"所有的模型都是错误的，但有些模型是有用的。" 这是20世纪统计思想家George E. P. Box的一句名言。
 
这似乎是一个奇怪的信息--我们建立的所有模型不应该尽可能地正确吗？然而，作为一名数据科学家，我认为这句话很有智慧。毕竟，企业购买人工智能不是为了模型的准确性，而是为了推动商业价值。如今，许多企业在投资人工智能时，并没有充分意识到它在带来商业影响方面的潜力。现在是时候转变对话了。
 

 
问题是什么？大多数团体在着手构建他们的AI解决方案时，都会讨论他们想要预测什么，并迅速转向讨论模型的准确性。这种策略往往会将数据科学家带入模型指标的低谷，这些指标与业务KPI没有任何联系。相反，我们必须专注于期望的业务成果，以及AI可以规定我们采取什么行动来实现这些目标。
 
我们用一家软件公司的例子来说明这个问题。这家公司的应收账款团队可能会使用AI来预测一张发票是否会按时支付。孤立地看，这种预测的商业价值是有限的--准确预测每个客户按时付款并不能完全达到收缩现金收入周期的目标。相反，这个团队应该从整体上考虑人工智能解决方案：如何将他们的预测与帮助用户集中时间的关键建议和行动相一致。
 
那么，我们如何实现这个目标呢？我们需要打破业务领导和数据科学家之间的孤岛。最关键的是，让我们让业务领导者和数据科学家一起遵循四个关键支柱，这将使组织围绕一个更智能的核心方法进行调整。
 
MEASURE the KPI. 我们正在跟踪的业务结果是什么，并作为衡量标准来跟踪你的模型的影响？
根据AI规定的内容进行干预。存在哪些组织杠杆和限制，你的AI如何提供指导？
实验来衡量影响。建立模型，并将这些模型部署在受控实验中，以将影响归结于AI的使用。
通过不断监测、优化和实验来迭代。数据会变化，机会会出现，没有一个模型是永久存在的。
这四大支柱将帮助数据科学家向他们的业务同行浮现出更多有价值的问题，并让上述业务领导对AI在组织内的力量有更深的理解。很多时候，技术专家很难或耗费时间去教育他们的业务对口人员了解AI，或者询问他们为什么建议使用某个特定的预测模型。AI可以不仅仅是驱动它的数据集。采用这四个支柱并尽早和经常进行诚实的对话，可以带来更多的灵活性和弹性--这一点至关重要，因为从本地到全球的事件改变了我们周围的商业环境，从暂时的异常事件到黑天鹅事件。
 
让我们回到我们讨论的业务结果--收到发票付款。
 
通常情况下，企业会建立一个预测模型来标记哪些客户可能存在不按时付款的风险。但如果我们专注于一种更好的衡量影响的方式，我们会把这个预测性标志变成一个规范性的解决方案，并训练模型来增加发送发票后30天内收到的预期收入。
 
如今，应收账款的工作人员可能有几种工具可以使用，以确保在30天内收回付款。每种工具都有各自的功效，从电话到电子邮件推送、自动付款建议或暂停服务的短信。工作人员可以从这些行动中选择任何数量的行动，以尝试达到目标，然而他们可能会受到时间上的限制。单纯预测结果的模型不足以帮助员工选择采取什么行动。相反，尝试建立模型，预测给定这些干预措施的结果，从而影响产生最佳结果的行动。
 
我们现在已经把我们的预测标志计划变成了规定的干预措施。然而，模型并不意味着是静态的，因此，运行测试、跟踪实时交互、获取时间数据（按顺序）和监控你的KPI是确保你的模型在面对突发事件时不会崩溃的关键步骤。模型不会永久存在，所以要敏捷地知道如何部署新的模型。迭代不仅是为了解决问题，也是为了寻找机会。是的，它能让你快速响应数据漂移等问题，但它也能让你进行试验--不断推进业务发展。
 
这种从预测性到规范性的思维转变，是我们在其业务中理解和利用人工智能的自然演进。而在当今高度不可预测的经济和竞争激烈的商业环境中，这一点更为重要，实时决策和快速提供价值的能力可以将赢家和输家分开。
 
通过www.DeepL.com/Translator（免费版）翻译