公司内的数据流有限
随着由数据驱动的机器学习系统的启动和运行,最终,那些蒸蒸日上的公司雇用的管理者会越来越少。自动化最终会走进公司的每个角落,包括公司的决策领导层。但是将决策自动化推进到管理领域,仍存在一个根本问题。市场上的直接交易决策都是大同小异的:我们将自己的偏好与他人的偏好进行比较,然后决定是否交易或者与谁交易。具体情况可能会有所不同,但是市场参与者每次参与市场交易时,都会遇到这种决策。与此相反,企业高管所面临的却是各种各样不同类型的决策。因此,在拥有综合偏好数据的海量数据市场中,我们可以利用这些数据来训练决策辅助系统,并通过系统了解相关情况。但是公司不能拥有这样的奢望,因为在公司里,类型相似的决策要少得多,所以一个特定类型的决策所能使用的数据就相当有限。
由于高管们所面临的决策选择种类比市场参与者面临的要多得多(后者“只是”必须决定是否进行交易),所以机器学习系统需要处理的数据也会更多,而不是更少。更糟糕的是,即使已有足够数量的信息输入,关于决策的实际过程的数据却仍然匮乏。如果机器学习系统不知道如何评估、权衡、比较各种输入的数据,并将其转化为决策,机器学习的发展就会停滞不前,而且表现欠佳。简言之,公司中的数据细流是完全无法与市场的数据洪流相媲美的。当然,公司可以尽量多地收集相关数据,但是考虑到决策的多样性,很难想象机器学习系统会很快接管人类管理的决策工作。
本书评论