教谷歌大老闆怎麼用 AI 管公司的她，不提人工智慧，只講決策智慧
你有沒有過一個經驗，突然聽到一個新字眼流行起來，身邊每個人都在說，你對它只是一知半解，但卻不好意思開口問清楚？谷歌有史以來第一位首席決策科學家（Chief Decision Scientis）凱西柯茲科夫（Cassie Kozyrkov）認為，這就是現在絕大數人對機器學習（Machine Learning）的狀況。
誰是凱西柯茲科夫？她是谷歌的首席決策科學家，這個工作崗位是谷歌在今年創造的新崗位，她最主要的工作就是對谷歌高層的決策過程與如何應用 AI 策略提供建議，協助將谷歌打造為一個數據驅動的組織，簡單講，這就是一個“教”谷歌高管們怎麼用 AI 管公司的工作。
教一家可能是全世界最懂 AI 的公司高管們怎麼用 AI？這工作的 JD(Job Discription) 聽起來似乎有些不可思議，但事實上，卻有實際存在的必要性，因為，開發 AI 演算法或產品是一回事，但要將 AI 應用在企業環境中進行決策，可是另一回事。
而柯茲科夫的工作是在谷歌內部推動決策智慧（decision intelligence）創新實踐，並已親自培訓過超過 15,000 名谷歌員工。
她在 2014 年加入谷歌，今年 3 月，谷歌為她創造出該公司有史以來第一位首席決策科學家（Chief Decision Scientist）的職位，服務於谷歌雲（Google Cloud）部門，主要工作是對谷歌高層的決策過程與 AI 策略提供建議，並協助將谷歌打造為一個數據驅動的組織。
也因為她，谷歌又界定出了這個稱為決策智慧工程學（decision intelligence engineering）的全新學科。據她解釋，決策智慧是一門跨領域科學，主要結合了資料科學和行為科學。
這是因為，在谷歌這樣一個擁有龐大資料的公司，需要有人能其在一系列產品和服務中運用機器學習技術，建立一個可靠的決策框架，讓內部的個人和機器都能做出更明智的決策。但這樣的框架並不存在，因此谷歌決定公司決定建立一個。
機器學習可以說是當前企業界最火熱的字眼之一。然而很多時候，機器學習被過度神化，彷彿遇到任何商業問題，只要找一些資料丟進機器學習模型，就可以得到神奇的解答。
但很多企業都失敗了。柯茲科夫在日前於新加坡的一場“決策智慧——重新思考傳統”（Decision Intelligence – Rethinking Tradition）的演說中，釐清什麼是機器學習，企業又該如何運用機器學習來進行商業決策。
柯茲科夫（Cassie Kozyrkov）指出，許多企業在使用機器學習時經常“用錯誤的順序，然後不斷失敗”，以致於浪費資源，又得不到想要的結果。
圖｜谷歌首席決策科學家凱西・柯茲科夫（Cassie Kozyrkov）（來源：MAS）
在這場演說中，一開始，柯茲科夫先請在場聽眾舉手回答兩個問題，一是有誰知道如何製造微波爐？一是有誰沒有用過微波爐？兩個問題在場都沒人舉手。
她接著指出，一般人都不知道怎麼製造微波爐，但卻沒有人不會使用。其實機器學習也是這麼一回事。機器學習的研究和應用，不應該被混淆，但許多人或企業卻都會犯這個錯誤，只是想微波食物，卻找了一大群人來打造微波爐。這無異於是找工程師來下廚。即便結果成功，也只是因為剛好找到會下廚的工程師。
她形容，機器學習就像在廚房做菜，可以分成四個部分。第一個部分是資料，也就是原料。第二是演演算法，這就是廚具。第三是模型，這就像食譜一樣。第四是預測，也就是最終的菜色。
圖｜柯茲科夫（Cassie Kozyrkov）認為機器學習就像在廚房做菜，可以分成資料、演演算法、模型、預測等四個部分（來源：DT 君攝）
多數企業的需求只是要煮出一道菜，而不是要生產微波爐，但卻往往犯了從頭開始製造這些廚房用具的錯誤。其實，這或許也不能怪這些企業，因為當前機器學習的應用面確實還不夠成熟。
她指出，機器學習很常跟人工智慧（AI）被相互混用，實際上學界認為這兩者之間有著分別。事實上，柯茲科夫把機器學習的定義簡化成一個“事物”的標籤機，它不是神奇的黑魔法，本質就是對其識別的某個事物給予標籤，只是與傳統方式相比，機器學習是靠“範例”而不是“指令”來標籤事物。
但無論如何，機器學習與 AI 有著共同原則，那就是兩者都是運用資料、演演算法、模型和預測，來自動執行一些很難用言語解釋的任務。而這可以說是人類史上一個“全新的方向”。
柯茲科夫又將機器學習分成兩種，分別是傳統人工智慧和決策智慧，並定義前者是機器學習研究，用以打造通用型的工具。後者則是組合了機器學習應用、統計與分析，用以解決商業問題。
也就是說，機器學習可以分成基礎研究面與實務應用面。想要下廚，不需要會製造廚具，只要懂得如何使用即可。而製造廚具的人，也不必然需要精於烹飪。
但她認為，目前企業界在運用資料結合機器學習進行商業決策時，人們經常用錯誤的順序，也就是直接從資料、從機器學習下手來解決問題，然後不斷失敗。她說，“你應該從你的顧客開始，而不是從工具、從原料開始來解決問題。”
她進一步解釋，資料是人工智慧能夠發揮作用的一個關鍵。但很多時候，企業往往沒有真正釐清核心問題就跳到技術解決方案，然後將失敗原因歸咎於是資料不足或資料過多。但實際上，如果能夠真正釐清問題，就不難找出合用的資料。
不管怎麼說，柯茲科夫強調，用機器學習來解決商業決策問題，其實比想像中要容易得多。只是企業必須避免本末倒置，搞錯順序，硬是找工程師來負責下廚。