算法之外：人工智能和机器学习对组织的影响

如今，数字科学对于企业来说，显得愈发地“诱人”。但是若要正确地看待数字科学，我们亟需了解下面一个问题：数字科学到底能为我们的业务发展做什么，不能为我们的业务发展做什么。

毫无疑问，很多机器学习（ML）和人工智能（AI）领域的进展都预计将为多种类型的企业带来效果和效率上的提升。虽然听起来很不错，但多数情况下实际情况却并没有达成预期。原因至少有三点：(1) 针对机器学习/人工智能的宣传超出了其实际能力；(2) 在大肆宣传下，客户对机器学习/人工智能抱有过高的期望；(3) 机器学习/人工智能开发人员不理解或是不知道怎么解决其技术设想可能对组织带来的影响。

在下文中，我们将详细讨论第三点原因。具体可以展开为四个关键问题：(1) 技术不等同于产品；(2) 产品不等同于价值；(3) 价值取决于评价其价值的人；(4) 人们需要区分产品的目的到底是替代人类还是提高人类工作效率。

技术不等同于产品

不管它的本质多复杂，算法或神经网络都不等同于产品。例如， Zebra Medical开发出了一项复杂的技术，能够通过放射扫描识别出是否骨折，通过乳房x光识别出是否有疑似病变。在扫描了数以百万计的图像之后，机器学会了如何正确识别骨折和疑似病变，使得该项技术不断完善。在研发过程中，技术人员提出了100多种算法，但是医生们（放射线科医生以及其他涉及到的医生）却无法直接使用这些算法，因为算法在使用前首先需要转化为产品。

要使算法成为产品，需要它可以让医生直接使用。也就是说，至少要开发出可在任一医疗中心的设备上运行的应用程序。该应用程序需要易于操作，并能够生成对用户有价值的输出。就Zebra Medical而言，这就意味着：此应用程序生成的输出可以告诉放射科医生骨折/病变的位置和类型。

产品不等同于价值

虽然ZebraMedical开发的应用程序可以帮助识别病症，但这个程序本身并不能直接产生价值。但他们找到了至少两种创造价值的点。第一点是效率。他们开发的应用程序可以比放射科医师更快、更多地审查扫描光片和乳房X光片。因此，高效是这项技术带来的第一个巨大价值。

第二个巨大价值在于，ZebraMedical开发的创新技术是一种可以根据紧急程度对扫描和乳房X光片进行排序的算法。这一算法的发展需要放射科医师和其他医生提供大量反馈，以帮助算法了解哪些情况是正常、哪些是紧急和哪些是非常紧急。一旦这项工作完成，ZebraMedical不仅能够提供扫描和乳房x光检查，还能够对扫描和乳房X光片进行排序，以便放射科医生能够优先处理最紧急的病例。这就是该产品为工作流程和病人生活增加了极大便利和有效性的地方。

价值取决于评价其价值的人

上述技术可能对一些人来说很不错，但对放射医师、其他医生、医院管理人员、保险公司和监管机构来说却未必如此。医生们总是会担心骨折和病变鉴定结果的质量和可靠性，他们尤其会特别关注第一类错误和第二类错误：第一类错误（Type 1 error）是指病人被确定为受伤或生病时，实际上却并没有受伤或生病；第二类错误（Type 2 error）则是指当病人被诊断为健康时，实际上他/她却不是健康的。

医生们可能会进一步担心未来自己的工作有可能被机器取代。这并非没有可能，但我们还是需要把识别疾病和诊断疾病分开来看。

医院管理人员可能对新技术的态度有所保留。一方面他们还是很高兴看到新产品带来了潜在效率和质量的提升，但另一方面，他们也担心会发生第一类错误和第二类错误——这不仅仅是出于质量的角度，更是出于责任的角度。

保险公司可能会持乐观态度，效率提高进而降低了医疗成本，而早期发现也让我们可以采取更多预防性的干预措施。

监管机构则希望了解这些算法实际上是依据哪些变量作为识别依据。神经网络学习的问题在于，即使是程序员自己也不知道他们编出的程序是如何得出结论的。更进一步的问题是：现在应该由谁来为诊断和治疗负责。是医院、医生、放射科医生、算法公司、程序员还是算法本身？

这就引出了人工智能/机器学习对组织影响的最后一个方面。

替代人类的产品VS帮助提高人类工作效率的产品

就目前而言，距离依靠机器进行病症诊断、设计治疗方案、开具医疗干预处方和跟进病人护理还有点遥远，现在这些步骤都要依靠医生来进行。即便如此，在扫描效率、工作流程管理和紧急病例的快速检查等方面，应用程序的骨折和病变识别功能的确已经显著提高了人力的工作效率。

只有人工智能/机器学习公司真正地理解潜在客户的挑战，才能够从客户角度出发创造出能够真正赋能效率和有效性的产品。正如上文所述，创造这样的价值远比听起来要困难得多，特别是在医疗领域，因为不同利益相关者的需求和关注点有所不同，有时甚至还会产生冲突。虽然人工智能替代人类作业距变成现实还有很长距离，但如果运用得当的话，人工智能/机器学习确实可以极大地提高人类的工作效率。