"數據是美麗的，但最重要的卻是決策。決策就是任意實體在各種選項之間做出選擇。研究AI，需要深入理解決策智能化，我們往往可以從定量和定性角度考慮，定量主要涉及數據科學，定性涉及社會、管理科學。
數據是美麗的，但最重要的卻是決策。決策就是任意實體在各種選項之間做出選擇。研究AI，需要深入理解決策智能化，我們往往可以從定量和定性角度考慮，定量主要涉及數據科學，定性涉及社會、管理科學。
在大草原上，有人心中想著避開獅子；回到現實社會，有人想成為AI領導者，想設計數據倉庫：二者有何相似之處？它們都涉及到“決策智能化”（Decision intelligence ）。
決策智能化是一種新學術理論，它涉及到選擇的方方面面。決策智能科學將數據科學、社會科學、管理科學融為一體，幫助大家用數據改善生活、優化企業、改變世界。AI時代來臨，決策智能變得越發重要。
總之，決策智能化的目標就是將信息轉化為更好的行動，不論規模如何都能處理。
今天我們簡單介紹一下決策智能科學的基本術語和概念。
什麼是決策？
數據是美麗的，但最重要的卻是決策。數據貫穿我們的決策，貫穿我們的行動，影響我們周圍的世界。
什麼是“決策”？我們認為決策就是任意實體在各種選項之間做出選擇。
計算機系統給圖片做標註，指出圖中動物是不是貓，這是決策；掌管項目的人類領導做出決策，看看是不是推出系統，這也是決策。
決策制定者是什麼
我們這裡所說的“決策制定者”，不是掌控項目團隊的利益相關方或者投資者，而是左右決策架構、情境框架的人。換言之，他精心設計，是創作者而非破壞者。
決策制定
許多學科都用到“決策制定”這一術語，使用時意義各有不同，它的意思可能是這樣的：
- 在有其它替代選擇的條件下采取行動（從這個層面講，決策可能是計算機或者蜥蜴做出的）。
- 履行人類決策制定者的職能，人類決策者為決定承擔責任。雖然計算機系統的確可以制定決策，但是我們不能管它叫“決策制定者”，因為它們不會為結果承擔任何責任，最終責任會落在人類的肩上。
決策情報分類
要了解決策智能化，往往可以從定量和定性角度考慮，定量主要涉及數據科學，定性涉及社會、管理科學。
定性：決策科學
涉及定性的科學我們稱之為決策科學，決策科學要回答如下問題：
——如何設置決策標準，制定指標。（所有）
——你選擇的指標是否與激勵相容？（經濟）
——應該以怎樣的質量來制定決策？應該為完美信息付出什麼代價？（決策分析）
——情緒、啟發和偏見在決策制定中扮演怎樣的角色？（心理）
——皮質醇水平等生物因素如何影響決策？（神經經濟學）
——信息表現形式的變化會給選擇性行為帶來怎樣的影響？（行為經濟學）
——在群體環境下做決策時，如果優化結果？（實驗博弈論）
——設計決策環境時，如何在海量限制和多級目標之間保持平衡？（設計）
——誰將感受到此決定的後果？不同的群體會獲得怎樣的體驗？（UX研究）
——此決策目標符合倫理嗎？（哲學）
這裡只是例出一點點，還有很多！
大腦
人類不是優化者，而是滿意者，也就是說人類滿足於“足夠好”而非“完美”。
回到現實，人類利用認知啟發(cognitive heuristics) 來節約時間和精力。許多時候，這樣做很好，如果在大草原上碰到猴子，我們可以第一時間奔跑，不能精心計算然後再行動。“滿足”還可以節約能量，人類大腦就像一臺能耗極高的電子設備，雖然重量不到3磅，但它佔用近五分之一的能量。
99.9%的人不會每天都面臨獅子的威脅，因為“偷工減料”，最終我們的大腦未能為現代環境做好充分的準備。
深入理解人類大腦的決策機制，理解人類大腦是如何將信息轉化為行動的，這樣我們就可以保護自己，防止自己受到大腦缺陷的影響。我們還可以根據理解開發工具，增強人類能力，讓環境與大腦更加協調。
如果你認為AI將會淘汰人類，那麻煩你再多思考一會。所有技術都是創作者的反映，大規模運行的系統會放大人類的缺陷，正因如此，如果想成為負責任的AI領導者，必須提高決策智能化能力。
也許你並沒有做決定
有時，當你思考自己的決策標準，你會發現世界上沒有任何東西改變你的心智，你已經選擇了自己的行動，現在你只是想讓自己感到更舒服一些。這種認識是有益的，因為它會阻止你浪費時間，幫你重新調整不良情緒，當你做任何事情時，數據真是給人增添無數煩擾。
除非你碰到未知的事實，需要採取不同的行動，否則沒有必要做決策。當然，接受一些決策分析培訓的確能讓你把事情看得更清楚一些。
在完美信息之下做決定
沒有什麼比事實更好，當我們做決策時，如果有事實可以依賴，往往會根據事實做決策。正因如此，我們的首要任務就是弄清楚如何處理事實。
可以用事實做什麼
——你可以用事實制定非常重要的決策。如果決策真的足夠重要，你會依賴定性因素來幫助自己做決策，力求讓決策更明智。心理學家知道信息可以用你不願意接受的方式操縱你，所以他們提供許多建議，幫你精選信息——做決策之前預先接收的信息。
——你可以用事實鞏固觀點。（從“我期待外面陽光明媚！”變成“我知道外面陽光明媚”）
——你可以利用事實做出一個基於存在的重要決策。“我發現隔壁出現一個埃博拉病例，我得趕緊離開。”這就是基於存在的決策。基於存在的決策之所以形成，是因為出現以前未知的事實，它動搖了你的方式方法，你事後才發現自己做決策的環境並不牢固，是草率搭建的。
——你可以利用事實讓大量決策實現“自動化”。
——你可以利用事實創建自動化解決方案。你可以觀察與系統有關的事實，然後根據觀察編寫代碼。傳統方法會根據思考而非信息來編程，上述方法更好一些。
——你可以利用事實獲得最優解決方案，完美解決問題，自動解決。
——你可以利用事實啟發自我，告訴自己未來如何制定重要決策。
——你可以利用事實評估正在處理的事。
——你可以利用事實來制定某些決策，這些決策不是那麼重要，利害沒有那麼嚴重，制定決策時不需要太過認真，比如：“今天午餐吃什麼呢？”如果所有決策都追求完美，最終會導致一生都無法達標，你會被毫無意義的完美主義綁架。不過不要太依賴這種方法，如果你希望提高決策質量，還是需要更嚴格的要求。
用決策科學訓練自我，當我們需要做出基於存在的決策時，可以節省精力，換言之，用相同的精力我們可以提高整體決策質量。這種方法相當實用，不過要做到真的很難。
數據收集與數據工程
如果我們能掌握事實，早就已經掌握了。在今天的世界，我們為信息忙碌。數據工程是一門複雜的科學，如果大規模部署，必須讓信息可靠，這正是數據工程的使命。跑到店鋪買一枚冰淇淋很容易，如果重要信息以電子表格的形式列出來，數據工程同樣很容易。
不過如果讓你運送200萬噸冰淇淋，還要保證不融化，那就不是易事了。如果你要設計、修建並維護好巨大的倉庫，而且不知道接下來倉庫要存放什麼，可能是魚，也可能是鈈，那難度就更大了。
對於決策智能來說，數據工程只是兄弟姐妹，是關鍵合作學科；數據科學包含大量傳統專業知識，我們用這些知識設計、管理事實。
定量：數據科學
當你制定決策，查看所有需要的事實，用搜索引擎或者分析方式獲取事實，最終剩下的只有執行。你執行完畢，不需要數據科學。
如果給出的事實並不是可以幫你做決策的理想事實呢？如果只是部分事實呢？也許你需要的是明天的事實，但你擁有的只是過去的事實，怎麼辦？
也許你想知道所有潛在用戶對你的產品有何看法，但你只問了幾百個人的意見。於是乎，你做決策時就會存在不確定性。你所知道的並不是你想知道的。怎麼辦？讓數據科學來幫你。
很明顯，當你發現擁有的現實並不是自己需要的事實時，就要修改方法策略。可能它們只是大謎題中的小謎題，也許它們是錯誤的謎題，但你找不到更好的。
當你無可奈何，只能超越數據時，數據科學就會變得有趣起來，不過要小心，不要犯下伊卡魯斯（Icarus）一樣的錯誤（伊卡魯斯乘著父親做的人工翅膀逃離克里特，由於離太陽太近以致粘翅膀用的蠟溶化了）。
總之，我們可以從之前封閉固定的學科中汲取智慧，用這些智慧來提高決策效率，決策智能化的本質正在於此。我們對決策智能化有著多種多樣的看法，決策智能化將這些看法融合在一起，讓我們變得更強大更凝固，最終幫助人類打破傳統限制。
我們可以用廚房AI來類比，如果AI研究的目的是想開發新式微波爐，將AI植入微波爐，那麼決策智能化的使命就是讓微波爐安全達到目標，並且在不需要使用微波爐時可以使用其它東西。目標往往是決策智能化的起點。
原文標題：“Introduction to Decision Intelligence”
作者：Cassie Kozyrkov
譯者：小兵手
來源：https://36kr.com/p/5235848
本文由 @36氪 授權發佈於人人都是產品經理，未經作者許可，禁止轉載
題圖來自Unsplash，基於CC0協議
"