個模型的決定很容易,但知道這個模型為什麼做出這個決定,卻很難。

理解AI推理的一種常見策略是檢查程式關注的資料(比如說一張圖像或一個句子)的特徵,並觀察AI程式如何出決定。然而這種所謂的顯著性方法(Saliency Method)通常一次只能針對一個決策進行瞭解,並且必須手動檢查每個決策。但AI系統通常使用數百萬個資料實例進行訓練,這使得人工幾乎不可能分析出足夠多的決策,來識別AI的正確或不正確。

「共享興趣」助學習

現在科學家們研究出一種方法來收集和檢查AI對其決策的解釋,從而可以快速分析其行為,這項名為「共享興趣」(Shared Interest)的新技術,將AI決策的顯著性分析與人工註解的資料庫進行比較。

例如圖像識別程式,如果將一張圖片分類為狗的圖片,而顯著性分析可能會顯示程式是根據圖片的頭部和身體的像素來做出決定。共享興趣方法就是將這些顯著性方法的結果與這些圖像的資料庫進行比較,在圖像資料庫中,人們註解了圖片的哪些部分可以決定這張圖片是一隻狗。

AI見微知著?

基於這種比較,我們可以知道AI的決策與人類推理的一致性(是否都是由圖片相同的某個地方或特徵來做出決定),在光譜的一端,AI可能被證明是完全符合人類的,程式做出正確的決策,且決策符合資料庫中人類的標註。在另一端,AI完全凸槌,做出了錯誤的預測,並且決策依據完全沒有根據人類所標註的任何特徵。

通常AI決策,無論是正確或錯誤,可能只有部分根據是符合人類標註的特徵。例如AI可能僅根據圖像的一部分(例如輪胎)就正確地識別圖像中的車子,而不是像人類那樣識別整輛車;或者在X光或電腦斷層圖片中,AI可能針對圖片的一部分或錯誤的部分就做出診斷,即使診斷是正確的,這種系統醫生也不會用,因為它是根據不相關的細節,而不是實際的病變所做出的預測。

圖片標註可能相對容易,但AI的應用範圍很廣,可能有各式各樣的訓練資料,各種不同的資料的顯著點何在,訓練資料庫如何標註也是一個大問題,這也就是為什麼「瞭解AI如何運作」和「瞭解AI如何得到結果」是如此困難。

總之,對AI黑盒子的決定大家還是要謹慎小心,尤其是牽涉到攸關生死的決定。


文章來源:臺灣醒報 張瑞雄

2022年5月4日 星期三

孵化數位健康,鴻海打造遠距醫療利器

全球智慧醫療市場持續成長,電子代工業出身的鴻海積極參與,在數位健康領域孵化首家新創公司「疆域醫創」,橫跨三國的大健康產業,展現驚人實力。

商機估逾4000億美元的數位健康市場,電子代工業出身的鴻海未來也將占有一席之地。


2022年,源於台灣的八合一醫療平板和系統、醫療級生理數值監測手錶,已成功賣進中國大陸和沙烏地阿拉伯。而位於新北市的土城醫院,也積極為這些裝置,展開計畫經費高達2.4億元的國家級大型臨床試驗。

 

一場橫跨台、中、沙三國的大健康事業正崛起,而且,銷售對象並非一般消費者,而是對接掌管國家健康政策的政府醫事機關。

 

解決眾人痛點,商機自然來

「最基礎的生理特徵數據很重要,全部病灶都是從心率、血糖裡引申出來的,」土城醫院副院長魏國珍分析,醫療級的量測裝置和大數據分析深入千家萬戶後,打破了「資訊孤島」,一來可減少醫護人員的負荷,二來能協助醫生「預警」到疾病發生。

 

智慧健康市場的大有可為,也讓鴻海在數位健康領域內部孵化的第一家新創公司「疆域醫創」浮出水面,目前估值約新台幣35.6億元。驚人的是,這家公司生產力極高,員工僅120人,但每人每年平均產值高達700萬元。

 

鏡頭先來到成都。從富士康成都廠到四川省人民醫院,距離只有19公里,但鴻海B事業群總經理姜志雄,為了推動數位科技進入醫院內,花費五年之久。

 

那個年代沒人聽過數位健康、遠距醫療,沒人相信一台平板可以量測心跳血壓外,還能遠距看診,姜志雄初期遇到的困難不小。這位擅長國畫書法的科技人,不敢說自己是先知,但是將蘋果創辦人賈伯斯(Steve Jobs)理念奉為圭臬的他,市場嗅覺被培養得很敏銳,深感生理數值日常量測的商機,隨著全球老齡化趨勢定將愈發蓬勃。

 

當時,姜志雄天天忠實記錄自己的血壓值,拿到醫院,卻被醫生一句話問得啞口無言:「這一天血壓特別高,是發生在服藥前嗎?」他卻完全想不起來。

 

接著,念頭一轉,全世界勢必也有很多人經歷過同樣的情景,眾人的痛點,其實就是商機所在,如果有一台平板,能一口氣整合血壓計、心電圖、血糖計等居家量測、連上雲端,數據紀錄時間,又可隨時隨地追溯,不就好了?!

 

由於觀念太創新,姜志雄先以集團內專案形式啟動研發團隊,待2016年原型機設計完成後,才成立公司。而一群富士康大陸廠區、原在姜志雄麾下的年輕產品經理,人生自此180度大轉彎。

 

一位鴻海人士透露,鴻海九人經營委員會成員之一的「姜總」,主掌B事業群,代工生產平板電腦和筆電、智慧手錶等,年營收約兆元,貢獻全集團近1/6的業績。旗下精兵勇將比比皆是,非常擅長消費性電子產品ODM,卻在數位健康的第一代產品遇上苦戰。

 

問題不是出在產品不會製造、演算法寫不出來,而是取得中國國家食藥監局NMPA的醫療器械認證太艱難。 

 

圖/鴻海挺進大健康領域,新北市土城醫院也引進相關醫療裝置。池孟諭攝

醫用智慧手錶,穆斯林喊讚

 

「我們沒想到醫療器械產品的認證這麼難做,」疆域醫創策略執行長劉秉昊說,要檢測產品是否安全,精準度是否夠高,且須進行人體臨床試驗,最後還要接受製造過程是否符合標準規範的「體系考核」。全套流程走完花費兩年,投入近千萬元,才順利拿到。

 

對從未接觸過醫療器材產製的劉秉昊來說,儘管是美國加州路德大學資訊工程研究所畢業、研究人工智慧的專家,也得熬著「關關難過關關過」。

 

「收集病患很困難,」劉秉昊說,人體臨床試驗勢必得由醫院協助「準備」病人,要與醫生解說產品的特色和操作,在尋找受試病患時,不光只收治身體健康的族群,可能還要有高血壓、低血壓等對照組,同時兼顧性別及各年齡層。收治病患的過程除了困難,「要再加上等待合適病患的煎熬。」

 

就在歷經艱難,終於拿到NMPA的醫療器械認證後,景況馬上改觀:搭載WiFi,並可量測血壓、血氧、血糖、心電、體脂等五合一的第一代「小域精靈」,連續贏得多項大獎,接著A、B輪融資也多有斬獲,各獲挹注3000萬人民幣的資金,投資方不乏中國養老保險聯盟之類的重要單位。

 

鏡頭再轉到沙國麥加,小域精靈智慧手錶意外染上傳奇色彩,成為「麥加朝聖神器」。

 

新冠疫情前,每年約有300萬穆斯林教徒到麥加朝聖,之後COVID-19肆虐,儘管朝聖人數驟減,但仍有信徒前來。2021年,當沙烏地阿拉伯科技部因緣際會,得知這款數位健康裝置,便邀請鴻海針對「朝聖場景」量身打造醫用智慧手錶,以便守護信徒健康。

 

一位鴻海供應鏈人士透露,姜志雄帶領新創團隊,在兩個月內設計出沙國專屬的應用界面,清真寺獨特的洋蔥頂剪影,宗教氛圍濃厚,令信徒們眼前一亮,整套遠距監測方案的用戶體驗極佳,更令沙國公衛單位大喜過望,譽為「阿拉的恩賜」,還拍成影片放上推特。

 

來自沙漠的訂單,後來陸續發到疆域醫創的成都工廠,第一批一口氣下訂5000支,預計2022年追加數十倍,還籌劃2023年攜手進行深度戰略合作。

 

追根究底,小域精靈能獲得大 陸和沙國的青睞和訂單,不單單只是產品力強大,而是以產品為基礎,而搭建起一整套生態體系服務,這套創新模式讓照護服務得以「從院內走向院外」,建立起以「家」做為遠距健康照護的核心。

 

創新生態系,家醫無所不在

 

姜志雄以協助四川省人民醫院打造「互聯網醫院」為例,2022年1月21日在成都舉辦的智慧醫療平台發表會上,出席的合作企業還有中國電信,這家大陸第二大的電信運營商。打破行業壁壘,順利整合電信服務,是互聯網醫院得以落實的關鍵之一。

 

「我不是賣產品,是賣生態,」姜志雄說。像互聯網醫院針對慢性病患者的日常監測,會提供病人一台家用健康智慧設備和醫院醫療團隊的線上服務,方便病人在家完成醫生「布置」的血壓、血糖、心率等量測作業,醫生能在線上看到雲端健康檔案,家人也可以,時時掌握病人的身體狀況。

 

若病人忘記量測,平板上會顯示,醫護人員會遠距提醒。一旦出現異常,醫生立即收到後台通知,直接發起平板視訊通話,即時干預診斷。「醫生彷彿就在身邊守護,」姜志雄說,這就是延伸醫療,打通遠距醫療的最後一哩路。

 

讓患者做到可以足不出戶看醫生的創新計畫,一來需要小域精靈智慧裝置,二來則由中國電信的服務人員,到府安裝設定小域精靈的網路和帳號。如此一來,醫院變得更聰明、設備公司和電信公司成功銷售,加上病人免去頻繁上醫院舟車勞頓「四贏」。

 

這樣的慢性病健康管理服務,匯聚海量數據,必須有強大的資料中心和雲端做支撐,疆域醫創花了五年時間「建雲」,運算模型和演算法全由團隊一行一行寫程式。

 

同樣的服務模式,也正在台灣落地。2022年春節一過,鴻海、工研院、工研院新創公司台醫光電,隨即簽訂「智慧醫療器材開發與智慧醫療場域推動」合作意向書,這項官方色彩濃厚的計畫場域,便座落土城醫院,由魏國珍擔任為期四年的臨床試驗主持人,希望透過台灣的醫療器材認證,進而促使台灣醫療與科技兩大產業升級。

 

家庭醫生走入每位民眾家裡,多虧了前沿科技成就遠距醫療。當預防醫學遇上智慧科技,從此一切改變。

 

文章來源:遠見雜誌4月號