本文出自

執行長親上火線拚業績!

執行長親上火線拚業績!

2021年4月號

何時該讓AI上場解決問題?

When Should You Use AI to Solve Problems?
鮑伯.徐 Bob Suh
瀏覽人數:713
  • "何時該讓AI上場解決問題?"

  • 字放大
  • 授課文章購買
    購買〈何時該讓AI上場解決問題?〉文章
  • 個人收藏購買
    購買〈何時該讓AI上場解決問題?〉PDF檔
    下載點數 10
人類與人工智慧在推論思考層面,各有擅長之處,領導人應如何整合,獲得最佳決策力?OnCorps提供以人工智慧為基礎的決策引導系統,其創辦人兼執行長,提出他的觀點與見解。

通常,企業領導人都對自己直覺式的決策方式感到自豪。他們並不是呆板地遵照某些領導力核對清單執行,就當上事業部負責人與執行長。當然,直覺與本能可以是重要的領導力工具,但不分情況任意使用就不是了。

長期以來,我們重視的高階主管決策者特質,因人工智慧(AI)崛起,而暴露出缺陷。演算法顯示,一度被捧為先見之明的行動,其實是靠運氣;先前被視為不容改變的決策原則,其實未經證實;而堅定不移的信念,其實是短視。只要看看主動式管理的投資基金的績效,就會發現歷史悠久的人類決策方式,是有缺點的。儘管這些基金有許多是由知名投資人管理的,但除了極少數例外,它們的長期績效都不如指數型基金,而由AI演算法進行的交易,績效通常都優於人類。

AI不會很快就取代直覺式決策。但高階主管必須破壞自己的決策風格,才能充分利用AI的能力。他們必須運用數據資料,修正自己確信的事物,用實驗來檢驗自己的信念,並引導AI破解合適的問題。就如同投資組合經理發現,自己必須學習如何挑選最佳演算法,而不是挑選最佳股票一樣,各領域的高階主管,也將面臨一項自我破壞的抉擇:學習操作這種機器,否則就被機器取代。

因果階梯的三層思考

讓我們看看,是什麼讓AI比人類更擅長解決某些類型的問題,以及這會如何影響高階主管運用這項科技的方式。近年來,AI已在撲克牌、西洋棋、智力競賽節目《危險邊緣》(Jeopardy)與圍棋上,擊敗過世界冠軍。如果人們對這些勝利感到震驚,就是低估了需要多少死記硬背和數理邏輯,才能贏得這些競賽。而在撲克牌和西洋棋的情況裡,則是高估洞察人類行為,能對勝負發揮的作用。

卡內基美隆大學(Carnegie Mellon)電腦科學家托馬斯.桑德霍姆(Tuomas Sandholm),創造出打敗世界頂尖撲克玩家的AI程式Libratus。他說明,自己的演算法大致上是機率預測機器,他也明白,若要贏牌,不見得一定要研究AI對手的行為,像是假動作,與牌局中會露出破綻的下意識舉動(tells)等。Libratus程式運用賽局理論與機器學習,僅憑計算機率就擊敗對手。即使是在撲克冠軍賽中,理解機率法則也遠比讀懂對手行為更重要。

因此,讓決策者能運用AI產生最大效益的關鍵,是體認到哪些問題該放手交給AI處理,哪些更適合交給被適度破壞過的管理思維來解決。著名電腦科學家朱迪亞.珀爾(Judea Pearl)的研究,指出一種方向。珀爾著名的構想「因果階梯」(Ladder of Causation),描述三種層次的推論思考,為我們提供一份自我破壞的路線圖。正如珀爾在《因果革命:人工智慧的大未來》(The Book of Why: The New Science of Cause and Effect)一書指出的:「沒有機器能從原始資料得出解釋。還需要推一把。」第一層階梯是運用關聯(association)推論(若A則B);接著,運用介入(intervention)推論(如果你改變投入的X,結果Y會發生什麼事?);最後是運用反事實(counterfactual)來推論:設想似乎不符合事實的非直覺概念,得出新穎的深入見解。

關聯的推論

關聯是要檢視兩個變數之間的相關性:如果我們提升價格,獲利將有何變化?AI極擅長透過篩選大量資料來發現關聯:例如,社群網路運用關聯演算法,依據使用者之前的行為,預測哪一則貼文能吸引最多瀏覽數。

人類不是很擅長這麼做,因為動作較慢,而且常受偏誤左右。因此,僅憑直覺聯想做決策的高階主管,可能會得出錯誤的因果關係結論,例如,誤以為某項行為能導致想要的結果。

一個好例子是:我在埃森哲顧問公司(Accenture)負責內部企業策略團隊時,我們投入大量時間與資本來開發差異化服務,因為客戶似乎願意為這些服務支付更多費用,為我們產生更高的獲利。但後來我們比較接受差異化服務與無差異化服務客戶的獲利能力,發現真正推動獲利的,是與客戶的私人關係,而不是服務的差異化。差異化服務與獲利之間的明顯關係,是我們多年來一直遵循的原則,但這其實未經證實。

介入的推論

介入,是採取行動,並觀察它對結果的直接影響,這個過程本質上,就是操縱實驗變數。商業決策者總是這麼做;例如,他們或許會調整一項產品的價格,並評估這對銷售或獲利的影響。但如果他們對某個預期的結果過於自信,就會碰到問題。有效的介入,必須願意測試各種投入要素,甚至是反直覺的投入要素,以觀察這些要素如何改變結果。在這方面,人類可以比AI更占優勢。

幾年前,我的新創公司推出兩種前景可期的產品:一款是銷售AI,另一款是用於營運作業的金融科技(fintech)AI解決方案。我們根據對每種產品可能觸及的市場所作的評估,運用AI進行情境預測。這套模型推斷,那個銷售AI產品會有最佳表現,即使它將在擁擠的市場推出。但我們出於直覺,決定為兩種產品同時安排行銷活動,以測試金融科技AI產品,是否可能意外地表現優於銷售AI解決方案,因為前者的市場較不競爭。事實證明,金融科技產品在九十天內的銷售,遠超出銷售解決方案,迅速在較小的市場中,獲得更大的市占率。

反事實的推論

經典電影《風雲人物》(It's a Wonderful Life)以精彩的方式,體現反事實的概念,片中的天使克拉倫斯(Clarence),向吉米.史都華(Jimmy Stewart)展示一個黑暗的平行時空:如果他從未出生,世界會是什麼樣貌。反事實推論是一種創意行為,是要想像在實驗中,或是在我們這種商業活動中,如果有某項變數不同,而我們所知的其他一切事情不變的情況下,可能會發生什麼情況。

當我還是一名年輕顧問時,麥當勞(McDonald's)營運長請我協助,證明公司投入的企業研發資金是合理的。「你採用的方法是什麼?」她問。我沉默許久才回應:「我們來想像一下,如果企業本身不做研發,把這項工作交給加盟連鎖店,會發生什麼事?」這裡的反事實,是想像出企業不進行研發的時空。營運長可能會預期,在那個世界裡公司的營收會下降。

如果沒有時光機,就不可能針對已執行的商業決策,進行真正的反事實試驗,但是,你仍然可以找出證據,描述反事實時空中可能發生的情況。以麥當勞的狀況來說,我建議仔細檢視近期推出的每項產品,看看它們的發想來源。這項行動很發人深省,也很令人訝異:很多熱門產品,例如大麥克與麥香魚,都是來自現場的發想,而有些最慘烈的失敗,例如豪華系列(Deluxe),是來自企業總部的構想。這個反事實思考實驗,讓我們更清楚地呈現出企業研發,在公司產品創新中扮演的相對角色。

人類加上機器

另一個例子是,人類與AI如何藉由關聯、介入與反事實的方法,合作找到一架墜毀的飛機。2009年6月,法國航空447號班機在巴西沿海的一場風暴中失蹤,機上有228名乘客和機組人員。法國政府花費兩年時間尋找殘骸,仍然無果。

經過四次失敗的嘗試,調查行動請來一個數學家團隊。團隊使用AI,並應用貝葉思統計(Bayesian statistical)技巧,只要取得新資料,就更新可能性預測,而在這個案例中,是指飛機出現在海床特定位置的可能性。

不可思議的是,那個團隊僅用一週就找到飛機。怎麼辦到的?團隊最初由AI輔助做出的預測結果,鎖定最有可能的搜尋區域,而法國政府已經搜索過那個範圍。但還需要運用人類的洞察力,去考量政府團隊之前沒想到的「新」資訊,並改變一項重大搜尋變數,以觀察這對結果的影響。關鍵是飛機的信號是否失靈,這可能導致政府錯過失事現場。其實,對信號失靈的假設是正確的,也成功在先前預測的地點附近發現飛機殘骸。

AI是一種強大的決策工具,但如果績效是最終目的,領導人與其他高階決策者就必須重新思考,如何以最佳方式充分利用AI。這並不代表要把決策權移交給機器。相反地,這需要決策者將重點放在只有人類才擅長的工作,例如,創意介入與反事實思維,同時仰賴AI進行它真正表現優異的任務,例如,資料密集的預測與關聯工作。隨著人類與機器協作更緊密,我希望能看到相當於摩爾定律(Moore's law)的法則開始作用:他們結合起來的決策能力逐年翻倍。但唯有我們先顛覆自己的決策方式,這才有可能實現。

(游樂融譯自2021年2月17日HBR.org數位版文章)



鮑伯.徐 Bob Suh

OnCorps 創辦人兼執行長,這家公司為金融服務產業,提供以人工智慧為基礎的決策引導系統。OnCorps 與耶魯(Yale)、牛津(Oxford)和哈佛大學的頂尖科學家合作,測試決策與行為演算法。他在創辦 OnCorps之前,曾擔任埃森哲顧問公司(Accenture)首席技術策略師。


本篇文章主題技術