[[150422]]

機(jī)器學(xué)習(xí)基于一種算法，該算法從數(shù)據(jù)中獲得學(xué)習(xí)能力，而無(wú)需依靠基于規(guī)則的編程。隨著數(shù)字化的進(jìn)步和計(jì)算能力日趨便宜，使得數(shù)據(jù)科學(xué)家能夠停止建造模型，轉(zhuǎn)而訓(xùn)練計(jì)算機(jī)來(lái)進(jìn)行這一工作，因此機(jī)器學(xué)習(xí)在20世紀(jì)90年代晚期作為一門科學(xué)學(xué)科出現(xiàn)在了大眾的視野中。目前全世界矚目的大數(shù)據(jù)因其難以管理的巨大數(shù)量和復(fù)雜性增加了使用機(jī)器學(xué)習(xí)的潛能——以及對(duì)機(jī)器學(xué)習(xí)的需求。

2007年，斯坦福人工智能實(shí)驗(yàn)室主任李菲菲放棄了給計(jì)算機(jī)編程來(lái)識(shí)別物體這一工作，開(kāi)始給百萬(wàn)幅3歲小孩都認(rèn)得的原始圖像打上標(biāo)簽，將這些圖輸入到計(jì)算機(jī)中。通過(guò)向計(jì)算機(jī)輸入成百上千張帶有標(biāo)簽的圖片，比如說(shuō)標(biāo)示這些圖片為貓，計(jì)算機(jī)能夠自行判斷一組特定的數(shù)碼像素是否真的是只貓。去年11月，李菲菲帶領(lǐng)的團(tuán)隊(duì)開(kāi)發(fā)出一個(gè)程序，能夠高精度地識(shí)別出任一圖片中的視覺(jué)元素。IBM的沃森機(jī)器在2011年依靠類似的從成百上千的潛在答案中自發(fā)生成的評(píng)分系統(tǒng)打敗了Jeopardy！游戲中的世界***玩家。

雖然這些壯舉如此耀眼，但機(jī)器學(xué)習(xí)完全不像是人類感官類的學(xué)習(xí)。然而它在分析任意量的數(shù)據(jù)和所有變量組合方面已經(jīng)做得非常出色了——將來(lái)也會(huì)做得更好。由于機(jī)器學(xué)習(xí)是在最近才剛剛作為主流管理工具涌現(xiàn)出來(lái)，這經(jīng)常給我們帶來(lái)些疑惑。在這篇文章中，我們列舉了一些我們經(jīng)常聽(tīng)到的問(wèn)題，并以一種我們希望對(duì)任何使用者來(lái)說(shuō)都能有用的方式予以解答。現(xiàn)在是時(shí)候解決這些問(wèn)題了，因?yàn)橛蓹C(jī)器學(xué)習(xí)強(qiáng)化的商業(yè)模型帶來(lái)了驟然飆升的競(jìng)爭(zhēng)力。確實(shí)，管理學(xué)家Ram Charan表示「任何現(xiàn)在還不會(huì)使用數(shù)學(xué)或無(wú)法迅速掌握數(shù)學(xué)的機(jī)構(gòu)都將是行將就木的公司了?！?/p>

1. 傳統(tǒng)行業(yè)如何利用機(jī)器學(xué)習(xí)來(lái)收集新的商業(yè)視點(diǎn)？

好，讓我們從體育開(kāi)始。今年春季，美國(guó)NBA賽事的參賽者依賴于一家加州機(jī)器學(xué)習(xí)創(chuàng)業(yè)公司的二次譜法分析，通過(guò)數(shù)字化過(guò)去幾個(gè)賽季的比賽，創(chuàng)造了預(yù)測(cè)模型，使教練能夠分辨出如其CEO Rajiv Maheswaran所描述的「得分的差射手，和不得分的好射手」，以此來(lái)調(diào)整他的戰(zhàn)略部署。

沒(méi)有比通用電氣更值得尊敬或更傳統(tǒng)的了，它是歷經(jīng)119年道瓊斯工業(yè)指數(shù)上唯一留下的老成員了。通用已經(jīng)通過(guò)處理從深海油井或飛機(jī)引擎收集到的數(shù)據(jù)來(lái)優(yōu)化其表現(xiàn)力，預(yù)見(jiàn)故障和提升維護(hù)效率，從而賺到了億萬(wàn)美元。但是去年年底從IBM離職后作為軟件研發(fā)部副總裁加入GE的Colin Parris認(rèn)為，在數(shù)據(jù)處理能力、傳感器和預(yù)測(cè)算法方面的持續(xù)改進(jìn)不久將會(huì)對(duì)其公司獨(dú)特的噴射引擎帶來(lái)深刻影響，這不亞于谷歌對(duì)西好萊塢一位24歲網(wǎng)民的在線行為帶來(lái)的影響

2. 北美之外的地方如何呢？

在歐洲，超過(guò)數(shù)十家銀行更換了舊的統(tǒng)計(jì)分析模型，用上了機(jī)器學(xué)習(xí)技術(shù)，在某些情況下，新產(chǎn)品的銷售提升了10個(gè)百分點(diǎn)，資本支出節(jié)省了20個(gè)百分點(diǎn)，兌現(xiàn)收集增加了20個(gè)百分點(diǎn)，流失損耗減少了20個(gè)百分點(diǎn)。銀行通過(guò)為零售客戶和中小型企業(yè)設(shè)定新的推介引擎實(shí)現(xiàn)了上述目標(biāo)。他們也建立了宏觀目標(biāo)模型，來(lái)更加精確地預(yù)測(cè)哪些人會(huì)取消服務(wù)，或無(wú)法歸還貸款，以及如何***的介入這一切。

更貼近生活些的，最近一篇麥肯錫季刊上的報(bào)道指出，我們的同行已經(jīng)將硬性的分析學(xué)應(yīng)用于軟性的人才管理這類事物中了。去年秋季，他們測(cè)試了由外部供應(yīng)商提供的三種算法和內(nèi)部自研的一種算法，這些算法主要通過(guò)檢驗(yàn)掃描的簡(jiǎn)歷，預(yù)測(cè)這家公司最終會(huì)在超過(guò)10000名的應(yīng)征者中錄取哪些人。預(yù)測(cè)結(jié)果與實(shí)際結(jié)果十分貼切。有趣的是，機(jī)器所選的應(yīng)征者中女性占據(jù)稍高的比例，這保證了利用分析技術(shù)來(lái)使概況更加廣泛，并克服了隱藏的人類偏見(jiàn)性。

隨著模擬世界越發(fā)的數(shù)字化，我們通過(guò)研發(fā)測(cè)試算法從數(shù)據(jù)中學(xué)習(xí)的能力對(duì)于那些現(xiàn)在被視為傳統(tǒng)商業(yè)的情況來(lái)說(shuō)只會(huì)越來(lái)越重要。谷歌***經(jīng)濟(jì)學(xué)家Hal Varian將之稱之為「計(jì)算機(jī)持續(xù)改進(jìn)」。他認(rèn)為，「只是因?yàn)榇罅慨a(chǎn)品改變了曾經(jīng)的組裝方式，持續(xù)改進(jìn)改變了曾經(jīng)的制造業(yè)情況，所以持續(xù)的『通常也是自動(dòng)化的』實(shí)驗(yàn)將會(huì)改善我們?cè)跈C(jī)構(gòu)中優(yōu)化商業(yè)過(guò)程的方式?！?/p>

3. 機(jī)器學(xué)習(xí)的早期基礎(chǔ)是什么？

機(jī)器學(xué)習(xí)基于大量的早期構(gòu)造模塊，起始于經(jīng)典統(tǒng)計(jì)學(xué)。統(tǒng)計(jì)推論確實(shí)為當(dāng)前人工智能的落實(shí)構(gòu)建了重要基礎(chǔ)。但需要意識(shí)到經(jīng)典統(tǒng)計(jì)學(xué)技術(shù)在18世紀(jì)到20世紀(jì)早期得到了發(fā)展，應(yīng)用于很多比我們現(xiàn)在處理的小的多的數(shù)據(jù)組中。機(jī)器學(xué)習(xí)不受統(tǒng)計(jì)學(xué)預(yù)設(shè)的假設(shè)限制。因此，它能夠得出人類分析師看不到的見(jiàn)解，并做出精度更高的預(yù)測(cè)。

最近，在20世紀(jì)30年代到40年，計(jì)算機(jī)先驅(qū)（比如阿蘭·圖靈，他對(duì)人工智能有著深刻持久的興趣）開(kāi)始研究并改善基本技術(shù)，比如使今天的機(jī)器學(xué)習(xí)成為可能的神經(jīng)網(wǎng)絡(luò)。但這些技術(shù)留在實(shí)驗(yàn)室的時(shí)間比很多其他技術(shù)要長(zhǎng)的多，大多數(shù)情況下，這些技術(shù)不得不等待強(qiáng)大的計(jì)算機(jī)發(fā)展與建設(shè)的完成，而這直到70年代晚期和80年代早期才初具規(guī)模。這可能就是機(jī)器學(xué)習(xí)導(dǎo)入曲線的起始點(diǎn)。新技術(shù)被引入進(jìn)現(xiàn)代經(jīng)濟(jì)——比如，蒸汽機(jī)、電力、電力馬達(dá)和計(jì)算機(jī)——似乎花費(fèi)了將近80年的時(shí)間，才從實(shí)驗(yàn)室過(guò)渡到你可能會(huì)稱之為文化缺位的時(shí)刻。計(jì)算機(jī)現(xiàn)在還未退出大眾視野，但這可能會(huì)在2040年發(fā)生。而機(jī)器學(xué)習(xí)退居幕后可能不會(huì)花費(fèi)很多時(shí)間。

4. 那我們從何開(kāi)始？

如果高管們把機(jī)器學(xué)習(xí)視為一個(gè)制作和實(shí)施公司戰(zhàn)略愿景的工具, 那么他們會(huì)***程度的利用它。但這也意味著將戰(zhàn)略放在首位。若不以戰(zhàn)略為出發(fā)點(diǎn), 機(jī)器學(xué)習(xí)可能淪為忙于處理公司日常運(yùn)營(yíng)的工具: 它能提供一定的幫助, 但其長(zhǎng)期價(jià)值很可能被局限于***重復(fù)的”餅干模型”應(yīng)用中, 比如建模來(lái)獲得新客戶, 刺激和保有客戶等。

我們發(fā)現(xiàn)了與并購(gòu)類似的有益之處，畢竟這是一種達(dá)到明確目的的手段。 沒(méi)有哪個(gè)明智的商家會(huì)匆忙地開(kāi)始一場(chǎng)并購(gòu)然后坐等結(jié)果。從事機(jī)器學(xué)習(xí)的公司應(yīng)該像從事并購(gòu)的公司一樣做出三個(gè)承諾。***，調(diào)查所有的可行方案；第二，全力追蹤高管的戰(zhàn)略；第三, 使用（如果有需要的話）高管已有的專長(zhǎng)和知識(shí)來(lái)引導(dǎo)戰(zhàn)略的應(yīng)用。

負(fù)責(zé)制定戰(zhàn)略遠(yuǎn)景的人很可能（或曾經(jīng)）是數(shù)據(jù)科學(xué)家. 但在定義問(wèn)題和戰(zhàn)略所需的結(jié)果時(shí)， 他們需要來(lái)自監(jiān)管其他重要戰(zhàn)略舉措高管同事的指導(dǎo)。更廣泛來(lái)說(shuō), 公司需要兩種人來(lái)釋放機(jī)器學(xué)習(xí)的潛力.「定量分析家（Quants）」接受語(yǔ)言和方法訓(xùn)練?！阜g家（Translators）」能搭建數(shù)據(jù)科學(xué)，機(jī)器學(xué)習(xí)和根據(jù)定量分析家的復(fù)雜結(jié)果重構(gòu)成公司總經(jīng)理可執(zhí)行的有價(jià)值的情報(bào)所做決策之間的橋梁。

對(duì)于有效的機(jī)器學(xué)習(xí)來(lái)說(shuō)需要有用可靠的數(shù)據(jù)，比如在測(cè)試中發(fā)現(xiàn)沃森預(yù)測(cè)腫瘤結(jié)果的能力比醫(yī)生要好，而Facebook最近成功的教會(huì)了計(jì)算機(jī)識(shí)別特定的人臉，其精確度幾乎和人類一樣。真正的數(shù)據(jù)戰(zhàn)略起始于識(shí)別數(shù)據(jù)間的差距，決定填補(bǔ)這些差距所需的時(shí)間和花費(fèi)，并打破這些孤島。通常，部門囤積信息并將之政治化——這也是一些公司創(chuàng)建負(fù)責(zé)將所需要的信息整合在一起的***數(shù)據(jù)官這一新崗位的原因。其他因素還包括基層管理者需要負(fù)責(zé)產(chǎn)生數(shù)據(jù)等。

由小開(kāi)始——尋找小方面的成果并鼓勵(lì)任何早期的成功。這將幫助招募到基層的支持并增強(qiáng)個(gè)體行為及員工補(bǔ)償買入的變化，從而最終決定一個(gè)機(jī)構(gòu)能否有效應(yīng)用機(jī)器學(xué)習(xí)。***，根據(jù)明確的成功標(biāo)準(zhǔn)來(lái)進(jìn)行評(píng)估。

5. 高層管理應(yīng)扮演什么角色？

改變行為是至關(guān)重要的，高層管理人員的一個(gè)關(guān)鍵任務(wù)就是去影響和鼓勵(lì)它。比如說(shuō)，傳統(tǒng)的管理人員將必須熟悉自己在A/B測(cè)試中的變化，其中，這種測(cè)試是被數(shù)碼公司用來(lái)檢驗(yàn)什么會(huì)或者不會(huì)吸引線上消費(fèi)者的一項(xiàng)技術(shù)。盡管有日益強(qiáng)大的計(jì)算機(jī)提供建議，一線的管理人員還是必須要學(xué)會(huì)自己做更多決策，緊隨高層管理人員設(shè)定的大方向，只有在出現(xiàn)意外時(shí)才重新校準(zhǔn)方向。普及數(shù)據(jù)分析是需要時(shí)間的，比如讓一線人員掌握必要的技能、對(duì)分享數(shù)據(jù)實(shí)施合適的激勵(lì)等。

***級(jí)別的***執(zhí)行層人員應(yīng)該分三個(gè)階段來(lái)運(yùn)用機(jī)器學(xué)習(xí)——機(jī)器學(xué)習(xí)1.0、2.0和3.0，或者，我們更愿意分別稱之為描述、預(yù)測(cè)和處方。他們或許無(wú)需過(guò)分擔(dān)心處方階段，因?yàn)榇蟛糠止疽呀?jīng)過(guò)了這個(gè)階段。那是所有關(guān)于往數(shù)據(jù)庫(kù)中收集數(shù)據(jù)（基于目標(biāo)），發(fā)展出能夠?yàn)楣芾韺犹峁┗谶^(guò)去的新洞察的工作。OLAP（在線分析處理）對(duì)大多數(shù)大公司來(lái)說(shuō)已經(jīng)是一項(xiàng)較完善的例行工作。

對(duì)預(yù)測(cè)階段的需求顯得更加緊迫。這也是目前正在發(fā)生的事。今天的前沿技術(shù)不僅允許公司查看過(guò)去的歷史數(shù)據(jù)，還能預(yù)測(cè)未來(lái)的行為或結(jié)果——比如說(shuō)，可以幫助銀行的信用風(fēng)險(xiǎn)控制人員評(píng)估哪些客戶更容易欠債不還，或者能讓電信公司預(yù)測(cè)近期可能流失哪些客戶。

在預(yù)測(cè)階段，***層管理人員最擔(dān)心的就是數(shù)據(jù)的質(zhì)量。這種擔(dān)心常常阻滯事務(wù)的執(zhí)行。盡管，根據(jù)我們的經(jīng)驗(yàn)，最近十年的IT投資已經(jīng)讓絕大多數(shù)公司足以從哪怕不完整和混亂的數(shù)據(jù)集中獲取新的洞察，如果這些公司選擇了正確的算法的話。比起挖掘舊數(shù)據(jù)庫(kù)，引入新的數(shù)據(jù)源可能只會(huì)帶來(lái)微乎其微的益處。面對(duì)這種挑戰(zhàn)，正是「***數(shù)據(jù)科學(xué)家」（chief data scientist）的任務(wù)。

處方階段是機(jī)器學(xué)習(xí)中的第三個(gè)階段，也是***級(jí)的階段，代表著未來(lái)的機(jī)會(huì)，應(yīng)當(dāng)?shù)玫?**層管理者的高度重視。畢竟，只預(yù)測(cè)消費(fèi)者未來(lái)的行為是遠(yuǎn)遠(yuǎn)不夠的，只有理解了他們行為背后的原因，公司才能鼓勵(lì)或防止這些未來(lái)的行為。從技術(shù)上說(shuō)，在人工翻譯的輔助下，今天的機(jī)器學(xué)習(xí)算法已經(jīng)能夠做到這一點(diǎn)了。比如說(shuō)，一家國(guó)際銀行擔(dān)憂自己零售業(yè)務(wù)中拖欠借款的規(guī)模，它最近鎖定了一批客戶，他們使用信用卡的時(shí)間從白天突然變成了半夜。這種刷卡模式伴隨著他們存款率的急劇下降。在咨詢支行經(jīng)理后，銀行還發(fā)現(xiàn)，這些人最近都經(jīng)歷了一些壓力很大的事件。結(jié)果，所有被算法貼上這個(gè)標(biāo)簽的客戶都被銀行細(xì)分到一個(gè)小的市場(chǎng)區(qū)隔內(nèi)，自動(dòng)設(shè)定了新的信用額度，并向他們提供了財(cái)務(wù)顧問(wèn)。

機(jī)器學(xué)習(xí)的處方階段開(kāi)創(chuàng)了人機(jī)協(xié)作的新時(shí)代，將為我們的工作方式帶來(lái)巨大的變革。在機(jī)器識(shí)別模式的同時(shí)，人類翻譯者的責(zé)任就是用這些模式來(lái)對(duì)市場(chǎng)進(jìn)行進(jìn)一步細(xì)分，并提出行動(dòng)建議。在此，***層管理者應(yīng)該直接參與制定和修訂目標(biāo)中，充分優(yōu)化算法。

6. 長(zhǎng)遠(yuǎn)來(lái)看，這很像要用自動(dòng)化來(lái)取代人類。那么，近期機(jī)器是否會(huì)取代管理人員呢？

真的，變化來(lái)得如此迅速（數(shù)據(jù)已經(jīng)有了），以至于依靠人來(lái)做決策很快會(huì)變得不實(shí)際。我們預(yù)計(jì)，三到五年后，會(huì)有更高級(jí)的人工智能，分布式自治系統(tǒng)（DAC, distributed autonomous corporations.）也會(huì)得到更大的發(fā)展。這些自激勵(lì)、自給自足的環(huán)節(jié)組成了一個(gè)系統(tǒng)，能夠自動(dòng)設(shè)定目標(biāo)，而無(wú)需任何直接的人類監(jiān)管。某些DAC肯定還能實(shí)現(xiàn)自我編程。

有一種觀點(diǎn)認(rèn)為，分布式自治系統(tǒng)對(duì)我們的文化而言是一種不利的威脅。但是，當(dāng)它們發(fā)展完全時(shí)，機(jī)器學(xué)習(xí)將會(huì)在文化中變得隱形，就像20世紀(jì)那些科技發(fā)明一樣，完全隱沒(méi)在文化的背景中。人類的角色將是管理和引導(dǎo)算法，以實(shí)現(xiàn)它們背負(fù)的目標(biāo)。這是2008年金融危機(jī)中，造成巨大損失的自動(dòng)交易算法帶給人們的教訓(xùn)。

不管計(jì)算機(jī)能揭示出多少新的洞察，只有人類管理人員才有能力決定什么問(wèn)題是最根本的，比如說(shuō)公司正要解決什么關(guān)鍵的業(yè)務(wù)問(wèn)題。正如人類職員需要定期回顧和評(píng)估一樣，這些「聰明的機(jī)器」和它們的業(yè)績(jī)也需要定期由經(jīng)驗(yàn)豐富、能明辨是非、擁有專業(yè)知識(shí)的高管們進(jìn)行評(píng)估、精煉——甚至被炒魷魚，或被要求轉(zhuǎn)向其他方向，誰(shuí)知道呢。

***的贏家不會(huì)是單獨(dú)的機(jī)器，也不會(huì)是單獨(dú)的人類，而是兩者高效的協(xié)同工作。

7. 所以，長(zhǎng)期來(lái)看，我們不需要擔(dān)心嗎？

很難給出一個(gè)確切的答案，但是，在***層管理人員的日常工作中，分布式自治系統(tǒng)和機(jī)器學(xué)習(xí)的程度應(yīng)該會(huì)很高。我們期待著未來(lái)有一天，何為智能（無(wú)論人工與否）的哲學(xué)討論終將結(jié)束，因?yàn)槟菚r(shí)將不再有什么智能——只有各種過(guò)程。如果分布式自治系統(tǒng)的表現(xiàn)、執(zhí)行和反應(yīng)都很智能，那么，關(guān)于「是否存在除人之外的高級(jí)智能」的爭(zhēng)論必將停止。同時(shí)，我們應(yīng)該開(kāi)始思考應(yīng)該讓它們做些什么，對(duì)它們的表現(xiàn)有何期望，以及我們應(yīng)當(dāng)如何同它們一起工作。