技術對于商業影響加深

---

問答環節：希拉里·梅森

AI如何融入數據科學團隊

HOW AI FITS INTO YOUR DATA SCIENCE TEAM

埃里克·布林約爾松和安德魯·麥卡菲在大思路中指出，AI和機器學習（ML）將很快成為重要性不亞于電力和內燃機的通用技術。兩者代表我們技術能力的里程碑式轉折，將帶動下一波經濟增長。

但我們如何應用AI和機器學習呢？組織中哪些部門適合發展這些新能力？公司該如何利用AI和機器學習？

為了解到切實可靠的說法，《哈佛商業評論》英文版高級編輯沃爾特·弗里克（Walter Frick）采訪了機器智能研究公司Fast Forward 實驗室的創始人希拉里·梅森（Hilary Mason）。以下為兩人對話節選。

HBR：AI是現在的大熱話題。你作為數據科學家和研究人員，如何看待你所在領域近期出現的進步？

梅森：如果我們8年或10年以前談到這個問題，我可能會說是大數據，然后討論我們是否可以建立一個基礎架構，把所有數據放在一起并進行數據查詢。建好基礎架構，你就可以應用分析法，也就是通過計算，回答有商業價值或產品價值的問題。人們一直都可以使用數據計算，但大概8年前出現的轉變是，新型軟件降低了計算成本，讓廣大沒有經驗的人也可進行數據計算。

于是數據科學開始興起；該學科主要涉及敏捷計算、預測，以及根據數據建模。現在數據科學建模成本已經大幅度降低，所以該技術不僅應用于一些重要問題上（如精算），還用來做推薦、搜索結果等看似微不足道的小事。

后來我們有了機器學習——數據科學中幫你敏捷計算、引入反饋環的工具。我們開始用模型從外界獲取更多數據，將數據反饋給這些模型，促進模型進一步升級。

如今我們都在談AI。這個詞本身意義就有些含糊，既有技術上的含義，也有市場營銷方面的解釋，但本質上是講如何利用機器學習（確切地說是深度學習）驅動基于機器學習的應用軟件。也就是說，要使用AI，就必須有機器學習；要使用機器學習，就必須有分析法；要使用分析法，就必須有數據基礎架構。這就是我對上述技術之間聯系的看法。

機器學習和AI如何融入公司既有數據能力中呢？

數據科學在組織中有很多方面的應用。我看到人們在管理數據科學時，經常將這類技術與其搭載的技術組合混為一談。但我會將數據科學分解為基于同一技術的三種能力。第一種能力是了解商業，即分析法或者說商業智能通過問問題和分析信息做出更明智決定。通常使用這種能力的是首席財務官（CFO）或首席運營官（COO），應用范圍不限于技術領域。

第二種能力是產品數據科學，即創建使用機器學習和AI的算法和系統，實現真正意義上的產品升級。具體實例包括垃圾郵件過濾器、推薦系統、搜索算法和數據可視化工具。產品研發或工程部門通常會使用這類能力，應用領域比較單一。

最后一種數據能力是研發能力，也就是使用數據發掘新產品、新業務和新收入機會，但這種能力往往被忽視，或者被當成產品數據科學。

機器學習和AI將這三種能力都改變了嗎？

我們現在花點時間，深入探討一下深度學習，因為深度學習對所謂的AI來說，重要性不言而喻，而且也是近年來機器學習所取得進步的關鍵因素。首先，深度學習讓過去任何分析都獲取不到的數據變得觸手可得——你現在可以發掘視頻和音頻數據的價值。當前擁有海量數據的公司數量依然有限，但我認為將來這類公司會越來越多。分析法現在也受圖像數據使用能力的影響，單純的文本或結構性數據重要性降低。其次，深度學習幫助人們找到解決文本摘要等數據科學難題的新方法，創建質量和精密度遠高于過去的預測模型，還增強了產品的數據科學功能，因為深度學習能夠帶來新的產品機會。比如現在有幾家公司通過使用深度學習，在電子商務推薦系統中取得很大成功。當然深度學習正在盡最大技術可能拓展新領域，從而影響到研發職能。

所以數據科學與分析法、產品開發和研發職能相關。公司是要“一步一個腳印”地發展，還是從這三方面同時發力？

兩者都有吧。如果你只從一方面發力，就會錯失其他機會。但你最好不要急急忙忙著手研發，在此之前還是要夯實基礎架構和分析法的基礎。實際上我們發現，人們更愿意在投資新收入機會前，先投資節約成本的項目。這樣做在文化上比較容易讓人接受。

你認為公司在發展數據科學能力上，還犯了哪些錯誤？

其中一個大錯出在流程方面。我們發現，人們強行把數據科學融入到軟件工程流程中，最后毫無成效。數據科學系統的開發在很多方面與其他流程截然不同。做數據科學項目時，你從一開始就不知道最后能不能成功。但做軟件工程項目的話，你從一開始就知道最后能成功。

這說明軟件工程流程在遇到不確定因素的情況下會失敗，而數據科學的實驗流程需要有不確定因素才能成功。

此外，每家公司都有自己要克服的文化障礙。很多公司都不會讓你在不可能成功的項目上耗費時間，所以選擇高風險研究項目的數據科學家即便取得成績，也非常有可能因連續兩個月看不到工作回報，而在年度評估中受到處罰。數據科學的發展要求有包容失敗的文化環境。公司須認識到，所投項目組合中有些最終會有回報，而且帶來的價值遠比漸進式產品升級高。

現在大家對這個話題眾說紛紜，你如何去蕪存菁？高管又該怎樣做到這一點呢？

我依然對現在所謂“AI”的潛力持樂觀態度，但在某種意義上我也是個實用主義者——我需要創建對客戶有用的系統，而這就是很大的限制因素。目前有些人到處大放厥詞。幾年前，我們稱之為回歸分析的東西現在稱作AI，而用這個說法僅僅是為了從市場營銷角度抬高其價值。所以我建議，記住AI不是魔法。在概念層面上，高管完全可以理解AI。如果有人向你推銷某個觀點，稱“我不想解釋工作原理，這就是AI”，你一定要不停追問其工作原理、輸入數據類型、系統會學習數據中哪些模式、輸出結果是什么。深度學習系統的結果一般就是之前未被標記的數據點，而現在這些數據有了標簽和可靠度評估，僅此而已。機器的智能不是你我所擁有的智能。恐怕我們還要走上很長一段路，才能見證到機器擁有人類的智能。