怎样将人工智能用在战略决策上

人工智能正在迅速进入新的市场，并迅速成为企业战略决策的重要工具。尽管许多领导者都很难理解如何使用人工智能，但是有一个简单的流程可以用于任何人工智能计划。

人工智能正迅速成为当今商业中一个重要的流行语。就像云和区块链等其他技术一样，它经常被人们所提及，但对其使用和应用则了解甚少。但是，与许多其他流行技术不同，人工智能实际上拥有大量的潜在应用。它实际上与大多数行业和业务功能有关，并且正在迅速渗透入市场。这一事实使得问题更加严重，因为很少有人真正清楚如何将人工智能应用于战略性业务问题。

所以，让我们共同努力，在这一流行语的阴霾中扫清一条道路，并弄清楚企业要开发出差异化、有价值的人工智能应用应做哪些工作。在OpenMatters公司，我们多次与客户合作来开发人工智能应用，以支持其在资本配置、领导力构成和人才招聘等关键领域作出更好的决策。我们使用下面的流程图向合作伙伴解释我们从构思到应用的步骤。

人工智能计划的四个重要团队

我们发现，要想成功完成人工智能工作，有四个关键团队必须参与：

1. 首先是领导团队--董事会和高管。领导层的认同和支持对工作成功完成至关重要。新的人工智能计划需要时间、资金和新技能，所有这些都需要有领导层的支持，否则很难实现。虽然领导团队永远不会去管理人工智能计划中的技术细节，但他们应该参与构思--设想人工智能可以在哪方面以及如何帮助企业。

2. 其次是业务实施团队。这个团队负责贯彻领导团队的愿景，同时管理技术团队。没有商业目的的人工智能显然是在浪费时间，业务实施团队需要深入参与收集数据，形成见解并迭代算法。这是一个全职而非兼职的工作。

3. 第三，我们有人工智能技术团队。这个团队拥有将数据转化为洞察力所需的人工智能专业知识。人工智能团队应该了解业务目标和应用，但重点是明确能将人工智能转换为现实应用的工具和技术。该团队将决定所使用的编程环境、支持工具（如TensorFlow）和技术（如神经网络）。

4. 最后，我们有基础设施团队。人工智能的基石是数据，一大堆数据很快就会变成一团糟。该基础设施团队将负责管理和存储数据，以便使其易于访问和使用。该团队将处理一些棘手且重要的问题，如明确一个好的符号系统以将数据集连接在一起，并在多个用例和更新同时发生时管理并发情况。

这些团队中的每一个对于成功将人工智能用于商业决策都至关重要。如果没有所有这些团队的工作（我们已经尝试过并且也清楚），该人工智能实施工作将无法正常完成，并且每个小组确实需要由具备多种熟练技能的个人组成一个“团队”。上面列出的许多职能都是极具技术性的，其所使用的工具和技术正在迅速发展。一个人在没有同伴支持和监督的情况下工作，可能很快就会落后或掩盖其工作错误。

人工智能设计过程中的关键步骤

一旦你的团队被组建起来，那么创建人工智能的过程实际上是相当清晰和可复制的。这并不意味着这个工作很容易，而是这确实意味着相同的过程可以应用于无数的企业战略决策中。

第一步是领导团队设定目标。该领导团队要回答的关键问题是：（1）我们所掌握的数据具有哪些独特的主题或应用，（2）我们可以添加哪些假设或观点，以及（3）这些新见解如何变得有用。请注意，这些问题始于数据。数据是人工智能的基础。领导团队不需要仔细审查并详细理解这些数据，但确实需要了解组织能够访问的数据是有区别的和有用的。通常这些数据已经存储多年，并且由人力分析师偶尔地使用以支持业务决策。

例如，零售商可能有权访问许多商店、多个年份和众多客户的销售点数据。领导团队可能会假设某个客户群体具有不同的季节性购物习惯。他们的目标可能是使用人工智能来了解不同客户群体的季节性购物习惯，以便更好地定位和投送宣传广告。

一旦目标确定下来，接下来非常重要的一步就是建立数据集。获取正确的数据是人工智能计划中最困难和最重要的一步。通常，组织需要使用来自其内部和外部不同的多个数据集。这些数据需要进行组合和清理，这是一个非常细致和痛苦的过程。必须删除异常值和其他不良数据，并使用标识符（例如使用CUSIP来标识一个公司或使用地址来标识一个客户）将匹配的数据集放在一起。有许多有价值的外部数据源，但有效地组合数据始终是一个难题。例如，上述零售商可能需要将他们的销售点数据与供应商提供的营销数据库结合起来，该数据库提供有关客户的人口统计信息。

训练数据通常是对您数据集的一个重要补充。这就是你独特的见解或假设发挥作用的地方。为了让人工智能“学习”一个过程，这就需要进行指导以帮助它理解该过程的良好状态是什么样子。例如，我们假设零售商需要准确定义它想要识别的那种购物习惯类型。例如，在特定产品类别中花费50美元或以上的行为，这可能是一个有用的事件，表明了人工智能应该发现的模式类型。定义或创建训练数据是业务团队的一项工作，因为它需要应用人工的洞察力，让人工智能对这一洞察力进行复制。

数据集和训练数据永远不会真正完成--随着时间的推移，它们会被添加并更新。但是，每个版本都应该由基础设施团队记录在案，并安全地存储。数据是宝贵的资产，应该这样操作。

随着数据收集工作的结束，现在应该把工作交给人工智能团队了。人工智能团队必须考虑业务目标，并确定使用哪些工具和技术最能有助于实现这些目标。目前市场上有多种不同的工具，适用于不同的目标应用。谷歌公司的TensorFlow，Salesforce公司的Einstein和Facebook公司的Pytorch只是其中的几个工具。另一个重要的考虑因素是哪种人工智能方法适合您的应用。例如，神经网络是一个强大的工具，但其结果很难解读并向人类用户解释。对于许多商业应用来说，这种黑匣子的情况是不可接受的，而其他技术如逻辑回归则更为适合。

人工智能团队将开始生成算法，并根据这些算法复制训练数据的能力来对其进行“评分”。当团队认为该系统足够“聪明”时，他们会将结果返回给业务团队进行审查。由人工智能生成的算法需要扩展到训练数据之外，并进行大规模应用，但这需要进行业务审查，以确认该算法在其训练数据以外进行应用有良好的表现。此外，业务团队通常还需要仔细审查其他考虑事项。例如，某一组特定的客户比其他客户更重要，是否可以正确地识别。

在许多情况下，人工智能在达到成熟之前需要进行迭代。变换训练数据，采用不同的人工智能技术和新的数据集，这些都是潜在的方式，可用于改进表现不佳的人工智能。在这里我们可以看到基础设施团队的另一个重要角色：记录每个版本的人工智能。该文档不仅应包括人工智能所使用的特征和公式，还应包括所采用的训练数据、技术和产品的总体表现，以及对人工智能进行业务评估所需的其他内容。花一个月时间进行迭代并得出结论，即之前的版本更为理想，这是很常见的，团队必须快速地将各个版本与完整且标准化的文档进行比较和对比。

在顺利的情况下，所有人都对你的人工智能表示满意，您可以愉快地进行应用--使用新的人工智能来帮助补充和扩展团队中现有的人员智能。这并不是说开发工作已经完成，因为新的数据、技术和应用总会不断出现。但是，你已迈出了拥抱人工智能重要的第一步。

我们不可能始终清楚人工智能会如何影响我们的工作和市场，以及影响的程度有多大。但是，人工智能在未来成为高管人员不可或缺的工具，这是肯定的。人工智能会产生新的见解，会对策略进行量化，并会扩展零边际成本--在10年内，没有人会在无人工智能的情况下进行运营。