導入AI先從量化管理建立數學模型著手


  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:

  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
猜你喜歡
*
大數據時代的「商業智慧與分析」(BI&A)分類模式

「分類」是管理及研究的重要基礎,更是科學進步的重要關鍵,商業智慧(BI)已於全球發展了許多年,加上分析成為「商業智慧和分析」(BI&A),至少也有近20年的歷程,而國內似乎對「商業智慧和分析」並無明顯分類狀況,特別在大數據資料(Big Data Analysis)及行動裝置快速成長之時刻,未來企業資訊發展應如何跟進,或許正是許多經營者無法著墨的問題,故本文以「分類」為基礎,以期促成企業於資訊投資時的參考資料。

*
當學習碰到AI

自從 Google 人工智慧(AI)系統 AlphaGo 多次打敗世界棋王之後,以前科幻電影情節好像快變成真的了,「人工智慧勝過人腦」這個事實讓大家開始擔心AI人工智慧對我們的威脅,像是未來會有超過一半的工作可能會被取代等等。

*
預判風險.擴增智慧.迎新市場》AI儀表板有效降低決策失誤

圍棋、醫療、足球,AI應用的領域一步步的擴增,AI已是勢不可擋的洪流,而在企業決策領域,更是逐漸占有一席之地,但最終決策者還是人類,我們如何善用這把刀(AI),剔除掉企業的錯誤,而我們也不會因為操作不當反傷自己,答案不只有一個。

*
AI在製造業的應用

自德國提出工業4.0以來,各國無不相繼投入智慧製造的發展,而這幾年在機器人和人工智慧的浪潮襲捲下,AI成為IT產業最受討論的話題。

您可能會有興趣的出版品
您可能會有興趣的課程
{{c.area}}
{{c.title}}

上課時間 {{c.startDate}} ~ {{c.endDate}}