重新打造企业｜在数字化时代，最迫切需要的核心技能和能力
上周到昨天，我们完成了数字化战略框架的第4R“重新打造企业”的B部分：重新设计创新组织。我们通过案例讨论了三种组织模式：Finansbank的“快艇”模式，万事达的“登陆码头”模式，高盛的“内部变形”模式；讨论了数字化转型的投资类型和资金机制；最后是基于微服务理念打造敏捷组织，以及敏捷思维如何应用在业务上。
现在进入数字化战略框架的第4R“重新打造企业”的C部分：重新锤炼人才技能。今天聊聊数字化的核心技能：大数据与人工智能。
几百年来，农业几乎没什么变化：农民在农场动物的帮助下耕种田地，并用附近河流来灌溉农田。在中国和许多发展中国家，农民仍然大量使用这种古老的方法，它所需要的技能比较有限。农业创新始于18世纪的作物轮作，20世纪陆续出现机械化、合成肥料、杀虫剂和高产种子。
如今，农业已成为高科技行业。自动拖拉机中的GPS确保不会把一块地耕作两次、或错过任何地块，从而减少燃料消耗、提高肥料的利用率。
科技也导致了“精准农业”。约翰迪尔的设备可以在一寸内精确种植单个种子，设备上的传感器可以测量土壤中的养分数量、并实时调整肥料的数量。悉尼大学开发了一种太阳能驱动的设备，可以识别单棵杂草并将其消灭。
《经济学人》的一篇文章将农业比作矩阵代数：“农民必须经常处理一系列变量，如天气、土壤的水分含量和营养成分、杂草对作物的竞争、病虫害对健康的威胁以及采取行动处理这些变量的成本。”约翰迪尔这样的公司，正在通过来自传感器和其他途径的变量历史与实时数据开发软件算法，帮助农民优化产量、最大化利润。
软件和数据分析的发展不仅限于任何一个行业。从农业到金融服务，公司正在雇用数百、数千名拥有计算机科学和数据分析技能的软件工程师。高盛公司9000多名员工(占员工总数的1/4)拥有工程背景，分析师中的37%拥有STEM(科学、技术、工程或数学)学位。数据是数字时代的新石油，公司需要具备从这一重要资源中提炼和提取价值的技能的人才。
1 数据分析、机器学习和人工智能
根据IBM的报告，人类每天创建2.5QB的数据。也就是说，当今世界90％的数据都是在过去两年中创建的。这些数据来自网络浏览、社交媒体帖子和移动使用等消费活动，而且越来越多地来自机器中内置的传感器。因此，理解大量数据已成为公司面临的关键挑战，包括我们之前讨论过的每家公司，如Adobe、亚马逊、通用电气、高盛、万事达、纽约时报和天气公司。
利用大量数据的一种强大方法，是通过机器学习和人工智能(AI)。今天，人工智能是自动化的幕后力量，它同时带来了恐惧和兴奋。虽然有些人(如埃隆马斯克)担心人工智能运行的可行性，但更多人认为AI技术未来会彻底改变每个行业。无论你持哪种观点，人工智能毫无疑问会对未来的工作产生巨大影响，也强烈影响了数字时代所需的技能。
人工智能的概念可以追溯到1956年，早期是尝试创建一个有规律的“专家系统”，让机器向人类专家学习规则(如国际象棋规则)，然后利用其计算能力筛选数百万种组合，达成最佳决策。1996年，IBM使用这种方法开发国际象棋超级计算机“深蓝”，用以对抗卫冕世界冠军卡斯帕罗夫。深蓝搜索六步、八步、有时甚至二十步，每秒处理两亿个位置。这种粗暴的计算能力让深蓝赢得了对阵卡斯帕罗夫的第一场比赛，但卡斯帕罗夫赢得了接下来的三场比赛，并将其余两场比赛逼和。
专家系统利用了机器的计算能力，但无论结果多么令人印象深刻，都难以“智能化”。大多数实际情况，例如语言翻译，都不像国际象棋那样规则明确且遵循规则。因此，人工智能数十年来一直处于休眠状态。当大数据和模式检测能力变得可行时，AI才重新浮出水面。
大数据一词悄悄进入商业词典，代表了当今可用的大量复杂数据。大数据是大生意还是大炒作？不管怎么说，数据始终是企业决策的支柱。大量数据让你可以做什么以前做不到的？Google流感趋势(GFT)是一个著名的案例：
2008年11月，Google研究人员在《自然》杂志上发表论文称，它使用2003~2008年间数百亿美国用户在Google上搜索流感的数据，来预测流感的发病率。Google科学家认为，没有先前的流感知识可以用于建立模型。他们分析了5000多万个最常用的搜索查询，并通过估计4.5亿个候选查询的不同模型来自动选择最适合的搜索项。最终模型使用了仅45个搜索词，即可预测美国几个地区的流感发生率。根据疾病控制中心(CDC)的报告，模型结果与流感实际发病率进行比较后，显示了令人难以置信的准确率，实际和预测流感率之间的相关性在0.90~0.97之间。
突然间，你似乎不需要领域专业知识，也可以预测流感的发生率。虽然谷歌的研究后来遭到一些批评，但它开辟了数据和算法取代专家的可能性。
多数大数据研究、包括Google流感研究，都使用搜索查询数这样的数字数据。这是通过Excel电子表格或计量经济模型处理业务的数据类型。但是，数据现在有许多其他形式，如文本、图像、视频，不能完全适合Excel电子表格的行列处理。如何对数以千计的数码照片进行分类，以便将你儿子的照片识别出来？这就是ImageNet的重点，它是一个拥有数百万张图像的数据库，可以挑战学者建模进行图像分类的能力。2010年，机器和软件算法的准确率为72％，而人类图像进行分类的平均准确率为95％；2012年，多伦多大学采用深度学习方法，使机器的图像识别准确率提高到85％。如今，基于深度学习的面部识别算法具有超过99%的准确率。
深度学习基于人工神经网络(ANN)，而ANN学习人脑的工作方式。人脑平均有1000亿个神经元，每个神经元连接到多达1万个其他神经元，使其能够快速传输信息。当神经元接收到信号时，它会发送一个电脉冲，触发其他神经元，然后将信息传播到与它们相连的神经元。每个神经元的输出信号取决于一组“权重”和“激活函数”。利用这种类比和大量数据，研究人员调整权重和激活函数，就可以训练ANN获得所需的输出。
人工神经网络已经存在了数十年，其突破来自一种称为“卷积神经网络”的新方法。这种方法表明，一个网络“层”仅可识别简单模式，多层网络则能找到模式的模式。例如，网络的第一层可以将对象与照片中的天空区分开，第二层可以将圆形对象与矩形图形分开，第三层可能将圆形图标识为面，依此类推，就像连续的图层就能让图像越来越清晰。现在通常使用具有20~30层的网络。深度学习的这种抽象层次，是机器学习和人工智能的重大改进。
一条评论