Tableau发布数据趋势报告：AI 将从抽象的概念转变为可操作的技术

    【IT168  评论】疫情引发了很多未知因素，带来了很多不确定性，唯一确定的是企业领导意识到需要去变革应对挑战迎接新的机遇。

　　“疫情促使企业必须要考虑如何快速转变，去升级他们整体的领域，把工作变得更高效，把每一个商业决策变得更明智。国内外的CEO、CIO，他们比以往任何时间都更加意识到数字化转型的重要性。”Tableau大中华区总裁叶松林介绍，数据是整个数字化的基石，有数据才能够驱动整个数字化转型的过程。在当下，使用数据进行决策比以往任何一个时间都更重要，关乎到公司是否持续运作。

　　日前Tableau发布了2020年数据趋势报告，总结了六大趋势，涉及数据文化、数据素养、数据管理、AI、讲述数据故事和数据公平。近几年AI与BI的融合趋势越来越明显，以AI驱动的BI被视作明日之光，关乎未来，Tableau认为未来AI将从抽象的概念转变为可操作的技术，但是AI在BI领域的应用情况以及AI本身存在的偏见问题存在着争议，本文将就相关方面做个简单探讨。

数据：BI是人看数据，AI是机器看数据

　　商业智能（Business Intelligence，简称BI）的概念最早是Gartner Group的Howard Dresner于上个世纪90年代提出。当时将商业智能定义为一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。目前，BI通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。

　　人工智能（Artificial Intelligence），英文缩写为AI，最早在1956年的达特茅斯会议上被提出，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。60年来历经三大浪潮，近年来，随着AI三要素数据、算法、算力的发展，AI有了一定的落地。

　　Gartner 研究表明：到 2020 年，85% 的首席信息官将通过购买、构建和外包等方式试点人工智能项目。而根据Gartner在2019年的预测，2020年在BI中引入增强分析、自然语言处理和语音生成的AI技术将是主流。

　　Tableau的2020年数据趋势报告也指出，AI将从抽象的概念转变为可操作的技术，组织需要关注他们对AI的“共同愿景”，或者AI和机器学习如何适应现有的流程和团队结构，从而为知识共享提供支持。领域专家目前正在围绕机器学习和AI开展战略对话，以确保最终的建议有用并且可操作。领域专家将发挥关键作用，利用自己的人际关系和领域专长，将这些 AI 项目的成果应用到跨部门和团队的实际操作之中，引领 AI 用例进入下一阶段的成长。

　　AI驱动BI发展，两者不断融合，不过两者之间还是有很大的不同。“AI和BI有一个很大的差别点，BI是主要人判读数据，AI主要机器判读数据，用机器算法的方式从数据里面去产生一些见解或者发现一些规律。”Tableau高级顾问高云龙指出。

　　Tableau的产品越来越多融入了AI，主要体现在三个方面，一是人机数据交互模式方面引入了NLP，进行数据交互时无需像过去那样用鼠标拖拽或者简单编程，可以直接像使用搜索引擎一样，在一个搜索框输入问题就即可得到想要的数据；二是自动化的数据解释，人可以通过可视化报表看数据，会发现数据异常点。传统BI人工查询数据异常原因需要很长时间，通过数据解释的算法模型，能够自动把异常数据及所有维度进行分析，用统计学的方法找出异常原因；三是智能推荐，如在企业里若人的决策很多，大量的人在使用数据时，很多企业有各种数据报告，多样的数据源在BI系统上已形成非常庞大的规模体系此时不容易找到所需报表，AI系统会根据角色、过去访问行为智能化推荐，提高使用效率。

　　以上三点也是现在BI厂商重点关注的和发力的三个AI应用方向，也有研究表明国内外数字化程度有别，目前国内企业对BI+AI的应用还处在一个非常初级的阶段。

　　而随着越来越多的AI走入企业，“偏见”问题也受到越来越多的关注。

“偏见”：AI发现人为造成的不公平

　　在笔者翻译的一篇文章中指出招聘、协作、销售工具中的AI偏见无处不在。偏见是AI的致命弱点。而DataRobot的研究发现，在美国和英国，将近一半（42％）的AI专业人士“非常”或“极其”担心AI偏见。AI可以在最意想不到的地方出现，没有系统可以免疫。

　　根据领英(LinkedIn)的研究，43%的招聘人员和招聘经理表示，在招聘工具中引入AI的一个关键好处是它有消除人类偏见的潜力。然而，承诺将偏见最小化的人工智能工具，也可能在招聘过程中注入偏见。以谷歌的招聘广告算法为例，更多向男性显示高薪职位。

　　的确在招聘和销售等领域容易产生偏见，但是偏见是AI带来的吗？

　　“AI的偏见是数据原生的偏见。”叶松林强调，假如数据里面多数男性的工资本身即高出女性10%，AI在读取数据后，便会提供一个男性薪资高出10%的建议。

　　“这种偏见并不是说机器造成的，而是机器告诉你，世界上存在不平等的问题。这种不公平是过去长久以来人造成的。恰恰是AI把这个问题揭示出来，以前人们可能没有意识到这个问题，AI把这个问题有效地揭示出来之后，人在做决策的时候，恰恰可以有意纠正它的不公平性。”高云龙进一步指出偏见本身就是数据所潜在的客观规律。

　　所以Tableau强调AI只是辅助公司做决策，可以提一些意见，对公司而言人才是最重要的。

　　Tableau 数据科学家兼主任软件工程师Rachel Kalmar指出：“AI 项目中最困难的环节之一就是确定您要提出的问题。”协作式方法可以揭示业务决策的哪些环节适合使用AI，哪些环节需要人工干预。假设要开一家新的零售商店，但以前从未开过这样的商店。基于 AI 的系统可以根据该地区的人流或人口统计学特征来提供建议，帮助预测商店的预期销售额。但仍然需要领域专家的帮助，这些人可以在位置可见性、竞争对手信息或停车位情况等方面填补空缺。要让机器学习建议实现其价值，决策必须由人来制定。正如 Tableau 的AI 主管产品经理 Richard Tibbetts 解释的那样：“AI 的出现并不意味着算法会告诉您如何做生意。真正帮助组织采用和信任AI 的是领域专家。”

　　由大数据、云计算、AI等技术推动着数字化世界的构建，而数字化世界所出现的诸多问题同样是现实社会的映射，或许有数据的地方就免不了存在偏见和不公，消除偏见是一个长久的命题。我们仍然可以做一些力所能及的事情，比如加强监督，让多样化的团队构建软件工具，仔细检查数据健康度，加强内外部审计等。说到底，人与AI之间如何更好的协作取长补短才能有效消除更多偏见需要更多的探索。