你有没有过一个经验，突然听到一个新字眼流行起来，身边每个人都在说，你对它只是一知半解，但却不好意思开口问清楚？谷歌有史以来第一位首席决策科学家（Chief Decision Scientis）凯西柯兹科夫（Cassie Kozyrkov）认为，这就是现在绝大数人对机器学习（Machine Learning）的状况。
谁是凯西柯兹科夫？她是谷歌的首席決策科学家，这个工作岗位是谷歌在今年创造的新岗位，她最主要的工作就是对谷歌高层的决策过程与如何应用 AI 策略提供建议，协助将谷歌打造为一个数据驱动的组织，简单讲，这就是一个“教”谷歌高管们怎么用 AI 管公司的工作。
教一家可能是全世界最懂 AI 的公司高管们怎么用 AI？这工作的 JD(Job Discription) 听起来似乎有些不可思议，但事实上，却有实际存在的必要性，因为，开发 AI 算法或产品是一回事，但要将 AI 应用在企业环境中进行决策，可是另一回事。
而柯兹科夫的工作是在谷歌内部推动决策智能（decision intelligence）创新实践，并已亲自培训过超过 15,000 名谷歌员工。
她在 2014 年加入谷歌，今年 3 月，谷歌为她创造出该公司有史以来第一位首席决策科学家（Chief Decision Scientist）的职位，服务于谷歌云（Google Cloud）部门，主要工作是对谷歌高层的决策过程与 AI 策略提供建议，并协助将谷歌打造为一个数据驱动的组织。
也因为她，谷歌又界定出了这个称为决策智能工程学（decision intelligence engineering）的全新学科。据她解释，决策智能是一门跨领域科学，主要结合了数据科学和行为科学。
这是因为，在谷歌这样一个拥有庞大数据的公司，需要有人能其在一系列产品和服务中运用机器学习技术，建立一个可靠的决策框架，让内部的个人和机器都能做出更明智的决策。但这样的框架并不存在，因此谷歌决定公司决定建立一个。
机器学习可以说是当前企业界最火热的字眼之一。然而很多时候，机器学习被过度神化，仿佛遇到任何商业问题，只要找一些数据丢进机器学习模型，就可以得到神奇的解答。
但很多企业都失败了。柯兹科夫在日前于新加坡的一场“决策智能——重新思考传统”（Decision Intelligence – Rethinking Tradition）的演说中，厘清什么是机器学习，企业又该如何运用机器学习来进行商业决策。
柯兹科夫（Cassie Kozyrkov）指出，许多企业在使用机器学习时经常“用错误的顺序，然后不断失败”，以致于浪费资源，又得不到想要的结果。
图｜谷歌首席决策科学家凯西?柯兹科夫（Cassie Kozyrkov）（来源：MAS）
在这场演说中，一开始，柯兹科夫先请在场听众举手回答两个问题，一是有谁知道如何制造微波炉？一是有谁没有用过微波炉？两个问题在场都没人举手。
她接着指出，一般人都不知道怎么制造微波炉，但却没有人不会使用。其实机器学习也是这么一回事。机器学习的研究和应用，不应该被混淆，但许多人或企业却都会犯这个错误，只是想微波食物，却找了一大群人来打造微波炉。这无异于是找工程师来下厨。即便结果成功，也只是因为刚好找到会下厨的工程师。
她形容，机器学习就像在厨房做菜，可以分成四个部分。第一个部分是数据，也就是原料。第二是演算法，这就是厨具。第三是模型，这就像食谱一样。第四是预测，也就是最终的菜色。
图｜柯兹科夫（Cassie Kozyrkov）认为机器学习就像在厨房做菜，可以分成数据、演算法、模型、预测等四个部分（来源：DT 君摄）
多数企业的需求只是要煮出一道菜，而不是要生产微波炉，但却往往犯了从头开始制造这些厨房用具的错误。其实，这或许也不能怪这些企业，因为当前机器学习的应用面确实还不够成熟。
她指出，机器学习很常跟人工智能（AI）被相互混用，实际上学界认为这两者之间有着分别。事实上，柯兹科夫把机器学习的定义简化成一个“事物”的标签机，它不是神奇的黑魔法，本质就是对其识别的某个事物给予标签，只是与传统方式相比，机器学习是靠“范例”而不是“指令”来标签事物。
但无论如何，机器学习与 AI 有着共同原则，那就是两者都是运用数据、演算法、模型和预测，来自动执行一些很难用言语解释的任务。而这可以说是人类史上一个“全新的方向”。
柯兹科夫又将机器学习分成两种，分别是传统人工智能和决策智能，并定义前者是机器学习研究，用以打造通用型的工具。后者则是组合了机器学习应用、统计与分析，用以解决商业问题。
也就是说，机器学习可以分成基础研究面与实务应用面。想要下厨，不需要会制造厨具，只要懂得如何使用即可。而制造厨具的人，也不必然需要精于烹饪。
但她认为，目前企业界在运用数据结合机器学习进行商业决策时，人们经常用错误的顺序，也就是直接从数据、从机器学习下手来解决问题，然后不断失败。她说，“你应该从你的顾客开始，而不是从工具、从原料开始来解决问题。”
她进一步解释，数据是人工智能能够发挥作用的一个关键。但很多时候，企业往往没有真正厘清核心问题就跳到技术解决方案，然后将失败原因归咎于是数据不足或数据过多。但实际上，如果能够真正厘清问题，就不难找出合用的数据。
不管怎么说，柯兹科夫强调，用机器学习来解决商业决策问题，其实比想像中要容易得多。只是企业必须避免本末倒置，搞错顺序，硬是找工程师来负责下厨。
