京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者:Josh Krist, Staff Writer, Workday
在商业流行语中,人工智能似乎是最重要的。每个人都在谈论它,但是实际上有多少人理解它呢?阿贾伊·阿格劳瓦尔(Ajay Agrawal)在这一领域取得了令人难以置信的进步。 由Agrawal,Joshua Gans和Avi Goldfarb撰写的2018年一本书 《预测机器:人工智能的简单经济学》为企业领导者提供了有关如何实现人工智能(AI)价值的可行建议。
本书的作者解释说,就像便宜的电和光,得益于电力或便宜计算,那么更好更快更便宜的预测将摆脱业务模型和流程中的不确定性,并导致整个行业的重新构想。归根结底,AI有望成为具有多样性的变革性通用技术。
在2019年福布斯CIO峰会休息期间,我们在加利福尼亚半月湾一个有雾的下午会见了Agrawal ,并聊了他书中的一些主要学习内容。我们的谈话节选如下。
答:对于他们来说,我最好的建议是将AI视为降低预测成本。当预测或其他任何东西变得更便宜时,我们将使用更多的预测,并开始以更巧妙的方式使用它。
当我与首席执行官和CIO会面时,他们常常会说:“我们有25,000名员工,而我们从事的是这一行业。我们应该从哪里开始使用AI?” 答案通常很简单-您的数据科学小组。该团队已经确定了贵公司的预测问题,并以数字格式存储了数据,并将这些预测集成到了工作流程中。现在,他们要做的就是使用一些新的统计技术,如果有足够的数据,这些技术将生成更好,更快和更便宜的预测。
人工智能只能替代一件事,那就是人类的预测。
观察AI的另一种方式是通过重铸我们以前无法将其视为预测问题的问题,以一种可以通过AI解决它们的方式。例如,我们有很多来自大型组织的人力资源主管来到我们位于多伦多的Creative Destruction Lab,他们会说:“我们想弄清楚要寻找什么技能,我们应该雇用谁以及如何提高我们现有人的技能。” 然后,在单独的对话中,我们将听到业务领导者说:“我们在销售,市场营销和制造中都需要AI。除人力资源外,我们在大多数地方都需要AI。”
大多数人认为,由于HR是非常人性化的并且需要大量的情商,因此它不需要AI。错了,人们可以通过将诸如招聘和技能开发的某些方面的人力资源功能转换为一系列预测来利用AI,然后人们可以运用他们的判断力。
答:这真的很重要,因为很多人对此感到非常威胁。但是,人工智能只能替代一件事,这是人类的预言。
所有人类的预测都容易被机器所取代。但是,人类还有许多其他有价值的事情,它们是对预测的补充而不是替代。正如我们刚才提到的,判断力的一个方面是-人有判断力,而AI没有。人们在任何地方部署判决时,该判决的价值都会上升,因为我们可以将其应用于越来越高的保真度预测中。
这是一个比喻:假设有两名会计师面试同一份工作。其中一位非常擅长快速准确地将脑袋中的数字相加。另一位会计师的判断力很好,他擅长问一些聪明的问题,例如:“当利率上升四分之一时,我们的业务将会怎样?”
面试官可能对第一会计师说:“您具有宝贵的技能,可以快速,准确地将数字累加到您的脑海中,因此您将节省很多时间。” 对于第二人,面试官可能会说:“拥有这种判断能力真是太好了,但是每次您提出一个聪明的问题时,我们都需要三天的时间来回答。这是很有趣的技能,但它的价值有限。”
然后是电子表格,由于机器均衡,第一个人的价值下降了。快或慢将数字加起来都没关系。该机器比任何人都更快,更准确。
然而,第二会计师仍然有良好的判断力。他的价值不断提高,因为现在每次遇到一个聪明的问题时,他只需要在电子表格中更改一个单元格即可找到答案,而不是花三天时间回答问题。
答:是的,判断可以量化。如果机器能够观察到足够多的人根据其预测采取行动,那么它就可以开始推断我们的判断并进行预测。但是,这总是一场军备竞赛。随着AI观察到许多判断,并将其转化为预测,然后我们可以将判断应用于这些预测。审判将仍然是人类的游戏。
答:我最近在东京,对这么多大型国际公司用日语开展业务感到惊讶。甚至他们的高级管理人员也不会说英语,因此很多次会议期间都必须有口译员在场。我想:“哇,我们在语言上确实很分离。当我们最终获得可以即时翻译的商业级翻译器时,这些障碍将逐渐消失。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12