从预测到决策

1. 机器学习在现实中的困境

当前，人工智能正高速发展，其中最核心的贡献是机器学习，然而机器学习在大量应用过程中出现了瓶颈，主要有以下几方面：

一是泛化能力差。根据福布斯的数据，全球能够投入生产的机器学习项目只有 10% 左右，其中绝大部分项目没有投产的最重要原因就是泛化能力不足，导致模型在线上表现不稳定，达不到业务上的要求。这其中也存在多方面的原因，包括训练层面过拟合、欠拟合问题以及数据层面数据质量、数据漂移的问题，但最核心的问题还是来自于机器学习本身的基本原理：观测数据中相关关系的拟合。

基于统计上的相关关系其实并不可靠。以下的图表中有两条线，分别是十年期间每年尼古拉斯凯奇拍摄的电影数量和同年在泳池里溺水的人数的数量，从曲线中可以看到非常强的伪相关关系。我们可以训练一个非常准确的模型，但也明显的知道这是伪相关。伪相关是指不具备因果性影响的相关关系，如果机器学习模型里有一些重要的特征存在伪相关，那泛化能力的缺失就一定会成为一个问题。目前，泛化能力不足已经成为人工智能发展的巨大障碍。

二是缺乏解释性。当前，机器学习、深度学习在可解释性上面临着巨大的挑战，大部分研究成果还是围绕输入输出的相关关系做解释，没有完全说清楚因果关系的影响，所以可解释性也成为可信 AI 巨大的障碍。

三是对决策任务的支持能力不足。仅依靠对未来结果的预测很难提供有效的决策选项，也无法提供不同决策选项对未来结果可能产生的影响。实际上，从预测到决策还存在着巨大的差距。随着数字化转型的不断深入，企业并不满足于解决预测性任务，目前他们面临的是智能决策等更复杂的认知层面问题。

2. 什么是预测任务？什么是决策任务？

典型的预测任务包括预测某个产品未来的销量、未来有哪些用户有流失风险，有哪些客户可能会购买我的理财产品等，目前的机器学习算法已经能很好地完成这类任务。

决策问题则有一个明显的特点，就是更强调如何干预能够实现预期结果。比如，如何设定产品价格能够获得最高的销量、如何干预可以有效挽留有流失风险的用户、如何针对不同用户应该选择促销策略以提高购买转化率，这些都是典型的决策性任务。

商业智能分为几个阶段：从最基础的描述性分析、诊断性分析，告诉我们过去曾发生了什么；再上一个台阶到预测性分析，告诉我们未来有可能会发生什么，现在的机器学习算法主要还是停留在这个阶段的任务；再上一个台阶是指导性分析，告诉企业如果想实现一个目标应该怎么去做。

商业市场上同样呼吁应当加快因果学习技术的产业化应用。在Gartner最新发布的因果学习创新洞察报告《Innovation Insight：Causal AI》中指出, “人工智能必须超越基于相关性的预测，朝向基于因果关系的解决方案，以实现更好的决策和更大的自动化。……因果人工智能对未来至关重要。”

因果学习技术将大力提升人工智能技术的自主性、可解释性、适应性和鲁棒性。这些特性对于基于AI技术实现数智化升级的政府和企业来说，将进一步降本增效，并收获超预期的数据价值。