人工智慧已經成為全球顯學，無論從各種科技產品為人類生活，帶來更安全、方便、有效率...等領域產品服務，都將擁有AI（Artificial Intelligence）人工智慧的內涵。根據維基百科對「人工智慧」定義：也稱為機器智慧，指由人製造出來的機器所能表現出來的智慧，通常人工智慧是指通過普通電腦程式的手段，實現的人類智慧技術。
也指出研究這樣的智慧系統能夠實現原來人的決策智慧，機器要如何運用科學技術，讓人類動態的思考與決策模式，透過大量收集歸納粹煉收斂複雜的規則，透過機器功能降低人類決策風險，提高決策效能並逐漸取代人類重大負擔及煩雜的決策工作。
近年來隨著電腦系統運算速度提升，物聯網IoT（Internet of Things） 發展成熟，運用各種數學模型解析複雜的經管決策資料，將成為未來決策發展重要且有效的模式，可以與人類似甚至超越的推理、知識、規劃、學習、交流、感知、移動和操作物體的能力等，近年來強人工智慧已經有初步成果，在一些影像辨識、語言分析、棋類遊戲等等，單方面的能力達到了超越人類的水平，也是成為人工智慧的典型代表著。
企業的經營管理面對市場需求多元化、差異化、周遭環境動態變化極為複雜，以往依賴組織各階主管專業、經驗與前瞻性思維做決策，如何運用AI程式協助解決上述的問題與規劃出一套演算法達到人類的處理能力，正是經管界努力的新方向。
運用統計方法、搜尋、數學最佳化、邏輯推演、機率論及經濟學的演算法等等，都在逐步探索、開發與驗證中，千萬別忘記AI協助解決複雜問題，必須要有很多種的數學模型組合應用。萬丈高樓平地起必須從每個模型建構開始，數學模型必須有量化數據才能運算，如果企業經營主管們仍直觀的以過去累積經驗做決策，縱然有很好的AI也難以幫上忙。
所以企業要跟上時代外，更重要的是建構AI基礎－量化管理，設法把過去累積的實務經驗具體量化方式呈現，例如決策方法針對企業行銷方案A1、A2、…、Am，市場需求分別為S1、S2、...、Sn，發生機率為P（S1）、P（S2）、…、P（m1）、P（m2、…、P（mn），各方案可獲得的報酬為P11、P12、…、Pmn，報酬矩陣表如下：
|
需求狀態 機率 決策方案 |
S1 |
S2 |
… |
Sn |
|
P（S1） |
P（s2） |
P（…） |
P（Sn） |
|
|
A1 |
P11 |
P12 |
P1. |
P1n |
|
A2 |
P21 |
P22 |
P2. |
P2n |
|
… |
P.1 |
P.2 |
P.. |
P.n |
|
Am |
Pm1 |
Pm2 |
Pm. |
Pmn |
面對決策分為：對未來完全掌握、對未來完全無法掌握及對未來掌握各種情況存在機率。
- 第一項做決策對一般較簡單，但要完全掌握未來需求才是最困難，已有需求預測之數學模型暫不做探討；
- 第二項決策有許多數學模型與準則，如保守準則小中取大（Maximin），或大中取小（Minimax regret）以機會損失或懊悔為準則，另外以樂觀準則（Optimistic）及大中取大（Maximax）；
- 第三項應該是最常見的也是最複雜，常被應用的是嚇威茲準則（Harwice criterion）其觀點認為實務上很難以絕對樂觀與悲觀衡量，而是介於兩者之間又稱為真實主義準則（criterion of realism），決策是由決策者主觀選擇每一種狀況0~1的樂觀係數α（coefficient or index of optimism），就可以針對狀況樂觀最大化及悲觀最小化進行決策，如果有過去資料可參考讓主管選擇更為客觀，也是未來可以運用逓迴驗證模型評估優化。
以上各種模型大都侷限在m、n較小情況下，企業運作實務上m、n會非常多元，且都存在各種風險下做決策常被運用的就是貝氏決策準則（Bayesian criterion），其重點在於是否有過去資料做客觀憑證，解決實務複雜決策常被運用的是決策樹模式，就是根據以往實務經驗統計出葛種決策風險機率，在輔以實際調查綜合出各種狀況的機率，進行各種方案面對各種狀況存在機率進行最佳解，根據報酬矩陣表的決策樹如下：
.jpg)
以上決策樹是將以往實務經驗之各種方案A1~Am，面對未來的各種需求狀態可以創造的報酬值，並利用過去資料計算模擬評估機率，或者利用實際調查資料統計分析未來發生的機率，再透過各種可能狀況創造之報酬，以及機率計算出總體報酬做為決策依據，當然數學模式建構初期準確度不可能太高，透過實務的運作經年累月持續修訂準確性將逐步提高。
數位時代報導一再提醒企業，AI的實現是一個過程，無法一蹴而就；大家沒有對數據的重視，運用AI創造價值離企業還有很遠，如果企業不重視數據就急著追趕AI，這種跳躍式發展是空談。
初期AI透過人的經驗建立數學模型，再持續提供資料給數學模型進行驗證修訂，就是所謂的機器學習效果，機器學習又分為監督式學習、非監督式學習及半監督式學習，企業必須儘速建構數字管理觀念及收集機制，更要確保數據收集準確度與即時性，有足夠的營運數據才能提供AI食物（數據）。
如前段所提的行銷方案之客戶、日期、產品、銷售量、銷售額...，甚至外部相關資訊如天氣、溫度、替代品行銷策略、消費者指數、景氣…等，讓數學模型持續運作與校正，找出最適合協助解決企業存在的瓶頸，更幫經營者在複雜急遽變化的完全競爭時代，運用AI技術輕鬆又有效做出最佳化決策。
【參考文獻】
- 維基百科 線上百科全書
- 嘉德出版事業有限公司出版 作業研究 高孔廉著
- 數位時代網站