Google人資副總~Big Data分析面試應用，在校成績多無用|數位時代 BusinessNext

Google應是全世界看過最多「數據資料」的公司，若是將這些巨量資料(Big Data)運用在領導(leadership)和管理(management)領域呢？Google人資資深副總博克(Laszlo Bock)接受《紐約時報》訪問表示，巨量資料影響層面越來越廣，不過要運用在領導層面還是相當困難的，部分挑戰來自於：多數情況下領導是由直覺驅動，而且糟糕的是許多人認為自己的領導能力很不錯，事實上只有少數人擁有好的領導能力。

數年前Google進行一項研究，想知道Google是否特別擅長挖掘優秀人才；在上萬次面試中，請面試官為求職者評分，然後再觀察每個人的工作表現，發現這兩者之間的關連性「零相關」，而且還是「隨機」結果，其中只有一位面試官預測準確，原因是他只面試了一個人，這是非常專業的領域，而這位面試官正是全球在這個領域當中最厲害的專家。

此外，還發現了「腦力激盪」其實只是浪費時間，例如：一架飛機可以塞入幾顆高爾夫球？紐約曼哈頓有多少間加油站？除了浪費時間之外，這些問題無法預測任何事情，只是讓面試官覺得自己很聰明而已。

相較之下，行為面試（Behavioral interview）通常是比較有用的，例如詢問求職者：如何解決困難問題？當求職者分享個人經驗，面試官再繼續探究其作法，可以得到兩種資訊，一是該求職者和真實世界的互動情況，再者，更有意義的就是可得知求職者認為什麼事情是「困難」的。

另外還從中發現，對領導者來說，最重要的是讓部屬知道進行任何決策都是「一致」且「公平」的，部屬做起事來也比較自由，原因正是他們瞭解要依循的準則為何，只要在準則之下，就可以做自己想做的事。

Google每年會進行兩次的經理人評量，稱為向上回饋(upward feedback)調查，只要是有主管的員工，都要參加這項評量，詢問12～18項不同因素，再將結果和主管分享，進而追蹤是否改善；結果是：過去三年Google因此大幅提升了主管素質。

如果向某位主管闡述對他並不是那麼好的調查結果，可能會落入以下對話，「我覺得我做得比這個結果好」、「可是這是你的感覺，事實上這是大家回報的結果」。其實不用說那麼多，對大多數人來說，只要讓他們知道「資訊」為何，然後進行修正即可；巨量資料其中一項應用層面即是帶來「事實」，讓人們明白所做的決策並不完美，接下來就會調整自己的行為。

若是將巨量資料運用在Google員工身上呢？目前觀察到的是：在校成績(GPA分數)在面試過程中是毫無參考價值的，除非是剛畢業的社會新鮮人，因為沒有其它可以參考的指標，才會稍微參考在校成績；過去Google面試過程一定會問在校成績，現在也不這麼做了，因為這並不能預測任何事情。有趣的是，隨著這樣的決定，目前14%的Google員工並未上過大學。有的Google團隊中，甚至有14%的成員都沒有上過大學。

特別是在Google工作2～3年的員工，其工作表現和大學表現就完全無關，因為兩者所需的技能是完全不同的；事實上，經過工作洗禮，也成為了完全不同的人。另外的原因是，博克認為大學的學術環境是非常人為的環境，人們經過精細訓練之後可以取得成功，但也習慣在這樣的環境下成功，而Laszlo Bock在大學遇到挫折的原因，就是因為教授總是在等待學生們回答特定答案，但更有趣的應該是解決沒有特定答案的問題。

註：畫線部分為原翻譯錯誤部分，已做出修正

出自NYTimes、BusinessInsider

曾是台灣製造業重要根基的塑膠射出產業，如今正面臨人才斷層危機。尤其桃園聚集大量工業區與製造業者，老師傅退休、新人才接不上的現況，更是許多工廠正在面對的現實難題。

從汽車零組件、網通設備、醫療器材到半導體載具，許多產品都離不開射出成型。智穎智能創辦人暨執行長張詠翔指出，全球塑膠射出市場規模超過 3000 億美元，每年仍以約 3% 至 4% 的幅度成長。需求並未消失，只是製造基地從台灣、中國逐步往東南亞等地移動。但機器可以搬、訂單可以轉，老師傅數十年累積的經驗卻很難複製。

這道人才缺口，正是 2020 年成立的智穎智能切入市場的機會。團隊從桃園中原大學的研究能量出發，歷經近十年研究與工廠驗證，嘗試把老師傅腦中的射出經驗，轉化成可以計算、保存與持續學習的 AI 模型，解決產業第一線面對到的挑戰。

把老師傅經驗交給 AI，射出成型從「導航」走向「自駕」

「餐廳沒有廚師是不行的。有再好的設備，不會做的人還是會把它做失敗。」張詠翔如此比喻射出成型的技術門檻。當模具完成後，生產現場仍得依產品、材料與機台特性，調整溫度、速度、壓力、位置等條件；即使使用同一種塑料，不同產品的調整方式也可能完全不同。

而老師傅的珍貴之處，不只是記住參數，而是知道面對材料、機台與環境變化時如何修正。智穎智能要做的，就是把這些難以傳承的「火候」拆解成可以運算的製程邏輯。目前其 AI 解決方案已應用於超過 200 種材料、50 多種產品類型。

把老師傅的經驗轉化為製程邏輯後，第一步就是讓 AI 協助操作人員找到合適的成型條件。智穎智能為此開發智能成型導引系統，工廠只要輸入材料、機台規格、產品尺寸等資訊，sMolding 便能計算第一組成型參數；若試模後出現產品缺陷，再由 sTroubleshooting 提供修正建議。

「它就像導航。我今天告訴你要從 A 點到 B 點，但不知道路怎麼走，導航會把路徑算給你。」張詠翔說。對射出成型而言，這條「路徑」就是溫度、速度、壓力與位置等參數如何組合。以半導體載具試模為例，傳統方式需 7.5 小時，導入系統後縮短至 2 小時，材料使用量從 23 公斤降至 8.7 公斤，整體試模成本降低 64%。

但找到正確參數只是第一步，真正進入量產後，工廠面對的「路況」還會持續改變。溫溼度、材料批次與機台耗損，都可能讓原本設定好的製程條件產生偏移。智穎智能因此進一步開發 StabMolding 成型穩定模組，透過射出壓力數據持續監控品質，並依生產狀態自動補償關鍵參數。換言之，AI 不只在試模階段提供一條正確的「導航路徑」，進入量產後還能因應製程變化持續修正，進一步朝「自駕」邁進。

從產線驗證到海外布局，桃園如何助攻智穎智能跨過0到1？

但要讓 AI 真正走進工廠，智穎智能採取 SaaS 訂閱模式，將核心運算留在雲端持續學習與更新，降低中小型製造商一次投入大量資金的門檻。另一項差異則是「跨廠牌」。現實中的射出工廠往往同時擁有台灣、日本、歐洲不同品牌與年份的設備，因此智穎智能的方案既能導入既有設備，也能與射出機、控制器業者合作，在新機出廠時直接整合。「一個工廠不會只有一個廠牌，就像你家的車庫不會永遠只放同一品牌的車。」張詠翔說。

對智穎智能而言，AI 真正走進製造現場的關鍵，在於不同世代、不同品牌的設備都能導入。只是對工業 AI 而言，降低導入門檻還不夠，更關鍵的是能否取得真實產線反覆驗證。對從中原大學研究成果衍生創立的智穎智能而言，桃園不只是公司所在地，也提供了技術走向市場的第一塊試驗場。「對新創來說，第一個就是要經費、要人才、要場域，再來就是客戶與合作夥伴資源。」張詠翔說。

成立初期，團隊透過桃園市政府研發補助、新創競賽與基地進駐等資源，降低早期研發與營運負擔。更重要的是，桃園密集的製造業聚落，本身就是智穎智能最直接的潛在市場。透過市府串聯工業區與在地企業，智穎智能在創業初期接觸到位於桃園的「良器」，成為公司第一個客戶。從概念驗證、產品調整到實際導入，合作一路延續至今。對必須進入產線反覆驗證才能成熟的工業 AI 而言，第一個願意開放場域的客戶，意義遠超過第一筆營收。

如今，從桃園製造現場磨出的解決方案也開始往海外走。「日本這一次，完完全全都是桃園市政府帶著我們去做這件事情。」張詠翔表示，透過市府帶領團隊前往日本神戶，智穎智能接觸當地官方與企業資源。在市府引薦下，團隊成功對接了神戶知名加速器，更取得日方針對外資新創設立公司與拓展市場的兩階段實質補助資訊。目前團隊正籌備日本布局，為下一階段海外市場拓展做準備。

AI 解決「怎麼生產」後，下一步是「替誰生產」

當 AI 開始解決「怎麼生產」，張詠翔看到的下一個問題，是「替誰生產」。部分製造商提高生產效率後反過來問他，如果我的產能多了 20%，但沒有多 20% 的訂單，我何必要做那麼快？

這個問題催生了智穎智能下一階段的製造媒合平台構想。隨著供應鏈分散至不同國家，品牌要在海外重新尋找符合特定規範與製程能力的供應商，也愈來愈困難。團隊因此希望串聯既有使用 AI 方案的製造商，讓品牌端能依條件尋找供應商，也讓製造端的閒置產能有機會被看見。團隊預計 2027 年上半年推進平台服務，初期規劃串聯超過 200 家製造商與破千台機器。

從中原大學的研究，到桃園工廠提供第一個實際驗證場域；從把老師傅經驗變成 AI「導航」，再走向能自行修正製程的「自駕」，智穎智能試圖數位化的，是製造業最難被保存的資產：人的經驗。而當全球供應鏈持續移動、製造基地愈來愈分散，這套從桃園工廠磨出的 AI，下一步不只要替老師傅找到數位接班人，也要重新連結散落全球的製造能力。
而「Meet 桃園+」也期盼持續透過計畫的媒體報導與宣傳資源，將更多像智穎智能這樣扎根在地、走出海外的創業故事傳遞出去，讓外界看見桃園豐沛且具實戰力的創新動能。