如何利用人工智能模型来驱动更好的决策是当前非常热门研究课题。本文是关于价值实现、协作决策能力主题探讨系列文章的第一篇。
我妈妈常常这样唠叨“答案就在你眼皮底下。”之所以这么说，是因为现代企业正在寻求一种协作价值驱动力，它可以：1）使组织在数据和分析的经济力量方面保持一致；同时，2）提供“从数据到价值的清晰视线”。价值驱动力就在我们面前——决策。是的，像决策这样简单而普遍的东西可以成为协作的连接点。
价值工程框架的基本原则——提供从数据到价值的清晰视线——是识别、验证、评估和优先考虑业务利益相关者为支持组织的战略业务计划而需要做出的决策（以及衡量决策有效性的KPI）（图1）。
图1：决策的价值实现能力
一旦我们对一个组织的战略业务计划有了真正的理解，我们就可以从功能上将这些业务计划分解为不同利益相关者需要做出的决策，以支持该业务计划。
为什么决策是商业和数据科学合作的强大驱动力呢（图2）？
- 决策易于识别（每个业务利益相关者都知道他们试图做出什么决策）。
- 决策具有可归因价值。也就是说，人们可以将“价值”归因于做出更好的决策（其中“价值”的全面定义可能是一项复杂但必要的调整工作）。
- 就其本质而言，决策是可执行的。
- 数据科学家知道如何优化决策。
图2：决策的协作能力
注意：决策和问题是截然不同的。问题有利于校验理解和驱动观念形成，而决策会驱动行动。
PART 01
使用AI支持的决策型企业扩展决策
Marco Iansti和Karim R.Lakhani在《哈佛商业评论》（Harvard Business Review）上发表了一篇题为《人工智能时代的竞争：机器智能如何改变商业规则》（Competing in the Age of AI:machine intelligence How changes the rules of Business）的文章，文章谈到了全球最大的金融科技公司蚂蚁集团（Ant Group）如何利用人工智能来改造金融服务业。
蚂蚁集团商业模式的核心是一个人工智能驱动的决策型企业。这家决策型企业每天在谷歌和百度进行数以百万计的广告拍卖，能够决定滴滴、Grab、Lyft和Uber上提供哪些汽车服务，能够设定亚马逊网站上耳机和马球衫的价格，能够运行在一些沃尔玛超市清洁地板的机器人，能够启用Fidelity投资集团上的客服机器人，甚至能够解释在Zebra Medical公司生产的设备上的X光的含义，等等。
通过不断学习、调整和完善在不断变化的市场和客户环境下做出的决策，人工智能驱动的决策型企业在扩展业务和运营价值方面尤其强大（图3）。
图3：人工智能驱动的公司如何超越传统公司
我对图3中特别感兴趣的是数字运营模式（Digital Operating Model）轨迹（红色）线，它突出显示了随着数据和分析在更多用户和用例中共享，数据和分析资产的价值迅速提升。这条线的行为与Schmarzo的经济数字资产估值定理（图4）中的效应#3非常相似。
图4：Schmarzo经济数字资产估值定理
以下是支撑人工智能驱动决策型企业的一些关键技术：
- 数据管理。一个数据编排平台，可自动化数据发现、内容推断和元数据创建，简化数据访问和数据探索，并通过集成的数据可观测性和AI助手将数据治理和主数据管理制度化，以创建智能的数据管理流程、策略、模型和管道，从而以系统、可持续和可扩展的方式收集、清理、集成、规范化、丰富和保护数据。请参阅我的博客“为什么数据管理是当今最重要的商业领域（https://www.datasciencecentral.com/why-data-management-is-todays-most-important-business-discipline/）”，从而了解更多关于数据管理从商业角度越来越重要的信息。
- AI/ML模型开发。一个开放、灵活的AI/ML模型训练、开发和管理环境，使用中心辐射式组织结构，推动业务范围和领域专家（对特征工程至关重要）与分析中心之间的密切合作，使开发、共享和管理制度化，以及不断完善组织的分析资产和数据产品，以推动可量化的业务和运营成果。
- MLOps。提供一套框架、工具、方法、治理实践和决策，以部署、监控并以道德的、负责的、可靠的和高效的方式维护生产中的AI/ML模型（这些工具用于从AI模型的误报和误报中学习，以减轻AI模型确认偏差）。
- 人工智能优化的基础设施。一个灵活、可扩展、按需分配的基础设施，可以轻松调配，并针对从边缘到核心再到多云的大数据、边缘和以人工智能为中心的工作负载进行优化。
了向所有利益相关者开放人工智能驱动的决策型企业，相应组织必须培训该组织中的每个人有关的分析能力；也就是说，使其明确使用基本分析和高级分析功能时的可能性范围有哪些（图5）。
图5：分析成熟度：从描述性分析到自主分析
图5所示的分析成熟曲线由以下几个阶段组成：
- 第1阶段：描述性分析利用统计和数据挖掘工具和技术分析和分析数据集（平均值、中值、众数、标准差、方差、最小值、最大值），探索数据变量因果关系，量化因果置信度，并测量拟合优度。
- 第2阶段：预测分析利用探索性分析技术（如聚类、分类、回归）来发现和整理隐藏在数据中的客户、产品、服务和运营趋势、模式和关系，这些数据可以转化为预测性洞察（预测的行为和绩效倾向），以预测可能发生的情况。
- 第3阶段：规范性分析利用预测性客户、产品、服务和运营倾向（机器学习功能）构建机器学习和深度学习模型，以提供动态建议和次优行动。
- 第4阶段：自动分析利用强化学习和人工智能技术创建模型，可以在最少的人为干预下持续学习和适应。自动分析通过采取行动、从行动中学习（即最大限度地提高回报，同时最小化成本），以及在最少人为干预的情况下根据学习调整下一步行动，寻求围绕AI效用函数进行优化。
为分析教育过程的一部分，组织中的每个人都应该初步了解高级分析模型“学习”的不同方式，包括机器学习（监督学习和非监督学习）、强化学习、深度学习、迁移学习、联合学习、元学习和主动学习（图6）。
图6：不同的AI/ML学习技术
PART 02
总结
创建一个不断学习和适应人工智能驱动的决策型企业意味着，让所有员工（以及合作伙伴和客户）能够设想、构思、尝试、失败、学习、分享这些经验教训，并再次尝试应用数据和分析来推导出和驱动客户、产品、服务和运营价值的新来源。所有这些都需要创造一种分析驱动的创新文化。
随着我们继续探索智能决策的价值实现及其协作能力，我们将涵盖这一主题乃至更多的内容。
译者介绍
朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。早期专注各种微软技术（编著成ASP.NET AJX、Cocos 2d-X相关三本技术图书），近十多年投身于开源世界（熟悉流行全栈Web开发技术），了解基于OneNet/AliOS+Arduino/ESP32/树莓派等物联网开发技术与Scala+Hadoop+Spark+Flink等大数据开发技术。
原文标题：Decisions Part 1: Creating an AI-driven Decision Factory，作者：Bill Schmarzo
