从卡塔尔世界杯的AI“裁判”,看企业智能决策怎么做?

MAS 新技术 2022-11-30
11月21日0点,2022卡塔尔世界杯将迎来揭幕战。据悉,本次赛事将采用半自动越位识别技术(SAOT),协助裁判更准确地进行越位判罚。

在四年前的俄罗斯世界杯上,还是采用的VAR(Video Assistant Referee)视频助理裁判,使用视频回放技术帮助裁判作出判罚决定,而SAOT技术则将这一过程交给AI系统,帮助裁判员实现对越位的“一键”判罚。

从裁判自主决策到简单的协助判断再到自主决策,人的参与渐次减弱,机器的参与渐次增强,而这样的趋势同样体现在企业智能决策的各类场景中。未来的智慧型企业通过新型智能决策系统的构建,基于数据发现问题,提出预警并直接驱动采取相应的行动。

那么,企业到底如何构建智能决策系统?智能决策又在企业中有哪些具体应用场景?


01从人脑决策到企业智能决策闭环


人脑决策是怎样实现的?以裁判员为例,试想一下,在计算机与智能技术尚未得到应用的过去,裁判员是怎样在一场赛事中进行判罚决策的?


首先,裁判员需要全面感知赛事的信息,基于感官收集的发球时间、球员肢体位置信息进行整合与加工分析、洞察决策,在裁判确定好结果后,再协调手足、语言等开展执行。在执行过程中,裁判员可以对执行情况进行监控、分析与评价,并做出改进。在一次判罚中,裁判员最核心的中枢就是大脑,裁判员大抵经过捕获信息、分析信息、作出决策、付诸行动四个阶段。同时,判罚完成后,本次判罚的信息又会反馈并存储于裁判员的大脑并形成经验,赋能与优化下一次决策。


而面向未来的智慧型企业,作为一个智能体,也需要这样一个“大脑中枢”,来进行感知、洞察、决策、协同执行和开展评价反馈。对于企业而言,这样一个智能决策的闭环过程,需要通过数据驱动来实现。

undefined


具体而言,智能决策的闭环包括数据采集、数据治理、数据建模、自动决策、指挥执行、反馈改进,如图1所示。

undefined

图1. 智能决策闭环


数据采集:数据驱动的起点,是创造数据、重构系统和建立连接的过程;

数据治理:数据标准化、数据资产化的过程;

数据建模:通过建模,将数据转化为结构化的知识的过程;

智能决策:自动化、智能化地开展数据洞察,推动业务和管理决策的过程;

指挥执行:用决策的结果直接驱动业务活动的过程,包括下达任务指令、监控执行过程、分析执行结果、评价执行效果等一系列活动,确保数据驱动价值的实现;

反馈改进:系统结合决策和执行中的反馈情况,通过深度学习算法去自动修正和完善的过程,最终形成一个动态的、自主发展的闭环。

02

智能决策的五个层级


“数据+AI”是数据驱动的核心,也是智能决策的核心。

毫无疑问,人工智能正在推动人类文明进入智能时代,人类与日趋“聪明”的机器协作创新正在成为未来工作的主要范式,也将成为人类在生产工作中开展决策的主要工作模式。

自动驾驶是智能决策的一个典型应用场景。按照美国汽车工程师学会(SAE)的定义,在汽车自动驾驶中,依照“人的参与渐次减弱,机器的参与渐次增强”的顺序,可分为从机器实现单一控制功能到机器替代人类完成全部控制功能的五个层级。

这一分类层级同样也适用于企业智能决策的各类场景,依照这一逻辑,企业智能决策可以分为以下五个层级:

第一层——呈现,核心是要你看见

即将数据结果呈现给用户,只反应客观事实,不做判断,典型应用场景如数据报表。在这个层级上的数据驱动未形成人机协同,仅有简单的人机交互。放到体育赛事中,VAR视频助理裁判就属于这一层级,其实质是使用视频回放技术帮助主裁判作出正确判罚决定。VAR本身不会作出任何决定,而是帮助主裁判作出决定。

第二层——预警,核心是助你分辨

即基于数据判断好坏优劣,典型应用场景如红绿灯、仪表盘,在这一层级上系统已开始进行数据的处理分析,并能协助用户进行数据判断,人机交互程度进一步提高,但数据分析判断过于简单,仍未达到人机协同的程度。如在自动驾驶的场景中,通过仪表盘呈现的信息,了解车辆在进行变道时,屏幕呈现出的本次变道涉及的周围场景,如车道线、前后方车辆情况等。

第三层——建议,核心是帮你抉择

即基于数据做出行动建议,如商品选择、抖音推荐,这一层级在一定程度上已经开始出现人机协同,与传统的工具不同,信息系统可以运行设定好的模型算法,针对用户的输入执行相应的命令,做出预设性的建议,人与数字系统的交互是双向、多重的,并且可以形成多轮开放式对话,但做最终决策的仍然是人,系统仍处在被动地位。如通过企业智能数据分析助手,企业管理者可以通过人机交互直接发起对话,实现数据的查询、运算与分析,通过归因分析解释数据变化及异常原因,通过智能业务分析报告辅助业务决策等。

在卡塔尔世界杯中使用的SAOT系统则属于这一层级,整个过程是人与机器之间的协作过程。SAOT系统通过将皮球传回的时间信息和摄像头跟踪得到的球员肢体位置信息进行整合、计算,裁判就可以得到一个由系统计算出的精确结果。SAOT系统起辅助作用,做出判罚决定的仍然是裁判。

第四层——决策,核心是替你决断

即基于数据自动决策和执行,如银行贷款等,依托智能系统,数据驱动场景正式进入人机协同阶段,智能系统具有情境感知、自适应学习、自主决策及主动交互与协同等关键特征,当人与具备这些特征的智能系统进行交互时,仿佛是与合作伙伴或者队友打交道,开始选择性的将经营管理事务交由系统自动决策和执行,在此过程中,人和系统互相双向学习,推动着人机交互向人机智能协同发生深刻的转变。如通过企业的数智运营中心,实现问题发现、策略匹配和最优推荐,辅助管理决策,任务精准下达与执行过程的监控。

第五层——融贯,核心是虚实合一

即将虚拟与实际打通,在人机智能得到充分融合的条件下,人机协同将向人机融合转变,人与机器的共生关系将在信息传递、信息处理及决策执行等方面都得到全方位的充分体现。以元宇宙为例,用户通过元宇宙基础设施和超级VR技术让自己全身心地成为元宇宙的一份子(Cyborgs)。在混合虚拟现实技术的支持下,日益人性化的人机互动界面导致网下与网络空间的不断重合,网络空间就是现实空间,现实空间亦是网络空间。数据驱动下的决策也将难分是完全由机器做出还是由人做出,机器和数据已经成为现实人不可分割的部分。

03

企业智能决策系统的构建:1平台+4中心


对于企业而言,智能决策通过构建面向未来的经营管理系统来实现。在数字化、智能化时代,智能决策对企业的感知能力、洞察能力、决策能力和执行能力都提出了更高的要求。

undefined

如图2所示,从技术实现层面来讲,数智运营中心应该包括一个平台和四个中心:
undefined
图2.数智运营中心的逻辑架构

1.一个平台数据平台

一个平台就是搭建作为技术与数据底座的数据平台。

undefined

企业通过构建数据平台打通数据壁垒,汇聚多源数据,实现全方位、全过程、全领域的数据实时流动与共享;构建数据治理体系,实现数据标准化和数据资产化;基于数据平台提供的AI能力,包括RPA引擎、AI分析引擎、可视化引擎、知识图谱、算法管理引擎等子系统,企业能够开展数据建模、数据加工、智能分析、数据挖掘和数据模拟预测等,形成有价值的数据资产和服务化的数据应用。

2.四个中心:规则中心、监控中心、决策中心、指挥中心

—规则中心:确定数智运营相关规则

建立数智运营中心的规则体系,对与业务管理紧密相关的政策、规定、策略等进行数字化转化,形成数字化管理的基础规则库,以及基于知识图谱的知识库和指标库。定规则过程体现了经营规则集中管控的能力,将企业经营过程中积累的经营问题、策略方案、管理方法等知识进行数字化沉淀,是企业经营管理逐步走向数智化不可或缺的经验库。

监控中心开展业务全程实时监控

以规则体系中的各项规则为比对标准,基于分析模型和分析工具自动化实时开展业务过程中的数据监控和探索,全面描绘企业运行状态,发现经营异常、业务问题和运营风险,可以做到对业务动态的实时可视化捕获和对经营风险的主动预警,让经营管理层看清业务全过程。监控过程中系统执行指标、展现、预警等主要功能,体现了全面感知的能力。

决策中心:实施自动化建议和判断

对于在经营过程中预警的经营风险,通过数据和算法匹配知识库中的解决方案,开展模拟测算,形成多种可选择的方案或策略,赋能经营管理决策,让整个经营过程更加平稳运行。建议和判断过程体系包括模型、计算、方案等主要功能,体现了前瞻洞察及科学决策能力。

指挥中心:指挥任务执行形成反馈闭环

企业经由系统自动化建议和判断形成的最终方案策略基于任务执行过程自动下达到各业务系统,触发相关业务流程,实现信息传递的零失真,决策到执行的自动化,形成自动运营的业务闭环,保证决策与执行完全一致。任务执行过程包括协同、行动、指挥等主要功能,体现了闭环指挥的能力。

04

智能决策在企业应用中的具体场景


在业务经营过程中,企业通过数智运营中心,基于数据发现问题,提出预警并直接驱动采取相应的行动,从而推动智能决策在企业经营中的实现。

那么,智能决策在企业中有哪些具体的应用场景呢?我们通过两个场景来理解。

场景一:零售企业的客户流失管理

客户流失是企业经营活动中经常面临的一个典型场景。特别是对零售行业而言,如何建立与客户之间的连接,形成稳定的客户关系,是零售企业需要具备的核心竞争力。

数据平台数智运营中心聚焦企业服务的关键业务对象,基于数据平台建立客户与相关对象的数字孪生。通俗来讲,就是利用标签细分客户、产品、业务员、门店、市场等,从属性、行为、偏好等维度对标签进行刻画,在数字世界中建立形象化、人格化的客户画像,从而更好地洞察客户行为特征,寻找与客户沟通的高价值触点和模式。

规则中心在定规则过程,基于数据综合考虑每个客户的具体情况,基于客户自身的购物周期、行为偏好以及产品特性等设定偏移量,如客户“在自身购物周期内没来消费”,当系统识别到某一客户已触发“在自身购物周期内没来消费”这一情况时,会将其标记为流失客户或沉睡客户。同时,系统将提供一系列场景分析策略,用于定位具体的流失原因。如通过多变量分析发现流失原因为客户搬家后选择就近购买;通过关联分析发现产品定价高出客户购买预期;通过满意度分析发现产品或服务问题等。

监控中心在监控过程中,系统开展自动化实时监测并输出可视化的报告,发现问题时将第一时间触达运营人员,例如:对未来1个月客户流失率或将达到10%这一情况进行预警,并预测客户流失客户原因及不同原因造成的流失比例。

决策中心在建议和判断过程,运营人员结合推荐处置方案,针对预警的客户流失问题开展情景模拟测算,利用因子分析等方法评估出高价值待挽回客户及相应的挽回策略,确保不会出现发起高额成本活动却只挽回个别低价值客户等情况,达到与客户的双向沟通和反馈,提高客户挽回率。

指挥中心在任务执行和闭环反馈过程,系统将决策指令自动化下发至相关业务人员展开营销行动,并建立跟踪任务。例如:系统可跟踪客户进入营销网站或小程序领取活动优惠,浏览、下单、付款、核销优惠券的全过程,实时可视化呈现策略执行效果以及客户反馈情况,基于人机协同的工作方式,对决策有效性进行科学评估。在整个过程中,所有信息都被记录下来并数据化,机器不断训练迭代改进,对流失问题对应决策的推荐权重进行调整,对客户情况进行多维度的更新,最终完成客户流失场景的智能管理闭环。

场景二:供应链金融中的财务风险监控

在供应链金融业务中,风险控制是重中之重。数智运营中心通过风险自动识别、策略模拟及智能化推荐、决策自动化下达、持续跟踪风险策略,能够有效解决风险难发现、风险管控措施难决策、执行过程难跟踪、风险改善难量化等问题。

数据平台:在数据基础平台中整合客户交易、企业经营、市场动态等数据,与企业合作的银行、担保公司、大数据公司等外部数据一起进行风险监控,并建立大量业务风险AI模型。

规则中心开展AI模型检测、判断数据风险指标,及时发现业务过程中的风险指标。

监控中心实时、动态地反馈风险信息,将风险信息以信息卡片的形式推送给相关财务人员,实现最短时间、最高效率、最低成本为财务人员预警风险客户和风险业务。

决策中心针对系统推送的相关风险信息,根据风险类型、风险等级、风险属性等信息,在系统中提取相关管理规则,开展多场景风险推演及模拟,基于管理规则进行定量评估计算,获得定量化、图型化的多版本决策建议清单,支持管理者在多种决策方案间进行实时推演、过程对比和综合分析,实现决策简单化、定量化、自动化。

指挥中心在决策下达过程中,系统向各业务系统发送动作信息,如:通知金融机构实时调整客户授信额度、向ERP下达业务交易冻结指令、向CRM系统下达业务员工作指令等。同时,系统持续跟踪风险事件的发展过程,对执行过程进行持续监督和评估,判断执行过程是否存在偏差,以及提供实时的信息反馈。

在风险事件完结后,数智运营中心沉淀了大量的管理规则,形成该公司面向未来的决策知识库,进一步提升了公司管理决策的智能化与自动化能力。

......

本文为付费文章,更多精彩内容可付费()查看!
本文为付费文章,更多精彩内容可付费查看!
立即购买
本文为付费文章 您已购买成功!
继续浏览