[專訪] 國際醫學維基翻譯計畫發起人海爾曼：因為醫生不會永遠都是對的!|數位時代 BusinessNext

2014年初，伊波拉疫情在西非大爆發，全球民眾人心惶惶。根據世界衛生組織和多國政府採集數據，到今年1月14日為止，感染案例已經超過2.8萬宗、死亡案例也超過1.1萬宗，堪稱史上最嚴重的伊波拉疫情。當疫情蔓延時，哪一個網站是賴比瑞亞、獅子山和幾內亞等疫區人民最依賴的資訊來源？答案不是CNN、不是疾病管制局，也不是世界衛生組織，而是你我幾乎每天都會用到的維基百科（Wikipedia）。

原來，在伊波拉病毒剛爆發時，維基百科編輯群就搶先編修了伊波拉相關條目，再發給具有語言長才的譯者翻譯成各國語言。到目前為止，伊波拉病毒條目已有115種語言版本，而光是在2014年，點閱次數就已經約達1億次之多。「我深信，維基百科在伊波拉疫情中扮演了很重要的角色。」發起這項翻譯計畫的詹姆斯‧海爾曼（James Heilman）接受《數位時代》專訪時堅定地說。

圖說：國際醫學維基翻譯計畫發起人詹姆斯‧海爾曼（James Heilman）。圖片來源：顏理謙攝。

#三大步驟，讓資訊更開放

除了國際醫學維基翻譯計畫（Medical Translation Project）發起人之外，海爾曼其實還有另一個身分，那就是加拿大不列顛哥倫比亞大學的急診室外科醫生。笑稱自己「一半是維基人、一半是醫生」的海爾曼說，之所以參與維基百科編輯，得回溯到8年前的某個尋常夜晚。

那天，海爾曼正在急診室值夜班，碰巧在網路上逛到維基百科的肥胖症條目，赫然發現，裡面竟然藏了許多錯誤訊息。「那時我心想，我的天啊，這實在太糟糕了！」不過就在此時，他發現頁面上有一個編輯按鈕，可以讓使用者編修文章，從此他一頭栽入維基百科浩瀚的知識之海。而一年半前，他甚至將醫院的工作時數減半，只為了投入更多時間和心力在維基社群。「當我看了越多維基百科的文章，越發現世界上有許多人依賴維基提供的資訊。對他們來說，維基百科就是醫療資訊的來源，這更加激勵我去修正這些文章，」他說。

在那之後，海爾曼開始發起國際醫學維基翻譯計畫。這項計畫共分為三大步驟：改善條目（Article Improvement）、翻譯（Translation）、讓讀取更方便（Improving Access）。

首先，以海爾曼為首的編輯群先參照世界衛生組織和維基百科的醫療主題列表，從中挑出1,000項關鍵疾病，再將英文原文編修得更完善。當文章品質到達一定水準後，除了鼓勵大家參與翻譯，2012年起還請來無國界譯者組織（Translators without Boaders）協助，以人工翻譯方式，將文章譯成超過100種不同的語言。

2014年秋天開始，國際醫學維基翻譯計畫也和台灣的中華民國維基媒體協會合作，邀請台大醫學院學生加入這項翻譯計畫。透過Facebook和Hackpad等數位工具，他們在短時間內就翻譯出超過90個短條目，成果驚人。最後一個步驟則是搭起獲取知識的最後一哩路，讓更多人能夠使用維基百科。

例如在開發中國家，雖然手機已經相當普及，但是資料流量費用卻很高，大多數民眾根本無力負擔。因此，維基媒體基金會推出維基百科零點計畫（Wikipedia Zero）並且邀請當地電信商加入，讓民眾可以免費讀取維基百科。目前這項計畫的受惠人口已達4億人，大多數在非洲和東南亞國家。

為什麼要推動翻譯計畫？海爾曼表示，全球每天有上千人因為無法獲得充足的醫療保健資訊而死，追本溯源，就是因為網路世界的語言和實體世界語言差異懸殊。他指出，維基百科目前擁有286種語言，雖然聽起來數量龐大，但是其實全世界共存在超過6,000種語言，光是非洲就有大約2,000種語言。然而諷刺的是，在實體世界中占了多數的語言，到了網路世界卻成了弱勢族群，而只懂該語言的人民也因此無法獲得足夠資訊。

#開放醫療知識為什麼重要？

「尊重專業」四字人人都愛講，既然如此，為什麼我們還需要開放醫療知識？這麼一來，會不會養出更多難纏的病人，造成醫師的壓力和負擔？對於這個顧慮，海爾曼絲毫不以為意。他指出，以前大家都覺得醫生最懂，但是事實卻不一定如此。在過去，病人去看醫生時，會先回答醫生所有的問題，再由醫生為病人下決定。「但是我們致力於改良這種狀況。我認為，應該要讓雙方都了解醫學資訊，讓醫生和病人一起做決定。」

海爾曼表示，醫生們希望病人具有充足的醫療知識，至少年輕一輩的醫生這麼認為。所以，大多數的年輕醫生對於病人可以在網路上閱讀相關資訊，其實是很開心的。他以自身為例說明：「比方說我是急診室外科醫生，我的病人有成人也有孩童。當孩子生病了，如果母親事先做了功課，她就會成為這個疾病的專家，變成最了解孩子的人。身為醫生，我其實很仰賴這樣的專家。」

雖然當病人獲得很多資訊後，可能會質疑醫生的判斷，「可是有些問題是該問，因為醫生不是永遠都是對的，」他說。

海爾曼進一步解釋，有些醫生可能是40年前讀了醫學院，但是他們並沒有跟上最新的資訊，因此這些醫生給的答案很可能是40年前的正確答案，已經不再符合當下的狀況了。所以，為了病人好，有時候的確該質疑醫生。不過，他也強調，更重要的是讓醫病之間的資訊平等，讓雙方可以多加討論。病人可以說出他的想法和擔憂，協助醫生判斷，進而得到更好的醫療照護。

而同樣面對開放資訊，加拿大、美國和台灣的態度有沒有什麼不同？海爾曼直接了當地說：**「我認為年輕世代都很認同開放資訊，因為他們就是在這樣的環境中成長。」**他表示，當他和越多來自不同文化背景的人共事，越發現彼此有很多共通點，相同之處遠比差異來得多。尤其在維基百科社群，開放資訊和民主理念就是大家共享的價值觀。

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。