三個多倫多大學管理學院「創造破壞性破壞實驗室」的管理學及行銷學教授及經濟學家(Ajay Agrawal, Joshua Gans, Avi Goldfarb)從經濟效益的角度分析一家公司如何正確使用AI工具或系統、使用AI之時機，以及機器與人如何進行良好分工，與提出如何利用建議之工具結構工作流程及技能決策，以讓AI成為有用的工具，寫成” Prediction Machines: The Simple Economics of Artificial Intelligence”一書(中譯本:「AI經濟的策略思維:善用人工智慧的預測威力，做出最佳商業決策」，天下雜誌出版，2018年10月)。全書共分為(1)預測、(2)決策、 (3)工具、(4)策略、(5)社會等五大部份。
一.機器擅長與不擅長的預測:機器較無法在有限的數據下有好的表現，受過完善訓練的人可以看出局限，因此人必須了解機器、也有互相合作的機會提升準確度及效能。
|
已知的已知(機器擅長) |
擁有豐富的數據，所以可以做出好的預測。 |
機器可提供較佳預測，如詐騙偵測、醫療診斷、球員篩選。 |
|
已知的未知(人類相對較行) |
數據太少，所以知道難以預測。知道有些事自己還不知道。 |
因事件罕見，所以預測有難度，如總統大選、大地震。人類相對擅長以稀少數據預測及判斷。 |
|
未知的未知(人與機器都無效) |
過去的經驗未曾補捉到的事件，如黑天鵝事件，無法從過去的資料預測真正的新事件。 |
人類與機器的預測都無效。如Napster的出現讓CD產業崩潰。 |
|
未知的已知(機器預測不準) |
某種未知或未觀察到的因素使得結果隨時間的變化，並讓我們以為自己能做的預測變得不可靠。但機器可以提供非常精準答案，但答案可能會的離譜。 |
機器會倒果為因，但人類可以分的出因果關係。 |
P85~P88
二.如何拆解決策流程進行AI預測:
1.以All Canvas工具拆解流程，找出有預測要素的任務，並提供工具完成預測，以此建立事業之基礎。
2.拆解之七大素要包括:(1)預測; (2)輸入; (3)判斷; (4)訓練; (5)行動; (6)結果; (7)回饋。
3.書中以招募MBA學生為例，建立AI系統流程:
|
預測 |
判斷 |
行動 |
結果 |
|
預測申請人畢業10年後是否名列50大最有影響力校友 |
判斷接受與錯誤接受相對價值，以及放棄與不鎖定前50人之相對成本為何? |
接受申請入學 |
以畢業10年後的全球影響力衡量是否是優秀的校友 |
|
輸入 |
訓練 |
回饋 |
|
|
|
每年新申請人與事業發展 |
|
(1)強迫了解三類數據:訓練數據、輸入數據與回饋數據，同時也促使使用者精確描述要預測什麼; 評估不同行動與結果的相對價值所需要的判斷、行動的可能性、以及結果的可能性。
(2)預測需要具體的東西，招募「優秀」學生的意義為何?公司想達到所謂「獲利最大」之意義為何?以週、季或10年為計算方式？
三.有了AI還需要人嗎?
1.如前所述，目前針對不同性質的預測，人與AI仍各有優勢。
2.未來當然愈來愈多的事可交給機器處理，但是如何增進機器的效能，以及一開始誰來設計機器，與遇到極端事件時(如飛機或自駕車發生緊急事件通知，將控制權交到人手中時，如何處理這些工作。解決方法就是確保人類可以獲得技能，並保留下來，而經驗是一種稀有資源，必須分配一些工作給人，以確保人不會因此失去技能。
3.因此AI也許會取代許多人的工作，但衍生出的其它工作，以及還是需要有在行業傑出有經驗的人判讀結果，及設計改良機器。
四.AI對社會的可能影響
1.生產力與分配的取捨:AI具有規模經濟、提高生產力，及降低勞力薪資。因此可能會產生所得分配惡化的結果。
2.創新與競爭的取捨:預測準確愈高，具有規模經濟，公司的地位提升可能導致獨佔，但短期對創新及社會有利，但長期不一定對社會最有利。
3.效能與穩私的取捨:AI若有更多數據表現會更好。但提供個人數據通常以減少隱私為價值。如歐洲嚴監管可能提供個人更多的隱私，但將妨礙未來其在AI的競爭力; 相反的中國大陸的環境(易取得資料)，卻可能造就AI的競爭力的提升。
留言列表
