京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者:Josh Krist, Staff Writer, Workday
在商业流行语中,人工智能似乎是最重要的。每个人都在谈论它,但是实际上有多少人理解它呢?阿贾伊·阿格劳瓦尔(Ajay Agrawal)在这一领域取得了令人难以置信的进步。 由Agrawal,Joshua Gans和Avi Goldfarb撰写的2018年一本书 《预测机器:人工智能的简单经济学》为企业领导者提供了有关如何实现人工智能(AI)价值的可行建议。
本书的作者解释说,就像便宜的电和光,得益于电力或便宜计算,那么更好更快更便宜的预测将摆脱业务模型和流程中的不确定性,并导致整个行业的重新构想。归根结底,AI有望成为具有多样性的变革性通用技术。
在2019年福布斯CIO峰会休息期间,我们在加利福尼亚半月湾一个有雾的下午会见了Agrawal ,并聊了他书中的一些主要学习内容。我们的谈话节选如下。
答:对于他们来说,我最好的建议是将AI视为降低预测成本。当预测或其他任何东西变得更便宜时,我们将使用更多的预测,并开始以更巧妙的方式使用它。
当我与首席执行官和CIO会面时,他们常常会说:“我们有25,000名员工,而我们从事的是这一行业。我们应该从哪里开始使用AI?” 答案通常很简单-您的数据科学小组。该团队已经确定了贵公司的预测问题,并以数字格式存储了数据,并将这些预测集成到了工作流程中。现在,他们要做的就是使用一些新的统计技术,如果有足够的数据,这些技术将生成更好,更快和更便宜的预测。
人工智能只能替代一件事,那就是人类的预测。
观察AI的另一种方式是通过重铸我们以前无法将其视为预测问题的问题,以一种可以通过AI解决它们的方式。例如,我们有很多来自大型组织的人力资源主管来到我们位于多伦多的Creative Destruction Lab,他们会说:“我们想弄清楚要寻找什么技能,我们应该雇用谁以及如何提高我们现有人的技能。” 然后,在单独的对话中,我们将听到业务领导者说:“我们在销售,市场营销和制造中都需要AI。除人力资源外,我们在大多数地方都需要AI。”
大多数人认为,由于HR是非常人性化的并且需要大量的情商,因此它不需要AI。错了,人们可以通过将诸如招聘和技能开发的某些方面的人力资源功能转换为一系列预测来利用AI,然后人们可以运用他们的判断力。
答:这真的很重要,因为很多人对此感到非常威胁。但是,人工智能只能替代一件事,这是人类的预言。
所有人类的预测都容易被机器所取代。但是,人类还有许多其他有价值的事情,它们是对预测的补充而不是替代。正如我们刚才提到的,判断力的一个方面是-人有判断力,而AI没有。人们在任何地方部署判决时,该判决的价值都会上升,因为我们可以将其应用于越来越高的保真度预测中。
这是一个比喻:假设有两名会计师面试同一份工作。其中一位非常擅长快速准确地将脑袋中的数字相加。另一位会计师的判断力很好,他擅长问一些聪明的问题,例如:“当利率上升四分之一时,我们的业务将会怎样?”
面试官可能对第一会计师说:“您具有宝贵的技能,可以快速,准确地将数字累加到您的脑海中,因此您将节省很多时间。” 对于第二人,面试官可能会说:“拥有这种判断能力真是太好了,但是每次您提出一个聪明的问题时,我们都需要三天的时间来回答。这是很有趣的技能,但它的价值有限。”
然后是电子表格,由于机器均衡,第一个人的价值下降了。快或慢将数字加起来都没关系。该机器比任何人都更快,更准确。
然而,第二会计师仍然有良好的判断力。他的价值不断提高,因为现在每次遇到一个聪明的问题时,他只需要在电子表格中更改一个单元格即可找到答案,而不是花三天时间回答问题。
答:是的,判断可以量化。如果机器能够观察到足够多的人根据其预测采取行动,那么它就可以开始推断我们的判断并进行预测。但是,这总是一场军备竞赛。随着AI观察到许多判断,并将其转化为预测,然后我们可以将判断应用于这些预测。审判将仍然是人类的游戏。
答:我最近在东京,对这么多大型国际公司用日语开展业务感到惊讶。甚至他们的高级管理人员也不会说英语,因此很多次会议期间都必须有口译员在场。我想:“哇,我们在语言上确实很分离。当我们最终获得可以即时翻译的商业级翻译器时,这些障碍将逐渐消失。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在信贷业务中,违约率是衡量信贷资产质量、把控信用风险、制定风控策略的核心指标,其统计分布特征直接决定了风险定价的合理性、 ...
2026-02-03在数字化业务迭代中,AB测试已成为验证产品优化、策略调整、运营活动效果的核心工具。但多数业务场景中,单纯的“AB组差异对比” ...
2026-02-03企业战略决策的科学性,决定了其长远发展的格局与竞争力。战略分析方法作为一套系统化、专业化的思维工具,为企业研判行业趋势、 ...
2026-02-03在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26