[[319769]]

　　如今，數(shù)字科學對于企業(yè)來說，顯得愈發(fā)地“誘人”。但是若要正確地看待數(shù)字科學，我們亟需了解下面一個問題：數(shù)字科學到底能為我們的業(yè)務發(fā)展做什么，不能為我們的業(yè)務發(fā)展做什么。

　　毫無疑問，很多機器學習（ML）和人工智能（AI）領域的進展都預計將為多種類型的企業(yè)帶來效果和效率上的提升。雖然聽起來很不錯，但多數(shù)情況下實際情況卻并沒有達成預期。原因至少有三點：(1) 針對機器學習/人工智能的宣傳超出了其實際能力；(2) 在大肆宣傳下，客戶對機器學習/人工智能抱有過高的期望；(3) 機器學習/人工智能開發(fā)人員不理解或是不知道怎么解決其技術設想可能對組織帶來的影響。

　　在下文中，我們將詳細討論第三點原因。具體可以展開為四個關鍵問題：(1) 技術不等同于產(chǎn)品；(2) 產(chǎn)品不等同于價值；(3) 價值取決于評價其價值的人；(4) 人們需要區(qū)分產(chǎn)品的目的到底是替代人類還是提高人類工作效率。

　　技術不等同于產(chǎn)品

　　不管它的本質(zhì)多復雜，算法或神經(jīng)網(wǎng)絡都不等同于產(chǎn)品。例如， Zebra Medical 開發(fā)出了一項復雜的技術，能夠通過放射掃描識別出是否骨折，通過乳房x光識別出是否有疑似病變。在掃描了數(shù)以百萬計的圖像之后，機器學會了如何正確識別骨折和疑似病變，使得該項技術不斷完善。在研發(fā)過程中，技術人員提出了 100 多種算法，但是醫(yī)生們（放射線科醫(yī)生以及其他涉及到的醫(yī)生）卻無法直接使用這些算法，因為算法在使用前首先需要轉化為產(chǎn)品。

　　要使算法成為產(chǎn)品，需要它可以讓醫(yī)生直接使用。也就是說，至少要開發(fā)出可在任一醫(yī)療中心的設備上運行的應用程序。該應用程序需要易于操作，并能夠生成對用戶有價值的輸出。就 Zebra Medical 而言，這就意味著：此應用程序生成的輸出可以告訴放射科醫(yī)生骨折/病變的位置和類型。

　　產(chǎn)品不等同于價值

　　雖然 Zebra Medical 開發(fā)的應用程序可以幫助識別病癥，但這個程序本身并不能直接產(chǎn)生價值。但他們找到了至少兩種創(chuàng)造價值的點。第一點是效率。他們開發(fā)的應用程序可以比放射科醫(yī)師更快、更多地審查掃描光片和乳房X光片。因此，高效是這項技術帶來的第一個巨大價值。

　　第二個巨大價值在于，Zebra Medical 開發(fā)的創(chuàng)新技術是一種可以根據(jù)緊急程度對掃描和乳房X光片進行排序的算法。這一算法的發(fā)展需要放射科醫(yī)師和其他醫(yī)生提供大量反饋，以幫助算法了解哪些情況是正常、哪些是緊急和哪些是非常緊急。一旦這項工作完成，Zebra Medical 不僅能夠提供掃描和乳房x光檢查，還能夠對掃描和乳房X光片進行排序，以便放射科醫(yī)生能夠優(yōu)先處理最緊急的病例。這就是該產(chǎn)品為工作流程和病人生活增加了極大便利和有效性的地方。

　　價值取決于評價其價值的人

　　上述技術可能對一些人來說很不錯，但對放射醫(yī)師、其他醫(yī)生、醫(yī)院管理人員、保險公司和監(jiān)管機構來說卻未必如此。醫(yī)生們總是會擔心骨折和病變鑒定結果的質(zhì)量和可靠性，他們尤其會特別關注第一類錯誤和第二類錯誤：第一類錯誤（Type 1 error）是指病人被確定為受傷或生病時，實際上卻并沒有受傷或生??；第二類錯誤（Type 2 error）則是指當病人被診斷為健康時，實際上他/她卻不是健康的。

　　醫(yī)生們可能會進一步擔心未來自己的工作有可能被機器取代。這并非沒有可能，但我們還是需要把識別疾病和診斷疾病分開來看。

　　醫(yī)院管理人員可能對新技術的態(tài)度有所保留。一方面他們還是很高興看到新產(chǎn)品帶來了潛在效率和質(zhì)量的提升，但另一方面，他們也擔心會發(fā)生第一類錯誤和第二類錯誤——這不僅僅是出于質(zhì)量的角度，更是出于責任的角度。

　　保險公司可能會持樂觀態(tài)度，效率提高進而降低了醫(yī)療成本，而早期發(fā)現(xiàn)也讓我們可以采取更多預防性的干預措施。

　　監(jiān)管機構則希望了解這些算法實際上是依據(jù)哪些變量作為識別依據(jù)。神經(jīng)網(wǎng)絡學習的問題在于，即使是程序員自己也不知道他們編出的程序是如何得出結論的。更進一步的問題是：現(xiàn)在應該由誰來為診斷和治療負責。是醫(yī)院、醫(yī)生、放射科醫(yī)生、算法公司、程序員還是算法本身？

　　這就引出了人工智能/機器學習對組織影響的最后一個方面。

　　替代人類的產(chǎn)品 VS 幫助提高人類工作效率的產(chǎn)品

　　就目前而言，距離依靠機器進行病癥診斷、設計治療方案、開具醫(yī)療干預處方和跟進病人護理還有點遙遠，現(xiàn)在這些步驟都要依靠醫(yī)生來進行。即便如此，在掃描效率、工作流程管理和緊急病例的快速檢查等方面，應用程序的骨折和病變識別功能的確已經(jīng)顯著提高了人力的工作效率。

　　只有人工智能/機器學習公司真正地理解潛在客戶的挑戰(zhàn)，才能夠從客戶角度出發(fā)創(chuàng)造出能夠真正賦能效率和有效性的產(chǎn)品。正如上文所述，創(chuàng)造這樣的價值遠比聽起來要困難得多，特別是在醫(yī)療領域，因為不同利益相關者的需求和關注點有所不同，有時甚至還會產(chǎn)生沖突。雖然人工智能替代人類作業(yè)距變成現(xiàn)實還有很長距離，但如果運用得當?shù)脑挘斯ぶ悄?機器學習確實可以極大地提高人類的工作效率。

　　作者： Robert HooijbergIMD 商學院組織行為學教授

　　Shlomo Ben-Hur，IMD 商學院領導力、人才管理與企業(yè)學習教授

　　Mark J. Greeven，IMD 商學院創(chuàng)新與策略教授

　　Amit M. Joshi ，IMD 商學院營銷與數(shù)字化教授

　　Michael R. Wade，IMD 商學院創(chuàng)新與策略教授，思科數(shù)字業(yè)務轉型主席