如何利用人工智能模型來驅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、協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，是因為現代企業正在尋求一種協作價值驅動力，它可以：1）使組織在數據和分析的經濟力量方面保持一致；同時，2）提供“從數據到價值的清晰視線”。價值驅動力就在我們面前——決策。是的，像決策這樣簡單而普遍的東西可以成為協作的連接點。
價值工程框架的基本原則——提供從數據到價值的清晰視線——是識別、驗證、評估和優先考慮業務利益相關者為支持組織的戰略業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：決策的價值實現能力
一旦我們對一個組織的戰略業務計劃有了真正的理解，我們就可以從功能上將這些業務計劃分解為不同利益相關者需要做出的決策，以支持該業務計劃。
為什么決策是商業和數據科學合作的強大驅動力呢（圖2）？
- 決策易于識別（每個業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整工作）。
- 就其本質而言，決策是可執行的。
- 數據科學家知道如何優化決策。
圖2：決策的協作能力
注意：決策和問題是截然不同的。問題有利于校驗理解和驅動觀念形成，而決策會驅動行動。
PART 01
使用AI支持的決策型企業擴展決策
Marco Iansti和Karim R.Lakhani在《哈佛商業評論》（Harvard Business Review）上發表了一篇題為《人工智能時代的競爭：機器智能如何改變商業規則》（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。
螞蟻集團商業模式的核心是一個人工智能驅動的決策型企業。這家決策型企業每天在谷歌和百度進行數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公司生產的設備上的X光的含義，等等。
通過不斷學習、調整和完善在不斷變化的市場和客戶環境下做出的決策，人工智能驅動的決策型企業在擴展業務和運營價值方面尤其強大（圖3）。
圖3：人工智能驅動的公司如何超越傳統公司
我對圖3中特別感興趣的是數字運營模式（Digital Operating Model）軌跡（紅色）線，它突出顯示了隨著數據和分析在更多用戶和用例中共享，數據和分析資產的價值迅速提升。這條線的行為與Schmarzo的經濟數字資產估值定理（圖4）中的效應#3非常相似。
圖4：Schmarzo經濟數字資產估值定理
以下是支撐人工智能驅動決策型企業的一些關鍵技術：
- 數據管理。一個數據編排平臺，可自動化數據發現、內容推斷和元數據創建，簡化數據訪問和數據探索，并通過集成的數據可觀測性和AI助手將數據治理和主數據管理制度化，以創建智能的數據管理流程、策略、模型和管道，從而以系統、可持續和可擴展的方式收集、清理、集成、規范化、豐富和保護數據。請參閱我的博客“為什么數據管理是當今最重要的商業領域（https://www.datasciencecentral.com/why-data-management-is-todays-most-important-business-discipline/）”，從而了解更多關于數據管理從商業角度越來越重要的信息。
- AI/ML模型開發。一個開放、靈活的AI/ML模型訓練、開發和管理環境，使用中心輻射式組織結構，推動業務范圍和領域專家（對特征工程至關重要）與分析中心之間的密切合作，使開發、共享和管理制度化，以及不斷完善組織的分析資產和數據產品，以推動可量化的業務和運營成果。
- MLOps。提供一套框架、工具、方法、治理實踐和決策，以部署、監控并以道德的、負責的、可靠的和高效的方式維護生產中的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，可以輕松調配，并針對從邊緣到核心再到多云的大數據、邊緣和以人工智能為中心的工作負載進行優化。
了向所有利益相關者開放人工智能驅動的決策型企業，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：描述性分析利用統計和數據挖掘工具和技術分析和分析數據集（平均值、中值、眾數、標準差、方差、最小值、最大值），探索數據變量因果關系，量化因果置信度，并測量擬合優度。
- 第2階段：預測分析利用探索性分析技術（如聚類、分類、回歸）來發現和整理隱藏在數據中的客戶、產品、服務和運營趨勢、模式和關系，這些數據可以轉化為預測性洞察（預測的行為和績效傾向），以預測可能發生的情況。
- 第3階段：規范性分析利用預測性客戶、產品、服務和運營傾向（機器學習功能）構建機器學習和深度學習模型，以提供動態建議和次優行動。
- 第4階段：自動分析利用強化學習和人工智能技術創建模型，可以在最少的人為干預下持續學習和適應。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學習調整下一步行動，尋求圍繞AI效用函數進行優化。
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（監督學習和非監督學習）、強化學習、深度學習、遷移學習、聯合學習、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
創建一個不斷學習和適應人工智能驅動的決策型企業意味著，讓所有員工（以及合作伙伴和客戶）能夠設想、構思、嘗試、失敗、學習、分享這些經驗教訓，并再次嘗試應用數據和分析來推導出和驅動客戶、產品、服務和運營價值的新來源。所有這些都需要創造一種分析驅動的創新文化。
隨著我們繼續探索智能決策的價值實現及其協作能力，我們將涵蓋這一主題乃至更多的內容。
譯者介紹
朱先忠，51CTO社區編輯，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開發技術），了解基于OneNet/AliOS+Arduino/ESP32/樹莓派等物聯網開發技術與Scala+Hadoop+Spark+Flink等大數據開發技術。
原文標題：??Decisions Part 1: Creating an AI-driven Decision Factory??，作者：Bill Schmarzo
