亚洲欧美中文日韩在线v日本,亚洲精品永久在线观看,亚洲av日韩av永久无码色欲,亚洲成a人片777777,亚洲人成网站在线播放942

近日，清華大學經濟管理學院副院長徐心與FMBA項目2019級同學展開面對面交流，和同學們就企業(yè)發(fā)展與AI治理之道進行深入探討，通過前沿的觀察與生動的案例，啟發(fā)各位同學在企業(yè)業(yè)務中思考AI的價值。

圖 /徐心（清華大學經濟管理學院副院長）

AI經歷了怎樣的發(fā)展之路？

算法能為企業(yè)創(chuàng)造哪些價值？

企業(yè)與AI的深度交融何以成為可能？

企業(yè)中的人工智能

企業(yè)中AI的應用是有影響的。企業(yè)里有什么樣的AI項目，AI相關的資源應該如何協(xié)調，如何建設？我和大家分享的內容，將更多從組織和企業(yè)的層面看人工智能項目立項和建設的過程。

如果你想得到不一樣的結果，就要做不同的事情，不能做同樣的事情。愛因斯坦是物理學家，我們知道物理學有三個定律，愛因斯坦還講有三個力量統(tǒng)治世界，分別是愚蠢（stupid）、恐懼（fear）和貪婪（greedy）。人工智能讓我們變得更聰明，我們是在破解第一個力量。

什么是人工智能？百度的吳恩達，人工智能首席科學家，曾經說現在我們人在一秒鐘內能做的事情，80% AI都能做。70年代有一位名叫理查·貝爾曼（Richard Bellman）的科學家，是研究決策科學優(yōu)化的科學家，1978年將人工智能定義為，人工智能是那些與人的思維、決策、問題求解和學習等有關活動的自動化。從這一層面上看，自動化相對的就是手動，一些和信息處理相關決策討論分析的事情，過去需要手工去做，現在可以把它自動化，這個就叫做人工智能。

在Bellman給出人工智能定義的70年代，知識工程達到頂峰。我在大四的時候選修一門課叫專家系統(tǒng)，所謂專家系統(tǒng)就是專家總結一系列的規(guī)則，把這些規(guī)則輸入到信息系統(tǒng)里面，然后再用一些邏輯運算進行判斷。在現實的應用中，比如銀行對小企業(yè)的授信，規(guī)模多大是一個規(guī)則，過去是否申請過*是一個規(guī)則，企業(yè)和哪些企業(yè)做過項目等等，滿足哪些規(guī)則就加幾分，最后加在一起。我們在現實生活中依據規(guī)則做出決策，往往有風險。各位在企業(yè)管理中面對的很多問題，都是復雜的決策。知識工程，也就是說靠總結規(guī)則進行決策，就是我們今天熟悉的機器學習。

近年來，人工智能依靠機器學習，在圖像識別、圖像處理一系列的應用中都有了很大突破。2015年在 Science上有一個里程碑式的總結，基于深度學習從圖像中進行物體識別。機器學習是怎么做的呢？我們要感謝像杰弗里·辛頓這樣的計算機科學家。機器學習在50年代-70年代的冰河期的時候，他們一直堅守，研究神經網絡機器學習的算法；90年代，大數據的出現給了機器學習算法進行有效的訓練和收斂的數據基礎；硬件的發(fā)展又提供了海量的算力，三個條件并列存在，出現了一些很成功的應用，例如圖像識別，這些都是未來我們所期待的AI應用的基礎。

深度學習是有神經科學的基礎的。Hubel和Wiesel兩位科學家曾經在1981年獲得諾獎，他們主要研究人的神經系統(tǒng)的基礎工作機制，通過實驗驗證了人大腦中不同位置的神經系統(tǒng)負責處理認知中不同層面的信息。深度學習其實就是在模仿學習的過程，我們把一張照片的像素輸入進去，第一層學習的就是這些照片的像素組成基本的、最簡單的小零件，這些小零件再組成人臉，人臉再和我們賦予的一些意義聯系在一起，這是機器學習最基本的邏輯。

機器學習很有可能對我們未來的組織產生重要的影響。我們經常說學習型組織要不斷從外界進行學習，糾正自己的錯誤，組織相關的研究通常都是聚焦在組織形態(tài)、組織規(guī)模、組織激勵、組織文化，但是往往忽略了技術的層面，那么機器學習它為什么區(qū)別于規(guī)則呢？我們把圖片輸入到最底下一層，它會經過算法，最終它的輸出是告訴你這里面有人還是沒有人，一開始的輸出有可能是錯誤的，這就形成一個錯誤，形成一個誤差，誤差又會拿回來去更新復雜的系統(tǒng)中的每一條邊，這個邊其實就是一個權重，這就是學習的過程。我們講企業(yè)授信的過程，例如有一個小企業(yè)到銀行*，根據過去企業(yè)的一些特征，比如規(guī)模、行業(yè)、電費、員工等特征，經過最初的神經系統(tǒng)和神經元系統(tǒng)，神經網絡得出判斷是可以*，結果一年后企業(yè)無法還貸，說明最初的判斷是錯誤的，這就是一個誤差，要把誤差再拿回來去更新最初的神經元網絡。過去讓一個組織更新自己的規(guī)則往往很緩慢，現在基于數據，基于現實中的業(yè)務，我們可以每天都要網絡進行計算，最終企業(yè)里用于授信的神經網絡算法會越來越逼近有效的算法。

從BI到AI

在AI之前，BI（Business Intelligence）這個詞已經流行了20年。AI本質上是人類思維活動的自動化，第一階段是從BI過渡到AI，第二階段是在自動化基礎上做好數據工程，第三階段是在某一個流程上應用人工智能降本增效，或者進行流程創(chuàng)新，很多流程都進行創(chuàng)新，智能聯動就形成了價值鏈層面的變化，最高層面的應該是人工智能的治理創(chuàng)新，如何在企業(yè)內部進行有效的人工智能項目治理。

第一階段從BI到AI的轉化離不開BI。 BI和AI到底有什么區(qū)別？涉及BI最核心的概念是drive down（鉆?。?，就是我們現在各行各業(yè)里經常講的數據切片。最大的黃色正方體代表顧客空間，按照三個維度切割，藍顏色的群體是企業(yè)關心的群體，企業(yè)了解這個群體對營銷的響應率，看到了一個平均響應率之后還不滿意，就把藍色群體拿出來再按照一些維度切割，聚焦在了一個企業(yè)覺得可以發(fā)力的小群體上。

IBM曾經做過這樣的事情，顧客打電話抱怨企業(yè)賣的產品有問題，接線員接到顧客的電話之后，立刻能調閱和顧客相關的所有信息，針對顧客反映的情況，系統(tǒng)自動提出建議。營銷經理根據客服匯總的信息，例如他所關注的某一條產品線上的顧客，進行客戶價值、保全比例、盈利能力等不同維度的分析。

營銷經理發(fā)現，客戶保全比例只達到了目標的52%，這就是在進行一次切片，按照一個指標進行一次切片，營銷經理就看到了客戶保全維度出現問題，進一步切片，發(fā)現是白金卡顧客出了問題，然后發(fā)現顧客通常在商場里消費最多，于是營銷經理調出商場的數據來看，這就是我們所說的BI，不斷的切片。

現實中BI系統(tǒng)的應用如何？曾經很多公司都在用，但是效果沒有達到預計的。系統(tǒng)提供給營銷經理維度進行切片，現實中營銷經理往往采用最熟悉的幾個維度，性別、工作、銀行賬戶、信用卡消費、額度等。背后的原因是，盡管技術提供給經理人進行規(guī)則總結的工具，但是人腦面對大量數據總結規(guī)則，依然很困難。

如果是AI進行營銷分析該怎么做？AI不會再做這種切片的工作，會把和顧客相關的所有特征全部輸入到神經網絡里面，輸出是這個人在營銷之后的購買率。神經網絡進行中間的計算，得到模型，面對新顧客時，把特征輸入到神經網絡，AI會估算概率，這個人是否會進行消費。

Simon曾說，“A wealth of Information creates a poverty of attention.”信息社會大量的信息導致認知能力的貧乏。當數據量很小的時候，我們偏向于HI（Human Intelligence），依靠人腦進行規(guī)則總結；數據量小規(guī)模增加，按照少量維度進行總結，BI輔助很好用；一旦數據變成海量，就需要依靠人工智能特別是機器學習，因為人工智能不依賴于人腦進行規(guī)則總結，是依靠復雜的線性函數疊加，在輸入和輸出形成復雜的網絡，自動計算，自動生成網絡，數據量越大，人工智能學習效果會越好。

組織的人工智能治理建設的第一個階段應該自動化過程。企業(yè)創(chuàng)新問題可以上溯到熊彼特，大的組織能夠承受創(chuàng)新失敗帶來的風險，但是當組織變得特別大的時候，沒有動力進行創(chuàng)新，個體小組織必須靠創(chuàng)新存活下來。

我曾經帶博士生做過一個項目，就是在一個網絡平臺上出現網絡博主家族時，平臺的創(chuàng)新速度和成效如何。研究這個問題有一個前提，就是識別博主的價值，我們主要將點贊和評論作為創(chuàng)新的效果。

平臺本身也很關注這樣的博主家族，我們和平臺首要解決的一個關鍵技術問題，就是哪些人屬于一個家族。平臺采用人工的方式，根據經驗識別家族成員，例如根據文本介紹中是否提及家族關系、網絡互動和博主發(fā)言，判斷是否屬于同一個家族，但是會出現作弊的現象，召回率只有20%。我和博士生通過分析平臺數據，發(fā)現家族之間的互動是有特征的，基于觀察，我們建立了一個自動化系統(tǒng)，通過博主之間形成的關系網，找到中心的小群體，這個小群體內部特別聚攏，群體之間比較分散。以這樣的種子節(jié)點深挖附近的群體，把這些群體聚合在一起，通過規(guī)則進行評分，召回的精確率達到78%。在這個項目里，我們實現了第一步，人工智能能力建設的自動化。

這是一種思維模式的改變。我們過去的管理工作依賴規(guī)章制度，未來學習型的組織會依靠數據和算法。這種組織的優(yōu)點在于動態(tài)，可以根據組織績效不斷改變自己的內在。

數據工程

接下來，神經網絡如何建設得更有效，如何把神經網絡算法訓練得更精準？今天在業(yè)界里面應用的人工智能算法，都是一些成熟算法，而且是云上開源的算法，企業(yè)的工作是應用這些算法把數據整理好。很多組織都會說有海量的數據，但大量的組織數據是不可用的，，因為企業(yè)忽略了數據工程。企業(yè)要做人工智能項目，第一步就是要花大力氣在企業(yè)內部做數據工程。我曾經帶著博士生和一家銀行合作，希望通過顧客數據幫助銀行提高營銷成功率。我們拿到了脫敏之后的用戶數據，進行了很長時間的數據整理和研究，現在有一些積極的結果。但是在和銀行溝通時，我們感到，項目的業(yè)務部門歸屬還應該更清晰，數據工程是長期要做的事情，在做檢測的時候需要有AB測驗（實驗組與控制組）的平臺。

AI對單一流程的影響

我曾經和一家保險行業(yè)的公司合作，探究聲學特征能不能反映顧客情緒，如果顧客負面情緒比較多，是不是應該優(yōu)先執(zhí)行？

在具體研究時，要對客服電話先預處理降噪，然后把錄音切片，再用CNN （Convolutional Neural Networks，卷積神經網絡）進行識別。卷積神經網絡最著名的應用是識別圖片里有沒有貓，應用到語譜圖中，橫軸是時間，縱軸是頻率，把聲音轉化成圖像，識別圖片里面有沒有一個特殊的形狀表示生氣。這里面有一個難點，是需要人工標注同時互相校驗，識別圖片里是否有顧客的負面情緒。

我們把數據給到算法，經過訓練之后效果還不錯。同時我們也做了一件事情，把這通電話轉成文本，我們覺得文字和情緒應該結合在一起，但特別令人驚訝的是，這個場景下，文字里反映的負面情緒并不多。有可能是因為在打電話的過程中，雙方都被告知這個電話需要錄音，在受控的情況下能夠注意自己的文字。我們開發(fā)了一些現實中應用的場景，在現實的檢驗中，公司隨機調增4%，據他們的經驗和歷史數據，有2.5%的通話有較嚴重的服務質量問題，采用我們這套系統(tǒng)，將一天內所有的電話檢索一遍，按照負面情緒排序，能找到的負能情緒通話召回率達到了30%，有幾乎10倍的提升。CNN是一個圖像識別的技術，但是同樣我們可以拿到識別聲音信號上。這是我想跟大家分享的第一個感觸，很多人工智能的算法是通用算法，要理解了這個算法做什么，在這個場景下能干什么。

人工智能有一個問題是黑盒子，復雜的神經網絡輸入1000個特征，輸出電話里有沒有和服務質量相關的問題，中間的計算無法解釋，所以在現實應用中決策人沒有信心。我們做人工智能項目，盡量在得出了較好的工程結果之后，要注意可解釋性。我們在項目中做了一些分析，縱軸是電話和服務流程可能有問題的概率，概率越高，說明可能有服務質量問題，橫軸是某一個特征。算法本身對特征進行排序，比較靠前的特征是情緒波動，在一通電話里，顧客情緒波動不大不代表他永遠都高興，情緒波動越高，出現的負面情緒越多，說明顧客不斷的不滿意，負面情緒一直在增長，很可能是有服務質量問題。

在這個例子中和大家溝通了深度學習的算法，以及可解釋性的問題，它也引發(fā)關注管理問題。人工智能項目在企業(yè)內部往往涉及不同部門的業(yè)務和數據，項目應該如何設立，為什么不同部門想把數據貢獻出來，有什么樣的機制能夠促進不同部門分享數據，如何讓數據在企業(yè)內部形成一個公共品，是我一直思考的問題。

當我們聚焦單一流程的時候，人工智能算法可以幫我們做一些創(chuàng)新，就是技術賦能的創(chuàng)新。我現在正在進行一個教育類的項目。我們經常說一心不能二用，但心理學和教育學提出了一個新的理論叫交錯學習，同時間要學習兩到三件事。現在很多學習平臺是這么設計的，根據用戶測評，找準一個人薄弱的知識點，推薦有針對性的學習材料。有教育學的理論告訴我們說，同一個學習段里學習不同的事情有兩個好處，大腦能更清晰地識別不同的東西，能把不同的問題組織在一起形成更高階的問題解答模式。但讓一個人一次學太多東西是不是太累了，腦力是有限的，所以一心多用有好處，也有壞處。在我們的項目中，對方為同學們出了閱讀理解題目，標注每一個題目是考哪些知識點，通過學生做某一道題的結果，用統(tǒng)計的方法去推斷他對知識點的掌握程度，背后是貝葉斯的統(tǒng)計過程。不同的學生隨機分為三組，一組推送掌握程度較弱的知識點進行練習，一組推薦知識圖譜距離較遠的題目，還有一組推薦知識圖譜距離較近的題目，再加上前測和后測，最終發(fā)現做題時間和正確率關系不大，中間組的同學每次練習三個聯系較少的知識點，學習效果相對不好；每次練習三個距離較近知識點的同學，學習效果相對較好。這是AI賦能的一個教育研究。

畢加索有一句名言，“Computers are useless. They can only give you answers.”直到今天很多人還在討論這句話到底是什么意思。在這個案例中，一個新的教育理念引導我們做一件新的事情，業(yè)務思想驅動業(yè)務創(chuàng)新。在今天大多數的情況下，AI自身不能驅動創(chuàng)新， AI是一個重要的工具，可以賦能，可以把想象中的事情落地。所以在這個時代，大家應該多掌握AI相關的一些工具，它會賦能你在未來做一些創(chuàng)新的事情。不同的流程創(chuàng)新之后，行業(yè)的價值鏈可能會發(fā)生變化，可能改變一些行業(yè)的規(guī)則。

AI治理的創(chuàng)新

我覺得能力建設最高的層面，是AI治理的創(chuàng)新。在項目中能夠觀察到共性的管理問題，項目立項怎么定，AI項目到底有沒有經濟效率，算法、數據來自不同的部門，大家如何分享這個蛋糕？這些都是企業(yè)里現在懸而未決的問題，值得我們探討。

我覺得AI有三個職能，分別是數據、計算和評估。數據在企業(yè)應該是一個公共資源，它應該來自于所有的業(yè)務和所有的職能部門，財務、人力資源、金融的數據應該共享，所有的生產部門、供應鏈、銷售服務都要貢獻自己的業(yè)務數據。因為人工智能的算法要靠數據，把這些數據湊在一起，人工智能的算法才會有意想不到的效果。

還有一個問題，是“互聯網+”還是“+互聯網”，在我自己的理解中，這一點切中了互聯網的本質，經濟學里面成為“網絡效應”?；ヂ摼W上參與者越多，溝通產生的價值越大，應該做到“互聯網+”，將互聯網作為一個平臺，其他的業(yè)務加到平臺中，互聯網的價值才能增長。

今天我們的人工智能都是弱人工智能，聚焦在一個很窄的領域，只做一件事情。弱人工智能是被人監(jiān)管的，不能自己訓練自己，不能自己開發(fā)出其他智能能力，意味著不同的算法之間不能打通的，沒有交互，AI反而增加了很大的管理成本，這是我個人的看法，可能不對。我覺得 AI公司是一個很具體的小公司，做一件事，但是這個公司的價值要加在一個平臺公司上，因為要使用算法，所以我們看到很多成熟而有價值的AI是大公司的產品。今年我曾經提出過壟斷式創(chuàng)新金融科技，觀察金融科技里的很多創(chuàng)新都是壟斷式企業(yè)在做，背后的道理是因為公司壟斷了數據，能夠把算法訓練好。但是就 AI本身來講，AI不是平臺。

目前有一些公司產生了一個數據分析庫或者AI部門，這個部門應該是公司內部的一個支持部門，還是一個事業(yè)部門，或是一個獨立公司，如何才能是一個好的管理機制，這其實是不同的。如果是內部的一個部門，要進行的業(yè)務會和現在部門業(yè)務沖突，如何協(xié)調是一個問題。如果是獨立上市的公司，所有的業(yè)務部門去參股，用的數據去參股，業(yè)務部門愿意嗎，還是有風險的。未來我想走訪一些企業(yè)，和同行討論，探討AI在企業(yè)內部的治理創(chuàng)新，希望在課堂上能夠和大家進行更好的分享。

徐心

清華大學經濟管理學院教授、副院長

清華大學經濟管理學院人工智能與管理研究中心主任。國家杰出青年科學基金獲得者，教育部長江學者特聘教授。從事信息系統(tǒng)學科研究，主要研究領域包括IT商業(yè)價值與IT治理、數字化轉型、商務計算與分析、人工智能、金融科技等。

清華-港中大FMBA招生說明會

清華-港中大FMBA校友招生分享會現已開放報名，誠邀您參加！屆時，FMBA項目校友將分享他們的學習體會、申請經驗和收獲價值。同時有機會與招生老師面對面咨詢，獲取課程全面信息，了解最新招生政策，把握2021年入學機會。

報名入口

活動采取邀請預約制，席位有限

（報名后通知具體地址）

FMBA2021級北京班

招生公告

第一批次

材料提交截止時間：2020年11月6日

筆試、面試時間：2020年11月20-22日

第二批次

材料提交截止時間：2021年3月5日

筆試、面試時間：2021年3月26-28日