胤嚮筆記254《AI經濟的策略思維》

799873.jpg

  • 譯者: 林奕伶
  • 出版社:天下雜誌新功能介紹
  • 出版日期:2018/10/31

 

每週一曲:凡人歌(https://www.youtube.com/watch?v=mfQel3jxK-g)

 

最近看到不少新產品可以快速產出會議紀錄讓人頗為心動,結果一研究發現,這是透過AI系統雲端整合的模式,然後還可以3-5分鐘產出翻譯稿,我當初在試用時嘖嘖稱奇,但也伴隨著一些疑慮,像是『是否會有confidential資料外洩疑慮?』,『是否會有競爭不平等模式產生?』…等等,類似這樣的問題一直在我腦中揮之不去。

 

而人工智慧的趨勢書籍我讀過一些,很多書會介紹人工智慧的很多案例,但少了一件事:那就是作為現代人如何因應,但我覺得《AI經濟的策略思維》寫得很清楚,包含也用了不少篇幅探討個人/組織/社會如何因應AI經濟的到來的好處與接踵而知的挑戰。我覺得書中有一個觀點我非常欣賞,那就是平價改變一切:如果說經濟學家只擅長一件事,那就是看穿誇張的炒作。其他人看到的事革命性的新創新,我們看到的是簡單的價格下跌。但不只如此,要了解AI 對組織有什麼影響,你必須知道價格的精確改變,以及價格變化如何影響更廣泛的經濟體系。只有這個時候你才能建立行動計劃。我也會把這樣的思維納入我的2019計劃當中。因此,誠摯推薦您閱讀這本書《AI經濟的策略思維》

 

以下是我讀本書有感的重點摘要:

  • 目前新一波的人工智慧並沒有真正帶來智慧,而是帶來智慧中的一個關鍵成分:預測。什麼樣的預測對你的事業來說很重要?AI 更進一步的發展會如何改變你倚重的預測?你的產業要如何重新設計工作,來因應預測科技的進步,就像個人電腦與網路崛起時,產業如何重新配置工作?AI很新奇,但是我們的了解並不夠,不過用來評估預測成本下降意涵的經濟學工具非常可靠。

 

  • 平價意味著隨處可見:新的AI 科技會把什麼東西變得如此平價?那就是預測。因此,就像經濟學告訴我們的,不但我們會開始使用更多預測,還會看到它出現在讓人意外的新地方。當預測變便宜了,就會有更多預測和用來預測的互補品。

​​​​​​​

  • 這兩股簡單的經濟動力,驅動預測機器創造新的機會。從低層次來說,預測機器可以讓人類從預測工作中抽身,因而節省成本。隨著機器效用增強,預測可以改變決策,並改善決策品質。但到了某個時間點,預測機器可能會變得準確到改變組織做事的方法。有些AI 將強烈影響企業的商業模式,AI 不再只是執行策略來提高生產力,它們會改變策略。

​​​​​​​

  • 預測準確度小幅改進的影響可能會讓人產生錯覺。舉例來說,準確率從85%進步到90%,似乎是從98%進步到99.9%的兩倍以上(分別增加5個百分點與2個百分點)。然而前者的進步意味著錯誤減少三分之一,後者卻代表錯誤剩下二十分之一。在一些場景中,錯誤剩下二十分之一是種變革。而為何許多科技專家稱機器學習為「人工智慧」?因為機器學習的輸出,也就是預測,是智慧的關鍵成分,預測的準確度會藉由學習改善,而高預測準確度通常可以讓機器執行一些直到現在都與人類智慧相關的任務,例如物體辨識。機器學習的最新進展通常被視為人工智慧的進展,因為:
  1. 系統是基於這個方法學習,並漸漸改進
  2. 這些系統在特定條件下產生的預測比其他方法更準確,而且有些專家主張,預測是智慧的核心
  3. 預測準確度增強讓這些系統得以執行翻譯和導航等等任務,這些任務以前被認為是人類智慧的專屬領域。我們對預測和智慧的關聯性仍有保留,我們的結論也不是建立在是否主張預測的進展代表智慧的進展,我們著重在預測成本下跌的結果,而不是智慧成本下跌的影響。

 

  • 對AI來說,數據扮演三個角色。第一是輸入數據(input data),拿來提供給演算法,並用來產生預測。第二是訓練數據(training data),用來產生最初的演算法。訓練數據是用來將AI訓練到能在自然情況下進行預測;最後是回饋數據(feedback data),用經驗來改善演算法的表現。有些情況會出現相當多的共同之處,以至於同樣的數據能扮演三種角色。但是取得數據的成本可能很高。因此,這項投資就必須在更多數據帶來的好處與取得數據產生的成本之間做出取捨。要做出正確的數據投資決定,必須了解預測機器如何使用數據。

 

  • 數據科學家有優越的工具,可以根據對預測的預期可靠程度以及準確度的需求,評估需要的數據量。這些工具稱為「檢定力計算」(power calculation),告訴你需要分析多少單位才能產生有用的預測。管理的重點就是必須做出取捨:愈準確的預測需要愈多單位來研究,而額外取得這些單位可能代價高昂。 而在一些情況下,就算是專業高手也會做出拙劣的預測。人類通常過度重視明顯的資訊,而沒有考慮到統計特性。各專業的許多科學研究都記錄這些缺點。這可從電影《魔球》裡提到的現象來說明。

 

  • 預測機器不會提供判斷。只有人類可以判斷,因為只有人類可以表達採取不同行動的相對報酬。隨著 AI 接手預測,人類會減少決策中預測到判斷的例行程序,更專注在判斷的任務上。這就有機會出現機器預測與人類判斷之間的互動界面,差不多就像你在使用試算表或資料庫時進行尋找取代一樣。

 

  • 預測愈出色,就愈有機會考慮各種行動的獎賞,換句話說,會有更多機會做出判斷。而且這代表更好、更快,而且更便宜的預測會給我們更多機會去做決策。以經濟學來說,計算報酬的成本主要是時間。考量決定報酬的某個途徑,需要審慎評估。仔細思考真正想要達到的目標,或是顧客不滿的成本,可能要花時間思考、反省,或許還要徵詢其他人的建議。或是需要花時間研究,才會更了解報酬是多少。

 

  • 挑戰在於,就算能將判斷寫成程式,使機器從人類那裡接手工作,機器收到的預測也必須相當精確。如果有太多可能的情況,要事先指定每種情況該怎樣做也太花時間。如果很清楚什麼事情可能是正確的,就可以輕鬆設定程式,讓機器採取特定的行動;但如果還是有不確定的事,要告訴機器該怎樣做,就得更謹慎衡量錯誤的成本。不確定,代表在最後發現預測錯誤時,你需要判斷,而不是只有在預測正確時需要判斷。換句話說,不確定會增加為特定決策的報酬做出判斷的成本。

 

  • 如果人類在一項工作中最後能做的是是預測,那麼一旦預測機器可以做得跟人類一樣的事,決策者就能將人類從等式中移除。不過,就像我們在後面看到的,很少有工作像採礦的例子那樣明確清楚。就大多數的自動化決定來說,提供機器預測,不見得代表移除人類判斷而以機器決策者取代的作法很划算,取消人類行動而以實體機器人取代也是如此。極有可能最先達到完全自動化的工作,就是完全自動化可帶來最高報酬的工作。這些工作包括:
    1. 除了預測之外,其他元素已經自動化(例如採礦)
    2. 快速行動來回應預測會有高報酬(例如無人駕駛車)
    3. 減少等待預測的時間會有高報酬(例如太空探險)。

 

  • 大企業是由將生產要素轉為產出的工作流程組成。工作流程由任務組成(例如,高盛的一個 IPO案件有 146 個任務的工作流程)。在決定如何推行AI時,公司會將工作流程分解為許多任務,估算建立或購買 AI 執行每項任務的投資報酬率,按照投資報酬率給AI排序,然後從排名前面的項目開始往下進行。有時候一家公司只是將AI工具放進工作流程之中,就會因為增加任務的生產力而立刻獲益。不過,通常沒有那麼容易。想從推行AI工具中得到實質利益,需要重新思考或「再造」整個工作流程。因此,就像個人電腦革命一樣,需要時間才能看出 AI 給許多主流企業帶來的生產力增加。

​​​​​​​

  • 任務必須經過拆解,才能看出預測機器可以從哪裡切入。這就可以評估預測增強的好處,以及產生預測的成本。一旦產生合理的評估,就可以按照投資報酬率,由高到低給AI排序,只要預期的投資報酬率合理,就可以執行AI。而執行AI工具會對工作產生四種意涵:
    1. AI工具可能會使工作能力增強,就像試算表和簿記員的例子。 

    2. AI工具可能使工作縮減,像是訂單履行中心。 

    3. AI工具可能會導致工作的任務重組,有些任務會增加,也有些被移除,就像放射科醫師。
    4. AI工具可能轉移特定工作所需的具體技能重點,像是校車司機。 


 

  • 企業決策領導高層絕對不能將AI策略完全委托給資訊工程部門,因為強大的AI工具可能不只是為了執行組織策略而強化任務的生產力,反而會導致策略本身改變。如果出現下列三個因素,AI可能會導致策略改變:
    1. 商業模式的核心需要做出取捨(例如,「購物後出 貨」與「出貨後購物」)
    2. 這種取捨受不確定性影響(例如,「出貨後購物」提高的銷售,超出因為不確定顧客想買什麼而造成的退貨成本增加)
    3. 降低不確定性的AI工具使取捨的天平傾斜,因此最佳策略從交易的一側變到另一側(例如,AI藉由預測顧客想買什麼而降低不確定性,使天平傾斜,讓「出貨後購物」模式的報酬超過傳統模式的報酬。)

 

  • AI會增加擁有數據的誘因。不過,當數據提供的預測並非組織策略的基本要素,可能有必要將數據委外。在這種情況下,或許直接購買預測最好,而不是購買數據再產生自己的預測。而轉向AI優先策略意味著,之前的優先要務不再優先考量。換句話說,AI優先並非流行用語,而是代表真正的取捨。AI優先策略將預測準確度達到最大列為組織的核心目標,即使這代表要對其他目標妥協,例如營收、使用者人數或使用者體驗達到最大。

​​​​​​​

  • AI 會帶許多類型的風險。我們在這裡總結六個最重要的類型。
    1. AI的預測可能導致歧視,就算這種歧視是無心的,你還是有責任。
    2. 當數據稀少時,AI起不了作用,這就產生品質風險,尤其是「未知的已知」類型的數據,這時候雖然提供很有把握的預測,但其實是錯的。
    3. 不正確的輸入數據可能會欺騙預測機器,使得使用者無法防範駭客的攻擊。
    4. 就像生物多樣性,預測機器的多樣性牽涉到個體結果與系統層次結果的取捨。多樣性較少或許有利於個體層次的表現,但會加大規模失靈的風險。
    5. 人人都可以查詢你的預測機器,這使你暴露在被盜取智慧財產權,以及被能找出弱點的攻擊者攻擊的風險。
    6. 回饋數據可以操縱,讓預測機器學習毀滅性的行為。

 

 

arrow
arrow

    趙胤丞 發表在 痞客邦 留言(1) 人氣()