高管們長期以來一直抵制將數(shù)據(jù)分析用于更高層次的決策，他們總是青睞依靠基于現(xiàn)場(chǎng)經(jīng)驗(yàn)的直覺層面的決策，而不是AI輔助的決策。

AI已在許多行業(yè)被廣泛用于戰(zhàn)術(shù)性、低級(jí)別的決策——信用評(píng)分、超額促銷建議、聊天機(jī)器人或管理機(jī)器性能都是成功部署AI的例子。然而，它在更高層次的戰(zhàn)略決策中的作用尚待證明——比如重組產(chǎn)品線，改變企業(yè)戰(zhàn)略，在各職能部門重新配置人力資源，或與新的合作伙伴建立關(guān)系。

無論是AI還是高級(jí)分析，企業(yè)領(lǐng)導(dǎo)者仍然還沒有做好準(zhǔn)備，以深刻的方式將他們的業(yè)務(wù)完全押在機(jī)器做出的決策上。瑞士國際管理發(fā)展學(xué)院商學(xué)院(IMD Business School)的阿米特·喬希(Amit Joshi)和邁克爾·韋德(Michael Wade)對(duì)金融和零售企業(yè)中的AI活動(dòng)開展的研究發(fā)現(xiàn)，“AI現(xiàn)在主要被用于戰(zhàn)術(shù)性而非戰(zhàn)略性目的——事實(shí)上，很少能夠找到一個(gè)完整的長期AI戰(zhàn)略愿景?！?/p>

在接受德勤(Deloitte)的一項(xiàng)調(diào)查時(shí)，三分之二以上的高管(67%)表示，他們?cè)谠L問或使用先進(jìn)分析系統(tǒng)的數(shù)據(jù)時(shí)感到“不自在”。在擁有強(qiáng)大數(shù)據(jù)驅(qū)動(dòng)文化的企業(yè)中，37%的受訪者仍然表達(dá)了不適。同樣，在畢馬威(KPMG)開展的一項(xiàng)類似調(diào)查中，67%的CEO表示他們通常更喜歡根據(jù)自己的直覺和經(jīng)驗(yàn)來做決定，而不是通過數(shù)據(jù)分析產(chǎn)生的見解。該研究證實(shí)，許多高管對(duì)其公司的數(shù)據(jù)、分析和AI缺乏高度信任，而且不確定誰該對(duì)錯(cuò)誤和濫用AI負(fù)責(zé)。數(shù)據(jù)科學(xué)家和分析師也看到了高管們的這種不情愿——SAS最近的一項(xiàng)調(diào)查發(fā)現(xiàn)，42%的數(shù)據(jù)科學(xué)家表示他們的結(jié)果沒有被企業(yè)決策者使用。

高管們何時(shí)才能做好準(zhǔn)備，將AI推向下一步，對(duì)AI足夠信任，以至于會(huì)按照那些影響他們業(yè)務(wù)的更具戰(zhàn)略性的建議而采取行動(dòng)?雖然存在許多挑戰(zhàn)，但是現(xiàn)在可以采取四項(xiàng)行動(dòng)，以增加高管在AI輔助決策方面的信心。

創(chuàng)建可靠的模式

高管的猶豫可能源于負(fù)面的經(jīng)歷，比如某AI系統(tǒng)提供了誤導(dǎo)性的銷售結(jié)果。幾乎每個(gè)失敗的AI項(xiàng)目都有一個(gè)共同點(diǎn)——缺乏數(shù)據(jù)質(zhì)量。在舊的企業(yè)模式中，結(jié)構(gòu)化的數(shù)據(jù)占主導(dǎo)地位，它在數(shù)據(jù)從源頭到達(dá)時(shí)就對(duì)其進(jìn)行分類，使得數(shù)據(jù)相對(duì)容易立即投入使用。

雖然AI可以使用高質(zhì)量的結(jié)構(gòu)化數(shù)據(jù)，但它也使用大量的非結(jié)構(gòu)化數(shù)據(jù)來創(chuàng)建機(jī)器學(xué)習(xí)(machine learning, ML)模型和深度學(xué)習(xí)(deep learning,DL)模型。這些非結(jié)構(gòu)化數(shù)據(jù)雖然很容易以原始格式收集，但如果不對(duì)其進(jìn)行適當(dāng)?shù)姆诸悺?biāo)記和清理，它們是無法使用的——視頻、圖像、圖片、音頻、文本和日志——都需要進(jìn)行分類、標(biāo)記，以便AI系統(tǒng)創(chuàng)建和訓(xùn)練模型，然后才能將這些模型部署到現(xiàn)實(shí)世界。因此，輸入AI系統(tǒng)的數(shù)據(jù)可能是過時(shí)、不相關(guān)、多余、有限的或不準(zhǔn)確的數(shù)據(jù)。輸入AI/ML模型的片面數(shù)據(jù)只會(huì)提供企業(yè)的局部視野。AI模型的構(gòu)建可能是為了反映企業(yè)一直以來的經(jīng)營方式，并沒有能力適應(yīng)新的機(jī)會(huì)或現(xiàn)實(shí)，例如我們看到的因全球疫情的影響而造成的供應(yīng)鏈中斷。這意味著數(shù)據(jù)需要實(shí)時(shí)輸入，這樣才能實(shí)時(shí)創(chuàng)建或改變模型。

難怪，許多數(shù)據(jù)科學(xué)家把一半的時(shí)間花在數(shù)據(jù)準(zhǔn)備上。在創(chuàng)建能提供適當(dāng)結(jié)果的可靠AI模型的過程中，這仍然是唯一的重要任務(wù)。要獲得高管的信任，背景和可靠性是關(guān)鍵。有許多AI工具可以用來幫助進(jìn)行數(shù)據(jù)準(zhǔn)備——從綜合數(shù)據(jù)到數(shù)據(jù)去偏，再到數(shù)據(jù)清理，企業(yè)應(yīng)該考慮使用其中一些人AI工具在合適的時(shí)間提供合適的數(shù)據(jù)，以創(chuàng)建可靠的AI模型。

避免數(shù)據(jù)偏見

高管的遲疑態(tài)度可能是出于持續(xù)、合理的擔(dān)憂，認(rèn)為AI結(jié)果會(huì)在其企業(yè)內(nèi)部導(dǎo)致歧視或影響客戶。同樣，固有的AI偏見可能會(huì)將企業(yè)決策引向錯(cuò)誤的方向。如果不采取謹(jǐn)慎的措施清除數(shù)據(jù)中的任何偏見，所產(chǎn)生的AI模型始終會(huì)帶有偏見，結(jié)果造成“輸入垃圾，輸出垃圾”的局面。如果某一AI模型是用有偏見的數(shù)據(jù)進(jìn)行訓(xùn)練的，它就會(huì)影響該模型的準(zhǔn)確性并產(chǎn)生有偏見的建議。

模型和決策只有在數(shù)據(jù)不存在偏見的情況下才算是好的模型和決策。糟糕的數(shù)據(jù)，無論是有意還是無意，都可能包含隱性偏見信息——比如種族、性別、出身、政治、社會(huì)或其他意識(shí)形態(tài)偏見。此外，對(duì)企業(yè)有害的其他形式的偏見也可能是固有的。現(xiàn)在大約有175種已認(rèn)定的人類偏見需要關(guān)注。這需要通過分析找出輸入數(shù)據(jù)的偏見和其他負(fù)面特征來解決。如上所述，AI團(tuán)隊(duì)花了過多的時(shí)間準(zhǔn)備數(shù)據(jù)格式和質(zhì)量，但沒花多少時(shí)間來消除偏見數(shù)據(jù)。

高層決策中使用的數(shù)據(jù)需要進(jìn)行徹底審查，以向高管們保證這些數(shù)據(jù)經(jīng)過驗(yàn)證、有權(quán)威性、經(jīng)過鑒定，并且來源可靠。它需要從已知的歧視性做法中清理出來，那些做法會(huì)影響算法的準(zhǔn)確性。

如果數(shù)據(jù)來自有問題的或未經(jīng)審核的來源，它要么應(yīng)該完全根除，要么應(yīng)該得到較低的信任分?jǐn)?shù)。另外，通過控制分類精度，歧視可以以最小的增量成本大幅減少。這種數(shù)據(jù)預(yù)處理的優(yōu)化應(yīng)該集中在控制歧視、限制數(shù)據(jù)集的失真和保持效用上。

人們通常假設(shè)——錯(cuò)誤地假設(shè)——AI的數(shù)學(xué)模型最終可以濾除人類的偏見。其風(fēng)險(xiǎn)在于，這種模型，如果不受限制地運(yùn)行，可能會(huì)導(dǎo)致額外的不可預(yù)見的偏見——原因還是輸入的數(shù)據(jù)受限或準(zhǔn)確性受到影響。

做出符合倫理和道德的決策

高管的遲疑態(tài)度可能反映了這樣一個(gè)事實(shí)：企業(yè)正面臨著前所未有的壓力，要確保企業(yè)的運(yùn)營符合道德和倫理，而AI輔助的決策也需要反映倫理觀和道德觀。部分原因是他們希望以具有倫理和道德價(jià)值觀的公司形象出現(xiàn)并誠信經(jīng)營，部分原因是做出錯(cuò)誤的決定可能引起法律責(zé)任，而這些錯(cuò)誤決定可能會(huì)在法庭上受到質(zhì)疑——尤其是考慮到?jīng)Q定如果是由AI做出的或由AI輔助的，它將經(jīng)歷額外一層的審查。

研究和教育機(jī)構(gòu)正在進(jìn)行研究，將人類的價(jià)值觀應(yīng)用于AI系統(tǒng)，將這些價(jià)值觀轉(zhuǎn)換成機(jī)器可以理解的工程術(shù)語。比如，加州大學(xué)伯克利分校的計(jì)算機(jī)科學(xué)教授斯圖爾特·拉塞爾(Stuart Russell)率先提出了人稱“價(jià)值對(duì)齊原則”(Value Alignment Principle)的有用想法，該想法實(shí)質(zhì)上是“獎(jiǎng)勵(lì)”AI系統(tǒng)從事更可接受的行為。AI系統(tǒng)或機(jī)器人可以被訓(xùn)練來閱讀故事，從這些故事中學(xué)習(xí)可接受的事件序列，并更好地反映成功的行為方式。

至關(guān)重要的是，拉塞爾開展的這種研究被引入商業(yè)領(lǐng)域，因?yàn)锳I極有可能影響到涉及生活與事業(yè)的決策的準(zhǔn)確性。企業(yè)需要確保有足夠的制衡，以確保AI輔助的決策符合倫理和道德。

能夠解釋AI決策

如果缺乏透明度，高管們?cè)诮邮蹵I決策時(shí)可能會(huì)有戒心。大多數(shù)AI決策都沒有內(nèi)在的可解釋性。當(dāng)做出的決定和采取的行動(dòng)會(huì)給企業(yè)帶來數(shù)百萬美元的風(fēng)險(xiǎn)，或涉及人們的生命/工作時(shí)，如果聲稱是AI做出了這個(gè)決策、所以我們是在按此決策行事，這樣做不太好。

AI產(chǎn)生的結(jié)果和在此基礎(chǔ)上采取的行動(dòng)不可能不透明。直到最近，大多數(shù)系統(tǒng)都被編制了程序，可以清晰識(shí)別和處理預(yù)先確定的情況。然而，傳統(tǒng)的非認(rèn)知型系統(tǒng)在遇到它們程序中未設(shè)定的情況時(shí)就會(huì)碰壁。另一方面，要置入一定程度的批判性思維能力，旨在更接近地模仿人腦。隨著新情況的出現(xiàn)，這些系統(tǒng)可以學(xué)習(xí)、理解、分析情況并根據(jù)情況采取行動(dòng)，無需另外編程。

用于訓(xùn)練算法的數(shù)據(jù)需要以負(fù)責(zé)任的方式進(jìn)行維護(hù)——通過安全存儲(chǔ)、驗(yàn)證、審核和加密。區(qū)塊鏈或其他分布式賬本技術(shù)之類的新興方法也提供了一個(gè)永恒不變且可審核的存儲(chǔ)方式。此外，需要設(shè)立一個(gè)第三方管理框架，以確保AI決策不僅可以解釋，而且是基于事實(shí)和數(shù)據(jù)。在一天結(jié)束時(shí)，應(yīng)該有可能證明，人類專家如果被提供了同樣數(shù)據(jù)集，是否會(huì)得出同樣的結(jié)果——AI沒有操縱結(jié)果。

AI基于數(shù)據(jù)的決策幾乎總是以概率(概率性相比于確定性)為基礎(chǔ)。正因?yàn)槿绱?，?dāng)AI做出決定時(shí)，總是存在一定程度的不確定性。對(duì)結(jié)果的可靠性必須要有相應(yīng)程度的信心或評(píng)分。正是由于這個(gè)原因，大多數(shù)系統(tǒng)不能、不會(huì)、也不應(yīng)該實(shí)現(xiàn)自動(dòng)化。在近期的未來，人類需要在決策圈中發(fā)揮作用。這使得在涉及醫(yī)療衛(wèi)生等敏感行業(yè)時(shí)，依賴基于機(jī)器的決策難度更大。在醫(yī)療衛(wèi)生行業(yè)，決策不夠好的概率是98%。

隨著系統(tǒng)之間的相互作用，事情變得復(fù)雜和不可預(yù)測(cè)。據(jù)隸屬于哈佛大學(xué)伯克曼·克萊因互聯(lián)網(wǎng)與社會(huì)中心(Berkman Klein Center for Internet and Society at Harvard University)的戴維·溫伯格(David Weinberger)博士稱：“我們開始接受這樣的事實(shí)：世界的真正復(fù)雜性遠(yuǎn)遠(yuǎn)超過了我們?cè)O(shè)計(jì)來解釋它的法則和模型”。無論決策變得多么復(fù)雜，今天的企業(yè)仍然需要來自人類的批判性思維來運(yùn)營。高管們?nèi)匀恍枰心芰Ψ駴Q或質(zhì)疑基于AI的輸出，尤其是在一個(gè)不透明的過程中。

提高高管信心的任務(wù)

在尋求提高高管對(duì)AI方面的舒適度時(shí)，請(qǐng)考慮以下行動(dòng)步驟：

• 提升IT部門之外接觸到AI流程的任何人對(duì)AI的主人翁和責(zé)任感。為促進(jìn)合乎道德的決策，在數(shù)據(jù)經(jīng)濟(jì)中生存，需要進(jìn)行文化變革。
• 認(rèn)識(shí)到AI(在大多數(shù)情況下)只是根據(jù)先前的數(shù)據(jù)和模式做出決定并對(duì)未來進(jìn)行一些猜測(cè)的代碼。每位企業(yè)領(lǐng)導(dǎo)——以及與他們共事的員工——仍然需要批判性思維能力來質(zhì)疑AI的輸出。
• 將AI瞄準(zhǔn)其影響力最大的領(lǐng)域，并首先完善這些領(lǐng)域，這將增加最大的商業(yè)價(jià)值。
• 調(diào)查并推行最具影響力的技術(shù)。
• 通過提高透明度，并最大限度實(shí)現(xiàn)決策提供鏈的能觀性，確保AI中的公平性。
• 在各個(gè)級(jí)別促進(jìn)對(duì)公平、可操作AI的更多認(rèn)識(shí)和培訓(xùn)，并將激勵(lì)措施與AI的成功采用掛鉤。
• 定期、系統(tǒng)性地審視或?qū)彶锳I結(jié)果。
• 負(fù)起責(zé)任，自主決策，如果做出了錯(cuò)誤的決定，請(qǐng)糾正方向——不要怪罪于AI。

不可避免的是，出于戰(zhàn)略目的，更多的AI輔助決策將出現(xiàn)在高管辦公室。目前，AI將在決策方面協(xié)助人類表現(xiàn)出更強(qiáng)的智能，而不是按一個(gè)按鈕就能提供獨(dú)角獸式的正確見解。確保這些AI輔助決策的輸出是基于可靠、無偏見、可解釋、符合倫理、道德且透明的見解，這將有助于企業(yè)領(lǐng)導(dǎo)者現(xiàn)在及在未來幾年對(duì)基于AI的決策充滿信心。