如何利用人工智能模型來驅(qū)動更好的決策是當前非常熱門研究課題。本文是關于價值實現(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。”之所以這么說，是因為現(xiàn)代企業(yè)正在尋求一種協(xié)作價值驅(qū)動力，它可以：1）使組織在數(shù)據(jù)和分析的經(jīng)濟力量方面保持一致；同時，2）提供“從數(shù)據(jù)到價值的清晰視線”。價值驅(qū)動力就在我們面前——決策。是的，像決策這樣簡單而普遍的東西可以成為協(xié)作的連接點。
價值工程框架的基本原則——提供從數(shù)據(jù)到價值的清晰視線——是識別、驗證、評估和優(yōu)先考慮業(yè)務利益相關者為支持組織的戰(zhàn)略業(yè)務計劃而需要做出的決策（以及衡量決策有效性的KPI）（圖1）。
圖1：決策的價值實現(xiàn)能力
一旦我們對一個組織的戰(zhàn)略業(yè)務計劃有了真正的理解，我們就可以從功能上將這些業(yè)務計劃分解為不同利益相關者需要做出的決策，以支持該業(yè)務計劃。
為什么決策是商業(yè)和數(shù)據(jù)科學合作的強大驅(qū)動力呢（圖2）？
- 決策易于識別（每個業(yè)務利益相關者都知道他們試圖做出什么決策）。
- 決策具有可歸因價值。也就是說，人們可以將“價值”歸因于做出更好的決策（其中“價值”的全面定義可能是一項復雜但必要的調(diào)整工作）。
- 就其本質(zhì)而言，決策是可執(zhí)行的。
- 數(shù)據(jù)科學家知道如何優(yōu)化決策。
圖2：決策的協(xié)作能力
注意：決策和問題是截然不同的。問題有利于校驗理解和驅(qū)動觀念形成，而決策會驅(qū)動行動。
PART 01
使用AI支持的決策型企業(yè)擴展決策
Marco Iansti和Karim R.Lakhani在《哈佛商業(yè)評論》（Harvard Business Review）上發(fā)表了一篇題為《人工智能時代的競爭：機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（Ant Group）如何利用人工智能來改造金融服務業(yè)。
螞蟻集團商業(yè)模式的核心是一個人工智能驅(qū)動的決策型企業(yè)。這家決策型企業(yè)每天在谷歌和百度進行數(shù)以百萬計的廣告拍賣，能夠決定滴滴、Grab、Lyft和Uber上提供哪些汽車服務，能夠設定亞馬遜網(wǎng)站上耳機和馬球衫的價格，能夠運行在一些沃爾瑪超市清潔地板的機器人，能夠啟用Fidelity投資集團上的客服機器人，甚至能夠解釋在Zebra Medical公司生產(chǎn)的設備上的X光的含義，等等。
通過不斷學習、調(diào)整和完善在不斷變化的市場和客戶環(huán)境下做出的決策，人工智能驅(qū)動的決策型企業(yè)在擴展業(yè)務和運營價值方面尤其強大（圖3）。
圖3：人工智能驅(qū)動的公司如何超越傳統(tǒng)公司
我對圖3中特別感興趣的是數(shù)字運營模式（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)的價值迅速提升。這條線的行為與Schmarzo的經(jīng)濟數(shù)字資產(chǎn)估值定理（圖4）中的效應#3非常相似。
圖4：Schmarzo經(jīng)濟數(shù)字資產(chǎn)估值定理
以下是支撐人工智能驅(qū)動決策型企業(yè)的一些關鍵技術：
- 數(shù)據(jù)管理。一個數(shù)據(jù)編排平臺，可自動化數(shù)據(jù)發(fā)現(xiàn)、內(nèi)容推斷和元數(shù)據(jù)創(chuàng)建，簡化數(shù)據(jù)訪問和數(shù)據(jù)探索，并通過集成的數(shù)據(jù)可觀測性和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)和可擴展的方式收集、清理、集成、規(guī)范化、豐富和保護數(shù)據(jù)。請參閱我的博客“為什么數(shù)據(jù)管理是當今最重要的商業(yè)領域（https://www.datasciencecentral.com/why-data-management-is-todays-most-important-business-discipline/）”，從而了解更多關于數(shù)據(jù)管理從商業(yè)角度越來越重要的信息。
- AI/ML模型開發(fā)。一個開放、靈活的AI/ML模型訓練、開發(fā)和管理環(huán)境，使用中心輻射式組織結(jié)構(gòu)，推動業(yè)務范圍和領域?qū)＜遥▽μ卣鞴こ讨陵P重要）與分析中心之間的密切合作，使開發(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，以推動可量化的業(yè)務和運營成果。
- MLOps。提供一套框架、工具、方法、治理實踐和決策，以部署、監(jiān)控并以道德的、負責的、可靠的和高效的方式維護生產(chǎn)中的AI/ML模型（這些工具用于從AI模型的誤報和誤報中學習，以減輕AI模型確認偏差）。
- 人工智能優(yōu)化的基礎設施。一個靈活、可擴展、按需分配的基礎設施，可以輕松調(diào)配，并針對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載進行優(yōu)化。
了向所有利益相關者開放人工智能驅(qū)動的決策型企業(yè)，相應組織必須培訓該組織中的每個人有關的分析能力；也就是說，使其明確使用基本分析和高級分析功能時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階段組成：
- 第1階段：描述性分析利用統(tǒng)計和數(shù)據(jù)挖掘工具和技術分析和分析數(shù)據(jù)集（平均值、中值、眾數(shù)、標準差、方差、最小值、最大值），探索數(shù)據(jù)變量因果關系，量化因果置信度，并測量擬合優(yōu)度。
- 第2階段：預測分析利用探索性分析技術（如聚類、分類、回歸）來發(fā)現(xiàn)和整理隱藏在數(shù)據(jù)中的客戶、產(chǎn)品、服務和運營趨勢、模式和關系，這些數(shù)據(jù)可以轉(zhuǎn)化為預測性洞察（預測的行為和績效傾向），以預測可能發(fā)生的情況。
- 第3階段：規(guī)范性分析利用預測性客戶、產(chǎn)品、服務和運營傾向（機器學習功能）構(gòu)建機器學習和深度學習模型，以提供動態(tài)建議和次優(yōu)行動。
- 第4階段：自動分析利用強化學習和人工智能技術創(chuàng)建模型，可以在最少的人為干預下持續(xù)學習和適應。自動分析通過采取行動、從行動中學習（即最大限度地提高回報，同時最小化成本），以及在最少人為干預的情況下根據(jù)學習調(diào)整下一步行動，尋求圍繞AI效用函數(shù)進行優(yōu)化。
為分析教育過程的一部分，組織中的每個人都應該初步了解高級分析模型“學習”的不同方式，包括機器學習（監(jiān)督學習和非監(jiān)督學習）、強化學習、深度學習、遷移學習、聯(lián)合學習、元學習和主動學習（圖6）。
圖6：不同的AI/ML學習技術?
PART 02
總結(jié)
創(chuàng)建一個不斷學習和適應人工智能驅(qū)動的決策型企業(yè)意味著，讓所有員工（以及合作伙伴和客戶）能夠設想、構(gòu)思、嘗試、失敗、學習、分享這些經(jīng)驗教訓，并再次嘗試應用數(shù)據(jù)和分析來推導出和驅(qū)動客戶、產(chǎn)品、服務和運營價值的新來源。所有這些都需要創(chuàng)造一種分析驅(qū)動的創(chuàng)新文化。
隨著我們繼續(xù)探索智能決策的價值實現(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，濰坊一所高校計算機教師，自由編程界老兵一枚。早期專注各種微軟技術（編著成ASP.NET AJX、Cocos 2d-X相關三本技術圖書），近十多年投身于開源世界（熟悉流行全棧Web開發(fā)技術），了解基于OneNet/AliOS+Arduino/ESP32/樹莓派等物聯(lián)網(wǎng)開發(fā)技術與Scala+Hadoop+Spark+Flink等大數(shù)據(jù)開發(fā)技術。
原文標題：??Decisions Part 1: Creating an AI-driven Decision Factory??，作者：Bill Schmarzo
