如何利用人工智能模型驱动更好的决策，是目前非常热门的研究课题。本文是探讨价值实现、协作决策能力等主题的系列文章中的第一篇。我妈妈常说“答案就在你眼皮底下”。这样做的原因是现代企业正在寻找一种协作价值驱动因素：1)使组织与数据和分析的经济力量保持一致；同时，2)提供“从数据到价值的清晰视线”。价值驱动因素就在我们面前——决策。是的，像决策这样简单而普遍的事情可以成为协作连接点。价值工程框架的一个基本原则——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（并衡量决策有效性KPI）（图1）。图1：决策的价值实现能力一旦我们真正了解了组织的战略业务计划，我们就可以在功能上将这些业务计划分解为不同的利益相关者为支持该业务计划而需要做出的决策。为什么决策是业务和数据科学协作的强大驱动力（图2）？决策很容易识别（每个业务利益相关者都知道他们试图做出什么决策）。决策具有归属价值。也就是说，可以将“价值”归因于做出更好的决策（其中“价值”的综合定义可能是一项复杂但必要的调整工作）。就其本质而言，决策是可操作的。数据科学家知道如何优化决策。图2：决策制定的协作能力注意：决策和问题是非常不同的。问题有助于测试理解和推动构想，而决策推动行动。PART01Decision-makingEnterpriseExpansionDecisionUsingAISupportMarcoIansti和KarimR.Lakhani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》的文章（CompetingintheAgeofAI:machineintelligenceHowchangestheRulesofBusiness），其中谈到了蚂蚁集团，全球最大的金融科技公司，正在用人工智能改造金融服务业，蚂蚁集团商业模式的核心是人工智能驱动的决策型企业。决策者每天在Google和百度上进行数百万次广告拍卖，决定在滴滴、Grab、Lyft和Uber上提供哪些汽车服务，在Amazon.com上设定耳机和polo衫的价格，在某些地方使用清洁地板的机器人沃尔玛、FidelityInvestmentGroup的客户服务机器人，甚至在ZebraMedical等制造的设备上解读X光片。人工智能驱动的决策制定企业通过不断学习、调整和完善在不断变化的市场和客户环境中做出的决策，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图3中我特别感兴趣的是数字运营模型轨迹（红色）线，它突出显示了跨用例共享，数据和分析资产的价值迅速增加。这条线的行为与Schmarzo的经济数字资产估值定理中的效应#3非常相似（图4）。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企业的一些关键技术：数据管理。一个数据编排平台，可自动执行数据发现、内容推理和元数据创建，简化数据访问和数据探索，并通过集成数据可观察性和AI助手将数据治理和主数据管理制度化，以创建智能数据管理流程、策略、模型和管道以系统、可持续和可扩展的方式收集、清理、整合、规范化、丰富和保护数据。请参阅我的博客“WhyDataScienceCentral.com/why-data-management-is-todays-most-important-business-discipline/”以从业务角度了解有关数据管理日益增长的重要性的更多信息。人工智能/机器学习模型开发。开放灵活的AI/ML模型训练、开发和管理环境，采用轴辐式组织结构，促进业务范围和领域专家（对特征工程至关重要）和分析中心的紧密合作，使开发、共享制度化和管理，以及持续改进组织的分析资产和数据产品，以推动可量化的业务和运营结果。MLOps。提供一套框架、工具、方法、治理实践和决策，以道德、负责任、可靠和高效的方式在生产中部署、监控和维护AI/ML模型，从正面和误报中学习以减少AI模型确认偏见）。人工智能优化的基础设施。一个灵活、可扩展的按需基础设施，可以轻松地为从边缘到核心再到多云的大数据、边缘和以AI为中心的工作负载进行配置和优化。为了向所有利益相关者开放人工智能驱动的决策制定企业，组织必须对组织中的每个人进行分析能力培训；也就是说，明确表示在使用基本和高级分析功能时存在多种可能性。其中（图5）。图5：分析成熟度：从描述性分析到自主分析图5中显示的分析成熟度曲线由以下阶段组成：第1阶段：描述性分析使用统计和数据挖掘工具和技术（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，并衡量拟合优度。第2阶段：预测分析利用探索性分析技术（例如聚类、分类、回归）来发现和组织客户、产品、服务和运营趋势、模式以及隐藏在数据中的关系，这些可以转化为预测洞察（预测的行为和性能倾向）来预测可能发生的事情。第3阶段：规范性分析构建具有预测性客户、产品、服务和运营趋势（机器学习能力）的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来创建可以持续学习和适应最少人工干预的模型。自动化分析旨在通过采取行动、从行动中学习（即最大化回报同时最小化成本）以及基于学习调整下一步行动来以最少的人为干预来优化AI效用函数。作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（监督和非监督）、强化学习、深度学习、迁移学习、联邦学习、Meta-学习和主动学习（图6）。图6：不同的AI/ML学习技术第02部分总结创建一个不断学习和适应的AI驱动决策企业意味着使所有员工（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获取和推动新的客户、产品、服务和运营价值来源。所有这一切都需要创建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，我们将涵盖这个主题以及更多内容。译者介绍朱宪忠，51CTO社区编辑，51CTO专家博主，讲师，潍坊某高校计算机教师，自由编程资深人士。早期专注于各种微软技术（编译成三本与ASP.NETAJX和Cocos2d-X相关的技术书籍）。/ESP32/RaspberryPi等物联网开发技术和Scala+Hadoop+Spark+Flink等大数据开发技术。原标题：DecisionsPart1:CreatinganAI-drivenDecisionFactory，作者：BillSchmarzo
