什麼是決策智慧？

Cassie Kozyrkov是谷歌首席決策科學家，決策智慧的先驅，本文是對決策智慧的定義提要，原文點選標題：

決策智慧是人工智慧時代領導力的新學科，決策智慧是一門新的學科，涉及在選項之間進行選擇的所有方面。它將應用資料科學、社會科學和管理科學的精華彙集到一個統一的領域，幫助人們使用資料來改善他們的生活、他們的業務和他們周圍的世界。

這是人工智慧時代的一門重要科學，涵蓋了負責任地領導人工智慧專案以及設計目標、​​指標和大規模自動化安全網所需的技能。

決策智慧是將資訊轉化為任何規模的更好行動的學科。

什麼是決定、決策？

資料很漂亮，但重要的是決策。正是通過我們的決定——我們的行動——我們才能影響我們周圍的世界。

我們將“決定、決策”一詞定義為任何實體在選項之間的任何選擇，因此對話比 MBA 式的困境（比如是否在倫敦開設分公司）更廣泛。

在這個術語中，在使用者的照片上新增諸如貓與非貓之類的標籤是由計算機系統執行的決定，而確定是否啟動該系統是人類領導者深思熟慮的決定。

什麼是決策者？

用我們的話說，“決策者”不是突然介入以否決專案團隊陰謀的利益相關者或投資者，而是負責決策架構和上下文框架的人。換句話說，是精心設計的目標的一個創造者，而不是破壞者。

什麼是做出決策？

做決策是一個不同學科使用不同的詞，所以可以指：

• 在有其他選擇的情況下采取某種行動（在這個意義上，可以說是由計算機或蜥蜴做出決策）。
• 執行（人類）決策者的職能，其中一部分是對決策負責。即使計算機系統可以執行決策，它也不會被稱為決策者，因為它不對其產出承擔責任--這個責任完全在創造它的人類的肩上。

進行計算與作出決定

不是所有的產出/建議都是決策。在決策分析的術語中，只有在發生了不可撤銷的資源分配後，才是一個決策。只要你可以免費改變你的想法，就還沒有做出決定。

決策情報分類法

學習決策情報的一種方法是沿著傳統的思路將其分成定量方面（主要與應用資料科學重疊）和定性方面（主要由社會科學和管理科學的研究人員開發）。

定性方面：決策科學

構成定性方面的學科在傳統上被稱為決策科學--我很希望整個事情能被稱為決策科學（可惜我們不能總是得到我們想要的）。

決策科學關注的問題

• "你應該如何設定決策標準和設計你的衡量標準？" (全部)
• "你所選擇的衡量標準是否與激勵相容？" (經濟學)
• "你應該在什麼質量下做出這個決定，你應該為完美的資訊支付多少錢？" (決策分析)
• "情緒、啟發式方法和偏見是如何在決策中發揮作用的？" (心理學)
• "皮質醇水平等生物因素如何影響決策？" (神經經濟學)
• "改變資訊的呈現方式如何影響選擇行為？" (行為經濟學)
• "在群體背景下做決定時，如何優化你的結果？" (實驗博弈論)
• "在設計決策環境時，如何平衡眾多約束條件和多階段目標？" (設計)
• "誰會體驗到決策的後果，各種群體會如何看待這種體驗？" (使用者體驗研究)
• "決策目標是否符合道德？" (哲學)

這只是一小部分......還有很多! 這也遠遠不是所涉及的學科的完整清單。把決策科學看作是處理決策設定和資訊處理的模糊儲存形式（人腦），而不是那種整齊地寫在半永久性儲存（紙上或電子）中的資料，我們稱之為資料。

你的大腦是有問題的

在上個世紀，讚揚任何將一疊厚厚的數學塞進一些毫無戒心的人類努力的人是很時髦的。採取定量的方法通常比不假思索的混亂要好，但有一種方法可以做得更好。

基於純數學理性的策略是相對幼稚的，往往表現不佳。

基於純粹的數學理性而沒有對決策和人類行為的定性理解的策略可能相當幼稚，相對於那些基於對定量和定性的共同掌握的策略，往往表現不佳。

人類不是優化者，我們是滿足者，這是一個拐彎抹角的花哨的詞。

實際上，我們人類都使用認知啟發法來節省時間和精力。這通常是一件好事。在我們幾乎沒有開始計算之前，計算出一條完美的跑步路徑以擺脫大草原上的獅子會讓我們吃掉。滿足感還可以降低生活中的卡路里成本，這也是一樣的，因為我們的大腦是非常耗電的裝置，儘管體重約為3 磅，但它卻吞噬了我們大約五分之一的能量消耗。

我們削減的一些細節才會導致可預見的次優結果。

既然我們大多數人都不會在逃避獅子的日子裡度過，我們削減的一些角落會導致可預見的垃圾結果。

我們的大腦並不完全適合現代環境。瞭解我們的物種將資訊轉化為行動的方式，可以讓您使用決策過程來保護自己免受自己大腦的缺陷（以及那些故意掠奪您本能的人的傷害）。它還可以幫助您構建工具來增強您的效能並讓您的環境適應您的大腦。

順便說一句，如果您認為人工智慧將人類排除在外，請再想一想！所有技術都是其創造者的反映，而大規模執行的系統會放大人類的缺點，這就是為什麼發展決策智慧技能對於負責任的人工智慧領導來說如此必要的原因之一。

首要任務應該是弄清楚我們希望如何對事實做出反應。

如果我們有事實，我們總是更喜歡根據事實做出決定。這就是為什麼首要任務應該是弄清楚我們希望如何處理事實。您希望將理想資訊用於以下哪些用途？

你能用事實做什麼？

你可以用事實來做一個單一的重要的預設的決定。如果它足夠重要，你就需要在很大程度上倚重事物的定性方面，以明智地構建你的決定。心理學家知道，如果你允許自己被突如其來的資訊伏擊，它可以以你不喜歡的方式操縱你，所以他們（和其他人）對如何接近選擇你預先接受的資訊有很多意見。

你可以利用事實來做出一種特殊的預設決策，稱為影響（或因果）決策。如果你的決策是以採取某種行動導致某種事情發生為框架的，那麼你需要關於因果關係的事實來做出決策。在這種情況下，關於效果的事實（如 "人們從這種疾病中恢復過來"）如果不附帶關於原因的事實（如 "因為抗生素"），對你來說是沒有用的。獲得因果關係資訊的方法是做一個受控實驗。另一方面，如果你做出的執行決定是作為對非因果事實的反應（例如，"如果我的儲蓄賬戶中至少有x，我就會給自己買雙新鞋"），那麼就沒有必要做實驗。

你可以用事實來支援觀點（"我估計外面陽光明媚 "變成 "我知道外面陽光明媚"）。

你可以用事實來做一個基於存在的單一重要決定。基於存在的決策（"我剛剛發現隔壁就有一例埃博拉病毒，所以我要馬上離開這裡......"）是指這樣的決策：一個以前不為人知的未知事物的存在動搖了你的方法的基礎，以至於你在事後意識到你的決策背景是草率的框架。

你可以使用事實來自動化大量的決策。在傳統的程式設計中，人類指定了將事實輸入轉換為適當行動的指令集，可能涉及像查詢表這樣的東西。

你可以使用事實來揭示一個自動化解決方案。通過看到系統的事實，你可以根據它們來寫程式碼。這比在沒有資訊的情況下，通過認真思考得出解決方案的結構，是一種更好的傳統程式設計方法。例如，如果你不知道如何從攝氏度轉換到華氏度，但你可以用一個資料集來查詢與攝氏度輸入相匹配的華氏度條目......但如果你分析那個查詢表本身，你會發現連線它們的公式。然後你就可以用這個公式（"模型"）來為你做髒活累活，而丟掉那個笨重的表格。

你可以用事實來生成一個完全可以解決的自動化問題的最優方案。這就是傳統的優化。你會在運籌學領域找到許多例子，其中包括如何處理約束條件以獲得理想的結果，如完成一系列任務的最佳順序。

你可以用事實來啟發你如何對待未來的重要決策。這是分析學的一部分，它也屬於部分資訊部分。保持這種想法!

你可以用事實來評估你正在處理的事情。這有助於你瞭解你在未來的決策中可用的輸入型別，並設計如何更好地策劃你的資訊。如果你剛剛繼承了一個大的、黑暗的（資料）倉庫，裡面充滿了潛在的成分，你不會知道里面有什麼，直到有人看了它。幸運的是，你的分析師有一個手電筒和旱冰鞋。

你可以馬馬虎虎地使用事實來做出沒有框架的決策。當決策的利害關係足夠小，以至於不值得花費精力去仔細處理時，這種做法是有效的，例如，"今天中午我應該吃什麼？" 試圖對所有的決定都嚴格要求，會帶來次優的長期/終生結果，屬於無意義的完美主義範疇。把你的努力留給那些足夠重要的情況，但請不要忘記，即使使用低質量低努力的方法是有效的，最佳決策方法仍然是低質量的。當這是你的方法時，你不應該捶胸頓足或過於自信......如果你偷工減料，你就會拿著脆弱的東西。在有些情況下，脆弱的東西能完成工作，但這並不能突然使你的結論變得堅固。不要倚靠它。如果你想要高質量的決策，你需要一個更嚴格的方法。

通過決策科學的培訓，你可以學會減少做出嚴格的基於事實的決策所需的努力，這意味著同樣的工作量現在可以讓你獲得更高質量的全面決策。這是一項非常有價值的技能，但需要大量的工作來磨練它。例如，行為經濟學的學生形成了在獲得資訊之前設定決策標準的習慣。例如，我們中那些從足夠苛刻的決策科學培訓課程中受到打擊的人，會忍不住問自己，在我們查詢價格之前，我們為一張票支付的最高限額是多少。

資料收集和資料工程

如果我們擁有事實，我們就已經完成了。然而，我們生活在現實世界中，我們經常必須為我們的資訊而努力。資料工程是一門複雜的學科，其核心是使資訊能夠可靠地大規模使用。就像去雜貨店買一品脫冰淇淋一樣容易，當所有可用的相關資訊都在一個電子表格中時，資料工程就很容易。

當你開始要求交付200萬噸冰激凌時，事情就變得棘手了......在那裡它不允許融化! 如果你必須設計、建立和維護一個巨大的倉庫，而你甚至不知道未來會要求你儲存什麼--也許是幾噸魚，也許是鈽......祝你好運！事情變得更加棘手了。

當你甚至不知道下週會被要求儲存什麼時，建立一個倉庫是很棘手的--也許是幾噸魚，也許是鈽......祝你好運！。

雖然資料工程是一門獨立的姐妹學科，也是決策智慧的關鍵合作者，但決策科學包括一個強大的傳統，即參與為事實收集的設計和策劃提供建議的專業知識。

資料量化：資料科學

當你確定了你的決定，並使用搜尋引擎或分析師（為你執行人類搜尋引擎的角色）查詢了你需要的所有事實，剩下的就是執行你的決定。你已經完成了! 不需要華麗的資料科學。

如果在所有這些腿部工作和工程柔術之後，所提供的事實並不是你理想中的決策所需的事實，那怎麼辦？如果它們只是部分事實呢？也許你想要明天的事實，但你只有過去的資訊。(也許你想知道你所有的潛在使用者對你的產品的看法，但你只能問他們中的一百個。那麼你就在處理不確定性！你所知道的不是你希望的那樣。你所知道的並不是你希望知道的。進入資料科學!

當你被迫做出超越資料的跳躍時，資料科學就變得有趣了......但要注意避免出現伊卡洛斯式的飛濺

當然，當你所擁有的事實不是你所需要的事實時，你應該期望你的方法會有所改變。也許它們是更大的拼圖中的一塊（如從更大的人群中抽取的樣本）。也許它們是錯誤的拼圖，但卻是你所擁有的最好的拼圖（就像用過去來預測未來）。當你被迫做出超越資料的跳躍時，資料科學就會變得很有趣......但要小心避免出現伊卡洛斯式的飛濺！"。

你可以利用部分事實，用統計推理的方式做出一個重要的預設決策，用假設來補充你所擁有的資訊，看看你是否應該改變你的行動。這就是常數派（經典）統計。如果你在做一個影響決策（以採取行動導致某些事情發生為框架，例如，"你只想把你的標誌顏色改為橙色，如果這能導致更多的人訪問你的網站"），那麼最好是使用隨機對照實驗的資料。如果你正在做一個執行決定（例如，"如果至少有25%的使用者認為橙色是他們最喜歡的顏色，你才會想把你的標誌顏色改成橙色"），調查或觀察研究就足夠了。

你可以使用部分事實來合理地將意見更新為更有根據的（但仍然是不完美的和個人的）意見。這就是貝葉斯統計。如果這些意見涉及因果關係，最好使用受控隨機實驗的資料。

你的部分事實可能會變成包含關於存在的事實，這意味著你可以在事後將它們用於基於存在的決策（見上文）。

你可以使用部分事實來實現大量決策的自動化。這就是傳統的程式設計，使用類似查詢表的東西，將你以前沒有見過的東西轉換成你所擁有的最接近的東西，然後照常進行。(這就是k-NN的工作，簡而言之......而且當這個簡表有更多的東西時，它通常工作得更好。)

你可以使用部分事實來激發一個自動化解決方案。通過看到系統的部分事實，你仍然可以根據你所看到的編寫程式碼。這就是分析學。

你可以使用部分事實來生成一個體面的解決方案，以解決一個不完全可解決的自動化問題，這樣你就不必自己想出來了。這就是機器學習和人工智慧。

你可以使用部分事實來啟發你如何對待未來的重要決策。這就是分析學。

你可以使用部分事實來理解你正在處理的問題（見上文），並通過高階分析來加速自動化解決方案的發展，例如，通過激發新的方法來將資訊混合在一起，形成有用的模型輸入（這的行話是 "特徵工程"）或在人工智慧專案中嘗試新方法。

你可以馬虎地使用部分事實來做無框架的決策，但要注意，質量比你馬虎地使用事實時還要低，因為你實際知道的東西與你希望知道的東西相差一步。

對於所有這些用途，有一些方法可以整合來自各種以前口口相傳的學科的智慧來更有效地接近決策。這就是決策智慧的意義所在! 它彙集了關於決策的各種觀點，這些觀點使我們所有人都更加強大，並賦予它們一種新的聲音，擺脫了其原始研究領域的傳統限制。