戰國時期，有天，魏王心血來潮送了惠施一個大瓢的種子，卻引來莊子和惠施的世紀大辯論。惠施對魏王的饋贈嫌棄了一番，說這種子長出的大瓢，拿來裝水，容器雖大卻易破碎；做成大水瓢，卻無相應的大水缸可容此大瓢，真是一個大而無當的東西。這個論點卻引來莊子的奚落，莊子說：惠施啊！你只是不會用大的東西而已。
不論是人生或職場，這種視角，風景截然不同的事情屢見不鮮。曾經遇到過一位負責大數據的高階主管，他表示他目前的資料分析團隊，不需要機器學習，不需要學新的程式語言Python。他所謂的不需要，並不是他對於選擇更好的AI工具有甚麼不一樣的想法，而是他認為他的團隊不需要學習AI，來改變他現有團隊的工作方式或提升處理能力與效率。他認為，他原有手動、設條件式的分析方法 (manually rules base approach) ，用SQL、SAS這類工具就能滿足。AI/機器學習(machine learning)就如惠施眼中的大水瓢，對他而言，大而無當。
在我看來，這個觀念不只可惜、也可怕。可惜的是，在資料經濟的發展正要起飛的趨勢下，這公司的資料分析團隊竟然已經停止成長了，只因為他的主管不知道怎麼運用AI/Machine Learning，就終止了他團隊學習如何挖掘資料金礦的機會。
可怕的是，台灣可能又少了一間公司，能夠給台灣的年輕人才留在台灣的理由。假如這位主管願意了解致力成為資料科學家、投身資料經濟的時下年輕人，努力學習資料科學的新技術是什麼？他一定會有不同的決定。
大叔，是不是只求安然退休？
在台灣，我們總說年輕人是小確幸、啃老、中二、憤青、寬鬆世代又缺乏狼性。但我也遇到過優秀的台灣學生，雖然是文商背景，卻每天花三小時自學Python和機械學習。反而，我認為最需要追求學習成長、改變心態大步向前的，其實就是我們這一代的中年大叔。大叔是不是一直用保守的態度，減緩進步的速度，企圖維持一個舒適圈，期待我們在未來的5到10年後能安然的退休。
回到大叔的本業—銀行的個人金融業務，它有四個特點，1.客戶多 2.產品、服務種類多 3.斷點多 4.數據多。先進的零售金融業務技術，必然是AI/大數據可以產生巨大正向影響力的領域。
FinTech為什麼一定得學 AI？
許多大叔可能忘了，2000年以來，各家網路銀行熱衷追求的就是『透過數位服務達到one-on-one service』，如今，正是這樣的服務看見曙光的時刻。由於銀行與異業的多元串聯，運用異業資料的種類與機會大幅度增加，零售金融的客戶價值鏈，從客戶需求探訪、行銷、獲客、產品及獲利管理、事中及事後的服務管理，這條原本單純的價值鏈，已如孔雀開屏，展開成為千人千面的決策樹，成千上萬的決策點若是以傳統人工建模來佈建，已是緩不濟急。
我曾經以人工建模來 PK機器學習，發現當變數量由10個增加為30個時，它的複雜度不是增加3倍，而是30倍。在大數據的世界裡，我們將面對的是3000個或30,000個變數。而演算法的多元組合，更使得運用傳統的人工建立預測模型變得不可行。經過實證，運用機器學習PK人工專家建模，在效率面，機器學習至少可以減省2/3的時間，並且達到相同的準確度與穩定度的水準。
在公司內部創新的過程中，創新團隊當然會犯錯。被人指責，創新是大而無當，所有的創新團隊都應該虛心受教。但最困難的是，當一個組織內部分化成兩種世界，有創新責任和無創新責任的兩類團隊時，是否也在組織內造就了另一群惠施，只是被動地等待著被說服-「AI/Machine Learning有什麼用？」
至於，如果你的主管比較像惠施，而非莊子的台灣年輕人也千萬別灰心，世界是站在你們這邊的。在Coursera的平台上，史坦福大學提供了Machine Learning的免費課程，吸引了來自世界各地超過2.2百萬個學生。如果你用Machine Learning關鍵字在Coursera搜尋，你會發現有來自世界名校提供的超過200項課程。如果你想要實作一番，還有Kaggle這個平台 (已經被google收購) ，上面提供了各式各樣運用AI/Machine Learning的預測比賽與資料集，單一競賽的獎金可以高達數十萬美金，預測競賽所應用的領域跨越了健康、醫療、金融、保險、消費民生等各項產業。
做個如莊子般心胸開闊的大叔，做個擅用外部資源的年輕人，世界將是我們的。
資料來源：https://www.cw.com.tw/article/article.action?id=5094915