疫情引發(fā)了很多未知因素，帶來了很多不確定性，唯一確定的是企業(yè)領(lǐng)導(dǎo)意識到需要去變革應(yīng)對挑戰(zhàn)迎接新的機(jī)遇。
“疫情促使企業(yè)必須要考慮如何快速轉(zhuǎn)變，去升級他們整體的領(lǐng)域，把工作變得更高效，把每一個商業(yè)決策變得更明智。國內(nèi)外的CEO、CIO，他們比以往任何時間都更加意識到數(shù)字化轉(zhuǎn)型的重要性。”Tableau大中華區(qū)總裁葉松林介紹，數(shù)據(jù)是整個數(shù)字化的基石，有數(shù)據(jù)才能夠驅(qū)動整個數(shù)字化轉(zhuǎn)型的過程。在當(dāng)下，使用數(shù)據(jù)進(jìn)行決策比以往任何一個時間都更重要，關(guān)乎到公司是否持續(xù)運(yùn)作。
日前Tableau發(fā)布了2020年數(shù)據(jù)趨勢報告，總結(jié)了六大趨勢，涉及數(shù)據(jù)文化、數(shù)據(jù)素養(yǎng)、數(shù)據(jù)管理、AI、講述數(shù)據(jù)故事和數(shù)據(jù)公平。近幾年AI與BI的融合趨勢越來越明顯，以AI驅(qū)動的BI被視作明日之光，關(guān)乎未來，Tableau認(rèn)為未來AI將從抽象的概念轉(zhuǎn)變?yōu)榭刹僮鞯募夹g(shù)，但是AI在BI領(lǐng)域的應(yīng)用情況以及AI本身存在的偏見問題存在著爭議，本文將就相關(guān)方面做個簡單探討。
數(shù)據(jù)：BI是人看數(shù)據(jù)，AI是機(jī)器看數(shù)據(jù)
商業(yè)智能（Business Intelligence，簡稱BI）的概念最早是Gartner Group的Howard Dresner于上個世紀(jì)90年代提出。當(dāng)時將商業(yè)智能定義為一類由數(shù)據(jù)倉庫（或數(shù)據(jù)集市）、查詢報表、數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)備份和恢復(fù)等部分組成的、以幫助企業(yè)決策為目的技術(shù)及其應(yīng)用。目前，BI通常被理解為將企業(yè)中現(xiàn)有的數(shù)據(jù)轉(zhuǎn)化為知識，幫助企業(yè)做出明智的業(yè)務(wù)經(jīng)營決策的工具。
人工智能（Artificial Intelligence），英文縮寫為AI，最早在1956年的達(dá)特茅斯會議上被提出，是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。60年來歷經(jīng)三大浪潮，近年來，隨著AI三要素數(shù)據(jù)、算法、算力的發(fā)展，AI有了一定的落地。
Gartner 研究表明：到 2020 年，85% 的首席信息官將通過購買、構(gòu)建和外包等方式試點(diǎn)人工智能項(xiàng)目。而根據(jù)Gartner在2019年的預(yù)測，2020年在BI中引入增強(qiáng)分析、自然語言處理和語音生成的AI技術(shù)將是主流。
Tableau的2020年數(shù)據(jù)趨勢報告也指出，AI將從抽象的概念轉(zhuǎn)變?yōu)榭刹僮鞯募夹g(shù)，組織需要關(guān)注他們對AI的“共同愿景”，或者AI和機(jī)器學(xué)習(xí)如何適應(yīng)現(xiàn)有的流程和團(tuán)隊(duì)結(jié)構(gòu)，從而為知識共享提供支持。領(lǐng)域?qū)＜夷壳罢趪@機(jī)器學(xué)習(xí)和AI開展戰(zhàn)略對話，以確保最終的建議有用并且可操作。領(lǐng)域?qū)＜覍l(fā)揮關(guān)鍵作用，利用自己的人際關(guān)系和領(lǐng)域?qū)ｉL，將這些 AI 項(xiàng)目的成果應(yīng)用到跨部門和團(tuán)隊(duì)的實(shí)際操作之中，引領(lǐng) AI 用例進(jìn)入下一階段的成長。
AI驅(qū)動BI發(fā)展，兩者不斷融合，不過兩者之間還是有很大的不同。“AI和BI有一個很大的差別點(diǎn)，BI是主要人判讀數(shù)據(jù)，AI主要機(jī)器判讀數(shù)據(jù)，用機(jī)器算法的方式從數(shù)據(jù)里面去產(chǎn)生一些見解或者發(fā)現(xiàn)一些規(guī)律。”Tableau高級顧問高云龍指出。
Tableau的產(chǎn)品越來越多融入了AI，主要體現(xiàn)在三個方面，一是人機(jī)數(shù)據(jù)交互模式方面引入了NLP，進(jìn)行數(shù)據(jù)交互時無需像過去那樣用鼠標(biāo)拖拽或者簡單編程，可以直接像使用搜索引擎一樣，在一個搜索框輸入問題就即可得到想要的數(shù)據(jù)；二是自動化的數(shù)據(jù)解釋，人可以通過可視化報表看數(shù)據(jù)，會發(fā)現(xiàn)數(shù)據(jù)異常點(diǎn)。傳統(tǒng)BI人工查詢數(shù)據(jù)異常原因需要很長時間，通過數(shù)據(jù)解釋的算法模型，能夠自動把異常數(shù)據(jù)及所有維度進(jìn)行分析，用統(tǒng)計學(xué)的方法找出異常原因；三是智能推薦，如在企業(yè)里若人的決策很多，大量的人在使用數(shù)據(jù)時，很多企業(yè)有各種數(shù)據(jù)報告，多樣的數(shù)據(jù)源在BI系統(tǒng)上已形成非常龐大的規(guī)模體系此時不容易找到所需報表，AI系統(tǒng)會根據(jù)角色、過去訪問行為智能化推薦，提高使用效率。
以上三點(diǎn)也是現(xiàn)在BI廠商重點(diǎn)關(guān)注的和發(fā)力的三個AI應(yīng)用方向，也有研究表明國內(nèi)外數(shù)字化程度有別，目前國內(nèi)企業(yè)對BI+AI的應(yīng)用還處在一個非常初級的階段。
而隨著越來越多的AI走入企業(yè)，“偏見”問題也受到越來越多的關(guān)注。
“偏見”：AI發(fā)現(xiàn)人為造成的不公平
在筆者翻譯的一篇文章中指出招聘、協(xié)作、銷售工具中的AI偏見無處不在。偏見是AI的致命弱點(diǎn)。而DataRobot的研究發(fā)現(xiàn)，在美國和英國，將近一半（42％）的AI專業(yè)人士“非常”或“極其”擔(dān)心AI偏見。AI可以在最意想不到的地方出現(xiàn)，沒有系統(tǒng)可以免疫。
根據(jù)領(lǐng)英(LinkedIn)的研究，43%的招聘人員和招聘經(jīng)理表示，在招聘工具中引入AI的一個關(guān)鍵好處是它有消除人類偏見的潛力。然而，承諾將偏見最小化的人工智能工具，也可能在招聘過程中注入偏見。以谷歌的招聘廣告算法為例，更多向男性顯示高薪職位。
的確在招聘和銷售等領(lǐng)域容易產(chǎn)生偏見，但是偏見是AI帶來的嗎？
“AI的偏見是數(shù)據(jù)原生的偏見。”葉松林強(qiáng)調(diào)，假如數(shù)據(jù)里面多數(shù)男性的工資本身即高出女性10%，AI在讀取數(shù)據(jù)后，便會提供一個男性薪資高出10%的建議。
“這種偏見并不是說機(jī)器造成的，而是機(jī)器告訴你，世界上存在不平等的問題。這種不公平是過去長久以來人造成的。恰恰是AI把這個問題揭示出來，以前人們可能沒有意識到這個問題，AI把這個問題有效地揭示出來之后，人在做決策的時候，恰恰可以有意糾正它的不公平性。”高云龍進(jìn)一步指出偏見本身就是數(shù)據(jù)所潛在的客觀規(guī)律。
所以Tableau強(qiáng)調(diào)AI只是輔助公司做決策，可以提一些意見，對公司而言人才是最重要的。
Tableau 數(shù)據(jù)科學(xué)家兼主任軟件工程師Rachel Kalmar指出：“AI 項(xiàng)目中最困難的環(huán)節(jié)之一就是確定您要提出的問題。”協(xié)作式方法可以揭示業(yè)務(wù)決策的哪些環(huán)節(jié)適合使用AI，哪些環(huán)節(jié)需要人工干預(yù)。假設(shè)要開一家新的零售商店，但以前從未開過這樣的商店。基于 AI 的系統(tǒng)可以根據(jù)該地區(qū)的人流或人口統(tǒng)計學(xué)特征來提供建議，幫助預(yù)測商店的預(yù)期銷售額。但仍然需要領(lǐng)域?qū)＜业膸椭?，這些人可以在位置可見性、競爭對手信息或停車位情況等方面填補(bǔ)空缺。要讓機(jī)器學(xué)習(xí)建議實(shí)現(xiàn)其價值，決策必須由人來制定。正如 Tableau 的AI 主管產(chǎn)品經(jīng)理 Richard Tibbetts 解釋的那樣：“AI 的出現(xiàn)并不意味著算法會告訴您如何做生意。真正幫助組織采用和信任AI 的是領(lǐng)域?qū)＜摇?rdquo;
由大數(shù)據(jù)、云計算、AI等技術(shù)推動著數(shù)字化世界的構(gòu)建，而數(shù)字化世界所出現(xiàn)的諸多問題同樣是現(xiàn)實(shí)社會的映射，或許有數(shù)據(jù)的地方就免不了存在偏見和不公，消除偏見是一個長久的命題。我們?nèi)匀豢梢宰鲆恍┝λ芗暗氖虑?，比如加?qiáng)監(jiān)督，讓多樣化的團(tuán)隊(duì)構(gòu)建軟件工具，仔細(xì)檢查數(shù)據(jù)健康度，加強(qiáng)內(nèi)外部審計等。說到底，人與AI之間如何更好的協(xié)作取長補(bǔ)短才能有效消除更多偏見需要更多的探索。
