在《决策知识自动化(大数据时代的商业决策分析方法)》中,针对决策需求分析方法的适用,Alan向读者提供了一个简单且实用的指南。同时,菲什对知识、决策机制及不同场景下业务流程中决策服务的关键角色进行了简短而全面的介绍。
本书核心章节主要介绍了决策需求的建模方法以及相关研讨会。从发现问题到实施决策,Alan展示了该决策方法是如何对项目每一阶段的实施提供帮助的,同时,本书还提供了大量常见决策模式及其案例分析,以便帮读者快速了解掌握这种方法。
如果你计划对决策进行分析和建模,这本书就不容错过,它将引领你顺利完成工作。
《决策知识自动化(大数据时代的商业决策分析方法)》综合大量来源于业务流程自动化的主流应用场景,聚焦于组织管理及运营中经营决策的知识自动化这一主题,菲什向读者展示如何在实践中应用知识自动化技术实施决策管理,以提高运营效率和组织受益。
本书适合各企业CEO、CIO、IT架构师以及一切对知识自动化理论感兴趣的读者。
增加精度借助基于规则和分析模型等形式的知识,决策管理系统往往比传统决策流程做出的决策更加精确。若系统是基于规则的,那么它将模拟组织中最佳决策者的决策制定行为,并保证不会出现故意违法的情况。若系统是基于模型的,那么它将根据预期收益最大或其他重要业务指标最优的原则进行决策。无论基于何种执行方式,系统都会对每个单独业务采取相同的最优决策制定策略。通过持续监测自动决策的行为,可以确保系统中的知识总在不断更新并适应变化着的商业环境,同时使系统的性能并不会随时间推移而降低。
降低成本使用业务知识自动化决策制定流程而非仅仅使用行政管理的方法,将允许管理者更加灵活地分配人员力量。通过将大部分业务进行完全自动化处理,管理者可将人员集中在更加困难、更具风险甚至存在欺诈司能的业务上。它还可以帮助企业更加灵活地购买数据,例如判断是否购买机构数据,如若购买,还需判断哪些数据是有用的,以及从哪家机构能够买到这些数据,等等。
提高速度即便采用设计最为完善的决策支持系统,一个人类决策者也需要数秒甚至数分钟的时间才能做出一个基本的接受/拒绝判断,而在一些更复杂的情况下,如计算一项健康保险索赔业务收益的时候,可能要花费数小时的时间。但当这些业务知识被获取并自动化之后,同样的决策可能只需要几微秒的时间。只有在使用决策管理系统建立起端到端的全自动发放流程之后,零售金融产品(如信用卡)的在线申请处理才成为了可能。
提高敏捷性如果业务知识是存在于人类决策者的头脑中的,那么变更公司战略就至少需要数天甚至数周的时间,需进行包括传阅新的文件甚至是对人员进行再培训等工作。而使用基于现代决策管理工具搭建的自动决策系统,业务知识可直接由管理人员进行升级,避免了常见的IT研发和管理周期变更。例如,若一名信用风险管理人员想要变更贷款申请人的信用级
别标准,那么他仅需要更新一张数据表,在虚拟市场中测试一下新的策略,最后部署新策略并替换掉原有策略即可。全程不过几分钟。
提高一致性一旦业务知识被获取并被封装入自动化决策系统中,它就可在不同的产品、业务线、渠道和市场部门中被重复使用。这就保证了客户待遇的一致性,同时降低了实施的成本并简化了所需要的维护。相比对每类商品都设置一个特定流程来处理的方法,使用决策系统使得交叉销售产品和对产品记录的处理变得更为容易。
图l一2是一个决策收益定价法的图解,该图对决策的性能及其改进的可能性给出了一个多维度和定性的展示。若要将其转化为单一货币价值(如为一个业务案例提供具体的:ROI数据支持),企业需首先基于核心绩效指标(Key PerformanceIndicators,KPI)对转化指标达成共识,以便将定性的维度量化为美元(或其他货币单位),之后便可对结果进行加总。
这对于精度和成本维度来说并不太难,因为这两个维度原本就是关键财务指标。速度和敏捷性被认为在一定程度上降低了机会成本(以敏捷性为例,若原本升级战略的花销是×美元/月,决策管理系统可使战略变更落实的时间由六个月缩短到一个月,那么在每次战略升级中都可以省下5×美元)。一致性维度的量化较为困难,因其回报往往是客户体验提升、品牌声誉提高等这类抽象收益。如果此类回报要被包含在ROI结果中,公司需要用客户忠诚度或交叉销售机会等数据来估算其所带来的收益。
本书并非一本决策收益定价法的教程,想要了解更多有关的内容,请阅读Taylor13或Larry Rosenberger、John Nash14的相关著作。此外,还有一些其他的方法也同样可以有效审计决策管理项目所带来的收益。上述内容的主要目的是,阐明当业务知识被嵌人自动化决策系统之后,它将为公司带来一系列特定收益且这些收益可被量化为货币价值。
这些收益的价值正是知识的价值。(P11-12)
2012年底,我与几位同事赴美考察3D打印与社会制造产业,其中美国东部的纽约市是主要考察地点,因为新兴的几个小公司Makerhot、Shapeways、Quiky等都在那里。恰好,女儿也在那里工作,而她的朋友正是Shapeways的一位负责人,故请她帮忙联系部分访问事宜。当时正在纽约上州伦塞利尔工学院(RPI,也是我的母校)工作的张清鹏博士,也与夫人驱车数小时从Troy赶来相会,并请我和女儿到Hudson河畔晚餐。清鹏是我在美国毕业的最后一名博士,博士论文题目就是“人肉搜索”和众包机制,也是多年前我为实证社会计算研究而布置的起步工作。晚饭期间,我谈起自己刚刚完成的《从社会计算到社会制造:一场即将来临的产业革命》一文,讨论到关于社会信号的工作以及社会信号与知识自动化同物理信号与工业自动化的联系时,感到应当把知识自动化单列出来,不再局限于算法自动化,使其尽快成为一个独立的研究领域。女儿因在公司负责系统与运营,说看过一本新书,好像就叫“知识自动化”。
随后我立即在网上搜索,很陕就找到了Alan N.Fish博士的Knowledge Automation,刚刚出版。浏览之后,觉得虽然内容与我们讨论的相差较远,但不失为决策知识自动化方向的一部优秀著作,特别是此书具有很强的实践背景。当时,我就动了将此书译成中文的念头,作为知识自动化的起步和普及材料。只是Probabilistic Graphical Models:Principles and Techniques的翻译工作还没有收尾,自己的学生和同事已因此耗费了太多的时间与精力,所以,尽管此书不厚,但也实在无精力和体力再开始新的翻译工作。我曾试着问女儿,是否有兴趣翻译此书。她想了几天,表示不行,一是工作太忙,二是自幼长在美国,觉得中文基础难以胜任。
回国后,我得知侄女要去美国留学,就到自己过去工作的大学和系读研究生,而且准备选我曾建议并帮助创建的工程管理专业,与知识自动化的关系十分密切,因此又动员侄女来翻译Alan的书,并保证提供帮助。侄女答应了,还打算选过去的同事做导师,以交通知识自动化为题做论文,但因读书时间比较紧张,翻译工作一直没有开始。
没有想到,一份突如其来的海外趋势发展报告极大地推进了此书的翻译进程。2013年5月,麦肯锡全球研究所发布题为《颠覆技术:即将变革生活、商业和全球经济的进展》的报告,预测了12项可能在2025年之前决定未来经济的颠覆性技术,其中代表“知识工作的自动化”之智能软件系统位居第二,列于“移动互联网”之后,“物联网和云计算”之前。这一分析预测使得“知识自动化”就是“知识工作的自动化”的认识一时风行于整个世界,引起业内外的一片热议。
在国内,麦肯锡报告引起了国家自然科学基金委员会和大学科研机构的许多专家学者的高度重视,并组织了相应研讨会。大家一致认为,知识工作的自动化是知识自动化的一种具体而重要的形式,是自动化学科发展的一个十分重要的新方向,是时代的要求,也是自动化走向智能化的必经之路。为此,我还将中国《自动化学报》创刊50周年专刊序文命名为《天命维新:迈向知识自动化》并在当年秋天的中国自动化大会做了题为“面向人机物一体化CPSS的控制发展:知识自动化的挑战与机遇”的大会报告,希望充分引起相关学者的重视。今天社会对智能技术的关注程度,也说明当时的认识是正确的。
2014年春,新智元创始人杨静女士和图灵公司武卫东总编来我办公室,协商开办人工智能微信群事宜,我正负责智能自动化的科普传播工作,立即表示大力支持。同时询问武总是否有兴趣出版Knowledge Automation一书的中文版,因为感觉“图灵”的名字和带来的样书很适合本书的发行。武总十分热心,并很快办好了著作版权事宜。我的博士生王晓和其他几位刚刚加入团队的研究生和访问学生对翻译此书也表示了极大的热情和兴趣。在大家的共同努力下,本书的翻译,终于圆满完成。
回顾知识自动化的历史,起源可以追溯到古希腊亚里士多德的描述性知识和原始的形式逻辑以及工业革命之初英国布尔对其变革的拓展。半个世纪前人工智能的正式提出,以及随后而来的知识表示、专家系统、知识工程、智能系统等,构成了知识自动化完整的进度发展历史。知识自动化与人工智能中的知识表示和知识工程的关系是显而易见的,但其与专家系统的更加内在且深刻的关系,随着专家系统近乎彻底的消失而被一些现代学者所忽略。
本书以一种十分具体的应用实践方式,将专家系统的思想带回知识自动化。当然,我们应以一种新的、时代的、更高的眼光重视知识自动化的技术基础。一种可能的视角就是以智能算法和软件机器人为基础,针对Cyberspace中许多基于特定领域的“软件”任务,开发面向知识工作自动化的“知识机器人”。
本书作者Alan N.Fish博士是FICO公司决策方案领域的首席顾问,同时担任对象管理组织(Object Management Group,OMG)决策模型与符号(Decision Model&Notation,DMN)制定委员会的联合主席。自2012年Knowledge automation一书出版以来,本书所提的理念与方法就得到了众多同行的认可,并在各个领域得到了广泛应用。特别是文中第4章所建议的DRD(决策需求图表),现已被形式化为一种开放的OMG标准——DMN。DRD的核心在于:通过结构化的描述决策、决策间的依赖以及决策所需的信息及知识,为参与知识自动化项目的所有人员提供了一个一致的、“带有预见性的自上而下”的框架。DMN是作为业务流程建模符号(Business Process Modeling Notations,BPMN)的“姊妹”标准引人的:用户可以使用BPMN中的决策点来对业务流程建模,然后使用DMN来对这些决策点上执行的决策机制建模。对于DMN标准及其与DRD的区别,有兴趣的读者可以参考作者与人合著的Emerging Standards in Decision Modeling:An Introduction to Decision Model and Notation一书,或登录网址Http://www.omg.org/spec/DMN/查看。截至本书出版这一刻,市场上已经存在许多DMN建模工具了,这些工具可直接绘制DRD,定义或引入潜在的决策逻辑,并将生成的决策模型部署为可执行的决策服务。作为.DMN标准的主要制定者之一,Alan一直活跃在决策管理与决策自动化领域,并引领着这一领域的发展。
为什么我们现在需要知识自动化?一言以概之:工业时代需要工业自动化,知识时代必须知识自动化。工业时代的发展在许多方面对人类的体力提出了“非分”的要求,迫使人们必须依靠工业自动化的手段来“补偿”其体能上的不足,才能实施、运营、维护各类大型或精密的系统和过程;同理,面临物联网、大数据、云计算、智能技术等,正在迅速兴起的知识时代也对人类的智力提出了更高、更加“非分”的要求,人们更需要借助知识自动化的方法来“弥补”其智能上的不足,进而才能去完成各种层出不穷的不定、多样、复杂任务。
大数据特别是社会信号的出现,为知识时代复杂任务的描述、建模和解析提供了新的思路。以网络信息为主要表现形式的开源数据,虽然被认为是印刷出版发明后知识之产生与传播的又一场革命,但其价值仍未被充分地认识,在过去相当长的时间里,对于正式渠道的态势评估和决策支持而言,基本还处于“无用”状态。无用之用,众用之基:大数据时代,我们应该以开源信息为主,汇集海量数据,然后通过定量的方式来描述、分析、评判知识的价值,使之服务于企业、科技甚至社会决策。
从技术发展的角度而言,在机械化、电气化、信息化、网络化之后,我们正进入第五个发展阶段,即虚实互动的平行化时代。我们认为,软件定义的系统、“激活”情报以及灵活的动态网群组织(CMO)将成为平行时代成功企业管理和运营不可或缺的关键因素。软件定义系统的构建和使用,为企业管理和决策提供了真实可靠的科学依据。在企业内部,构建与之互动演化、反馈执行、协同发展的人工流程、人工工厂及人工企业,可针对流程执行管理、资源分配调度及企业生产制造进行建模计算、生产优化以及监控预警。在企业外部,利用知识自动化技术,可针对特定问题,将各种各样的相关网站、博客、论坛、微博、微信及其组合视为观察和获取企业决策所需知识的“信源频道”和“传感网络”,从而高效并准确捕获目标定位的企业竞争情报和决策需求信号。随后基于软件定义的企业对需求信号进行数据计算和知识解析,构造“激活”的情报,为企业流程管理、生产制造、决策制定提供有效、准确和灵活的输入。其中,CM0是社会信号获取、社会需求定位的关键。这要求我们必须充分认识到世界正从牛顿系统为主导向以默顿系统为主导的演化,并迫切需要考虑智能的“虚实二象性”。在牛顿系统中,多数定律是发现的;在默顿系统中,多数定律是发明的。利用泛在的便携式移动传感设备、蓬勃发展的社会媒体以及网络世界无限的信息和智力资源,知识自动化将把人纳人数据生成、信息感知、知识推理、智慧解析、决策执行,然后生成新的数据的整个闭环过程中。因此,平行时代的知识自动化必然是信息化、自动化、智能化、人机化等的有机融合,必须从物理信息系统(CPS)走向物理社会信息或社会物理信息系统(CPSS)。
十分感谢为本书翻译做出贡献的各位学生和同事,他们是王晓、郑心湖、林懿伦、白天翔、王杰、袁勇等,同时,王成红教授、桂卫华院士、柴天佑院士、孙优贤院士、郑南宁院士、张钹院士、黄琳院士、吴宏鑫院士以及多位参与基金委“知识自动化”研讨会的专家和学者也在本书的翻译过程中给予了大力的支持,并对译稿提出了宝贵的修改意见。Alan本人也提供了很多帮助并充分肯定了书稿的翻译质量,在此表示诚挚的感谢。最后,向新智元创始人杨静、图灵公司武卫东总编和朱巍编辑及其同事在本书翻译过程中所提供的帮助深表谢意。
希望本书的出版,能够有效地促进知识自动化和智能产业的发展和深入。
王飞跃
2015年夏秋记于青岛、长沙、北京
“Fish博士认为,决策需求的分析是在业务流程工作中实现知识自动化的关键,也是企业决策管理的核心所在。通过使用决策需求分析图表,将决策、知识和数据之间的依赖关系图形图像化,清晰地阐明‘局部知识用于局部决策,全局知识用于全局决策’的‘所要即所需,所得即所用’理念,更好地实现知识的价值。本译著的出版对于从事知识工作的自动化的研究具有重要参考价值。”
——柴天佑,东北大学教授,中国工程院院士
“2013年麦肯锡发布了题为《颠覆技术: 即将变革生活、商业和全球经济的进展》的全球报告,预测了12 项可能在2025 年之前决定未来经济的颠覆性技术,其中第二名便是以智能软件系统为代表的‘知识工作的自动化’,并预估该技术可在2025年带来5.2万亿至6.7万亿美元的经济效益。Fish博士从企业经营管理的角度出发,探讨了如何获取知识以及如何将知识应用于企业决策制定等问题。但他的方法并不局限于企业的应用,同样适合于工业流程中的决策制定与管理。本书条理清晰,令人受益匪浅。”
——桂卫华,中南大学教授,中国工程院院士
“‘知识自动化’是传统人工智能的基石,Fish博士强调了知识在业务流程中的应用及价值体现,借助规则、算法及预测分析模型等方法,将知识封装在决策服务中,并在面临特定需求的时候调用并使用知识。‘企业知识自动化’只是人工智能‘知识工程’大概念中的沧海一粟,他的方法却为人工智能的知识驱动法提供了一条可行的途径。”
——张钹,清华大学教授,中国科学院院士
“培根的名言‘知识就是力量’照耀了人类社会进步五百多年。物质运动的自动化已近百年,显著地改变了人类生产与探索世界的进程。当今,信息科技是建立在数据之上的,信息科技的巨大发展必然导致大数据的时代,这个时代呼唤知识的自动化。现在讨论这个问题正逢其时!”
——黄琳,北京大学教授,中国科学院院士
“知识自动化是信息自动化在开放的网络空间中的延伸与提升,它并非只是知识的自动产生过程,更能够诱发知识的传播、获取、分析、影响、产生等方面的重要变革。”
——吴宏鑫,中国空间技术研究院研究员,中国科学院院士
“Fish博士提出的收集、建模与管理决策需求的方法行之十分有效。对于任何想要建立决策管理系统,或是高效地以决策为中心进行形势分析和开展商业自动化的组织、团体或个人,本书都是必读之选。”
——James Taylor,Decision Management Solutions公司CEO、首席顾问
“Fish博士具有IT、人工智能、基于规则系统开发的复合背景。本书中,他着重解决了两个问题:其一是基于规则系统在辅助决策中的应用,其二是将这些应用自动化。对于关注这些主题的企业管理者和分析师,特别是对如何在商业流程中使用规则系统的读者,本书提供了一个完整的概述,且文笔流畅、易于理解。”
——Paul Harmon,Enterprise Alignment公司创始人、首席顾问