決策智慧：在AI時代為領導力而生的新學科

全文共

5326

字，預計學習時長

11

分鐘

想知道在熱帶草原躲避獅子的心態與負責任的AI領導力以及設計資料倉庫面對挑戰的心態有什麼相同之處嗎？歡迎來到決策智慧的世界！

圖片來源：xijian/Getty

決策智慧是一門涉及選擇及其各方面的新型學術性學科，。它將最頂尖的應用型資料科學、社會科學以及管理型科學融合為統一領域，幫助人們使用資料，進一步改善生活、工作和世界。它是AI時代至關重要的一項科學，囊括了以負責的態度引領AI專案的技術，在大範圍內設計目標、指標和自動化安全網路的技術。

決策智慧是一門將資訊大規模地轉為更好行動的學科。

什麼是決策？

資料美麗動人，但決策才是重要的部分。人們的決策，即行為，影響了整個世界。

“決策”一詞的定義是指任意實體在選項中作出的任意選擇，因此比MBA式的困境（比如是否要在倫敦開分公司）要寬泛得多。

人們的決策，即行為，影響了整個世界。

在這項術語中，把一張照片定義為“貓”或“不是貓”是一項由計算機系統執行的決策，而確定是否啟動該系統則是由負責該專案的負責人深思熟慮後（希望如此！）決定的。

什麼是決策者？

在專業術語中，“決策者”不是突然否決專案團隊策劃的股權人或投資者，而是負責決策結構和環境框架的人。換句話說，是一個精心設計目標的創造者而非破壞者。

什麼是決策過程？

決策過程在不同學科中用法不同，它可以是：

· 在有替代選項時採取行動（在這種情況下有可能提及由計算機或蜥蜴進行的決策行為）。

· 履行（人類）決策者的職能，一部分是對決定負責。即使一個計算機系統能執行一項決定，它也不是決策者，因為其無法為輸出的結果負責——這份責任完完全全落在了創造該系統的人類肩上。

決策智慧化的分類法

學習決策智慧的一種方法是順著傳統線路將其分為定量部分（很大程度上與應用資料科學重疊）以及定性部分（主要由社會和管理科學領域的研究員進行研發）。

定性的一面：決策科學

組成定性部分的學科一直以來被認為是決策科學——筆者一直希望所有的決策智慧都被稱作決策科學（然而現實並非如此）。

決策科學會涉及這些問題：

· “應如何建立決策標準並設計度量指標？”（全部）

· “選擇的度量指標是否符合動機？”（經濟學）

· “應本著什麼品質來做決定？應支付多少來獲取完美的資訊？”（決策分析）

· “情緒、啟發式教學以及偏見在決策過程中起什麼作用？”（心理學）

· “像皮質醇一類的生物因素如何影響決策過程？”（神經經濟學）

· “資訊呈現的變化將如何影響選擇行為？”（行為經濟學）

· “在小組的環境下進行決策，如何最佳化結果？”（實驗博弈論）

· “如何在設計決策環境中平衡大量限制和多級目標？”（設計）

“誰將體驗決策的結果？不同的小組將如何理解這次體驗？”（使用者體驗研究）

·“決策目標符合倫理嗎？”（哲學）

這只是一小部分，還有更多沒展示出來呢！上面展示的也只是小部分涉及的學科。把決策科學看作在模糊的儲存形式（人腦）裡解決決策設定和資訊處理，而非整齊地寫在半永久儲存（在紙上或電子版本）裡——被人們稱作資料的那種。

大腦遇到的問題

在上個世紀，誇獎一個人將一堆數學公式放入某些不易察覺的人類工作中，是極時髦的。採取定量的方法通常比無腦的喧囂要好，但是還有更好的辦法。

建立在純數學理性上的策略相對太簡單，常常表現不佳。

相較於那些建立在定量和定性的聯合掌控之上的策略，建立於純數學理性的策略太過簡單，常常表現不佳。（持續關注社會科學裡理性史的部落格帖子，以及行為博弈論中的例子，如心理學打敗了數學）。

人類並非最佳化者而是享受者，這是對超捷徑的人的美稱。

人類並非最佳化者，而是享受者，這是對超捷徑的人的美稱，他們滿足於“差不多”而非“完美”（這個概念對於人們這個傲慢的種族來說也足夠駭人聽聞，值得拿諾貝爾獎——它像一記重拳打在理性的、神一般且無瑕的人類臉上）。

在現實生活中，所有人類都用認知式啟發法，節省時間、體力。這常常是件好事，如果在草原上計算逃離一頭獅子的最佳逃跑路線，可能還沒開始計算就已經被獅子吃了。享樂也能減少生活中消耗的卡路里，自從人類的大腦成為極其渴望權力的裝置，大腦要消耗的卡路里約佔人體能量消耗的1/5，儘管大腦的重量只有大約3lb（人的體重肯定不止15lb吧）。

有些捷徑導致可預見的次最佳化結果。

既然現在大多數人無須整日躲避獅子，就可以預見有些捷徑就會導致糟糕結果。人類大腦並沒有完全適應現代環境。理解人類將資訊轉為行為的方式能讓人們運用決策過程保護自己，免受大腦缺陷的影響（同時遠離那些故意利用他人本能的人）。如果可憐的人實在無法趕上達爾文進化論這趟列車，那麼理解這種方式也能幫助人們打造工具，增強表現力並使環境與大腦相適應。

如果認為AI完全與人無關，那就大錯特錯了！

順道提一句，如果認為AI完全與人無關，那就大錯特錯了！所有科技都是在一定程度上反映了創造者，大規模運作的系統更是放大了人類的缺點，這也是必須為負責任的AI領導力研發決策智慧的原因之一。

或許人們並不在做決定

有時候，好好思考決策標準使人們意識到世上沒有什麼事實能左右自己的想法——人們已經選擇了各自的行為，現在只是換個方式讓自己感覺好點。意識到這點是有利的，人們因此不用浪費更多的時間，並緩解正要做事情時情緒的不適，資料真牛啊。

除非人們會對不同的未知事件採取不同的行動，否則決策是不存在的，儘管有時決策分析的訓練幫助人們更清晰地看清局勢。

完美資訊下的決策過程

現在想象一下，自己過去小心謹慎地做出了一個對事實敏感的決策，之後打了個響指，準備看看用來執行決定所需的事實資訊。那麼資料科學有什麼用呢？答案是，沒用。

首要的任務應該是弄清人們面對事實的反應。

沒什麼比事實更好了。由於事實是人們確信的東西（誠然，筆者也注意到此處有個不斷擴大的相對主義的無底洞，但還是繼續下去吧），因此如果人們掌握事實，就總是傾向於在事實的基礎上做決定。這也解釋了為何首要任務是弄清楚人們面對事實的反應。你想將理想資訊應用在下面的哪種用法上呢？

人們能用事實做些什麼？

· 人們能用事實做一個重要的預製決定。如果這項決定足夠重要，人們要著手從定性角度做出明智的決策。心理學家們知道資訊能以人們不喜歡的方式操縱人，因此他們（以及其他人）在以什麼方式選擇人們能提前接受的資訊上有很多想法。

人們可以用事實來強化觀點（“我希望外面陽光明媚”變成“我知道外面陽光明媚”）。

· 人們能用事實做出一個重要的、基於存在的決定。基於存在的決定（“我剛發現隔壁有一例埃博拉病情，所以我很快要離開這裡……”）指的是先前未知的東西強烈地動搖了人們各自方式的根基，因此人們才意識到決策環境是很鬆散、不牢固的。

· 人們能用事實自動化處理大量決策。在傳統程式設計中，人工指定一組將事實輸入轉為適當操作的指令，這可能會涉及類似於查詢表的東西。

· 人們能用事實展現自動化解決措施。透過檢視系統相關事實，人們能基於此編寫程式碼。相比於沒有資訊來源，苦思冥想一個措施的結構，這是針對傳統程式設計更好的方法。舉例來說，如果不知道如何將攝氏度轉換為華氏度，那麼使用資料集查詢與攝氏度輸入匹配的華氏度條目。但是如果分析了查詢表，就會發現聯絡二者的公式。之後就能將公式（“模型”）進行編碼，代替人做髒活累活，丟掉笨重的表格。

· 人們能用事實生成一項最佳化措施，以解決完全可解的自動化問題。這就是傳統型最佳化。在運籌學領域還有許多案例，包括如何透過約束獲得理想結果，比如完成一系列任務的最佳順序。

· 人們能用事實啟發思路，做出未來重要的決策。這是分析學的一部分，同時也屬於部分資訊這一塊，要記牢！

人們能用事實評估正在處理的事情。這幫助理解針對未來決策自身所擁有的輸入種類，也幫著設計更好組織資訊的方式。如果某人剛繼承了一個巨大、黑暗的（資料）倉庫，裡面全是潛在的食材，在開啟倉庫前，永遠不會知道里面有什麼。幸運的是，分析師總是手握手電筒，腳踩輪滑鞋。

· 人們能用事實草率地做沒有框架的決策。當做低風險決策，不用深思熟慮時，這種做法很高效，諸如“中午該吃什麼？”試圖在所有決策上時刻保持嚴謹會帶來長期/永遠不理想的結果，並陷入無意義的完美主義中。把體力留給真正重要的情況，但是請記住，即使使用一種低質量、費力少的方法很高效，最佳化的決策方法仍質量很低。當人們採用這種方法時，不應該拍著胸脯、過分自信。如果抄了近道，就是在堅持某些站不住腳的東西。某些情況下，輕率的行為能完成一項工作，但這不能立刻使結果變得穩固。別總想著這種方法。如果想要高質量的決策，就得采取更嚴謹的方法。

經過決策科學方面的訓練，在作出嚴謹的、基於事實的決策時，學會減少付出，這意味著等量的工作能夠得到全面且高質量的決策。這是非常寶貴的技能，但是需要大量工作來打磨。比方說，行為經濟學的學生形成了在接受資訊前設立決策標準的習慣。在大量且高要求的決策科學訓練專案中，那些備受打擊的人不得不捫心自問，比如，在檢視標價前，自己能為一張票付的最高價是多少。

資料收集和資料工程

如果人們已掌握資料，那麼決策早就定了。然而，在現實生活中，常常得自己尋找資訊。資料工程是一門複雜的學科，其核心是在大範圍內使可得資訊變得可靠。就像去雜貨店買一品脫冰淇淋那樣容易，當所有可得相關資訊已在電子表格裡配對完成，資料工程也就簡單了。

但是當要求運送二百萬噸冰淇淋時，事情就棘手了，因為得凍住冰淇淋！如果人們不得不設計、設定並維護一個巨大的倉庫，且不知道未來還需要儲存什麼東西時，事情就更棘手了——可能要存幾噸魚，或是鈽……只能祝好運了！

在不知道未來還需要儲存什麼東西時，事情變得複雜起來——可能要存幾噸魚，或是鈽……只能祝好運了！

儘管資料工程是一門單獨的姐妹學科，且是決策智慧化的重要支援，決策科學包含了強大的專業傳統，涉及設計建議和事實收集管理。

定量的一面：資料科學

當人們形成決策並使用搜索引擎或分析師（扮演人工搜尋引擎的角色）查詢所需的所有事實時，剩下的就是執行決策。任務就完成了，也不需要花裡胡哨的資料科學了。

但如果人們發現，在做完所有外出工作後，呈現出的事實並非決策所需的理想事實呢？如果它們只是部分事實呢？或許人們想要的是第二天的，但是卻只有昨天的事實。（當大眾記不得未來的資訊時，就更令人惱火了。）或許人們想知道所有潛在使用者對產品的看法，但其實只有一百名使用者的想法。這就是在處理不確定性，已知的並非想知的，走進資料科學看看吧！

當人們必須得跳出資料的思維圈時，，資料科學就變得很有趣。但是一定要小心，避免伊卡洛斯式墜落！

當擁有的事實並非需要時，人們應很自然地希望去改變方法。可能已有事實只是更大拼圖中的一塊（就像巨大人口數中的一個樣本），這也許是錯誤的謎題，但這已經是最好的了（這和用過去預測未來一樣）。當人們必須得跳出資料的思維圈時，資料科學就變得很有趣。但是一定要小心，避免伊卡洛斯式墜落！

· 人們能用部分事實和資料性推論，做出一個重要的預製決策，用假設補充已有資訊，看看是否能改變行為。這就是頻率論（經典的）統計。

· 人們能用部分事實，有理有據地更新觀點，使之成為更有見地（但是仍不完美且私人）的觀點。這就是貝葉斯定理統計。

· 部分事實可能包含存在的事實，這意味著人們能在事後將其用於基於存在的決策（見上）。

· 人們能用部分事實對大量決策進行自動化處理。這是使用類似查詢表的傳統程式設計，將從前沒見過的東西轉為已有的、最接近的東西，之後正常執行。（這是k-NN在一個小容器中的作用，如果這個小容器還有更多東西，通常能運轉地更好。）

· 人們能用部分事實啟發自動化解決措施。透過觀察系統相關事實，人們能基於此編寫程式碼。相比於沒有資訊時苦思冥想得出解決措施的框架，這是針對傳統程式設計更好的方法。這就是分析學。

· 人們能用部分事實，來為無法完美解決的自動化問題生成一個體面的解決方案。因而人們無需自己想出辦法。這是機器學習和AI。

· 人們能用部分事實啟發思路，做出未來重要的決策。這是分析學。

· 人們能用部分事實來理解正處理的東西（見上），並用先進的分析學加快自動化措施的程序。比如，透過啟發新方法將資訊融合，從而製造有用的模型輸入（專業術語是“特徵工程”）或在一項AI專案中嘗試的新模型。

· 人們可以用部分事實草率地做出不加框架的決策。但要注意其質量會比草率地使用資料還差，原因是已知資訊已從想知資訊中移去了。

在所有用法中，有的能從多種多樣、先前貯存的學科中將智慧結合在一起，從而更有效地實現決策，這就是決策智慧化！它彙集了所有人對決策的不同觀點，讓人們更強大、更有凝聚力，同時也給予人們一種新的聲音，它能掙脫研究領域最傳統的限制。

回到AI的廚房類比，如果研究型AI正製造微波爐，應用型AI正在用微波爐，決策智慧就是安全使用微波爐以達到目標，並在不需要微波爐的時候用別的方式。目標總是決策智慧的出發點。

留言 點贊 關注

留言 點贊 關注

編譯組：徐粲、溫媛

相關連結：

https：//towardsdatascience。com/introduction-to-decision-intelligence-5d147ddab767

如需轉載，請後臺留言，遵守轉載規範