AI 融入 BI 可期，“偏見”如影隨形怎破？

     【IT168  評論】疫情引發了很多未知因素，帶來了很多不確定性，唯一確定的是企業領導意識到需要去變革應對挑戰迎接新的機遇。

　　“疫情促使企業必須要考慮如何快速轉變，去升級他們整體的領域，把工作變得更高效，把每一個商業決策變得更明智。國內外的CEO、CIO，他們比以往任何時間都更加意識到數字化轉型的重要性。”Tableau大中華區總裁葉松林介紹，資料是整個數字化的基石，有資料才能夠驅動整個數字化轉型的過程。在當下，使用資料進行決策比以往任何一個時間都更重要，關乎到公司是否持續運作。

　　日前Tableau釋出了2020年資料趨勢報告，總結了六大趨勢，涉及資料文化、資料素養、資料管理、AI、講述資料故事和資料公平。近幾年AI與BI的融合趨勢越來越明顯，以AI驅動的BI被視作明日之光，關乎未來，Tableau認為未來AI將從抽象的概念轉變為可操作的技術，但是AI在BI領域的應用情況以及AI本身存在的偏見問題存在著爭議，本文將就相關方面做個簡單探討。

資料：BI是人看資料，AI是機器看資料

　　商業智慧（Business Intelligence，簡稱BI）的概念最早是Gartner Group的Howard Dresner於上個世紀90年代提出。當時將商業智慧定義為一類由資料倉儲（或資料集市）、查詢報表、資料分析、資料探勘、資料備份和恢復等部分組成的、以幫助企業決策為目的技術及其應用。目前，BI通常被理解為將企業中現有的資料轉化為知識，幫助企業做出明智的業務經營決策的工具。

　　人工智慧（Artificial Intelligence），英文縮寫為AI，最早在1956年的達特茅斯會議上被提出，是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。60年來歷經三大浪潮，近年來，隨著AI三要素資料、演算法、算力的發展，AI有了一定的落地。

　　Gartner 研究表明：到 2020 年，85% 的資訊長將透過購買、構建和外包等方式試點人工智慧專案。而根據Gartner在2019年的預測，2020年在BI中引入增強分析、自然語言處理和語音生成的AI技術將是主流。

　　Tableau的2020年資料趨勢報告也指出，AI將從抽象的概念轉變為可操作的技術，組織需要關注他們對AI的“共同願景”，或者AI和機器學習如何適應現有的流程和團隊結構，從而為知識共享提供支援。領域專家目前正在圍繞機器學習和AI開展戰略對話，以確保最終的建議有用並且可操作。領域專家將發揮關鍵作用，利用自己的人際關係和領域專長，將這些 AI 專案的成果應用到跨部門和團隊的實際操作之中，引領 AI 用例進入下一階段的成長。

　　AI驅動BI發展，兩者不斷融合，不過兩者之間還是有很大的不同。“AI和BI有一個很大的差別點，BI是主要人判讀資料，AI主要機器判讀資料，用機器演算法的方式從資料裡面去產生一些見解或者發現一些規律。”Tableau高階顧問高雲龍指出。

　　Tableau的產品越來越多融入了AI，主要體現在三個方面，一是人機資料互動模式方面引入了NLP，進行資料互動時無需像過去那樣用滑鼠拖拽或者簡單程式設計，可以直接像使用搜尋引擎一樣，在一個搜尋框輸入問題就即可得到想要的資料；二是自動化的資料解釋，人可以透過視覺化報表看資料，會發現資料異常點。傳統BI人工查詢資料異常原因需要很長時間，透過資料解釋的演算法模型，能夠自動把異常資料及所有維度進行分析，用統計學的方法找出異常原因；三是智慧推薦，如在企業裡若人的決策很多，大量的人在使用資料時，很多企業有各種資料包告，多樣的資料來源在BI系統上已形成非常龐大的規模體系此時不容易找到所需報表，AI系統會根據角色、過去訪問行為智慧化推薦，提高使用效率。

　　以上三點也是現在BI廠商重點關注的和發力的三個AI應用方向，也有研究表明國內外數字化程度有別，目前國內企業對BI+AI的應用還處在一個非常初級的階段。

　　而隨著越來越多的AI走入企業，“偏見”問題也受到越來越多的關注。

“偏見”：AI發現人為造成的不公平

　　在筆者翻譯的一篇文章中指出招聘、協作、銷售工具中的AI偏見無處不在。偏見是AI的致命弱點。而DataRobot的研究發現，在美國和英國，將近一半（42％）的AI專業人士“非常”或“極其”擔心AI偏見。AI可以在最意想不到的地方出現，沒有系統可以免疫。

　　根據領英(LinkedIn)的研究，43%的招聘人員和招聘經理表示，在招聘工具中引入AI的一個關鍵好處是它有消除人類偏見的潛力。然而，承諾將偏見最小化的人工智慧工具，也可能在招聘過程中注入偏見。以谷歌的招聘廣告演算法為例，更多向男性顯示高薪職位。

　　的確在招聘和銷售等領域容易產生偏見，但是偏見是AI帶來的嗎？

　　“AI的偏見是資料原生的偏見。”葉松林強調，假如資料裡面多數男性的工資本身即高出女性10%，AI在讀取資料後，便會提供一個男性薪資高出10%的建議。

　　“這種偏見並不是說機器造成的，而是機器告訴你，世界上存在不平等的問題。這種不公平是過去長久以來人造成的。恰恰是AI把這個問題揭示出來，以前人們可能沒有意識到這個問題，AI把這個問題有效地揭示出來之後，人在做決策的時候，恰恰可以有意糾正它的不公平性。”高雲龍進一步指出偏見本身就是資料所潛在的客觀規律。

　　所以Tableau強調AI只是輔助公司做決策，可以提一些意見，對公司而言人才是最重要的。

　　Tableau 資料科學家兼主任軟體工程師Rachel Kalmar指出：“AI 專案中最困難的環節之一就是確定您要提出的問題。”協作式方法可以揭示業務決策的哪些環節適合使用AI，哪些環節需要人工干預。假設要開一家新的零售商店，但以前從未開過這樣的商店。基於 AI 的系統可以根據該地區的人流或人口統計學特徵來提供建議，幫助預測商店的預期銷售額。但仍然需要領域專家的幫助，這些人可以在位置可見性、競爭對手資訊或停車位情況等方面填補空缺。要讓機器學習建議實現其價值，決策必須由人來制定。正如 Tableau 的AI 主管產品經理 Richard Tibbetts 解釋的那樣：“AI 的出現並不意味著演算法會告訴您如何做生意。真正幫助組織採用和信任AI 的是領域專家。”

　　由大資料、雲端計算、AI等技術推動著數字化世界的構建，而數字化世界所出現的諸多問題同樣是現實社會的對映，或許有資料的地方就免不了存在偏見和不公，消除偏見是一個長久的命題。我們仍然可以做一些力所能及的事情，比如加強監督，讓多樣化的團隊構建軟體工具，仔細檢查資料健康度，加強內外部審計等。說到底，人與AI之間如何更好的協作取長補短才能有效消除更多偏見需要更多的探索。