数极客首页

从商业智能到智能商业,AI如何帮助我们做商业决策?

题图来自:视觉中国

Business Intelligence(BI)这么多年来不时

被翻译为“商业智能”,我们可能不时

都翻译错了,正确的翻译或许
应该是“商业情报”。而真正的智能商业时期
才刚刚开端

固然
目前AI的整体展开

水平

大约相当于六岁孩子的智商,但是这是一个严重“偏科”的神童,假定

我们能正确地定义问题,这个神童能在商业决策上为我们提供庞大

的辅佐

历史上看,OR(运筹学)、BI、AI似乎都没能很好地树立
起高度可依赖的商业决策支持系统。借助于AI范畴
的最新停顿
,三者分别

催生了新的商业决策支持方式

,即Intelligent ?Business,这是真正的智能商业。

我们尝试给出智能商业的框架性定义:AI增强

的决策支持系统(Decision Support System,DSS),效劳
于企业中需求
决策的各级人员,应该具备实时、闭环、自动进化、自动辨认

问题、全局优化等特征,目的在于进步
企业决策的效率和质量,增强

企业在数字经济时期
的竞争力。

智能商业范畴
努力的终极目的
——为构建一个支持决策的优化模型需求
做出关于决策变量的决策。AI的应用可能使优化模型构建和演化变得自动化,也就是说,模型自身

也成为了优化的决策变量,这也意味着基于机器学习的模型的自动顺应
和自动演化成为可能。这样的机制才是真正的Intelligent Business,我们努力的终极目的

什么样的企业会成为胜利

的智能企业:做到算法、数据和场景三者的圆满
融合

人类愿望
的驱动会带来更多的需求和相应更多新的工作机遇

,与此同时,AI及脑机接口等新技术在教育上的应用会辅佐

未来

的劳动力快速顺应
新的工作机遇

。技术的改进

会给我们人类带来更多的福祉,而不是灾难。

银河
互联CEO傅淼细致
论述

了智能商业的相关问题——《从商业智能到智能商业》。

1、BI的来源

大家知道

AI真正热起来是过去两年的事,得到了产业界和投资界的普遍
认可。在此之前AI在学术界起起落落数十载,不时

没有得到产业界的真正关注和认可。但是反过来,Business Intelligence,也就是BI,理论

上曾经
呈现
了很多年,并且在商业上也取得

了相当大的胜利

那么问题来了,为什么大家不时

不把Business Intelligence的胜利

视为Artificial Intelligence的胜利

呢?为什么大家要歧视Business Intelligence里的这个Intelligence呢?我最近不时

在思索

这个问题,然后有个大胆的结论:或许
这二十年来,我们不时

都翻译错了

大家知道

,Intelligence在英文里有两个含义,一个是智能,一个是情报的意义
。那么理论

上Business Intelligence这个词可能就是商业情报的意义
,只不过这么多年来我们不时

想当然地把它翻译为商业智能

为了考证
这个想法,我研讨
了一下BI的历史。1958年IBM的研讨
员Hans Peter Luhn初次
提出了BI的定义:“BI是这样一种才干

,这种才干

能够

了解

已知事实之间的相互

关系,以辅佐

用户采取正确的措施,达成既定目的
。”能够

看出,BI的作用是辅佐

用户对数据中止

挖掘

,发现对决策有价值的信息,其实就是商业情报。

2、客观存在着更适合

计算机决策的问题

下面我们回到对人工智能的讨论。AI等于几岁孩子的智力?这是一个很难回答

的问题。最近我找到一篇论文《人工智能的智商和智能等级划分研讨
》,是几位中国学者的研讨
成果,我以为
是在这个问题上剖析

得比较

完备的一篇文章,感兴味
的同窗
能够

找来看看。此文把不同年龄的人类的智商和不同的AI平台做了比较

结论是代表AI最高水平

的谷歌平台综合来看和人类6岁智商是相似

因而

,业界通常以为
,目前AI在商业范畴
的应用,主要是在一些以成年人类的规范

来看,不需求
太高智能的场景中止

自动化替代或人机交互的体验升级

但是,我们对这个问题有不同的见地
我们以为
只需
正确地定义问题,目前AI的展开

水平

曾经
能够

在商业决策支持范畴
发挥重要的作用

为什么我们以为
6岁孩子的智力能够

辅佐

我们更好地做商业决策呢?留意
我们上面提到的结论是,AI目前的水平

“综合”来看和人类6岁的智商相似

。但是,很显然
这个6岁的孩子是个“偏科”的神童,至少他在围棋上曾经
能够

打败
人类最庞大

的棋手

当然,地道
是出于猎奇
,我也研讨
了一下6岁孩子在围棋上能抵达

的最高水平

,到目前为止是业余4段,这是绝大多数围棋喜好

者一辈子都达不到的,所以不要小看六岁孩子的智力,在某些特定的范畴
经过系统的锻炼
能够

抵达

以成年人的规范

权衡
也十分

高的水平

。当然,AlphaGo的水准要远远高于业余四段了,“棋圣”聂卫平以为
AlphaGo的棋力至少曾经
抵达

专业二十段。

所以,目前AI在人类的某些高级智能活动范畴
曾经
能够

抵达

远远超越
成年人类的最高水平

。关键是,我们怎样
精确

的找到这些AI能够

充沛

发挥其才干

的问题?我们无妨
还是用围棋作为一个例子来定义这类问题的一个可能的方向。

二十年前IBM深蓝就打败
了国际象棋巨匠

卡斯帕罗夫,大家震惊之余,并没有觉得很可怕,可是为什么AlphaGo打败
围棋棋手就很可怕呢?由于
国际象棋只需

8X8=64个格子,应用
超级计算机能够

用穷举法精确

求解,这种状况

按往常

的规范

不叫AI。但是围棋有19X19=361个节点,其计算复杂度远远超越
国际象棋,目前最高级的超级计算机也远远无法经过
穷尽法精确

求解。

大家知道

,人类大脑的数值运算是很差的,但是在处置
很多问题上经过
直觉而不是运算的才干

能够

抵达

相当高的水准。比如

说围棋这件事情,19×19格曾经
远远超出人类大脑的计算力,在这种状况

下人要靠直觉、阅历

和想象力下围棋,这是围棋的魅力所在。往常

的AI能够

模仿

人类处置
相似

问题的方式近似地求解,但是比人类更精确

,速度更快,这才是人们觉得可怕的中央

因而

,我们能够

尝试定义这样一类问题:客观上它的正确解是存在的而且理论上是能够

经过
数值计算精确

求解的,但是它的计算复杂度曾经
远远超越了计算机的算力,所以无论是人还是计算机,都是要用近似办法

求解,只不过计算机能够

比人做得更精确

假定

我们在商业决策范畴
能够

找到契合
这个条件的一些问题,AI在辅佐

用户更好地处置

这类问题上是能够

发挥重要作用的。

当然,这只是“正确”地定义AI能够

发挥重要作用的商业决策问题的一个粗浅的尝试。随着我们不时
努力,我置信
我们会找到更多的定义这类问题的办法

,也就是说,会找到更多的AI能够

大显身手

的商业决策问题。

3、商业决策支持系统的几种尝试

自从计算机降生
以后,人类就试图借助其强大的数值计算才干

树立

一个可依赖的决策支持系统(Decision Support System,DSS),让我们来回想

一下这个范畴
的展开

历史。

(1)运筹学(Operations Research,OR)

第一
从运筹学来看,商业决策的目的
是追求最大化收益。商业决策绝大多数都是微观经济层面上的决策,微观经济学上最中心
的假定
是一切
的人,当然包括法人都是理性的经济人,其决策的目的
就是追求经济利益最大化。从OR的角度看,商业决策的过程就是最优解搜索的过程

OR大家知道

,在40年代美军二战军事后勤范畴
第一
呈现
,曾经
过了70年了。在这70年内OR展开

的很成熟,在很多范畴
都发挥了庞大

的作用。其中有这样一个十分

传奇的公司,以OR为中心
技术,取得

了相当大的商业胜利

。这家就是i2 Technologies,我跟这家公司也十分

有缘。

我个人的教育背景比较

复杂,在清华上学的时分
学的是柔性制造和工业机器人,去美国后先是学工业工程学,主要就是OR这套东西,后来又转到计算机专业。我找工作的时分
惊喜地发现这家公司能够

把我三个专业圆满
分别

在一同
,牺牲
无反顾地参与

了,并且成为我独一
以雇员身份效劳
过的公司。

这家公司依托于OR理念第一
提出了智能化供给

链的理念,并构成
了一套强大的产品,借助这个理念和这套产品降服
了全球财富500强中的约400强,其中包括国内的联想和华为。这家公司的市值在2000年最高抵达

了500亿美金,并且以93亿美金的天价收购

了Aspect,是当时软件史上最大的并购。

2009年i2以只需

3亿美金的价钱
卖给另外一家公司JDA,固然
相关的产品依然

在效劳
客户,但是作为软件史上的一代传奇就此闭幕

为什么基于OR的i2没能持续
其商业上的庞大

胜利

当然缘由
有很多,但是在底层的产品逻辑层面上,我个人深思
,可能有两个缘由
一个是部分

优化。学过OR的都知道

,运筹学里优化最大的敌人就是不留意

堕入
部分

最优解。即便

在算法层面求得全局的最优解,假定

你所依托的数据都是内部数据的话,实质

上还是部分

的优化。

第二个是静态模型问题。作为一个优化模型的构建,有几件事情要做:(1)要选择决策变量;(2)要对目的
函数的方式
中止

决策,并对目的
函数里的参数中止

设定;(3)要对约束条件的方式
中止

决策,并对约束条件里参数中止

设定。

这些都选择好了以后才干
构成
可用的模型,在上一代的OR系统里面,这些都需求
很多专家来参与,最终
设定好这个模型,一旦设定以后就不会随意

更改,这就是一个相对静态的模型。但是理论

上,我们的产业环境是飞速变化的,一个静态模型很难精确

来反映瞬息万变的外部环境。

(2)商业智能(Business Intelligence,BI

再来看BI,我们暂且还把它叫做商业智能。作为DSS范畴
的一个重要分支,BI的价值也得到了市场认可。Gartner的报告显现
,到2010年的时分
BI的运用
率抵达

30%,67%的抢先
企业运用了BI。2017年全球市场估量

能够

抵达

183亿美金。这曾经
是一个相当大的市场范围
我们完好

能够

以为
BI取得

了比较

大的商业成就。但是增长曾经
十分

乏力,估量

未来

几年只需

7.6%的年化增长率

(3)人工智能(Artificial Intelligence,AI)

最终
再看AI在决策支持系统范畴
的应用。过去几十年AI在学术界几起几落,直到过去两年才真正走进产业界,算是一个“大器晚成”的“神童”。之前几十年里AI在适用
层面有限的胜利

算是在决策支持系统的运用,也就是专家系统(Expert System)。专家系统阅历
了很多年的展开

,也处置

了一些问题,但是整体上很难算是一个大的胜利

。这里面有几方面的缘由
,主要包括:

学问
表达方式单一,主要依赖启示
式规则,以及不支持大范围
数值计算是专家系统的内在缺陷。

学问
库的完备性和范围
、学问
获取的难度、掩盖
面等,是决议
专家系统胜利

的决议
性要素
。在互联网进步

之前,很难把某个行业内足够的数据抽取出来,构建有效的学问
库。

推理机对特定范畴
阅历

的依赖很强,通用性不好。

4、新一代的商业决策支持系统:智能商业

总结一下,历史上OR、BI和AI在DSS范畴
的应用都各自取得

了不同水平

的成就,但是总体来看,距树立
起高度可依赖的商业决策支持系统还有不小的距离

那么基于AI在过去几年的严重
突破

, 并和OR、BI分别

能否
能够

催生新的商业决策方式

呢?我们把这个新的方式

称为智能商业,Intelligent Business,这是真正的智能,而不只
仅是商业情报。

(1)智能商业的定义

我们试图给智能商业一个定义。大家都知道

到目前为止AI自身

都没有一个业界公认的规范

。在这里我们只是试图给智能商业一个框架性定义,为后面的讨论做一个基础

。我们以为
智能商业是AI增强

的决策支持系统,效劳
于企业中需求
决策的各级人员,应该具备实时、闭环、自动进化、全局优化的特征,以及自动辨认

问题的才干

,目的在于进步
企业决策的效率和质量,增强

企业在数字经济时期
的竞争力。

(2)智能商业框架

这就是我们提出的智能商业框架(上图),能够

看到这个框架跟传统的BI方式

在单体层面上基本

相似

,都是有一个数据层,一个模型层,上面有应用层,但是这一代跟上一代有什么不一样的中央
呢?

第一
它不再是一个企业内部的部分

优化,它要思索
自己

在供给

链上下游的状况

,也要思索
不同供给

链之间的关系,即要思索
一个完好
的产业生态网状结构

的关系。

第二
从数据层面,处于往常

这样一个大数据的时期
,企业所能接触到的数据的丰厚
水平

是绝后
。以前更多的是应战
打通内部的数据孤岛,往常

除了内部数据,还有供给

链上下游企业之间点对点的数据交互,还有更大的云化的外部数据。

在传统的决策支持系统里,由于
没有明白
的相关性,这些外部数据的应用
率很低。但是外部环境对企业运营
可能有更大的影响,外部数据隐含着很多相关性,应用
往常

的大数据技术,能够

为企业决策带来更多的数据信息,经过
AI的方式把里面有用的信息挖掘

出来,应用到整个决策支持系统里面。

第三个层面就是应用
反响

和闭环能够

对模型中止

自动的优化

(3)与传统商业决策系统的不同

当然往常

我们只是提出这样一个智能商业的框架,这只是一个起点。当这个框架真正变成理想
它跟传统的商业决策支持系统相比会有几点不同:

传统DSS中最终决策者是人;在智能商业决策支持系统更多的是人机交互,而部分

抵达

自动化决策。

剖析

的主题以前是人提出明白
主题,由机器辅佐

剖析

;未来

机器会发现你还没认识
到的问题。

从数据上,原来是非实时的,来源封锁
的;未来

的数据应该是实时的、来源开放的。

从模型上以前是固定的,没有自动优化的机制;未来

的模型应该是自动优化的。

应用范围上以前是企业内部;未来

会是全产业链的。

(4)智能商业的演进

当然,这会是一个长期斗争
的目的
,会需求
五年、十年致使

更长的时间,往常

只是从理论上提出这样一个框架, 以辅佐

我们展开
下一步的工作。

关于模型的自动优化,我想再进一步解释一下,这可能是我整个演讲里最重要的一句话(这不是一个绕口令):

为构建一个支持决策的优化模型而做出的关于决策变量的决策,这可能恰恰是AI-Enhanced DSS的中心
所在。

AI的应用可能使模型构建和演化
的决策变得自动化,意味着模型自身

,包括决策变量、目的
函数、约束条件,这些成为了优化的决策变量,构成
了一个优化的嵌套,这也意味着基于机器学习的模型自动顺应
和自动演化成为可能。当然,这无论从理论上还是理论
上都需求
大量的工作要做,但是这样的机制才是真正的Intelligent Business,这是我们努力的终极目的

(5)智能商业行业价值提升

这是我们做的一个智能商业的行业价值提升散布

图(上图),显现
了哪些行业会更早地从智能商业的实施

中尽快得到收益。横轴是从可行性角度,纵轴是从价值提升角度。可行性思索
的是一个行业的数据化和信息化基础

,价值提升更多的是思索
一个行业的竞争猛烈

水平

,决议
了这个行业企业能否
有足够动力用更激进的办法

增强

在商业竞争中的竞争力。

右下角是电信运营商,它的可行性是很高的,由于
电信行业数据化信息化水平

很高,但是由于
行业竞争相对没有那么猛烈

,所以可能采用智能商业的驱动力没有那么强。刚才

伯克利的Sco Moura教授讲了美国电力系统优化的案例,竞争也没有那么猛烈

,但是也能够

看到至少往常

在学术界曾经
惹起
了很多兴味
,所以我们以为
未来

一切
行业可能都会被AI所影响。

5、黑箱和“工作台”应该怎样
均衡

所谓黑箱(Blackbox)就是系统给出一个决策指令,我们就完好

依照

这个决策执行;而工作台(Workbench)则是给你一系列决策的倡议

和决策倡议

后面的本钱
剖析

,让人类去做最终决策。同时把依据

推理过程所基于的关键的约束通知
你,假定

你对系统给出的决策倡议

都不称心

,还能够

依据

这些关键约束的信息针对性的做工作,致使

去改动
某些约束,以改动
求解空间,找到更适合

理论

业务需求的计划

这是应用智能商业时两种不同的理念,下面我谈一下我们对这个问题的见地

我们知道

自动驾驶范畴
对自动化水平

有一个从level 0到level 5的分级办法

,这里我借用这个体系对不同行业的智能决策支持的自动化现状做了评价。

在做这个研讨
之前,我们觉得智能商业还在早期。但很快我们发现很多行业的业务决策曾经
十分

自动化,像广告自动投放、航空公司的收益管理定价,至少在细致

操作层面上都处于level 5。而另外一端,也就是完好

依赖人类决策、没有任何系统支持的level 0阶段的行业,往常

简直

找不到了。在不知不觉之间,智能商业曾经
来到了我们身边。

反过来说黑箱和工作台。这里面有两个问题,一个是企业文化层面的问题,一个是平台进化成熟度的问题

我举一个供给

链范畴
的例子,比如

说今天是7月8号,销售刚刚签回来的大单央求

必需
7月30号托付
,但是智能供给

链计划

系统思索
到一切
约束,以为
最早8月30号才干
托付
。同时集团最高指导
下了死命令,你们必需
7月30号给我托付
,这是战略订单。

这种状况

下,假定

是黑箱方式

,计划

员就完好

不知道

该怎样
做了,不知道

关键节点是什么中央
。假定

是工作台方式

,计划

员就能够

发现关键节点在哪里,可能就是少了那么一个关键器件。这个信息转递给采购部门,能够

用十分

规的办法

取得

这个器件,在7月30号能够

托付

所以能够

看到,央求

发挥客观
能动性的商业文化里,黑箱方式

是不可能的。指导
给我压力,我不知道

抓手在哪儿,就会觉得
十分

不安全

。另一个层面,黑箱方式

会让很多人类在这个过程中所构成
的直觉和阅历

消逝
,假定

一个企业用全自动的智能供给

链计划

系统超越
五年,具有
高级才干

的计划

员可能就没有了。在处置
突发事情
的时分
,或者这个模型需求
优化进化的时分
,这都是依赖高级计划

人才的任务,可能就会面临无人可用的尴尬

局面

最近英国有一篇杂志有一个关键发现,人在开车的时分
大脑有个区域是生动

的,但是用了GPS以后,这个区域就不再生动

了,它的观念
是假定

完好

依赖导航,人脑的某一部分

功用
就会退化掉。工作台和黑箱子方式

也是同样的问题,你完好

依赖黑箱,很多商业直觉和阅历

就会退化。在不同决策的环节,比如

低价值的能够

运用
黑箱,但是一些高价值的关键节点还是要有工作台

当然,人类工具的进化都是人类才干

的外化和放大,当外化变的十分

牢靠

之后,人类自己

的才干

就退化掉了。一旦智能商业自动决策才干

进化到一定水平

,十分

牢靠

,质量十分

高,人就心甘甘愿
放弃演化了。但是假定

还不是完好

牢靠

,关键时分
还要依赖自己

的才干

,这时分
工作台方式

可能更有效。

一家企业成为胜利

的智能企业的三个中心
要素
是什么:算法、数据、场景,或者叫产品,也就是与用户和市场充沛

交互的效劳
载体。

6、AI会让人类失业吗?

最终
也不能免俗的谈一谈对AI和人类就业的见地

比尔·盖茨有一个很有意义
的观念
,企业运用
AI把人交流

掉了要交税,为什么要交税?由于
政府需求
用钱养被你砍掉的这个人。

大家能够

想另外一个问题:特朗普为什么当选

?他当选

很大水平

是由于
全球化把美国蓝领的工作抢走了。其真实
全球化的体系中,美国整体来看经济上没有吃亏,但是这些利益主要是被部分

资本家赚走了。假定

国度
经过
一定办法

把一部分

钱拿过来经过
财富再分配的方式给到失去工作的蓝领工人,是不是一个皆大欢欣

的结局呢?特朗普选择的政治道路
显然不是这样的。

马克思关于共产主义的结论
中说,共产主义社会中劳动是人的第一需求,往常

看起来这是一个天才的结论
。你只给我钱,不给我劳动者的身份,我就失去了作为劳动者自食其力的威严
。因而

,特朗普的计划

是要把工作机遇

拉回到美国去,让这些人能够

得到劳动的机遇

,显然,他的计划

更受这些蓝领工人的欢送

大家之所以会关注这个问题,是觉得AI会把人类的工作机遇

夺走。我会更悲观
一点地看这个问题,人类无休止的愿望
会不时
发明

出更多的工作机遇

。就拿旅游这件事来说,三四百年前除了徐霞客这样的人,很少人会有旅游需求,但是往常

简直

一切
的人都需求
旅游。有一天技术成熟,去月球旅游

成为一切
人都想尝试的事情,这就是一个十分

庞大

的市场,会有大量新的工作呈现
。去月球旅游

完了之后去火星旅游

又是一个更大的市场,更多的工作机遇

所以,我们无需担忧
没有新的工作机遇

,我们面临的中心
问题是:即便

有新的工作机遇

呈现
,这种更新换代的速度会很快,但是成年人很难让自己

足够快的进步,去学习顺应
新的工作机遇

。那么,AI在拿走了一些工作机遇

的同时,在教育和培训层面是不是也能提供更多对人类快速自我进步的支持?比如

说应用
脑机接口这种新的技术,能否
能够

将学问
快速注入到大脑中以顺应
新的岗位?

在AI的展开

历史中,随同

着每一波新技术浪潮,人们都会说技术会对人的劳动市场构成

冲击,但最少
到目前为止,并没有灾难发作
。很多专家预言说AI会摧毁人类,但这么多最聪明的年轻人义无反顾地冲到了这个行业中来。我想他们跟我一样,置信
AI技术的进步会给我们人类带来更多福祉而不是灾难,这是我的中心
观念

发表评论

评论已关闭。

相关文章