学贯中西(14)：人机协同决策(续)
Improving human decision-making with machine learning
高焕堂 （铭传大学、长庚大学教授）
1 三种类型的AI
过去20年，AI 在辨识(分类)和预测，两方面表现令人类惊奇。就像算命仙，辨识出您的本命、预测出您的“时和运”了。若时来运转，就努力扩大行动，趋吉迎福。若时运不济，就凡事小心慎行，冬藏春迎，蓄锐待发。这阶段的AI ，通称为：识别型AI 。
战术动作
在大数据时代里，人眼可看、手中能掌握的资料很有限，且视野小，人为优化只能获得局部最优解(Local optimum )。于是，就需要AI 生成来帮忙，以人为找出的局部最佳解为条件(基础)，输入给AI (如Conditional GAN 模型)，让它协助生成全局最佳解(Global optimum )。这阶段的AI ，通称为：生成型AI 。
上一期里，曾经谈到了AI 能够帮助检验人类决策者的假设，降低决策风险，促进企业的成长茁壮。于是，AI 有3种：识别型AI 、生成型AI 、决策型AI 。
● 识别型
AI ：对事物或现象，洞察其特征(Feature )，
而进行归类(识别)。
●
生成型AI ：学习目标事物或现象的数据分布
(Distribution )，生成新数据，呈现逼真的事物。
● 决策型
AI ：由<；生成型AI >提供方案，由<；识
别型AI >评估风险，然后挑选风险最低、胜率最高的方案，并采取行动。所以决策型AI 的关键因子是：风险。
2 决策型AI的3项特点
从商业决策而观之，商业环境是善变的，而且存在竞争者刻意唱反调，使得看似最佳获利方案，却可能是最赔钱的。于是，决策型AI 的第1项特点是：
需要把环境或敌方的可能方案(的特征)输入到AI模 型里。
《孙子兵法》说：胜兵先胜而后求战；败兵先战而
后求胜。于是，决策型AI 的第2项特点是：
帮忙做“先胜”的评估，也就是“不败”的评估，也就是评估风险。
例如，当今股市领域，最著名的投资决策者是巴菲
特。他说，他的投资决策都基于两条原则，第1条原则是不赔钱(先不败、先胜)；而第2条原则是永远不忘记。
从成吉思汗与神鹰的故事，可协助我们领会到，如果决策型AI 扮演神鹰的角色，既符合AI 的特性，又非常具有价值。当AI (神鹰)发现决策者思绪不够完美时，可以给予画龙点睛的效果。更具价值在于：当AI (神鹰)发现决策者的决定是错的，而且行动是灾难性的，AI 立即提出严重警告。于是，决策型AI 的第3项特点是：
把“决策型AI”做在决策点与行动点之间。
例如，成吉思汗拿着杯子去盛装那滴下来的山泉水。
装满了水，快拿到口边，准备一饮而尽时，在天空中飞翔的神鹰突然飞扑下来，“嗖”的一声，就把成吉思汗手中的杯子踢翻了，水都洒到地上了。
神鹰在决策者的“决策时间点”与“行动时间点”之间的数秒钟内，实时纳入当下的决策，做出智慧的推论，采取保护主人的行动，而且刻不容缓(图1)。
海气
图1
化脓性皮肤病过去，许多人把AI做到“决策时间点”之前，提供给决策者参考，是OK的，只是这样的作法，只是把AI做成为BI (商业智能)或大数据分析的延伸，其价值并非最高的。把AI做在策者的“决策时间点”与“行动时间点”之间，我称为：AI神鹰。把AI做在策者的“决策时间点”之前，我称为：AI猎狗。
AI猎狗作用于人类的“决策前”；而AI神鹰作用于“决策后”。这两项AI成为人类决策者的最佳伙伴。对于基层经理人(决策)而言，AI猎狗可以发挥很大的辅助效果。对于高层总裁(决策)而言，AI神鹰可以发挥关键性的效益。所以成吉思汗出行时，随身携带神鹰，而不是猎狗。猎狗看利益，神鹰看风险。两者协同合作，带给人类趋吉避凶效果，让企业势如破竹。如成吉思汗一般，建立地球史上最大版图的帝国。AI天生具有“考古”和当下“探索”的强大能力。也就是AI出生就具有猎狗的天份，能极灵敏地嗅出利益机会(如那里有兔子)。也就是一般统称的“预测(Predict)”能力，这种极灵敏能力既可以用来嗅出“利益”，也可以用来嗅出“危险”。于是，将一群擅于嗅出风险的AI猎狗们，巧妙组合成为一个团队，就成为一只“AI神鹰”了。
3 以划拳比赛为例
这是一个做给小学生玩的AI游戏，让小朋友与
Zenbo机器人玩剪刀、石头、布的划拳比赛(图2和图3
)。
图2
图3
比赛一开始，请先开启Zenbo的“AI划拳游戏”，如图4。Zenbo会说出：“我们一起来玩剪刀、石头、布。当我喊‘剪刀、石头、布’，我们就同时出拳喔，准备好了吗?”。请您回答：“好了”。Zenbo就出现下述画面(图5)，同时Zenbo也说出：“开始出拳喔，剪刀、
石头、布”。
图4
图5
这时请您出拳，要用口说出来。例如说出：“布”。此刻Zenbo先已决定它的出拳，瞬间已听到您说出的话(布)，就显示出来。
图6
同时，Zenbo就很高兴地说出：“哈哈哈，我赢了”。
然后继续下一回合的比赛。
4 AI模型的架构设计
我们共有3个模型：RnnPredict、DecisionRiskModel、
V oiceClassifier。第1个模型(RnnPredict)是基于RNN
的模型，它从比赛的历史数据中，探索对方出拳的规律
(图7)。
图7
第2个模型(DecisionRiskModel)是基于对方出拳的
销售部岗位职责规律，加上己方的决策，进行风险(Risk)评估，如图8。
图8
第3个模型(V oiceClassifier)是监视、辨别对方当下
出拳的行为，而计算出胜负(图9)。
图9
在这划拳游戏里，AI必须在看到对方出拳之前，
预先作最好的决策。所以第2个模型的运行时间，是比
第3个模型还要早。这第2个模型是依赖第1个模型所
探索的到的对方出拳规律。
5 AI模型的学习(训练)流程
5.1 训练RnnPredict模型
这RnnPredict模型会从比赛的经验中找出对手的出
拳规律。例如，当A与您比赛100回合，它会记录比
赛的过程。
RnnPredict模型会观察您出拳的各种习惯性。例如，
它会从这100次的出拳纪录(数据)中萃取您连续出拳
相同时，接着您会习惯性选择出什么拳呢? 于是，它萃
内酯豆腐热量
取出来了(图10)。
图10
接着，按下“AI 寻找规律”，RnnPredict 模型就展开机器学习，并且以神经网络的权重来记录它找出来的规律，然后他也输出所找到的规律(图11
)。
图11
从上图里AI 输出的结果看来，AI 的确发现了您的出拳习惯：几乎没有连续3次出一样的拳。例如，从上图的第1列，您前两次都出“石头”，AI 就估算出您这次将出拳的可能性是：出“布”、“剪刀”、“石头”的可能性，分别为（0.75，0.25，0）。
5.2 训练DecisionRiskModel模型
这是一个分类模型(属于识别型AI )。刚才AI 基于过往的大数据，发现1个规律：您连续两回合出招一样时，其后(第3招)出招，几乎不会与前两回相同。例如，前两回合，您都出“剪刀”，这一回合，您几乎不会继续出“剪刀”。所以，您只会出“石头”或“布”了。此时，如果AI 出石头，就它就稳输了(风险高)；反之如果AI 出“布”，它就稳不输了(风险低)；同理如果AI 出剪刀，就输赢各一半(风险中等)。前两回，如果您出其他招(不连续出同一招)时，都全部看成“中等风险”。
于是，AI 只要善用它所发现的规则，在出拳瞬间自我评估它出招的风险，确保它不会掉入高风险的赛局
入党积极分子发言里，它(AI )的赢面就大增了。现在就来把上述的赢家规律输入到Excel 表格里(图12
相信科学
)。
图12
按下“训练”，就开始训练DecisionRiskModel 分类模型。它是用来评估各种出拳方案的风险评估。例如，输入值[1,1,0]，表示对方连续两次出“剪刀”，而AI 决定出“石头”，此时评估出来：风险高。于是AI 决定改变出拳的选择。例如，改为出“布”，就输入[1,1,2]，此时评估风险低，就是好策略了。沙漠故事
6 结束语
本期说明了决策型AI 的特色。并以划拳比赛为例，说明其架构，包括3个AI 模型：第1个是RnnPredict 模型，负责探索对方的出拳规律(知彼)。第2个是DecisionRiskModel 模型，负责评估决策风险(知己)。第3个是V oiceClassifier 模型是典型的语音识别模型。
虽然本范例里，由3个模型组合起来，与人们竞赛。但是它们也可以在商业环境里，协助人类决策者，进行优越的商业决策。
