從商業智能到智能商業,AI如何幫助我們做商業決策?

 

題圖來自:視覺中國

題圖來自:視覺中國

Business Intelligence(BI)這麼多年來一直被翻譯為「商業智能」,我們可能一直都翻譯錯了,正確的翻譯也許應該是「商業情報」。而真正的智能商業時代才剛剛開始。

雖然目前AI的整體發展水平大約相當於六歲孩子的智商,但是這是一個嚴重「偏科」的神童,如果我們能正確地定義問題,這個神童能在商業決策上為我們提供巨大的幫助。 

歷史上看,OR(運籌學)、BI、AI似乎都沒能很好地建立起高度可依賴的商業決策支持系統。藉助於AI領域的最新進展,三者結合催生了新的商業決策支持模式,即Intelligent  Business,這是真正的智能商業。

我們嘗試給出智能商業的框架性定義:AI增強的決策支持系統(Decision Support System,DSS),服務於企業中需要決策的各級人員,應該具備實時、閉環、自動進化、自動識別問題、全局優化等特徵,目的在於提高企業決策的效率和質量,增強企業在數字經濟時代的競爭力。

智能商業領域努力的終極目標——為構建一個支持決策的優化模型需要做出關於決策變量的決策。AI的應用可能使優化模型構建和演化變得自動化,也就是說,模型本身也成為了優化的決策變量,這也意味着基於機器學習的模型的自動適應和自動演化成為可能。這樣的機制才是真正的Intelligent Business,我們努力的終極目標。

什麼樣的企業會成為成功的智能企業:做到算法、數據和場景三者的完美融合。

人類慾望的驅動會帶來更多的需求和相應更多新的工作機會,與此同時,AI及腦機接口等新技術在教育上的應用會幫助未來的勞動力快速適應新的工作機會。技術的改進會給我們人類帶來更多的福祉,而不是災難。

星河互聯CEO傅淼詳細闡述了智能商業的相關問題——《從商業智能到智能商業》。

1、BI的起源

大家知道AI真正熱起來是過去兩年的事,得到了產業界和投資界的廣泛認可。在此之前AI在學術界起起落落數十載,始終沒有得到產業界的真正關注和認可。但是反過來,Business Intelligence,也就是BI,實際上已經出現了很多年,並且在商業上也獲得了相當大的成功。

那麼問題來了,為什麼大家一直不把Business Intelligence的成功視為Artificial Intelligence的成功呢?為什麼大家要歧視Business Intelligence里的這個Intelligence呢?我最近一直在思考這個問題,然後有個大膽的結論:也許這二十年來,我們一直都翻譯錯了

大家知道,Intelligence在英文里有兩個含義,一個是智能,一個是情報的意思。那麼實際上Business Intelligence這個詞可能就是商業情報的意思,只不過這麼多年來我們一直想當然地把它翻譯為商業智能。

為了驗證這個想法,我研究了一下BI的歷史。1958年IBM的研究員Hans Peter Luhn首次提出了BI的定義:「BI是這樣一種能力,這種能力可以理解已知事實之間的相互關係,以幫助用戶採取正確的措施,達成既定目標。」可以看出,BI的作用是幫助用戶對數據進行挖掘,發現對決策有價值的信息,其實就是商業情報。

2、客觀存在着更適合計算機決策的問題

下面我們回到對人工智能的討論。AI等於幾歲孩子的智力?這是一個很難回答的問題。最近我找到一篇論文《人工智能的智商和智能等級劃分研究》,是幾位中國學者的研究成果,我認為是在這個問題上分析得比較完備的一篇文章,感興趣的同學可以找來看看。此文把不同年齡的人類的智商和不同的AI平台做了比較,結論是代表AI最高水平的谷歌平台綜合來看和人類6歲智商是類似的

因此,業界通常認為,目前AI在商業領域的應用,主要是在一些以成年人類的標準來看,不需要太高智能的場景進行自動化替代或人機交互的體驗升級。

但是,我們對這個問題有不同的看法。我們認為只要正確地定義問題,目前AI的發展程度已經可以在商業決策支持領域發揮重要的作用

為什麼我們認為6歲孩子的智力能夠幫助我們更好地做商業決策呢?注意我們上面提到的結論是,AI目前的水平「綜合」來看和人類6歲的智商類似。但是,很明顯,這個6歲的孩子是個「偏科」的神童,至少他在圍棋上已經可以戰勝人類最偉大的棋手

當然,純粹是出於好奇,我也研究了一下6歲孩子在圍棋上能達到的最高水平,到目前為止是業餘4段,這是絕大多數圍棋愛好者一輩子都達不到的,所以不要小看六歲孩子的智力,在某些特定的領域經過系統的訓練可以達到以成年人的標準衡量也非常高的水平。當然,AlphaGo的水準要遠遠高於業餘四段了,「棋聖」聶衛平認為AlphaGo的棋力至少已經達到專業二十段。

所以,目前AI在人類的某些高級智能活動領域已經可以達到遠遠超過成年人類的最高水平。關鍵是,我們如何準確的找到這些AI可以充分發揮其能力的問題?我們不妨還是用圍棋作為一個例子來定義這類問題的一個可能的方向。

二十年前IBM深藍就戰勝了國際象棋大師卡斯帕羅夫,大家震驚之餘,並沒有覺得很可怕,可是為什麼AlphaGo戰勝圍棋棋手就很可怕呢?因為國際象棋只有8X8=64個格子,利用超級計算機可以用窮舉法精確求解,這種情況按現在的標準不叫AI。但是圍棋有19X19=361個節點,其計算複雜度遠遠超過國際象棋,目前最高級的超級計算機也遠遠無法通過窮盡法精確求解。

大家知道,人類大腦的數值運算是很差的,但是在處理很多問題上通過直覺而不是運算的能力可以達到相當高的水準。比如說圍棋這件事情,19×19格已經遠遠超出人類大腦的計算力,在這種情況下人要靠直覺、經驗和想象力下圍棋,這是圍棋的魅力所在。現在的AI可以模擬人類處理類似問題的方式近似地求解,但是比人類更精確,速度更快,這才是人們覺得可怕的地方。

因此,我們可以嘗試定義這樣一類問題:客觀上它的正確解是存在的而且理論上是可以通過數值計算精確求解的,但是它的計算複雜度已經遠遠超越了計算機的算力,所以無論是人還是計算機,都是要用近似方法求解,只不過計算機可以比人做得更精確

如果我們在商業決策領域能夠找到符合這個條件的一些問題,AI在幫助用戶更好地解決這類問題上是可以發揮重要作用的。

當然,這只是「正確」地定義AI可以發揮重要作用的商業決策問題的一個粗淺的嘗試。隨着我們不斷努力,我相信我們會找到更多的定義這類問題的方法,也就是說,會找到更多的AI可以大顯身手的商業決策問題。

3、商業決策支持系統的幾種嘗試

自從計算機誕生以後,人類就試圖藉助其強大的數值計算能力建設一個可依賴的決策支持系統(Decision Support System,DSS),讓我們來回顧一下這個領域的發展歷史。

(1)運籌學(Operations Research,OR)

首先從運籌學來看,商業決策的目標是追求最大化收益。商業決策絕大多數都是微觀經濟層面上的決策,微觀經濟學上最核心的假設是所有的人,當然包括法人都是理性的經濟人,其決策的目標就是追求經濟利益最大化。從OR的角度看,商業決策的過程就是最優解搜索的過程

OR大家知道,在40年代美軍二戰軍事後勤領域首先出現,已經過了70年了。在這70年內OR發展的很成熟,在很多領域都發揮了巨大的作用。其中有這樣一個非常傳奇的公司,以OR為核心技術,取得了相當大的商業成功。這家就是i2 Technologies,我跟這家公司也非常有緣。

我個人的教育背景比較複雜,在清華上學的時候學的是柔性製造和工業機械人,去美國后先是學工業工程學,主要就是OR這套東西,後來又轉到計算機專業。我找工作的時候驚喜地發現這家公司可以把我三個專業完美結合在一起,就義無反顧地加入了,並且成為我唯一以僱員身份服務過的公司。

這家公司依託於OR理念首先提出了智能化供應鏈的理念,並形成了一套強大的產品,藉助這個理念和這套產品征服了全球財富500強中的約400強,其中包括國內的聯想和華為。這家公司的市值在2000年最高達到了500億美金,並且以93億美金的天價收購了Aspect,是當時軟件史上最大的併購。

2009年i2以只有3億美金的價格賣給另外一家公司JDA,雖然相關的產品仍然在服務客戶,但是作為軟件史上的一代傳奇就此落幕。

為什麼基於OR的i2沒能延續其商業上的巨大成功?

當然原因有很多,但是在底層的產品邏輯層面上,我個人反思,可能有兩個原因。一個是局部優化。學過OR的都知道,運籌學裡優化最大的敵人就是不小心陷入局部最優解。即使在算法層面求得全局的最優解,如果你所依託的數據都是內部數據的話,本質上還是局部的優化。

第二個是靜態模型問題。作為一個優化模型的構建,有幾件事情要做:(1)要選擇決策變量;(2)要對目標函數的形式進行決策,並對目標函數里的參數進行設定;(3)要對約束條件的形式進行決策,並對約束條件里參數進行設定。

這些都選擇好了以後才能形成可用的模型,在上一代的OR系統裡面,這些都需要很多專家來參與,最後設定好這個模型,一旦設定以後就不會輕易更改,這就是一個相對靜態的模型。但是實際上,我們的產業環境是飛速變化的,一個靜態模型很難準確來反映瞬息萬變的外部環境。

(2)商業智能(Business Intelligence,BI)

再來看BI,我們暫且還把它叫做商業智能。作為DSS領域的一個重要分支,BI的價值也得到了市場認可。Gartner的報告顯示,到2010年的時候,BI的使用率達到30%,67%的領先企業運用了BI。2017年全球市場預計可以達到183億美金。這已經是一個相當大的市場規模,我們完全可以認為BI取得了比較大的商業成就。但是增長已經非常乏力,預計未來幾年只有7.6%的年化增長率

(3)人工智能(Artificial Intelligence,AI)

最後再看AI在決策支持系統領域的應用。過去幾十年AI在學術界幾起幾落,直到過去兩年才真正走進產業界,算是一個「大器晚成」的「神童」。之前幾十年裡AI在實用層面有限的成功算是在決策支持系統的運用,也就是專家系統(Expert System)。專家系統經歷了很多年的發展,也解決了一些問題,但是整體上很難算是一個大的成功。這裡面有幾方面的原因,主要包括:

知識表達方式單一,主要依賴啟髮式規則,以及不支持大規模數值計算是專家系統的內在缺陷。

知識庫的完備性和規模、知識獲取的難度、覆蓋面等,是決定專家系統成功的決定性因素。在互聯網普及之前,很難把某個行業內足夠的數據抽取出來,構建有效的知識庫。

推理機對特定領域經驗的依賴很強,通用性不好。

4、新一代的商業決策支持系統:智能商業

總結一下,歷史上OR、BI和AI在DSS領域的應用都各自取得了不同程度的成就,但是總體來看,距建立起高度可依賴的商業決策支持系統還有不小的距離

那麼基於AI在過去幾年的重大突破, 並和OR、BI結合是否可以催生新的商業決策模式呢?我們把這個新的模式稱為智能商業,Intelligent Business,這是真正的智能,而不僅僅是商業情報。

(1)智能商業的定義

我們試圖給智能商業一個定義。大家都知道到目前為止AI本身都沒有一個業界公認的標準。在這裡我們只是試圖給智能商業一個框架性定義,為後面的討論做一個基礎。我們認為智能商業是AI增強的決策支持系統,服務於企業中需要決策的各級人員,應該具備實時、閉環、自動進化、全局優化的特徵,以及自動識別問題的能力,目的在於提高企業決策的效率和質量,增強企業在數字經濟時代的競爭力。

(2)智能商業框架

這就是我們提出的智能商業框架(上圖),可以看到這個框架跟傳統的BI模式在單體層面上基本類似,都是有一個數據層,一個模型層,上面有應用層,但是這一代跟上一代有什麼不一樣的地方呢?

首先它不再是一個企業內部的局部優化,它要考慮自己在供應鏈上下游的情況,也要考慮不同供應鏈之間的關係,即要考慮一個完整的產業生態網狀結構的關係。

其次從數據層面,處於現在這樣一個大數據的時代,企業所能接觸到的數據的豐富程度是空前的。以前更多的是挑戰打通內部的數據孤島,現在除了內部數據,還有供應鏈上下游企業之間點對點的數據交互,還有更大的雲化的外部數據。

在傳統的決策支持系統里,因為沒有明確的相關性,這些外部數據的利用率很低。但是外部環境對企業經營可能有更大的影響,外部數據隱含着很多相關性,利用現在的大數據技術,可以為企業決策帶來更多的數據信息,通過AI的方式把裡面有用的信息挖掘出來,應用到整個決策支持系統裡面。

第三個層面就是利用反饋和閉環能夠對模型進行自動的優化

(3)與傳統商業決策系統的不同

當然現在我們只是提出這樣一個智能商業的框架,這只是一個起點。當這個框架真正變成現實,它跟傳統的商業決策支持系統相比會有幾點不同:

傳統DSS中最終決策者是人;在智能商業決策支持系統更多的是人機交互,而部分達到自動化決策。

分析的主題以前是人提出明確主題,由機器幫助分析;將來機器會發現你還沒意識到的問題。

從數據上,原來是非實時的,來源封閉的;將來的數據應該是實時的、來源開放的。

從模型上以前是固定的,沒有自動優化的機制;將來的模型應該是自動優化的。

應用範圍上以前是企業內部;將來會是全產業鏈的。

(4)智能商業的演進

當然,這會是一個長期奮鬥的目標,會需要五年、十年甚至更長的時間,現在只是從理論上提出這樣一個框架, 以幫助我們開展下一步的工作。

關於模型的自動優化,我想再進一步解釋一下,這可能是我整個演講里最重要的一句話(這不是一個繞口令):

為構建一個支持決策的優化模型而做出的關於決策變量的決策,這可能恰恰是AI-Enhanced DSS的核心所在。

AI的應用可能使模型構建和演變的決策變得自動化,意味着模型本身,包括決策變量、目標函數、約束條件,這些成為了優化的決策變量,形成了一個優化的嵌套,這也意味着基於機器學習的模型自動適應和自動演化成為可能。當然,這無論從理論上還是實踐上都需要大量的工作要做,但是這樣的機制才是真正的Intelligent Business,這是我們努力的終極目標。

(5)智能商業行業價值提升

這是我們做的一個智能商業的行業價值提升分布圖(上圖),顯示了哪些行業會更早地從智能商業的實施中儘快得到收益。橫軸是從可行性角度,縱軸是從價值提升角度。可行性考慮的是一個行業的數據化和信息化基礎,價值提升更多的是考慮一個行業的競爭激烈程度,決定了這個行業企業是否有足夠動力用更激進的方法增強在商業競爭中的競爭力。

右下角是電信運營商,它的可行性是很高的,因為電信行業數據化信息化程度很高,但是因為行業競爭相對沒有那麼激烈,所以可能採用智能商業的驅動力沒有那麼強。剛才伯克利的Scott Moura教授講了美國電力系統優化的案例,競爭也沒有那麼激烈,但是也可以看到至少現在在學術界已經引起了很多興趣,所以我們認為將來所有行業可能都會被AI所影響。

 

5、黑箱和「工作台」應該怎麼平衡?

所謂黑箱(Blackbox)就是系統給出一個決策指令,我們就完全按照這個決策執行;而工作台(Workbench)則是給你一系列決策的建議和決策建議後面的成本分析,讓人類去做最終決策。同時把根據推理過程所基於的關鍵的約束告訴你,如果你對系統給出的決策建議都不滿意,還可以根據這些關鍵約束的信息針對性的做工作,甚至去改變某些約束,以改變求解空間,找到更適合實際業務需求的方案

這是應用智能商業時兩種不同的理念,下面我談一下我們對這個問題的看法。

我們知道自動駕駛領域對自動化程度有一個從level 0到level 5的分級方法,這裡我借用這個體系對不同行業的智能決策支持的自動化現狀做了評價。

在做這個研究之前,我們覺得智能商業還在早期。但很快我們發現很多行業的業務決策已經非常自動化,像廣告自動投放、航空公司的收益管理定價,至少在具體操作層面上都處於level 5。而另外一端,也就是完全依賴人類決策、沒有任何系統支持的level 0階段的行業,現在幾乎找不到了。在不知不覺之間,智能商業已經來到了我們身邊。

反過來說黑箱和工作台。這裡面有兩個問題,一個是企業文化層面的問題,一個是平台進化成熟度的問題

我舉一個供應鏈領域的例子,比如說今天是7月8號,銷售剛剛簽回來的大單要求必須7月30號交付,但是智能供應鏈計劃系統考慮到所有約束,認為最早8月30號才能交付。同時集團最高領導下了死命令,你們必須7月30號給我交付,這是戰略訂單。

這種情況下,如果是黑箱模式,計劃員就完全不知道該怎麼做了,不知道關鍵節點是什麼地方。如果是工作台模式,計劃員就可以發現關鍵節點在哪裡,可能就是少了那麼一個關鍵器件。這個信息轉遞給採購部門,可以用非常規的方法獲得這個器件,在7月30號可以交付。

所以可以看到,要求發揮主觀能動性的商業文化里,黑箱模式是不可能的。領導給我壓力,我不知道抓手在哪兒,就會感覺非常不安全。另一個層面,黑箱模式會讓很多人類在這個過程中所形成的直覺和經驗消失,如果一個企業用全自動的智能供應鏈計劃系統超過五年,擁有高級能力的計劃員可能就沒有了。在處理突發事件的時候,或者這個模型需要優化進化的時候,這都是依賴高級計劃人才的任務,可能就會面臨無人可用的尷尬局面。

最近英國有一篇雜誌有一個關鍵發現,人在開車的時候大腦有個區域是活躍的,但是用了GPS以後,這個區域就不再活躍了,它的觀點是如果完全依賴導航,人腦的某一部分功能就會退化掉。工作台和黑箱子模式也是同樣的問題,你完全依賴黑箱,很多商業直覺和經驗就會退化。在不同決策的環節,比如低價值的可以使用黑箱,但是一些高價值的關鍵節點還是要有工作台

當然,人類工具的進化都是人類能力的外化和放大,當外化變的非常可靠之後,人類自己的能力就退化掉了。一旦智能商業自動決策能力進化到一定程度,非常可靠,質量非常高,人就心甘情願放棄演化了。但是如果還不是完全可靠,關鍵時候還要依賴自己的能力,這時候工作台模式可能更有效。

 

一家企業成為成功的智能企業的三個核心因素是什麼:算法、數據、場景,或者叫產品,也就是與用戶和市場充分交互的服務載體。

6、AI會讓人類失業嗎?

最後也不能免俗的談一談對AI和人類就業的看法。

比爾·蓋茨有一個很有意思的觀點,企業使用AI把人替換掉了要交稅,為什麼要交稅?因為政府需要用錢養被你砍掉的這個人。

大家可以想另外一個問題:特朗普為什麼當選?他當選很大程度是因為全球化把美國藍領的工作搶走了。其實在全球化的體系中,美國整體來看經濟上沒有吃虧,但是這些利益主要是被部分資本家賺走了。如果國家通過一定方法把一部分錢拿過來通過財富再分配的方式給到失去工作的藍領工人,是不是一個皆大歡喜的結局呢?特朗普選擇的政治路線顯然不是這樣的。

馬克思關於共產主義的論斷中說,共產主義社會中勞動是人的第一需求,現在看起來這是一個天才的論斷。你只給我錢,不給我勞動者的身份,我就失去了作為勞動者自食其力的尊嚴。因此,特朗普的方案是要把工作機會拉回到美國去,讓這些人能夠得到勞動的機會,顯然,他的方案更受這些藍領工人的歡迎。

大家之所以會關注這個問題,是覺得AI會把人類的工作機會奪走。我會更樂觀一點地看這個問題,人類無休止的慾望會不斷創造出更多的工作機會。就拿旅遊這件事來說,三四百年前除了徐霞客這樣的人,很少人會有旅遊需求,但是現在幾乎所有的人都需要旅遊。有一天技術成熟,去月球旅行成為所有人都想嘗試的事情,這就是一個非常巨大的市場,會有大量新的工作出現。去月球旅行完了之後去火星旅行又是一個更大的市場,更多的工作機會。

所以,我們無需擔心沒有新的工作機會,我們面臨的核心問題是:即使有新的工作機會出現,這種更新換代的速度會很快,但是成年人很難讓自己足夠快的進步,去學習適應新的工作機會。那麼,AI在拿走了一些工作機會的同時,在教育和培訓層面是不是也能提供更多對人類快速自我進步的支持?比如說利用腦機接口這種新的技術,是否可以將知識快速注入到大腦中以適應新的崗位?

在AI的發展歷史中,伴隨着每一波新技術浪潮,人們都會說技術會對人的勞動市場造成衝擊,但起碼到目前為止,並沒有災難發生。很多專家預言說AI會摧毀人類,但這麼多最聰明的年輕人義無反顧地衝到了這個行業中來。我想他們跟我一樣,相信AI技術的進步會給我們人類帶來更多福祉而不是災難,這是我的核心觀點

更多精彩內容,關注鈦媒體微信號(ID:taimeiti),或者下載鈦媒體App


想在手機閱讀更多業界資訊資訊?下載【香港矽谷】Android應用
分享到Facebook
技術平台: Nasthon Systems