《AI极简经济学》读书笔记思维导图

人工智能对你的工作、你的生意意味着什么？读这本书你就能明白。《AI极简经济学》从经济学角度解决“何为人工智能，它有什么用，我们该怎么办”，化繁为简，深入浅出地阐释了人工智能对我们工作与生活的影响。快来阅读学习吧！

AI极简经济学

• 序章：廉价改变一切
  • 预测成本下降将影响其它东西的价值 ，提高互补品的价值
  • 预测可以改变决策过程和协助制定战略
  • 预测结果将权衡很大程度上依赖于人的需求与偏好
• 第部一分：预测
  • 预测是填补缺失信息的过程
  • 为什么说人工智能
    • 机器学习与统计学的目标不同，统计学强调平均值的正确性
    • 机器学习能适应更加复杂，有着更多互动变量的模型
    • 预测准确性提升之后，一些传统任务将会被计算机与智能设备代替，比如翻译与导航
  • 预测是新的经济价值中心
    • 预测需要三种数据，训练数据（以往的大量数据样本），输出数据（需要分析的数据），反馈数据（修正或是更新权重与算法）
    • 收集数据是需要成本的，收益和成本需要权衡
    • 数据的收集效益是递减的，收集越多，效益越少。
  • 新的劳动分工
    • 人类在统计领域薄弱和个人偏好方向影响下作出糟糕的预测
    • 机器在数据薄弱或是存在复杂因果关联的问题下，表现很差
    • 机器可以规模化配置，大批量的应用将带来更低的运用成本。人类则难以实现
    • 人与机器分工，人往往在没有数据和数据较少时，预测表现较好，机器在拥有大量数据和样本的统计领域有着更好的预测表现。
    • 预测环境：
      • 已知的已知（丰富的数据，大量的样本和反馈）
      • 已知的未知（很少的数据）
      • 未知的未知(未发生的，未观察和记录到的数据)
      • 未知的已知（机器不能理解的决策过程与因果关系）
      • 预测结果
• 第二部分：决策
  • 机器的预测数据价值在于比人类处理数据更多，更快，更廉价
    • 三类数据
      • 输入
      • 训练
      • 反馈
  • 判断，行动，结果
    • 预测数据提高判断的价值，分析相关行动回报价值，但不确定性会增加判断的成本
      • 收集数据是主要成本
    • 把所有决策都交给机器，进行编译码的成本太高，所以做出预测后，让人进行判断更为高效
      • 罕见事件机器无法预测，如果没有多次的发生过
    • 自动化决策的前提是情境组合的数量可控（回报函数工程建模）
      • 受控环境，（如果）
        • 分解并设计涵盖人类某行情况的回报函数用于预测，并且可能通过数据训练来得到更准确的判断
      • 非控环境（那么）
        • 不需要得头再来，减少的复杂程度
      • 满意即可
        • 没有良好的预测时，选择折中的平衡方案
        • 有更良好的预测时，可以减少决策的风险，比如代价更高的决策
          • 如医学检查，如果影像学检查的结果越可靠，采用活检或开刀的方案选择机率就越低
        • 满意即可
    • 全自动化决策
    • 预测情境与决策
• 第五部分 社会
  • 要点
    • 生产力与分配的权衡
      • 人工智能工具会挤压任务，降低劳动力的收入比例
      • 人工智能提高资本收益，而会牺牲劳动力的利益
      • 人工智能工作会不成比例的提高了高技能工人的收入和收入力
      • 人工智能可能加剧收入不平等的问题
    • 创新与竞争权衡
    • 性能和隐私的权衡
• 第四部分：战略
  • 人工智能对高管的影响
    • 企业战略的最大敌人是不确定性
      • 困境
      • 不确定性
        • 降低不确定性
      • 解决困境
      • 决策与行动
        • 黑天鹅事件
    • 利润和成本（利润与风险）
      • 实验成本
      • 大规模应用
      • 成本和风险随着时间推移而下降
      • 领先者具有更多数据优势
      • 后来者拥有成本与战略选择优势
      • 先后优势
    • 统筹和管理分析的职位（研究科学家）
      • 理解掌握和应用数学语言
      • 对行业或是某些门类学科有深刻的认识
      • 新的预测（多任务和综合性的判断）
    • 经济框架影响
      • 减少预测的不确定性
      • 增加人工智能互补品的价值
    • 影响决策引伸
      • 人工智能战略全权不能完全交给IT部门
        • 商业模式中的核心（商业模式）
        • 受不确定性影响的权衡（收益与成本）
        • 减少不确定性的人工智能（分析判断）
        • 原因
      • 人工智能会影响到其它的业务
        • 原有的业务边界
        • 原有的业务流程
          • 业务可能会发生垂直性的整合
        • 业务重新规划与设计
      • 互补品价值
        • 判断的价值提升
        • 将改变人员的技能回报
        • 整合多种预测带来竞争优势
  • 当人工智能改变企业
    • 保留或是放弃
      • 不确定性会对企业的边界产生影响
        • 短期绩效
        • 长期绩效
        • 常规事件
        • 非常规事件
      • 更低的成本与更多的控制是核心权衡
      • 优化边界（业务开始或是结束于此）
      • 确定边界与业务优化
        • 外包
        • 内部生产
      • 持续创新（汽车生产生命周期例子）
        • 自己生产汽车零件
        • 零部件供应商提供
        • 控制部件品质与来源
          • 跟踪反馈
            • 改进升级
    • 人工智能的影响
      • 对资本的影响
        • 减少不确定性
        • 减少对资本（硬件,生产，原材料）设备的需求
        • 减少谈判与合同风险（可能的发生的情况预测）
        • 业务流程和产品将变的更复杂
      • 对劳动力的影响
        • 组织与人事的变革
        • 取代常规业务
        • 判断将成为人类员工扮演的重要角色和工作内容
        • 绩效方式变得复杂（人类的业务更加复杂且有关联性）而且更主观（业务带来的预期收益可以预测）
      • 对数据的影响
        • 人工智能将提升拥有数据的动机（权衡）
          • 互动反馈数据是AI学习改进的关键（价值点）需要互动数据提供的预测决策有战略意义便有通过外包或是购买的必要
          • 只需要获取预测的产品或是服务
            • 预测数据结合生成新的预测
  • 你的学习策略
    • 选择人工智能意味着权衡
      • 人工智能优先（预测准确度为中心目标）
        • 用户体验
          • 使用数据与个人隐私保护的权衡
          • 用户讨厌不成熟的产品或是服务
      • 选择人工智能技术经济动机
        • 老牌公司不愿意破坏现的客户关系群
        • 人工智能需要大量数据和时间训练
        • 机器学习一旦成熟会改变竞争力
        • 创新者困境
      • 人工智能的学习和使用场景
        • 边学边用场景（在实际使用中获取经验）
        • 机器什么时候才达到“足够好”？
          • 没有足够好
          • 人类需要监督机器学习
        • 使用者对预测失误的容忍度（收益与风险）
          • 例：邮件处理与拼写建议(风险低)
          • 例：自动驾驶场景（风险高）
        • 学习方式
          • 模拟环境
            • 不会过多接触用户，体验风险低
            • 无法提供足够多有效的反馈
            • 对本地环境缺少应对
          • 云端与实地学习
            • 暴露在真实环境机器学习更快更有效
            • 针对本地部署更加迅速
            • 跳跃式体验，质量难以保证
            • 保护了用户的隐私
        • 学习的权限
          • 用户隐私和预测准确性的权衡（获取和使用数据）
      • 体验（经验）（权衡）
        • 人工智能改变人们的群体的行为同时群体信息又会干扰人工智能的预测结果
        • 有时照顾多数人的利益而降低预测的质量（用户体验）
        • 产品降级（？）少数人的体验
        • 人类也需要通过学习来积累经验
          • 机器学习可能会参与到人类学习的进程中
  • 管理人工智能风险
    • 实施人工智能的风险
      • 算法歧视
        • 可能会因为点击率，权利，成本，人类的行为习惯导致算法忽略或是推送一些有歧视风险的内容
        • 性别，职业，人种歧视
        • 解决方法
          • 观察输出项
          • 人工智能神经科学
        • 部署人工智能导致的审查风险和成本
          • 企业都需要人工干预并制定管理流程
            • 人类管理者预测风险
      • 质量风险
        • 人工智能陷阱（依赖于数据相关性，而无法理解因果关系）
          • 数据太少，或是没有关联
      • 安全风险
        • 进的是垃圾，出的也是垃圾（输入数据风险）
          • 输出垃圾数据或操作预测模型
          • 预测机器的多样性涉及权衡个体和系统的结果，多样性减少可能有益于提高个人层面的绩效，但是会面临大规模失效的风险
          • 不正确的错误数据可以用欺瞒预测机器
        • 训练数据风险
          • 边学边用（算法被其他人仿制和被逆向工程的，或是被攻击的风险）
      • 反馈数据风险
        • 反馈数据可能遭到人为扭曲和利用，导致不良行为
• 第三部分：工具
  • 思考如何重新设计整个流程并使其可以自动化（解构工作流）
    • 人工智能工具是定点解决方案
    • 人工智能工具不是替代而是安插在工作流当中的
    • 调整优化工作流中的人工部分，代替或是辅助分析决策
  • 人工智能画布（分解决策）
    • 任务分解原则上按回报率来排序安放需要人工智能的场景
    • 任务核心预测才是关键点
      • 任务核心的关注点需要每个人或是企业从最基本的需求方向去理清。
  • 重新设计工作岗位
    • 工作就是一系列任务的集合
      • 人工智能以及自动化，会改变工作流的其他任务顺序和重点，新的任务也可能增加，因此，构成工作的任务集会发生改变
    • 人工智能工具实践对工作岗位产生的影响
      • 人工智能工具可以增加工作岗位
        • 如电子财务表格处理人员或是程序员的职位
      • 人工智能工具可以减少工作岗位
        • 如单据录入，保管人员和自动化流水中的装配工人等
      • 人工智能工上人可能导致工作岗位重组，一些任务增加，一些任务消失
        • 如放射科医生或是财报分析师，重点将从人工识别，变成运用技能分析和判断
      • 人工智能工具可能会将重点转移到特定工作岗位所需要的特定工作技能上
        • 如驾驶员，安保人员，但是人类将更专注自动化需要人类处理的相关技能与任务
      • 4种影响
    • 人工智能工具可能会改变某些技能的相对回报
• 本书思考
  • 以下不是书中内容
  • 国内收集数据
    • 成本低，且太多大量的重复，主要在于用户稳私和活动轨迹
  • 国外收集数据
    • 成本高，且可能会引发法律问题，重复性高，主要在于用户的声明的公开活动轨迹与个人信息，或是公共服务信息
  • 未智能领域的数据（？）
    • LOT传感数据
    • 新的产业和人类活动，生产或行为观测数据
  • 存储设备和通讯，还有各种传感器做为互补品价值将提升（断言）