人工智能会提高人类的判断力吗？

决策主要围绕从错误中学习并逐步、稳定地改进。几个世纪以来，进化经验在决策方面一直为人类服务。因此，可以肯定地说，人类做出的大多数决定都是基于反复试验。此外，人类严重依赖数据来做出关键决策。可用的高完整性数据量越大，他们的决策就越平衡和合理。然而，在大数据分析时代，世界各地的企业和政府都不愿意使用基本的人类本能和专业知识来做出重大决策。据统计，全球很大一部分公司为此目的使用大数据。因此，人工智能在决策中的应用是今天比过去越来越多地被采用的想法。

然而，在决策中使用人工智能有几个值得商榷的方面。首先，用人工智能算法的输入做出的所有决定是否正确？人工智能参与决策是否会导致可避免的问题？请仔细阅读，找出答案：

人工智能在决策中的论据
不久前，在大数据出现之前，人类依赖直觉和经验来做出有关营销活动、库存管理和金融投资的创造性决策。然而，这种对本能和简单启发式的依赖并不理想，因为人类的偏见也会渗透到决策中。此外，直觉和经验并没有转化为准确性和最佳决策。将人工智能纳入全面决策有几个积极因素，尤其是在某些领域，如营销、金融和物流。企业可以通过不同的方法在决策中使用人工智能。

决策挖掘
意见挖掘是一种基于自然语言处理 (NLP) 的方法，允许企业和政府使用情绪分析来了解其客户或公民的情绪、感受和要求。这种方法使用文本分析、计算语言学和 NLP 来衡量观众的情绪，以创建营销活动和产品以及客户服务目的。

借助正确的数据提取和分析工具和算法，意见挖掘可以自主地对各种文本（甚至是非结构化文本）执行。基于 NLP 的软件工具允许企业从社交媒体帖子及其与客户的互动中得出有意义的见解。从本质上讲，意见挖掘使组织能够节省信息处理所花费的金钱和时间。

意见挖掘有多种类型。其中之一涉及将电子邮件、帖子和文本中的消费者评论分类为微调的部分，从非常积极的（带有五颗星）到非常消极的（五颗星中有一颗表示客户极度不满意）。使用此子类别分析开放式调查和社交媒体帖子。第二种类型涉及情绪类别，例如愤怒、恼怒、困惑、喜悦和失望，以衡量目标受众的原始情绪。随着时间的推移，机器学习算法甚至可以在讽刺和看似矛盾的帖子或评论中衡量情绪。例如，评论——“这个显卡是最糟糕的东西”——只是表示评论者对某个产品的性能感到兴奋。

第三种意见挖掘，称为基于方面的意见挖掘，更具体地进行情感分析。因此，客户对产品交付的意见将分解为交付的不同阶段，例如可追溯性、交付准时性、运输沟通和交付时的产品状况，以了解消费者对每个供应链流程的特殊性的感受，从而改进营销和交付决策。最后一种意见挖掘侧重于多语言文本，使营销公司能够为更广泛的受众进行情感分析。

如您所见，意见挖掘使营销——社交媒体分析、客户反馈、客户服务、市场研究、品牌知名度、品牌语言、活动创建——通过使企业能够了解其现有和潜在新事物的脉搏而变得更加简单和集中。

然而，人工智能在决策中的使用不仅限于智慧城市中的组织或政府的情感分析。

这些是基于 AI 的工具，可为用户根据他们的口味创建在线发现新产品的途径。不出所料，选择集不仅限于产品，Netflix 的推荐系统使订户能够更准确地观看他们喜欢的电视节目或电影。这样的系统是人工智能在决策中的主要例子，因为它们允许网民根据他们过去的数据做出更明智的选择。推荐系统可以防止他们因当今网上的购买选择数量众多而感到不知所措，同时让他们接触到他们可能没有意识到的选择。

推荐系统主要基于不同实体之间的关系工作。这种关系可能存在于用户和产品之间——推荐系统根据个人背景或数据提供推荐。因此，体育运动员可能会在零售网站上收到体育用品的购买选择。否则，关系可能存在于同一包装中的不同产品或元素之间——属于烹饪类型的书籍、关于特定事件的新闻报道。最后，关系可能是具有相似品味的不同用户之间的。在识别数据（用户的行为数据、人口统计数据和基于属性的数据）并对关系进行分类后，此类系统会向用户提供建议。

除了这两者之外，机器学习的各种表现形式和决策中的人工智能也可以通过其他方式使用，例如增强分析——通过对数据进行深入分析，组织中的高级管理人员可以简化战略决策——以及智能 CRM——用于基于聊天机器人的客户投诉处理。简而言之，人工智能在决策中的使用涵盖了广泛的部门和运营领域。

决策中反对人工智能的论点
随着人工智能在业务战略制定中的应用越来越广泛，一些问题需要解决。此类问题中的第一个问题是AI 独特的黑匣子难题. 黑匣子问题涉及人工智能的复杂性和不透明性，这可能会给智慧城市公民或组织带来更多问题。此外，一些国家/地区没有基于人工智能的法规。这可能使世界各地的大公司能够在不考虑用户隐私以及数据完整性和机密性的情况下收集有关健康、医药、信用评级、就业和刑事司法等方面的数据。回到黑匣子问题，如果基于人工智能的决策以某种方式最终通过诉讼和负面新闻造成巨大的声誉和财务损失，那么金融和医疗保健等行业的企业将损失惨重。有过实例的企业或公共机构因人工智能失败而做出错误决策。黑匣子问题使企业无法了解 AI 算法如何从大量数据中得出特定见解。这将是在基于人工智能的错误决策影响多方的情况之后进行的调查的主要障碍。

信息的不透明使得银行在决策中使用人工智能变得更加困难。因此，许多银行和其他金融机构可能不会像其他行业的一些公司那样容易地采用该技术。

也许在决策中使用人工智能的最大问题是有偏见的决策。一次又一次，基于人工智能的系统或应用程序在其洞察力、决策或工作中表现出歧视性的闪光。最大的例子之一是亚马逊失败的基于人工智能的招聘项目. 该项目的创建是为了在 AI 和 NLP 的帮助下自动化申请人简历分析的过程。然而，经过一系列运行后，发现与女性申请人相比，该工具明显地列出了更多男性申请人。这导致几位有价值的女性候选人没有找到工作。此外，基于人工智能的医疗保健系统选择白种人以获得更高的健康福利偏好，或者基于人工智能的工具不公平地选择白人罪犯而不是黑人罪犯以获得假释的概念并不是全新的。使用更广泛、更多样化的数据集进行 AI 训练是解决 AI 偏见问题的方法之一。

那么，人工智能是否会提高人类的判断力？虽然将人工智能纳入决策的好处当然不容忽视，但技术开发人员必须处理某些领域——即黑匣子问题和人工智能偏见，以进一步加强广泛使用人工智能进行决策的理由遍及所有行业。