人工智能时代：破解人机共存密码（套装共10册）

“试试具有滋润功效的小黑瓶！”其次，人工智能机器人可以通过人脸属性识别来了解用户需求。例如，有顾客问：“我这个年纪适合用什么呀？”人工智能机器人能够通过对该顾客面部的扫描识别，发现对方有皱纹、年龄偏大，并非常情感化地回复：“皱纹不可怕，推荐塑颜紧致系列哦！”最后，基于前期大量的知识学习和数据输入，人工智能机器人能够进行多元数据挖掘与推荐。比如，当有顾客表露：“我要一只鬼怪色口红送人。”人工智能机器人能够将这些信息与内置的数据库匹配，给出精准引导：“鬼怪色的色号是290，超美，在口红区！”或者当顾客问道：“最近换季，有什么推荐呢？”人工智能机器人也能根据所学知识为顾客解忧：“试试水光润系列，深入补水还能抗氧化，非常火，广受好评哦！”有些顾客拿不准自己的偏好，可能会问：“我想买个眼霜，最近流行的哪种比较好呀？”此时，人工智能机器人会根据以往的消费者数据，提供合理的推荐：“今天已经有19个顾客小姐姐询问过小黑瓶大眼精华眼霜呢，要不要试试？”

无论是哪一类顾客、哪一种需求，人工智能机器人都能根据大量的数据基础，依靠人工智能进行分析，为顾客提供高质量的推荐。这样，在精准给到高质量信息的情况下，人工智能机器人提高了顾客的满意度。

个体产生结果：真是太能干了！

第三步，个体产生结果。在得到了这一系列的推荐后，顾客开始做出相应的行动。在此之前，兰蔻专柜的负责人曾表示：“有时候顾客太多，难免有照顾不周的地方，如何提升服务质量、给顾客最佳的体验，是我们一直思考的事情。”而当人工智能机器人加入后，迎送宾客、为顾客解答疑问、推荐化妆品、漫游行走寻找指定产品等工作都可以全权交给人工智能机器人去做，并且这样能给顾客带来趣味性、多样化的购物体验。在场受到人工智能机器人帮助的顾客都惊叹：“真是太能干了！”

更准确地来说，人工智能机器人在为导购人员提供更好的帮助的同时，也为顾客带来了更智能的服务，让他们拥有“上帝之感”，开启了顾客愉快的购物体验。在现场，有位女士问：“能帮我找一下大粉水吗？”“人工智能机器人带你去看看吧。”这位女士感叹：“万万没想到，接待自己的居然是一个机器人！”

以往人们去化妆品专卖店购物，进门不到三分钟就会有好几个美容导购员寸步不离地进行推销，即使有些人已经有了选购的目标，导购员依然会跟在身后不厌其烦地介绍。这些导购员的过度热情令人十分尴尬，也使得导购员这一角色备受争议。但是如今，导购机器人的出现解决了这类问题，同时也满足了顾客对咨询、引导的需要。

实现价值：人工智能服务于人类的一次探索

第四步，实现价值。说到价值，人工智能机器人的出现，满足了顾客的购物需求，给顾客带来了美好的休闲体验。这对于商家来说又意味着什么呢？或者说，商家从中获得了什么呢？这次兰蔻与人工智能机器人的跨界合作，是美妆与人工智能的一次探索。目前，人工智能已经落地多个行业，有效地辅助着人们的工作。有了“美妆知识+机器人”这样的人工智能解决方案，导购能够从基础的重复性劳动中解放出来，学习更多的专业知识和技巧，提升个人服务能力。这也就意味着，商家能够在减少许多人力成本的同时，更好地在导购层面提升质量。除此之外，人工智能机器人还可以基于人脸属性识别和顾客历史消费数据等，进行精准营销。比如，针对陌生的女性顾客优先推荐促销信息，或者为有商品咨询记录的顾客提供定制化的商品介绍、引导等购物服务。这样，给商家带来的最终的价值是，他们能够获取极高的顾客购买率。

人的认知有时候是一个很主观的过程，在化妆品领域更是如此。可能这几天周围的人都在讨论豆沙色的口红或者玫瑰香的粉底液，你就直观地认为他们一定喜欢这类化妆品，或者说全国、全世界范围内的顾客都会喜欢这个款式。但有时候人们的讨论焦点的触发动机并不是单一的，这些动机在日常的对话中并不能准确体现出来，那么这样的主观揣测就未免过于武断。有些顾客之所以买豆沙色的口红，是因为这款口红刚好是她喜欢的演员或者偶像代言的；有些顾客之所以买豆沙色的口红，是因为刚好有套衣服与之相配。这种阶段性的需求可能过段时间就不灵了。如果始终按照之前的需求为顾客推荐，就可能会出现顾客需要粉底液而为她推荐防晒霜的“错配”现象。在这一方面，人工智能可以精准地抓取顾客在方方面面留下的迹象进行组合判断，更全面、更精准、更客观地判断出你究竟对哪种化妆品里的哪种因素更“来电”。所以，我们要摒弃下意识的主观感受，恰如其分地挖掘、利用好数据。

这四步完成，实际上我们就走完了从数据到价值的一次旅程：人工智能机器人通过对大量数据进行学习，了解顾客的需求，定向合理地推荐一些符合受众品位的化妆产品。对于顾客来说，他们能够及时获取最符合自己兴趣和心意的产品，满足了自身愉悦购物的需求；对于商家而言，顾客对感兴趣产品的咨询和光顾次数，就直接影响了顾客的购买率。

这是一个从数据出发，到价值为止的过程。但一次业绩的提升并不是终点，人工智能还会把这一次的数据反馈到模型里，从而提升下一轮的决策质量，也就是说，数据和人工智能会持续地为我们带来价值。所以对于像兰蔻这样的商家和企业来说，运用人工智能其实就是了解顾客需求的过程，并能够有效地提升服务。

到这儿我们总结一下，AI思维的核心竞争力是去平均化的能力。所谓的平均化思维，指的是无差别化，每个人、每个产品都同质化；而去平均化，则是肯定人与人、环境与环境的差异性，不同的人有不同的想法和喜好，根据这些差异化需求产出差异化体验。我们可以通过数据和人工智能准确理解每个人的潜在动机，从而最优化决策，达到各自理想的目标。如能合理使用，无疑将带来更高的生产力和更合理的资源利用方式，产生新的价值。AI炼金术便能从数据中产生价值，同时它也是AI思维的具象表现形式。

通过人工智能决策来实现价值的源头是数据，所以，数据的广度和精确度决定了人工智能能够为人类做出多大的贡献。数据越多，越能更全面地反映个体的实际行为与想法，人工智能的预测就会越精准。如果赋予人类预测的能力的话，我想大多数人都会选择先预测一下自己的命运。所谓“知生死安天命”，随着人类身体数据的累积，人工智能对病人的死亡时间预测的准确率也有望更加精准。相关资料显示，科学家通过人工智能解读数据，利用200万份电子病历来进行人工智能深度神经网络的训练，全方位审查患者家族史、用药情况、各项体质指数、食物摄入等因素，进而能够预测机体的未来。目前，这一人工智能模型已经能够依据大量的数据提前12个月预测到患者的死亡时间，准确率达90%。研究团队还将这一预测结果与英国国家统计署的死亡记录、英国癌症注册记录等数据库的死亡数据进行了比对，之后又将这套人工智能模型与两项标准的预测方法进行比较，结果显示，这一新模型的准确率比之前的预测方法高了10.1%。

根据上面这些数据，科学家们不仅能够预测到很多原本无法定论的结果，而且还能了解到影响人生命期限的多种因素，从而使人们根据这些结果对自身生活习惯进行调整，达到延长生命的目的。例如，科学家在实验中对受试者的水果、蔬菜、肉类、奶酪、谷物、鱼类、酒精等食品摄入的量做了考查，找到最利于生命体健康的饮食摄入比例，在病人治疗期、康复期对其饮食结构进行调整，使其达到促进机体代谢健康的目的。这也是人工智能通过数据进行预测的价值所在。

新制度经济学的鼻祖、诺贝尔经济学奖获得者罗纳德·科斯曾说过：“如果你拷问数据到一定程度，它会坦白一切。”大数据包罗万象，能够将许多看似并不相关的事件联系在一起，使我们能够更加清晰明了地把握事物发展的趋势，跟上瞬息万变的社会潮流。谁掌握了大数据，谁就掌握了主动权，不仅能够决策世事，更能够成全自己。但数据就像一片汪洋大海，望不到边际，我们自己很难游上岸；这时就需要人工智能做舟——长风破浪会有时，直挂云帆济沧海。

AI如何做出决策

前面我们讲了从“数据”到“价值”的历程，大数据的出现使人工智能的决策更高效更聪明。数据加人工智能，为我们在决策时提供了无数个在以前无法实现甚至是无法想象的可能性。那么人工智能是如何一步步地将“数据”转化为“决策”的呢？如图3-2所示，从“数据”产生“决策”的具体过程是这样的：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，之后需要通过模型评估来产生回测效果。在回测中检验合格的模型就可以投入生产，生产过程中如果有新的个体数据输入，就会通过生产模型得到预测分数，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。模型本身也要受到监控，监控的目的是产生质量报告，来确保模型正常运行。这一整套框架被称为“人工智能决策引擎”，接下来我们将对它进行详细了解。

数据和特征处理

毋庸置疑，数据是当下这个时代很重要的一种资产。我们经常提到的大数据有“3V”：Volume，即数据量，以往数据量少，以MB、GB为单位，但是随着互联网的发展，数据不断积累，现在数据量已经发展到了以PB、EB、ZB为单位表示；Variety，即多样性，根据数据的结构是否统一，将数据分为结构化数据、半结构化数据以及非结构化数据；Velocity，即速度，指的是数据的产生速度越来越快。

那么数据是如何产生的呢？首先，社会在发展、人类在生活，就会有源源不断的新数据涌现出来。无论是机器生产还是市场营销活动，都沉淀了越来越多的数据。其次，随着互联网的发展，知识的权威性不断下降，任何人都可以成为信息的发布者，数据就这样不断地积累，数量越来越多。最后，随着学科的不断发展，人们描述同一类型事物的角度越来越多，例如随着基因科学的发展，现在用来描述基因的指标维度非常多，比如说，每个人的DNA（脱氧核糖核酸）分子是由约30亿个碱基对按精确的顺序排列而成的，一个碱基对就对应了一个维度，那么一个人的DNA分子就有几十亿个维度。像这样的例子其实还有很多，数据就这样不断积累到了一个非常庞大的数量。

通常，在各种各样的业务过程中形成的历史数据很杂乱，并且分散在不同的数据库和数据表里，不够系统化。为了更好地利用它们，我们需要把它们整合在一起，得到一套结构明确、条理清晰、便于理解的系统化数据。比如说现在需要处理一份在过去两年时间里形成的顾客在不同商家的消费行为数据，由于顾客消费行为的多变性以及商家的多样性，这份数据的数据量庞大且类型多样。而人工智能会对这些复杂的数据做特征处理，特征处理是通过对原始数据的处理和加工，将原始数据维度转换为特征数据的过程，特征是数据中所呈现出来的重要特性，通常是通过数据维度的计算、组合或转换得到的。经过特征处理，数据就被加工成了机器学习能够理解的数据形式。

过去，特征处理都是通过单台计算机进行，处理效率比较低。2005年，由阿帕奇（Apache）基金会所开发的哈杜普（Hadoop）可以将多台计算机连接在一起形成计算机集群，提供分布式并行的特征处理和分析功能，实现对复杂数据的快速、可靠的计算。由于其技术的高效性，对特征处理能力的提高，特征处理变得越来越容易，所以特征处理的门槛越来越低。到2008年左右，越来越多的公司意识到大数据时代分布式并行计算的重要性，同样地，这也为人工智能处理大数据提供了完善的基础设施。但特征处理的过程通常也是枯燥而繁重的，看不到直接有用的结果。如果卡在这步，对企业来说，人工智能就无法落地。

机器学习和优化

做好了特征处理，下一步就是机器学习。机器学习，就是在特征上建立模型的过程，这里需要选择合适的预测模型，运用历史数据学习出模型。机器学习在各行各业都开始应用，例如在零售领域，通过发放优惠券来刺激老顾客、吸引新顾客是常用的营销手段，但是随机投放优惠券往往效果不明显，在某种程度上还会打扰到顾客，这样不仅造成了营销成本的浪费，还会降低品牌的声誉。为改善营销效果，一些零售商采用机器学习来进行营销。机器学习根据大量消费数据学习出预测模型，能够预测顾客是否需要某种类型的优惠券，以此来决定是否向该顾客投放优惠券。这样不但使真正需要的顾客享受到了优惠，还改善了商家自身的营销效果。

机器学习的过程，其实和人类通过经验总结生活规律再来指导我们之后的生活是相类似的。我们通过生活规律来指导的是以后遇到的事情，同样地，机器学习需要预测的也是将来。未雨绸缪，早为之所，商家可以根据机器预测提前做很多事情来促进顾客的消费，在最短的时间内抢占市场份额，扩大利润，也为自己争取更多时间，使自己更加灵活地应对一些突如其来的市场变化。如果一个人平时有吃零食的习惯，那他一定听说过良品铺子。从竞争激烈的零食行业中发展到现在会员数量达7 400万、2 000多家线下门店以及覆盖多个外卖渠道，良品铺子的崛起离不开人工智能的帮助。零食品类所面向的消费群体是非常大的，但零食又是一个随意购买性的商品，也就是说平时你可能想不起来买零食，但是如果身边刚好有一个零食货架，你可能会很随意地拿几样薯片和可乐去结账。

为了抢占如此大的消费市场，推动自己的产品覆盖更多的场景，良品铺子开始借助人工智能来帮助提高自身的业务预测能力。人工智能的任务就是对良品铺子的各种历史数据进行学习，然后将其多个渠道的会员数据打通，在这些数据的基础上了解用户需求，也就是通过机器学习建立预测模型。这样的模型可以提前预测哪些用户购买零食的可能性大、哪些用户最喜欢购买哪几种零食，在此基础上为用户提供更加符合个人喜好的个性化推送；推送渠道也会根据用户最常使用的渠道来确定，真正实现以用户为中心的精准营销。除此之外，人工智能还可以为前端业务创新提供支持。譬如说，如果跟踪用户购买情况的数据，显示某段时间内用户的购买热情有所下降，商家就可以制定秒杀、拼团或者发放优惠券等活动来刺激用户购买力。

机器学习产生模型还能用来检测接吻场景。这个功能的发展源自斯坦福大学数据科学家阿米尔·齐亚（Amir Ziai）的奇思妙想，他想让人工智能学习什么是接吻，所以他从好莱坞电影数据库中挑选了100部经典电影中的代表性片段，按内容将不同的电影片段标记为接吻或者非接吻片段，并通过机器学习分析了这些片段，特别是观察电影片段中人物的嘴唇动作，然后配合场景和电影背景音乐，学习什么是接吻，形成了专门的接吻识别模型。一般而言，接吻是影片中的高潮节点，推动了整个故事的发展，这个模型可以将影片中的接吻片段标记出来，为做视频剪辑工作的人员提供精彩片段的筛选过程。与接吻模型属于同类型的微表情识别模型和动作识别模型现在也展开了应用，比如在2019年，日本开发出一种基于人工智能的偷窃预警系统VaakEye，它经过10万小时的训练，能够识别出顾客是否将商品装入包中，或者是否出现可疑行为，并提醒超市工作人员注意防范。日本50多家便利店应用了VaakEye，其盗窃行为识别的准确率高达81%，将便利店的入店行窃损失减少了77%。

模型建好之后，仍然需要详细的评估和验证。模型评估，也就是回测模型效果的过程。回测指的是用历史数据来验证建立的预测模型是否有效。预测模型，顾名思义，是用来预测未来的、目前尚未发生的事情。经过回测，评估合格的模型才有资格进入生产环节。这样做是因为只把模型构建完成是不够的，我们并不知道这个模型是否具有实践中的普适性，是否存在差错和不合理的地方，如果匆忙将模型投产，可能会为企业带来损失；片面地忽视回测结果，缺少后续推动，也会导致人工智能落地艰难。科学的回测既能保证人工智能为我们创造价值，又能为企业的每一个业务决策提供保障，避免损失。很多企业的领导不了解回测这种手段，也不重视过程，只关注最终的收益。事实上，他们忽略了科学的回测结果跟最终的经济结果之间本身就有着极强的相关性，是实践中非常重要的信号。通常，只要回测结果证明模型是合格的，最终的经济结果就很有可能令人满意。

只有模型评估合格，达到预期的效果以后，我们才能将它投入例行化生产，开始预测分数。比如说在一个借贷项目中，对许多参与者的信用程度进行预测，然后将预测的分数做个排序，通常来说，信用分数越高的用户获得贷款的可能性就越大。模型生产涉及大量工程化的工作，需要将软件开发工作系统化、模块化、规范化，从而保证高稳定性和可靠性，这个过程要在复杂的计算机和数据系统上进行，并与其他软件进行耦合，所以需要人工智能科学家和工程师紧密的配合。我见过一些大公司，人工智能科学家和工程师之间不能紧密配合，团队之间割裂，即便他们拥有一流的人工智能团队，人工智能也无法发挥价值。

下一步就是业务优化。业务优化，也就是从预测分数做出决策的过程。对个体行为准确的预测和把握，可以帮助行业决策者做出优秀的商业决策。在这个过程里，我们会通过优化整体的业务目标，比如说收益，把预测结果转化为具体的、可执行的业务决策。例如，Caliber Collison是一家美国的汽车修理公司，离职率曾高达40%。公司研究后发现，这一问题的部分原因在于其门店有时没有足够的车供员工修理，导致员工之间的工资差距较大。于是它开始从人力资源软件中提取出员工数据，建立定制的机器学习模型，预测员工是否会考虑离职。然后，Caliber通过该模型对员工离职率的预测分数进行业务决策。例如，如果模型检测到一名员工的工资在几周内一直下降，那么他的预测分数就会相对高一些。为了尽量让员工留下来，Caliber的地区经理就会多分配给他一些汽车去修理，让他的工资有所上升。相反，如果模型检测到一名员工很忙，虽然他的工资很高，但是他感到很疲惫，那么他离职的预测分数仍然不会低，这时公司就可以把一些工作重新分配给他的同事。如此一来，公司的工作结构就更加均衡，Caliber的离职率也直线下降，每年在招聘上节省了百万美元。