人工智能与变革管理专栏之二： 组织管理之变：颠覆性的重建
齐佳音
上海对外经贸大学，人工智能与变革管理研究院，院长，教授，博士生导师
人工智能技术群对于社会生产、消费、生活、工作等诸多方面都会发生颠覆性的影响。对于这一宏观层面的判断基本已经得到了共识，但是对于微观层面上的诸多影响，还有待各界进一步的思考和总结。借此专栏，我想在此分享人工智能技术应用对于企业组织管理这一微观领域带来的颠覆式挑战：
管理对象的变化。对于人性的假定和探索一直是管理学研究的出发点。泰勒的科学管理时代将人矮化为产生效率的流水线工序，哈佛大学梅奥教授革命性的霍桑实验中的发现，管理学中的人是社会人，社会人不仅仅在意经济利益，也在意工作中与周围人的关系。或者说，管理学中研究的人是计谋人，计谋人将不断评估经济利益与非经济利益，做出对个体有利的行动。在之后，基于“人之初，性本懒”麦格雷戈提出管理中的X理论，基于“人之初，性本善”提出组织激励中的Y理论。但是总体来说，对于人的“无赖假设”是西方组织体系、机制、制度设计的出发点；对于“套路”或者“潜规则”的运用，也是计谋人在获得利益中普遍采取的策略。但是在人工智能时代，由于关于人的各类数据连续被采集、分析、反馈，人日益成为透明人和空心人，人作为一个个体将很难因个体目的行事而不被发现，而且人人都明白这一点，计谋人失去了存在的条件，套路将很容易曝光在众目睽睽之下。智能时代对于人的管理，我的判断，其出发点将从“人之恶”走向“人之善”，计谋人将很难存在，正念人将越来越多。另外一方面，越来越智慧的机器人，也将成为管理的对象。对于机器人，我们的管理出发点也不能简简单单地将机器人仅仅视为物品、视为机器、视为人类的奴隶，我估计我们更应该将机器人视为另外一种平等的智慧体、合作的智慧体、具有协商机制的智慧体。当人变得越来越透明的时候，尚处于灰箱机制的机器人成为未来管理学不得不关注的对象。单从这一点上来，我认为未来的管理学将面临巨大变化，管理领域的学者要从时代的责任感认识到肩负的重任，砥砺前行。
管理方式的变化。在管理学的发展史上，组织为了提高劳动者的绩效，从车间流水线之父亨利·福特到事业部创建人通用汽车总裁斯隆都在组织管理方式方面做出了历史性的探索。福特的车间流水线模式，按照程序安排工人和工具，运用工作传送带传送工具，使用滑轮装配线转运备件，尽可能地降低了工人的多余活动和动作，将工人固定在流水线上以标准化的动作来完成既定工序。福特时代，车间就是组织管理的基本单元。但是随着企业规模的不断扩大，仅是车间的高效运转很难带来整体的高效，甚至带来组织内部巨大的内耗。小艾尔弗雷德·普里查德·斯隆深刻地认识到这个问题，在通用汽车公司构建了科层式的分权集中管理模式，具体来讲，通过建立专业冷静精明的管理团队，划分高效可靠机械的管理流程，运行分权经营与集中控制管理模式，授权事业部获得前所未有的责任，定位企业高层管理者更加关注于战略，从而引领了大型组织的分权化趋势。到目前为止，斯隆的科层式管理方式依然是大中型组织的日常运作方式。不可否认，斯隆的科层式管理方式在历史上发挥了重要的作用，但斯隆的科层管理方式的假定是大型组织拥有数量众多的人、不同分工形成的单元、信息不畅、沟通成本高的单元协调。到了人工智能时代，人将不再是劳动的主要完成者，不知疲倦的机器人将成为主力，智慧的中央调动平台将使信息实时畅通，最优的决策将及时下达，在这种情境下，科层式管理方式是否还有进一步留存在必要，是值得思考的问题。
管理目标的变化。在整个二十世纪，组织管理的目标都是绩效。但是在人工智能时代，大量运用的机器人将使企业的生产能力和服务提供能力达到前所未有的水平，社会物质极大丰富，物质产品的价格将越来越低廉，物质所带来的绩效感快速下降。一方面是机器替代人类为人让渡出大量的空闲时间，另外一方面是由于人工智能的精确健康管理与精准医疗技术大幅度地延长了人类的寿命。这两方面的因素都使得时间将不再是制约性资源，在某种程度上，如何消耗时间过上“明智、合意且完善”的生活成为一个“真实而永久”的社会性的普遍问题（经济学家凯尔斯，1930）。换句比较鸡汤的话，如何安顿好心灵、安顿好灵魂成为多数人的普遍需求。大量的闲暇时间使得人对于精神需求的渴望快速增长，如何更加高效地提供丰富多元的精神产品成为人工智能时代的企业绩效目标。从物质至上到精神至上，这种社会大需求的调整，无疑将指引人工智能时代的企业要将提供更丰富、更个性化的人类精神服务产品作为智能时代企业经营的目标。
管理手段的变化。工业经济时代，为了更好地度量劳动者的劳动量并给予相应的奖惩，组织设计了各类关键绩效指标（KPI）指标作为管理的手段和工具。但是到了人工智能时代，由于企业要更加多地提供丰富多元的精神产品，这种创造性的精神产品很难通过一套设计好的KPI体系来评估，员工的创造性并也很难通过KPI的压力来激发，对于表现好的员工也难以通过单一的物质奖励来产生激励效果。通过什么样的管理手段来激励创造成为这个时代的难题，KPI的这种外在驱动力开始对创造性的工作失去作用。让工作和人的兴趣一致，通过人的内在价值追求来驱动人的创造力，通过实现人的成就感来实现企业的经营目标应该是人工智能时代可能的管理手段。除了人之外，对于那些已经获得了较高智慧的机器人，他们在长期的学习中也获得了情感，我们又应该采用什么样的管理手段哪？这确实是一个还未有解的难题。
作为一个在管理学领域耕耘十多年的研究者，作为一个与技术领域合作十多年的管理学者，面向越来越近的人工智能时代，我认为管理领域的工作者要尽早考虑如下问题：
第一，要充分认识人工智能所带来的人的问题、机器人的问题，不断对经典的管理知识进行反思，尝试思考在这样一个关于人的特性发生变化的时代，应如何构建新的管理学理论丛林。从计谋人到正念人，机器的人化与人的物化，从物质的匮乏到精神的匮乏，从时间的稀缺到创造力的稀缺，从外力驱动到内在动机驱动，从超大型组织到小而美的灵活形态，这些重要的变化都将对管理学产生重要的影响。
第二，要积极思考新的以人的自由发展为目标的新型组织管理理论、国家治理机制创新以及全球治理机制创新，让全世界所有的人可以共享人工智能带来的自由发展机遇，而不是让一部分人实现了自由，而更多的人走向了身不由己的无路可选状态。人工智能作为人类有史以来最具颠覆性的技术进步，如果不加以宏观层面的机制设计与管理调节，或许将直接导致人类社会的两极化，一部分人坐拥大量资源，进阶到自由国度，更多的人被赶到社会的边缘，直接掉入“被抛弃”的境界。如果出现这种局面，那就是管理学者的失职！
第三，要提前考虑人工智能所带来的关于高等智慧体的管理问题，不断思考人类如何在与高等智慧体的共处中，确保人类的伦理、规范、尊严和价值能够更好地得以保障。相对于前面两个问题，这个问题更加困难和更加具有不确定性。人类孕育了高等智慧体，但是人类并不充分掌握高等智慧体的所有智慧。这就为高等智慧体的失控留下了隐患。但是无论如何，人类还是需要在孕育这些高等智慧体的同时，就要为这些高等智慧体想好和谐共处的机制，为失控的风险做好足够的预防。
第四，要不断推进各个学科之间的协同与共享，特别是要增强社会学领域对于技术领域可能诱发的风险的评估，探索人工智能时代人类新的存在意义与价值。我们的社会在技术的驱动下一路狂奔，从工业革命，到信息化，到大数据，到智能化，每一次技术革命都极大地提升了人类的生产力，但是智能化却是第一次让人对于时间、死亡、遗忘、甚至痛苦失去了概念，从而动摇了我们长久以来的哲学基点，这或许将成为智能时代人类最大的痛点。
人工智能与商业应用
商业机构中的领导者对人工智能的商业影响力感到既担忧又兴奋。全球各地的公司正逐渐意识到这一新技术的力量，并开始探索如何应用人工智能提升企业竞争力。
本文基于Efma和德勤联合进行的EMEA（欧洲、中东、非洲三地区）FSI（金融服务业）调查结果，并引用了业内多家公司的见解和案例研究，分析了人工智能的逻辑建模、行业现状以及理解和利用人工智能技术所需要采取的行动。
1. 人工智能应用领域
人工智能有三大主要应用领域：认知自动化，认知参与和认知洞察力。
认知自动化
在这一领域，人工智能的主要领域是机器学习，机器人流程自动化（RPA），和其他能够自动化深层领域知识开发的认知工具。我们已经看到人工智能设备自动化了那些传统上需要训练有素的工人才能完成的任务。
手写和字符识别是认知自动化应用的最佳范例，它可以支持高强度、复杂繁琐的办公业务，以帮助企业降低风险和成本。例如，可以使用自然语言处理和OCR技术从文档中提取关键信息。
认知参与
人工智能的下一阶段是认知技术“代理”：系统通过认知技术与人类建立密切关系。
认知系统开启了文本/图像/视频等“非结构化”数据的力量，为银行和客户提供定制化的产品和服务并创造新的收益流。
最常见的例子是语音识别接口，它可以执行语音指令，降低温控器或打开电视频道。同时，也出现了一些使用认知参与的新型应用领域，这些领域需要人工智能接触到更复杂的信息并执行数字化任务。比如接收病人入院，或者推荐产品和服务。
认知洞察力
认知洞察力是指从各种数据流中提取概念和关系，用来生成隐藏在大量“结构化”和“非结构化”数据中的相关答案。
总的来说，认知洞察力可以检测来自多个数据源数据的关键内容和相关联系，从而获得更深入和可操作的洞见。
随着处理数据量的增加，观察和预测的准确性得到了提高。人工智能不仅可以深入了解已经发生的事情，而且还能分析正在发生的事情，以及预测接下来可能发生的事情。这可以帮助商业领袖制定计划，帮助员工提高他们的业绩。例如，在全球呼叫中心，客服人员使用多功能客户支持程序来回答产品提问，接受订单，调查账单问题，并解决客户的其他困扰。
根据斯坦福大学主题为“2030年的人工智能与生活”的调查研究，专家预测人工智能将在以下八大领域发挥重要作用：交通，服务型机器人，医疗，教育，低资源社区，公众安全，就业与工作以及娱乐产业。另一方面，美国劳动部在2016年发布的报告中提到“65%的在校学生未来将被雇佣于现在尚未存在的工作岗位”。这些预测告诉我们，在不久的将来，人工智能技术将与我们的生活产生紧密联系，对工作和生活等多方面造成深远影响。
2. 人工智能中的监管问题
接下来的问题是:经济发展和社会各界需要做出哪些准备来迎接人工智能光明的未来？
在2017年初，欧洲议会提出一系列管理人工智能的法规，用来规定相关道德准则，以及人工智能犯错的责任归属问题。
议会调查员MadyDelvax强调了建立一个欧洲机器人监管机构的重要性，该机构将通过提供技术支持来协助政府部门。他还建议起草一份道德行为准则，用以指导机器人工程项目并确定他们的行为责任。
事实上，问责权或法律责任是人工智能争议中的关键问题。自动驾驶汽车的兴起就是最明显的例子，相关各方有必要去定义具体的保险计划，并确定损害赔偿的责任。在未来，智能自动化机器人将被赋予某种“法律人格”。最后Delvaux的报告强调，机器人可能会对社会产生长期影响，政府部门需要密切关注这些趋势，创造新的就业岗位和税收模式。
3. 人工智能发展现状
为了了解金融服务行业在人工智能应用方面的现状和前景，Efma和德勤联合进行了一项大型调查,调查范围涉及超过3000人,受访者主要为金融服务公司技术和业务方面的高管，大多受访者表示，新认知技术的应用将增强工作的可控性，并减轻员工的工作负担，而不是将人们的劳动力完全替代。
对于“贵公司在人工智能应用领域处于什么阶段”这一问题，约90%的公司表示已经开始在他们的工作中使用人工智能技术，或正处于对这一新技术的学习中。
人工智能之决策树(DT)
人工智能之决策树(DT)
在生活或工作中，人们经常面临各种各样的选择，很迷茫和困惑，正确的决策非常重要。同样，人工智能研究中也会遇到决策问题，今天就跟大家聊聊人工智能之决策树。
决策树(DecisionTree)是一类常见的机器学习方法。决策树(DT)在人工智能中所处的位置：
人工智能->机器学习->监督学习->决策树。
在机器学习中，决策树(DT)是一个预测（决策）模型，它所代表的是对象属性与对象值之间的一种映射关系。决策树算法根据数据的属性采用树状结构建立决策模型。
什么是决策树？
决策树(DT)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。从数据产生决策树的机器学习技术叫做决策树学习。
通过定义我们知道，决策树(DT)是一种树形结构，树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。结点有两种类型：内部节点和叶节点，内部节点表示一个特征、属性或一个属性上的测试，每个分支代表一个测试输出，叶节点表示一个类别。决策树(DT)一般都是自上而下的来生成的。每个决策或事件（即自然状态）都可能引出两个或多个事件，导致不同的结果。
决策树(DT)是一种十分常见的分类方法，也称分类树。它是一种监督学习，即给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。因此，决策树常常用来解决分类和回归问题。
决策树构成要素:
1）决策结点：用方块结点□表示，是对几种可能方案的选择，即最后选择的最佳方案。如果决策属于多级决策，则决策树的中间可以有多个决策点，以决策树根部的决策点为最终决策方案。
2）方案枝：由结点引出若干条细支，每条细支代表一个方案，称为方案枝
3）状态结点：用圆形结点○表示，代表备选方案的经济效果（期望值），通过各状态节点的经济效果的对比，按照一定的决策标准就可以选出最佳方案。
4）概率枝：由状态节点引出的分支称为概率枝，概率枝的数目表示可能出现的自然状态数目。每个分枝上要注明该状态的内容和其出现的概率。
5）结果结点：用三角结点△表示，将每个方案在各种自然状态下取得的收益值或损失值标注于结果节点的右端。
总之，决策树一般由决策结点、方案枝、状态结点、概率枝和结果结点等组成，这样树形图由左向右或自上而下，由简到繁展开，组成一个树状网络图。
决策树学习过程：
决策树学习过程(建树过程)包含特征选择、决策树的生成与剪枝过程。决策树的学习算法通常是递归地选择最优特征，并用最优特征对数据集进行分割。开始时，构建根结点，选择最优特征，该特征有几种值就分割为几个子集，每个子集分别递归调用此方法，返回结点，返回的结点就是上一层的子结点。直到所有特征都已经用完，或者数据集只有一维特征为止。另外，随机森林分类器将许多决策树结合起来以提升分类的正确率。
决策树建树过程的主要挑战是确定哪些属性作为根节点以及每个级别的节点。处理这些需要知道属性选择。目前主要有2种不同的属性选择方法（信息增益和基尼指数）来识别这些属性。当信息增益作为标准时，假设属性是分类的；对于基尼系数，则假设属性是连续的。
决策树停止分支方法：
剪枝是决策树停止分支的方法之一，剪枝有分预先剪枝和后剪枝两种。
1）预先剪枝(Public算法)是在树的生长过程中设定一个指标，当达到该指标时就停止生长，容易产生“视界局限”，即一旦停止分支，使得节点N成为叶节点，就断绝了其后继节点进行“好”的分支操作的任何可能性。会误导学习算法，导致产生的树不纯度降差最大的地方过分靠近根节点。
2）后剪枝(Sprint算法)中树首先要充分生长，直到叶节点都有最小的不纯度值为止，因而可以克服“视界局限”。然后对所有相邻的成对叶节点考虑是否消去它们，如果消去能引起令人满意的不纯度增长，那么执行消去，并令它们的公共父节点成为新的叶节点。这种“合并”叶节点的做法和节点分支的过程恰好相反，经过剪枝后叶节点常常会分布在很宽的层次上，树也变得非平衡。后剪枝技术的优点是克服了“视界局限”效应，且无需保留部分样本用于交叉验证，所以可以充分利用全部训练集的信息。但后剪枝的计算量代价比预剪枝方法大得多，特别是在大样本集中，不过对于小样本的情况，后剪枝方法还是优于预剪枝方法的。
决策树与条件概率：
决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布，即决策树可以依靠计算条件概率来构造。决策树如果依靠数学的计算方法可以取得更加理想的效果。数据库已如下所示：
(x,y)=(x1,x2,x3…,xk,y)
相关的变量 Y 表示尝试去理解，分类或者更一般化的结果。其他的变量x1,x2,x3 等则是帮助达到目的的变量。
决策树常见算法：
决策树的常见的算法包括：1）分类及回归树（ClassificationAndRegressionTree， CART），2）ID3(IterativeDichotomiser3)，3）C4.5，4）Chi-squaredAutomaticInteractionDetection(CHAID),5）DecisionStump,6）随机森林（RandomForest），7）多元自适应回归样条（MARS），8）梯度推进机（GradientBoostingMachine，GBM）等等。
其中，随机森林（RandomForest）是作为新兴起的、高度灵活的一种决策树算法。它是用训练数据随机的计算出许多决策树，形成了一个森林。然后用这个森林对未知数据进行预测，选取投票最多的分类。此算法的错误率得到了经一步的降低。这种方法背后的原理可以用“三个臭皮匠定一个诸葛亮”这句谚语来概括。一颗树预测正确的概率可能不高，但是集体预测正确的概率却很高。
决策树优点：
1）易于理解和实现：在学习过程中不需要使用者了解很多的背景知识，只要通过解释后都有能力去理解决策树所表达的意义；
2）效率高、效果好：对于决策树，数据的准备往往是简单或者是不必要的，而且能够同时处理数据型和常规型属性，在相对短的时间内能够对大型数据源做出可行且效果良好的结果；
3）易于评测和生成：易于通过静态测试来对模型进行评测，可以测定模型可信度；如果给定一个观察的模型，那么根据所产生的决策树很容易推出相应的逻辑表达式。
决策树缺点：
1）对连续性的字段比较难预测；
2）对有时间顺序的数据，需要很多预处理的工作；
3）当类别太多时，错误可能就会增加的比较快；
4）一般的算法分类的时候，只是根据一个字段来分类。
决策树应用前景：
决策树具有条理清晰，程序严谨，定量、定性分析相结合，方法简单，易于掌握，应用性强，适用范围广等优点。人们逐渐认识到，在投资方案比较选择时考虑时间因素，建立时间可比原则和条件的重要性。当今的社会经济活动中，竞争日趋激烈，现代企业的经营方向面临着许多可供选择的方案，如何用最少的资源，赢得最大的利润以及最大限度地降低企业的经营风险，是企业决策者经常面对的决策问题，决策树法能简单明了地帮助企业决策层分析企业的经营风险和经营方向。必然地，随着经济的不断发展，企业需要做出决策的数量会不断地增加，而决策质量的提高取决于决策方法的科学化。企业的决策水平提高了，企业的管理水平就一定会提高。
结语:
决策树采用的是一种简单且直观的“分而治之”（divide-and-conquer）策略。决策树的核心是通过对数据的学习，选定判断节点，构造一颗合适的决策树。决策树是一个有监督的分类模型，其本质是选择一个能带来最大信息增益的特征值进行树的分割，直到到达结束条件或者叶子结点纯度到达一定阈值。决策树是人工智能之机器学习中比较常见的算法，相比朴素贝叶斯分类，决策树优势在于构造过程不需要任何领域知识或参数设置，因此在实际应用中，对于探测式的知识发现，决策树更加适用，其应用超级广泛。
---------------------------------------------------------------
更多有关AI/ML文章，敬请关注“科技优化生活”微信公众号，谢谢！