如何利用人工智能模型來(lái)驅(qū)動(dòng)更好的決策是當(dāng)前非常熱門(mén)研究課題。本文是關(guān)于價(jià)值實(shí)現(xiàn)、協(xié)作決策能力主題探討系列文章的第一篇。

我媽媽常常這樣嘮叨“答案就在你眼皮底下?！敝赃@么說(shuō)，是因?yàn)楝F(xiàn)代企業(yè)正在尋求一種協(xié)作價(jià)值驅(qū)動(dòng)力，它可以：1）使組織在數(shù)據(jù)和分析的經(jīng)濟(jì)力量方面保持一致；同時(shí)，2）提供“從數(shù)據(jù)到價(jià)值的清晰視線”。價(jià)值驅(qū)動(dòng)力就在我們面前——決策。是的，像決策這樣簡(jiǎn)單而普遍的東西可以成為協(xié)作的連接點(diǎn)。

價(jià)值工程框架的基本原則——提供從數(shù)據(jù)到價(jià)值的清晰視線——是識(shí)別、驗(yàn)證、評(píng)估和優(yōu)先考慮業(yè)務(wù)利益相關(guān)者為支持組織的戰(zhàn)略業(yè)務(wù)計(jì)劃而需要做出的決策（以及衡量決策有效性的KPI）（圖1）。

圖1：決策的價(jià)值實(shí)現(xiàn)能力

一旦我們對(duì)一個(gè)組織的戰(zhàn)略業(yè)務(wù)計(jì)劃有了真正的理解，我們就可以從功能上將這些業(yè)務(wù)計(jì)劃分解為不同利益相關(guān)者需要做出的決策，以支持該業(yè)務(wù)計(jì)劃。

為什么決策是商業(yè)和數(shù)據(jù)科學(xué)合作的強(qiáng)大驅(qū)動(dòng)力呢（圖2）？

1. 決策易于識(shí)別（每個(gè)業(yè)務(wù)利益相關(guān)者都知道他們?cè)噲D做出什么決策）。
2. 決策具有可歸因價(jià)值。也就是說(shuō)，人們可以將“價(jià)值”歸因于做出更好的決策（其中“價(jià)值”的全面定義可能是一項(xiàng)復(fù)雜但必要的調(diào)整工作）。
3. 就其本質(zhì)而言，決策是可執(zhí)行的。
4. 數(shù)據(jù)科學(xué)家知道如何優(yōu)化決策。

圖2：決策的協(xié)作能力

注意：決策和問(wèn)題是截然不同的。問(wèn)題有利于校驗(yàn)理解和驅(qū)動(dòng)觀念形成，而決策會(huì)驅(qū)動(dòng)行動(dòng)。

PART 01

使用AI支持的決策型企業(yè)擴(kuò)展決策

Marco Iansti和Karim R.Lakhani在《哈佛商業(yè)評(píng)論》（Harvard Business Review）上發(fā)表了一篇題為《人工智能時(shí)代的競(jìng)爭(zhēng)：機(jī)器智能如何改變商業(yè)規(guī)則》（Competing in the Age of AI:machine intelligence How changes the rules of Business）的文章，文章談到了全球最大的金融科技公司螞蟻集團(tuán)（Ant Group）如何利用人工智能來(lái)改造金融服務(wù)業(yè)。

螞蟻集團(tuán)商業(yè)模式的核心是一個(gè)人工智能驅(qū)動(dòng)的決策型企業(yè)。這家決策型企業(yè)每天在谷歌和百度進(jìn)行數(shù)以百萬(wàn)計(jì)的廣告拍賣，能夠決定滴滴、Grab、Lyft和Uber上提供哪些汽車服務(wù)，能夠設(shè)定亞馬遜網(wǎng)站上耳機(jī)和馬球衫的價(jià)格，能夠運(yùn)行在一些沃爾瑪超市清潔地板的機(jī)器人，能夠啟用Fidelity投資集團(tuán)上的客服機(jī)器人，甚至能夠解釋在Zebra Medical公司生產(chǎn)的設(shè)備上的X光的含義，等等。

通過(guò)不斷學(xué)習(xí)、調(diào)整和完善在不斷變化的市場(chǎng)和客戶環(huán)境下做出的決策，人工智能驅(qū)動(dòng)的決策型企業(yè)在擴(kuò)展業(yè)務(wù)和運(yùn)營(yíng)價(jià)值方面尤其強(qiáng)大（圖3）。

圖3：人工智能驅(qū)動(dòng)的公司如何超越傳統(tǒng)公司

我對(duì)圖3中特別感興趣的是數(shù)字運(yùn)營(yíng)模式（Digital Operating Model）軌跡（紅色）線，它突出顯示了隨著數(shù)據(jù)和分析在更多用戶和用例中共享，數(shù)據(jù)和分析資產(chǎn)的價(jià)值迅速提升。這條線的行為與Schmarzo的經(jīng)濟(jì)數(shù)字資產(chǎn)估值定理（圖4）中的效應(yīng)#3非常相似。

圖4：Schmarzo經(jīng)濟(jì)數(shù)字資產(chǎn)估值定理

以下是支撐人工智能驅(qū)動(dòng)決策型企業(yè)的一些關(guān)鍵技術(shù)：

• 數(shù)據(jù)管理。一個(gè)數(shù)據(jù)編排平臺(tái)，可自動(dòng)化數(shù)據(jù)發(fā)現(xiàn)、內(nèi)容推斷和元數(shù)據(jù)創(chuàng)建，簡(jiǎn)化數(shù)據(jù)訪問(wèn)和數(shù)據(jù)探索，并通過(guò)集成的數(shù)據(jù)可觀測(cè)性和AI助手將數(shù)據(jù)治理和主數(shù)據(jù)管理制度化，以創(chuàng)建智能的數(shù)據(jù)管理流程、策略、模型和管道，從而以系統(tǒng)、可持續(xù)和可擴(kuò)展的方式收集、清理、集成、規(guī)范化、豐富和保護(hù)數(shù)據(jù)。請(qǐng)參閱我的博客“為什么數(shù)據(jù)管理是當(dāng)今最重要的商業(yè)領(lǐng)域（https://www.datasciencecentral.com/why-data-management-is-todays-most-important-business-discipline/）”，從而了解更多關(guān)于數(shù)據(jù)管理從商業(yè)角度越來(lái)越重要的信息。
• AI/ML模型開(kāi)發(fā)。一個(gè)開(kāi)放、靈活的AI/ML模型訓(xùn)練、開(kāi)發(fā)和管理環(huán)境，使用中心輻射式組織結(jié)構(gòu)，推動(dòng)業(yè)務(wù)范圍和領(lǐng)域?qū)＜遥▽?duì)特征工程至關(guān)重要）與分析中心之間的密切合作，使開(kāi)發(fā)、共享和管理制度化，以及不斷完善組織的分析資產(chǎn)和數(shù)據(jù)產(chǎn)品，以推動(dòng)可量化的業(yè)務(wù)和運(yùn)營(yíng)成果。
• MLOps。提供一套框架、工具、方法、治理實(shí)踐和決策，以部署、監(jiān)控并以道德的、負(fù)責(zé)的、可靠的和高效的方式維護(hù)生產(chǎn)中的AI/ML模型（這些工具用于從AI模型的誤報(bào)和誤報(bào)中學(xué)習(xí)，以減輕AI模型確認(rèn)偏差）。
• 人工智能優(yōu)化的基礎(chǔ)設(shè)施。一個(gè)靈活、可擴(kuò)展、按需分配的基礎(chǔ)設(shè)施，可以輕松調(diào)配，并針對(duì)從邊緣到核心再到多云的大數(shù)據(jù)、邊緣和以人工智能為中心的工作負(fù)載進(jìn)行優(yōu)化。

了向所有利益相關(guān)者開(kāi)放人工智能驅(qū)動(dòng)的決策型企業(yè)，相應(yīng)組織必須培訓(xùn)該組織中的每個(gè)人有關(guān)的分析能力；也就是說(shuō)，使其明確使用基本分析和高級(jí)分析功能時(shí)的可能性范圍有哪些（圖5）。

圖5：分析成熟度：從描述性分析到自主分析

圖5所示的分析成熟曲線由以下幾個(gè)階段組成：

• 第1階段：描述性分析利用統(tǒng)計(jì)和數(shù)據(jù)挖掘工具和技術(shù)分析和分析數(shù)據(jù)集（平均值、中值、眾數(shù)、標(biāo)準(zhǔn)差、方差、最小值、最大值），探索數(shù)據(jù)變量因果關(guān)系，量化因果置信度，并測(cè)量擬合優(yōu)度。
• 第2階段：預(yù)測(cè)分析利用探索性分析技術(shù)（如聚類、分類、回歸）來(lái)發(fā)現(xiàn)和整理隱藏在數(shù)據(jù)中的客戶、產(chǎn)品、服務(wù)和運(yùn)營(yíng)趨勢(shì)、模式和關(guān)系，這些數(shù)據(jù)可以轉(zhuǎn)化為預(yù)測(cè)性洞察（預(yù)測(cè)的行為和績(jī)效傾向），以預(yù)測(cè)可能發(fā)生的情況。
• 第3階段：規(guī)范性分析利用預(yù)測(cè)性客戶、產(chǎn)品、服務(wù)和運(yùn)營(yíng)傾向（機(jī)器學(xué)習(xí)功能）構(gòu)建機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型，以提供動(dòng)態(tài)建議和次優(yōu)行動(dòng)。
• 第4階段：自動(dòng)分析利用強(qiáng)化學(xué)習(xí)和人工智能技術(shù)創(chuàng)建模型，可以在最少的人為干預(yù)下持續(xù)學(xué)習(xí)和適應(yīng)。自動(dòng)分析通過(guò)采取行動(dòng)、從行動(dòng)中學(xué)習(xí)（即最大限度地提高回報(bào)，同時(shí)最小化成本），以及在最少人為干預(yù)的情況下根據(jù)學(xué)習(xí)調(diào)整下一步行動(dòng)，尋求圍繞AI效用函數(shù)進(jìn)行優(yōu)化。

為分析教育過(guò)程的一部分，組織中的每個(gè)人都應(yīng)該初步了解高級(jí)分析模型“學(xué)習(xí)”的不同方式，包括機(jī)器學(xué)習(xí)（監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)）、強(qiáng)化學(xué)習(xí)、深度學(xué)習(xí)、遷移學(xué)習(xí)、聯(lián)合學(xué)習(xí)、元學(xué)習(xí)和主動(dòng)學(xué)習(xí)（圖6）。

圖6：不同的AI/ML學(xué)習(xí)技術(shù)?

PART 02

總結(jié)    

創(chuàng)建一個(gè)不斷學(xué)習(xí)和適應(yīng)人工智能驅(qū)動(dòng)的決策型企業(yè)意味著，讓所有員工（以及合作伙伴和客戶）能夠設(shè)想、構(gòu)思、嘗試、失敗、學(xué)習(xí)、分享這些經(jīng)驗(yàn)教訓(xùn)，并再次嘗試應(yīng)用數(shù)據(jù)和分析來(lái)推導(dǎo)出和驅(qū)動(dòng)客戶、產(chǎn)品、服務(wù)和運(yùn)營(yíng)價(jià)值的新來(lái)源。所有這些都需要?jiǎng)?chuàng)造一種分析驅(qū)動(dòng)的創(chuàng)新文化。

隨著我們繼續(xù)探索智能決策的價(jià)值實(shí)現(xiàn)及其協(xié)作能力，我們將涵蓋這一主題乃至更多的內(nèi)容。

譯者介紹

朱先忠，51CTO社區(qū)編輯，51CTO專家博客、講師，濰坊一所高校計(jì)算機(jī)教師，自由編程界老兵一枚。早期專注各種微軟技術(shù)（編著成ASP.NET AJX、Cocos 2d-X相關(guān)三本技術(shù)圖書(shū)），近十多年投身于開(kāi)源世界（熟悉流行全棧Web開(kāi)發(fā)技術(shù)），了解基于OneNet/AliOS+Arduino/ESP32/樹(shù)莓派等物聯(lián)網(wǎng)開(kāi)發(fā)技術(shù)與Scala+Hadoop+Spark+Flink等大數(shù)據(jù)開(kāi)發(fā)技術(shù)。

原文標(biāo)題：??Decisions Part 1: Creating an AI-driven Decision Factory??，作者：Bill Schmarzo