
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
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30