--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能时代：破解人机共存密码（套装共10册）" author: null edition: null publisher: null year: null isbn: "9787521719512" library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5" source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced" pdf_physical_page_count: 3314 pdf_physical_page_index_base: 0 range_start: 460 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=460&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=460&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=450&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=470&limit=10" --- # 人工智能时代：破解人机共存密码（套装共10册） > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=460 | PRINTED_PAGE=NOT_DETECTED 除了帮企业做出优秀决策之外，业务优化还能引导用户做出选择。当你准备在购物网站搜索想要的商品时，人工智能推荐给每个用户的商品列表就是优化的结果，它们能够帮助用户更快地找到自己感兴趣的商家，也能为商家做更好的市场推广，这其中的经济价值是巨大的。eHub就是这样一个人工智能营销平台，它收集了来自营销、销售和客服的多渠道数据，通过这些数据建立预测模型。这些模型可以根据数据中反映出的用户属性特征和行为特征分析用户的喜好、需求，并进行分数预测。比如一个用户经常购买糖果、巧克力、奶油蛋糕，那么模型就会预测该用户购买甜食的分数高，然后给该用户推荐其他品牌的糖果、巧克力或者其他甜食，甚至是其他喜欢吃甜食的用户经常购买的商品，以此来实现一对一的个性化营销、精准营销。用户看到每天推送的都是自己喜欢的商品，购买概率也会大大上升。由于该平台十分符合自己的需求，用户在平时也会多浏览该平台的商品。 最后一个环节就是模型监控。模型监控是监控模型效果和质量的过程。由于数据源会变化，各种外部因素会干扰数据，我们很难确保一开始正确的模型一定能持续工作并有产出。因此，我们要对每一个环节都进行严格的质量把控。质量把控需要通过模型监控，持续地跟踪模型效果来实现，输出实时的质量报告，一旦出现问题，及时向相关人员报警，进行排查。很多人工智能项目在开始时没有设置模型监控，导致了机器学习结果出现错误。例如，巴西一家金融服务公司开发了一个聊天机器人模型，这个模型可以和求职者聊天并传达应聘信息。聊天机器人模型会让求职者通过实时聊天和电话回答一系列问题，但是没有设置模型监控，所以在使用该聊天机器人模型时，出现了两个关键问题：一是发错了给求职者的个人资料和职业表格，二是安排的面试时间错误造成人力资源部门工作延误。由于没有对聊天机器人模型进行精确的调整，该公司判定所收集的数据中有大约10%是不正确的。该公司人员坦言：“我们犯了一个错误，以为一切都解决了，而没有去监督聊天机器人模型。教训是，一定至少要有几个月的时间全时监督聊天机器人模型。我们不能停止关注可能出现的偏差，以及新出现的情况——当我们开始这个项目时，这些都是出乎意料的。”正是因为这家金融服务公司在使用人工智能时忽略了模型监控环节，才导致后续出现问题。这也正验证了模型监控环节的重要性。 ## PDF_PHYSICAL_PAGE_INDEX=461 | PRINTED_PAGE=NOT_DETECTED 这就是从“数据”产生“决策”的全过程：第一，将历史数据经过特征化处理为机器理解的数据形式。第二，通过机器学习产生能够准确预测新样本的预测模型。第三，通过模型评估回测模型是否合格。第四，评估合格的模型就可以投入生产，生产过程中如果有新样本输入，就可以通过模型产生预测分数，再根据预测分数的高低和其他因素进行业务优化，产生针对个体数据的业务决策。第五，对模型本身进行监控，产生质量报告，时刻保证模型的正常运行。 人工智能助力精准推荐 我们都知道人工智能是能够大大解放人力、产生高效价值的新生事物，但是我们也经常听到有人说人工智能在企业落不了地。他们认为人工智能还未发展到能够真正为企业产出价值的阶段，又或者，人工智能只是一场众人追捧的闹剧，并不真的适合在企业中应用。但这正显示出他们对于人工智能不够了解。如果上述过程都做到了，如果数据充分，每个步骤都能正确地实现，是不可能没有效果的。例如在接下来的这个案例中，人工智能不仅成功落地，还帮助企业提升了效益，帮助其在短短四年时间内，市值增长为原来的3倍多。 ## PDF_PHYSICAL_PAGE_INDEX=462 | PRINTED_PAGE=NOT_DETECTED 这个企业就是我之前任职的PayPal公司。人工智能在PayPal落地的整个过程是从历史数据开始的，比如说PayPal的历史交易数据，也就是记录哪个用户在哪个商家消费了多少金额的一套数据。这些数据分布在不同的系统中，我们首先把历史数据全部整理了出来，并且做了特征化处理，加工成机器学习能够理解的特征数据。 下一步就是机器学习，用来建立预测模型。机器学习需要预测的是将来，简单点来说，我们的人工智能需要预测的就是将来某个顾客最有可能在哪个商家购物。如果该顾客是体育爱好者，那么他将来去购物的店可能是耐克、阿迪达斯、安德玛，即使之前他没去过，这样的推荐仍然会对他有很大的吸引力。相反，如果给这个顾客推荐花店、玩具店之类的商店，那么可能就是缘木求鱼、南辕北辙了。通过机器学习，人工智能可以在多次的推荐后，通过用户的浏览时间以及购买情况得知推送的内容准不准确，符不符合用户的需求，通过用户在不同渠道的响应率得知用户最经常使用的渠道是哪个。经过多次这样的推荐和用户反馈之后，能够实现模型的持续学习，逐渐形成精准的推荐模型。 模型建好之后，需要对其进行回测，评估这个模型是否合格。那我们现在如何确定它是有效的呢？方法很简单，就是用过去的数据来模拟和验证。具体来说，如果我们用2018年一整年的数据来建立这个推荐模型，就可以用2019年的数据来“回测”，因为对于从2018年的数据学习出的模型来说，2019年的数据代表了未来。所以，如果模型在2019年的数据上效果良好，它就通过了回测。通过回测，我们就可以在模型投产落地之前知道构建的人工智能决策引擎的预测是否准确、准确率有多高，是否真的能为我们的企业创造出价值，防止引擎开始落地时才发现没有效果、成本全部打水漂的现象发生，为人工智能的顺利落地提供了保障。 ## PDF_PHYSICAL_PAGE_INDEX=463 | PRINTED_PAGE=NOT_DETECTED 预测模型建立出来并评估合格之后，就要把它投入生产，例行化地通过模型产生预测分数。PayPal这种类型的公司对生产的要求很高，对模型生产过程中的检验、部署、监控，都有相当严格的要求。完成了模型生产和监控后，我们就有了源源不断的预测分数，对应的是每一个用户将来在各个商家购物的概率。 当我们得知用户是否在各个商家购物的预测分数后，就要进行业务优化。针对一个用户，我们将这个用户可能会在各个商家购买的预测分数按照高低排序，形成这个用户的商家推荐列表，这样就能帮助用户更快地找到自己感兴趣的商家和商品。针对多个用户，我们可以将这些用户按照他们在某个商家购物的预测分数的高低排序，形成这个商家的用户推荐列表，帮助商家更快地发现哪些用户是营销转化率最高的用户，使得商家更好地打开市场。 这一整套人工智能决策引擎执行下来，并通过运营数据的反馈多次进行优化，最终可以帮助PayP al更好地进行业务决策。当然这不是终点，当人工智能决策引擎开始正式助力PayPal的业务运营之后，我们仍然需要对该模型进行监控，实时更新质量报告，这样才能及时发现可能出现的问题，及时抢修，避免出现更大的损失，同时保证人工智能为企业和用户提供持续而且优质的服务。 以上就是这套人工智能决策引擎在PayPal落地的过程。这套决策引擎落地后，PayPal用户开始积极响应PayPal的营销活动，其所带来的收益远远高于活动成本，而且产生了稳定的增益。几年来，这套人工智能决策引擎的顺利运作，为PayPal经营发展提供了有力的支持，直至2018年，PayPal市值突破千亿美元，人工智能决策引擎可以说是功不可没。 人工智能决策引擎是一套完备的企业决策引擎，它可以应用到企业决策的每一个环节，就像代表智慧的九连环，每一个环单独看都不起眼，但是所有环连在一起就成了智慧的象征，能够为企业创造出源源不断的价值。而且人工智能决策引擎环环相扣，每一个环节都必不可少，不论哪一个环节出了问题，都会直接影响甚至是威胁到接下来的环节，之前做好的准备也很有可能功亏一篑。人工智能决策引擎是AI思维的重要框架，也显示出AI思维的缜密智慧：只有事无巨细地做好每一件事情，才能真正从数据中得出决策，人工智能才能成功落地。 ## PDF_PHYSICAL_PAGE_INDEX=464 | PRINTED_PAGE=NOT_DETECTED 业务优化方法 水往低处流，但人要往高处走。在工作中，我们兢兢业业，精益求精，希望每一次的绩效考核都可以拿第一；在学习中，我们尽心竭力，一丝不苟，希望经历过的每一场考试都可以名列前茅；在生活中，我们脚踏实地，善始善终，希望活过的日子都不会有遗憾。浑浑噩噩也是一生，但大多数人都不会放弃自己，所有不甘于现状的努力都出于对一个“最”字的追求。“最”字体现在人身上是追求极致人生的动力，体现在AI思维上就是通过人工智能找到一个让系统发挥最大效能的方案，找到解决问题的最佳决策。 何为最优化？ 人生大方向的最优解是建立在日常小事情最优解的积累上的。选择哪一种材料的衣服，才能舒适又美观；选择哪一种食物，才能美味又营养；选择在哪里买房子，才能交通便利又价格适中；选择哪一条路线上班，才能快速地到达公司；选择哪一家公司，才能工资多又同事和睦。找到这些最优决策的方法叫作“最优化方法”。最优化，就是在一定的约束条件下，从众多可能的选择中找出最优选择，使系统的目标函数找到最大值或最小值。形象点来理解，就是你面前有无数座连绵不断的高山，你需要在这些高山中找到海拔最高的那个山峰或者海拔最低的那个山谷。 ## PDF_PHYSICAL_PAGE_INDEX=465 | PRINTED_PAGE=NOT_DETECTED 不但个人需要找到人生的最优解，各行各业也都希望找到这个最优点，在不多浪费任何一种资源的条件下达到最佳的效果。在商业中，通过投资、收购等一系列操作，追求利润最大化；在体育运动中，通过完整而系统的训练，让运动员更高、更快、更强；在医疗行业中，通过各种治疗，让病人在最短的时间内摆脱病痛。那你肯定会有疑问：人工智能与最优化有什么关系呢？ 首先，人工智能是为服务人类而生的，所以人类需要追求最优解，人工智能也需要追求最优解。其次，从本质上来看，人工智能的最终目标其实就是最优化：在数量庞大的数据以及瞬息万变的环境中，做出最优的决策。最优化贯穿了人工智能产生、发展和运用的全过程，从预测结果到业务决策，用的都是最优化方法，因而，最优化方法是人工智能最基础的知识。 人工智能的全过程其实都是在寻找最优解，通过机器学习，产生了对个体的预测分数，我们对未来的事件就有了基于数据的预判。就像我们在路上行车，有了清晰向前的视野，这对我们接下来产生的决策非常有帮助。在人工智能决策引擎中，首先要通过对历史数据的特征处理产生特征数据，然后通过机器学习产生预测模型，最后进行决策。那么，AI思维如何帮助我们产生最优化的业务决策呢？ 如图3-3所示，从整体来看，优化过程共分为以下三个步骤：定义问题、优化模型、输出应用。人工智能是不能直接理解我们的要求的，所以我们要把业务的需求转化成人工智能可以理解的数学语言，这就是定义问题。 ## PDF_PHYSICAL_PAGE_INDEX=466 | PRINTED_PAGE=NOT_DETECTED 定义问题包括以下三个要素：第一个要素是可用资源，就是我们现有的各种资源，比如要生产一种产品，我们有多少原材料，生产工人技术的熟练程度，还有生产机器的数量等。第二个要素是约束条件，比如说要想任务保质保量地完成，工人和机器都需要休息，所以约束条件就是工人每天只能工作8小时，机器连续运转16小时就需要散热和检修。第三个要素是业务目标：任何业务决策都需要一个目标，比如要生产多少产品，这个项目才算完成；这个营销计划执行完，要增长多少用户量；或者这个季度结束，要完成多少订单。在数学上这个目标可以通过目标函数来定义，也就是f（项目）=产量，f（营销）=用户量。在制定这个目标函数的过程中，实际上作为具有AI思维的你，已经开始在宏观的层面思考业务问题了。 ## PDF_PHYSICAL_PAGE_INDEX=467 | PRINTED_PAGE=NOT_DETECTED 目标函数由预测分数和决策变量构成，决策变量是我们对个体的决策。比如说，我们花了大量的资金在网站上投放广告，但是广告效果并不是很理想，我们就会想去提高广告的点击量。这时，我们的目标就是最优化广告投放的总点击量，预测分数是针对每一个用户点击率的预估，决策变量则是是否对某个用户投放，从而做出对哪些用户投放广告的决策。显而易见，我们把所有的分数做个排序，选择高点击率的用户投放即可。这是个简单的目标优化问题。 优化模型决定了我们需要选用什么样的优化方法，而我们一般选用数学优化方法。总的来说，优化问题分为两种：有约束优化和无约束优化。顾名思义，有约束优化是在一系列约束条件下，寻找一组决策变量，使目标函数值达到最优；无约束优化与有约束优化相对应，指的是没有任何约束条件的优化。现实中的优化问题通常是有约束的，因为我们做一件事的资源总是有限的，比如一个企业要在一个周之内做完一个项目，一周就是时间约束，也就是我们的时间资源是有限的。或者是这个企业要用3 000元来办一场活动，这3 000元就是预算约束，也就是我们的成本和预算是有限的。 输出应用就是输出我们的最优解，是优化方法的最终目标。比如我们花最少的时间到达了目的地，用最低价格购买了一幢房子，用最高的效率完成了生产任务或者以最大的产量完成了绩效目标。 其实我们在很久之前就接触过这种最优化的思维。比如语文课本上“田忌赛马”的故事讲的就是最优化的思维，四大名著之一的《三国演义》就是军事最优化理论的真实写照；我们从学生时期就开始做求最大利润、最快速度、最少成本这样的极值数学题，其实都是在训练我们的最优化思维。在AI思维中，最优化思维十分重要，然后才是对问题的求解。我们做过很多这种求极值的数学题，不知不觉中就积累了最优化解决问题的能力，不过我们在现实生活中遇到的问题要比数学题复杂得多。情况是错综复杂的，但我们只要有了这种最优化的思维，能够把在生活中遇到的各种问题和现象翻译成人工智能可以理解的数学语言，建立适当的数学模型，这些问题就可以迎刃而解了。下面我们就来看一下在现实生活中，优化思维是如何解决业务难题，为企业带来商业价值的。 ## PDF_PHYSICAL_PAGE_INDEX=468 | PRINTED_PAGE=NOT_DETECTED 优化的业务价值 我们在讲优化的第三步输出应用时讲到，优化方法的最终目标有：最高效率、最大产量、最少时间和最低成本等。这其实就是优化所带来的业务价值的一个缩影。试问哪一个公司不想用最低的成本、最少的时间来获得最高的产量呢？但是这在现实生活中基本上是不能兼得的，用最少的时间获得最高的产量，就意味着可能要付出更高的成本。优化其实就是在这些冲突之间帮助企业找到一个平衡点，在现有资源的范围内，保证企业最大限度地赢利，还能为用户提供最优质的服务，提高用户的满意程度。 更详细地讲，优化带来的业务价值有如下几条：第一，优化可以帮助企业降低生产成本，提高企业运作效率，缩短生产和服务的交付周期。德国一家汽车生产公司有两条汽车生产线，各负责生产一种型号的汽车，这两条生产线每年能够生产20万辆汽车，这已经是一个很高的产量了。这家公司仍然不满足，想在不开通第三条生产线的情况下生产第三种型号的汽车。为了实现这个目标，它自主搭建了一个流程优化系统，在没有花费大量资金去建立新生产线的条件下，将生产力提高了30%，将生产周期从7天缩减到了4天。由此，该公司节约了5亿美元的成本。这种能够看见的成本优化，提高了工作效率，增加了产量，在日后能够带来的经济效益是不可估量的。 ## PDF_PHYSICAL_PAGE_INDEX=469 | PRINTED_PAGE=NOT_DETECTED 第二，优化可以帮助企业提高资源利用率，向客户提供更加优质、灵活且准确的服务。法国一家快递公司之前送货速度没有比别的快递公司快，快递费也因为成本问题不能降低，相比之下没有任何竞争优势，迟迟不见盈利。不过，这家快递公司有一个特点——它依附于一家航空公司，因此，综合考虑公司可以调动的资源，该快递公司决定利用航空资源来优化自己的快递业务，这样快递的送货速度就有了保证。但同时会出现一些其他优化问题，比如飞机搭载乘客之外，运输快递的数量是有限制的，飞机的路线和快递路线不能完全匹配，飞机加入后每个快递集散中心工作量上升等。但该公司的优化模型通过充分利用现有航空资源，合理安排飞机路线等方法，不但节约了增添航空设备的成本，还提高了送快递的速度，在提高公司本身竞争优势的同时，为用户提供了快速优质的物流服务。 第三，优化可以帮助企业实现精准营销，提升销量，扩大产品和企业的知名度和影响力。在广告营销领域，需要解决的问题有很多。首先，这个广告要投放给谁的问题。通过最优化思维，我们可以找到投放成本最低、需求最高、转化率最高的那一批用户，优化了广告的响应率。其次，通过什么渠道去进行推广营销的问题。通过最优化思维，我们可以找到用户打开频率最高、响应率最高的渠道，比如某用户平时使用淘宝的频率比京东高，那广告当然要投放在淘宝平台，这样可以优化广告的曝光率。最后，问题在于，要向用户推送什么样的广告。通过最优化思维，我们可以发现每个用户不同的需求，商家的广告也需要根据需求来定制，这样用户收到的广告推送就会千人千面，更符合他们个性化的需求，用户的购买欲望也会相应地提升，在一定程度上优化了产品的销量。 第四，优化可以帮助企业减少库存，降低管理风险。日本一家家具企业经常大量购进优质木材，因而经常会出现所有订单都完成了还剩下很多木材的情况。这些木材存放的时间久了会出现虫蛀、受潮、色泽不均等问题，无法再用于做新家具，这样不但产生了大量的仓储成本，还浪费了大量的资源。为解决这个问题，该公司引进了一个优化系统，对从木材采购到木材保管的全过程都进行了优化。首先，在采购之前，系统会根据优化模型算出一个最佳的木材采购量，这样既避免了过度购买木材，也减少了采买过程中的贪腐行为；其次，该企业还会对剩下的木材进行防蛀防潮湿处理，避免了资源浪费。仓储量的下降减少了工作人员的工作量，降低了管理风险。 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=470&limit=10)