决策智能：在AI时代为领导力而生的新学科
全文共5326字，预计学习时长11分钟
想知道在热带草原躲避狮子的心态与负责任的AI领导力以及设计数据仓库面对挑战的心态有什么相同之处吗？欢迎来到决策智能的世界！
决策智能是一门涉及选择及其各方面的新型学术性学科，。它将最顶尖的应用型数据科学、社会科学以及管理型科学融合为统一领域，帮助人们使用数据，进一步改善生活、工作和世界。它是AI时代至关重要的一项科学，囊括了以负责的态度引领AI项目的技术，在大范围内设计目标、指标和自动化安全网络的技术。
决策智能是一门将信息大规模地转为更好行动的学科。
什么是决策？
数据美丽动人，但决策才是重要的部分。人们的决策，即行为，影响了整个世界。
“决策”一词的定义是指任意实体在选项中作出的任意选择，因此比MBA式的困境（比如是否要在伦敦开分公司）要宽泛得多。
人们的决策，即行为，影响了整个世界。
在这项术语中，把一张照片定义为“猫”或“不是猫”是一项由计算机系统执行的决策，而确定是否启动该系统则是由负责该项目的负责人深思熟虑后（希望如此！）决定的。
什么是决策者？
在专业术语中，“决策者”不是突然否决项目团队策划的股权人或投资者，而是负责决策结构和环境框架的人。换句话说，是一个精心设计目标的创造者而非破坏者。
什么是决策过程？
决策过程在不同学科中用法不同，它可以是：
· 在有替代选项时采取行动（在这种情况下有可能提及由计算机或蜥蜴进行的决策行为）。
· 履行（人类）决策者的职能，一部分是对决定负责。即使一个计算机系统能执行一项决定，它也不是决策者，因为其无法为输出的结果负责——这份责任完完全全落在了创造该系统的人类肩上。
决策智能化的分类法
学习决策智能的一种方法是顺着传统线路将其分为定量部分（很大程度上与应用数据科学重叠）以及定性部分（主要由社会和管理科学领域的研究员进行研发）。
定性的一面：决策科学
组成定性部分的学科一直以来被认为是决策科学——笔者一直希望所有的决策智能都被称作决策科学（然而现实并非如此）。
决策科学会涉及这些问题：
· “应如何建立决策标准并设计度量指标？”（全部）
· “选择的度量指标是否符合动机？”（经济学）
· “应本着什么品质来做决定？应支付多少来获取完美的信息？”（决策分析）
· “情绪、启发式教学以及偏见在决策过程中起什么作用？”（心理学）
· “像皮质醇一类的生物因素如何影响决策过程？”（神经经济学）
· “信息呈现的变化将如何影响选择行为？”（行为经济学）
· “在小组的环境下进行决策，如何优化结果？”（实验博弈论）
· “如何在设计决策环境中平衡大量限制和多级目标？”（设计）
“谁将体验决策的结果？不同的小组将如何理解这次体验？”（用户体验研究）
·“决策目标符合伦理吗？”（哲学）
这只是一小部分，还有更多没展示出来呢！上面展示的也只是小部分涉及的学科。把决策科学看作在模糊的存储形式（人脑）里解决决策设置和信息处理，而非整齐地写在半永久存储（在纸上或电子版本）里——被人们称作数据的那种。
大脑遇到的问题
在上个世纪，夸奖一个人将一堆数学公式放入某些不易察觉的人类工作中，是极时髦的。采取定量的方法通常比无脑的喧嚣要好，但是还有更好的办法。
建立在纯数学理性上的策略相对太简单，常常表现不佳。
相较于那些建立在定量和定性的联合掌控之上的策略，建立于纯数学理性的策略太过简单，常常表现不佳。（持续关注社会科学里理性史的博客帖子，以及行为博弈论中的例子，如心理学打败了数学）。
人类并非优化者而是享受者，这是对超捷径的人的美称。
人类并非优化者，而是享受者，这是对超捷径的人的美称，他们满足于“差不多”而非“完美”（这个概念对于人们这个傲慢的种族来说也足够骇人听闻，值得拿诺贝尔奖——它像一记重拳打在理性的、神一般且无瑕的人类脸上）。
在现实生活中，所有人类都用认知式启发法，节省时间、体力。这常常是件好事，如果在草原上计算逃离一头狮子的最佳逃跑路线，可能还没开始计算就已经被狮子吃了。享乐也能减少生活中消耗的卡路里，自从人类的大脑成为极其渴望权力的装置，大脑要消耗的卡路里约占人体能量消耗的1/5，尽管大脑的重量只有大约3lb（人的体重肯定不止15lb吧）。
有些捷径导致可预见的次优化结果。
既然现在大多数人无须整日躲避狮子，就可以预见有些捷径就会导致糟糕结果。人类大脑并没有完全适应现代环境。理解人类将信息转为行为的方式能让人们运用决策过程保护自己，免受大脑缺陷的影响（同时远离那些故意利用他人本能的人）。如果可怜的人实在无法赶上达尔文进化论这趟列车，那么理解这种方式也能帮助人们打造工具，增强表现力并使环境与大脑相适应。
如果认为AI完全与人无关，那就大错特错了！
顺道提一句，如果认为AI完全与人无关，那就大错特错了！所有科技都是在一定程度上反映了创造者，大规模运作的系统更是放大了人类的缺点，这也是必须为负责任的AI领导力研发决策智能的原因之一。
或许人们并不在做决定
有时候，好好思考决策标准使人们意识到世上没有什么事实能左右自己的想法——人们已经选择了各自的行为，现在只是换个方式让自己感觉好点。意识到这点是有利的，人们因此不用浪费更多的时间，并缓解正要做事情时情绪的不适，数据真牛啊。
除非人们会对不同的未知事件采取不同的行动，否则决策是不存在的，尽管有时决策分析的训练帮助人们更清晰地看清局势。
完美信息下的决策过程
现在想象一下，自己过去小心谨慎地做出了一个对事实敏感的决策，之后打了个响指，准备看看用来执行决定所需的事实信息。那么数据科学有什么用呢？答案是，没用。
首要的任务应该是弄清人们面对事实的反应。
没什么比事实更好了。由于事实是人们确信的东西（诚然，笔者也注意到此处有个不断扩大的相对主义的无底洞，但还是继续下去吧），因此如果人们掌握事实，就总是倾向于在事实的基础上做决定。这也解释了为何首要任务是弄清楚人们面对事实的反应。你想将理想信息应用在下面的哪种用法上呢？
人们能用事实做些什么？
· 人们能用事实做一个重要的预制决定。如果这项决定足够重要，人们要着手从定性角度做出明智的决策。心理学家们知道信息能以人们不喜欢的方式操纵人，因此他们（以及其他人）在以什么方式选择人们能提前接受的信息上有很多想法。
人们可以用事实来强化观点（“我希望外面阳光明媚”变成“我知道外面阳光明媚”）。
· 人们能用事实做出一个重要的、基于存在的决定。基于存在的决定（“我刚发现隔壁有一例埃博拉病情，所以我很快要离开这里……”）指的是先前未知的东西强烈地动摇了人们各自方式的根基，因此人们才意识到决策环境是很松散、不牢固的。
· 人们能用事实自动化处理大量决策。在传统编程中，人工指定一组将事实输入转为适当操作的指令，这可能会涉及类似于查找表的东西。
· 人们能用事实展现自动化解决措施。通过查看系统相关事实，人们能基于此编写代码。相比于没有信息来源，苦思冥想一个措施的结构，这是针对传统编程更好的方法。举例来说，如果不知道如何将摄氏度转换为华氏度，那么使用数据集查找与摄氏度输入匹配的华氏度条目。但是如果分析了查找表，就会发现联系二者的公式。之后就能将公式（“模型”）进行编码，代替人做脏活累活，丢掉笨重的表格。
· 人们能用事实生成一项优化措施，以解决完全可解的自动化问题。这就是传统型优化。在运筹学领域还有许多案例，包括如何通过约束获得理想结果，比如完成一系列任务的最佳顺序。
· 人们能用事实启发思路，做出未来重要的决策。这是分析学的一部分，同时也属于部分信息这一块，要记牢！
人们能用事实评估正在处理的事情。这帮助理解针对未来决策自身所拥有的输入种类，也帮着设计更好组织信息的方式。如果某人刚继承了一个巨大、黑暗的（数据）仓库，里面全是潜在的食材，在打开仓库前，永远不会知道里面有什么。幸运的是，分析师总是手握手电筒，脚踩轮滑鞋。
· 人们能用事实草率地做没有框架的决策。当做低风险决策，不用深思熟虑时，这种做法很高效，诸如“中午该吃什么？”试图在所有决策上时刻保持严谨会带来长期/永远不理想的结果，并陷入无意义的完美主义中。把体力留给真正重要的情况，但是请记住，即使使用一种低质量、费力少的方法很高效，优化的决策方法仍质量很低。当人们采用这种方法时，不应该拍着胸脯、过分自信。如果抄了近道，就是在坚持某些站不住脚的东西。某些情况下，轻率的行为能完成一项工作，但这不能立刻使结果变得稳固。别总想着这种方法。如果想要高质量的决策，就得采取更严谨的方法。
经过决策科学方面的训练，在作出严谨的、基于事实的决策时，学会减少付出，这意味着等量的工作能够得到全面且高质量的决策。这是非常宝贵的技能，但是需要大量工作来打磨。比方说，行为经济学的学生形成了在接受信息前设立决策标准的习惯。在大量且高要求的决策科学训练项目中，那些备受打击的人不得不扪心自问，比如，在查看标价前，自己能为一张票付的最高价是多少。
数据收集和数据工程
如果人们已掌握数据，那么决策早就定了。然而，在现实生活中，常常得自己寻找信息。数据工程是一门复杂的学科，其核心是在大范围内使可得信息变得可靠。就像去杂货店买一品脱冰淇淋那样容易，当所有可得相关信息已在电子表格里配对完成，数据工程也就简单了。
但是当要求运送二百万吨冰淇淋时，事情就棘手了，因为得冻住冰淇淋！如果人们不得不设计、设置并维护一个巨大的仓库，且不知道未来还需要储存什么东西时，事情就更棘手了——可能要存几吨鱼，或是钚……只能祝好运了！
在不知道未来还需要储存什么东西时，事情变得复杂起来——可能要存几吨鱼，或是钚……只能祝好运了！
尽管数据工程是一门单独的姐妹学科，且是决策智能化的重要支持，决策科学包含了强大的专业传统，涉及设计建议和事实收集管理。
定量的一面：数据科学
当人们形成决策并使用搜索引擎或分析师(扮演人工搜索引擎的角色)查找所需的所有事实时，剩下的就是执行决策。任务就完成了，也不需要花里胡哨的数据科学了。
但如果人们发现，在做完所有外出工作后，呈现出的事实并非决策所需的理想事实呢？如果它们只是部分事实呢？或许人们想要的是第二天的，但是却只有昨天的事实。（当大众记不得未来的信息时，就更令人恼火了。）或许人们想知道所有潜在用户对产品的看法，但其实只有一百名用户的想法。这就是在处理不确定性，已知的并非想知的，走进数据科学看看吧！
当人们必须得跳出数据的思维圈时，，数据科学就变得很有趣。但是一定要小心，避免伊卡洛斯式坠落！
当拥有的事实并非需要时，人们应很自然地希望去改变方法。可能已有事实只是更大拼图中的一块（就像巨大人口数中的一个样本），这也许是错误的谜题，但这已经是最好的了（这和用过去预测未来一样）。当人们必须得跳出数据的思维圈时，数据科学就变得很有趣。但是一定要小心，避免伊卡洛斯式坠落！
· 人们能用部分事实和数据性推论，做出一个重要的预制决策，用假设补充已有信息，看看是否能改变行为。这就是频率论（经典的）统计。
· 人们能用部分事实，有理有据地更新观点，使之成为更有见地（但是仍不完美且私人）的观点。这就是贝叶斯定理统计。
· 部分事实可能包含存在的事实，这意味着人们能在事后将其用于基于存在的决策（见上）。
· 人们能用部分事实对大量决策进行自动化处理。这是使用类似查找表的传统编程，将从前没见过的东西转为已有的、最接近的东西，之后正常运行。（这是k-NN在一个小容器中的作用，如果这个小容器还有更多东西，通常能运转地更好。）
· 人们能用部分事实启发自动化解决措施。通过观察系统相关事实，人们能基于此编写代码。相比于没有信息时苦思冥想得出解决措施的框架，这是针对传统编程更好的方法。这就是分析学。
· 人们能用部分事实，来为无法完美解决的自动化问题生成一个体面的解决方案。因而人们无需自己想出办法。这是机器学习和AI。
· 人们能用部分事实启发思路，做出未来重要的决策。这是分析学。
· 人们能用部分事实来理解正处理的东西（见上），并用先进的分析学加快自动化措施的进程。比如，通过启发新方法将信息融合，从而制造有用的模型输入（专业术语是“特征工程”）或在一项AI项目中尝试的新模型。
· 人们可以用部分事实草率地做出不加框架的决策。但要注意其质量会比草率地使用数据还差，原因是已知信息已从想知信息中移去了。
在所有用法中，有的能从多种多样、先前贮存的学科中将智慧结合在一起，从而更有效地实现决策，这就是决策智能化！它汇集了所有人对决策的不同观点，让人们更强大、更有凝聚力，同时也给予人们一种新的声音，它能挣脱研究领域最传统的限制。
回到AI的厨房类比，如果研究型AI正制造微波炉，应用型AI正在用微波炉，决策智能就是安全使用微波炉以达到目标，并在不需要微波炉的时候用别的方式。目标总是决策智能的出发点。
推荐阅读专题
留言 点赞 发个朋友圈
我们一起分享AI学习与发展的干货
推荐文章阅读
ACL2018论文集50篇解读
EMNLP2017论文集28篇论文解读
2018年AI三大顶会中国学术成果全链接
ACL2017 论文集：34篇解读干货全在这里
10篇AAAI2017经典论文回顾
长按识别二维码可添加关注
读芯君爱你