清华大学徐心老师与FMBA同学面对面企业发展与AI治理之道( 三 ) 【中国MBA教育网讯】近日

数据工程
接下来，神经网络如何建设得更有效，如何把神经网络算法训练得更精准？今天在业界里面应用的人工智能算法，都是一些成熟算法，而且是云上开源的算法，企业的工作是应用这些算法把数据整理好。很多组织都会说有海量的数据，但大量的组织数据是不可用的，，因为企业忽略了数据工程。企业要做人工智能项目，第一步就是要花大力气在企业内部做数据工程。我曾经带着博士生和一家银行合作，希望通过顾客数据帮助银行提高营销成功率。我们拿到了脱敏之后的用户数据，进行了很长时间的数据整理和研究，现在有一些积极的结果。但是在和银行沟通时，我们感到，项目的业务部门归属还应该更清晰，数据工程是长期要做的事情，在做检测的时候需要有AB测验（实验组与控制组）的平台。
AI对单一流程的影响
我曾经和一家保险行业的公司合作，探究声学特征能不能反映顾客情绪，如果顾客负面情绪比较多，是不是应该优先执行？
【清华大学徐心老师与FMBA同学面对面企业发展与AI治理之道】在具体研究时，要对客服电话先预处理降噪，然后把录音切片，再用CNN （Convolutional Neural Networks ，卷积神经网络）进行识别。卷积神经网络最著名的应用是识别图片里有没有猫，应用到语谱图中，横轴是时间，纵轴是频率，把声音转化成图像，识别图片里面有没有一个特殊的形状表示生气。这里面有一个难点，是需要人工标注同时互相校验，识别图片里是否有顾客的负面情绪。
我们把数据给到算法，经过训练之后效果还不错。同时我们也做了一件事情，把这通电话转成文本，我们觉得文字和情绪应该结合在一起，但特别令人惊讶的是，这个场景下，文字里反映的负面情绪并不多。有可能是因为在打电话的过程中，双方都被告知这个电话需要录音，在受控的情况下能够注意自己的文字。我们开发了一些现实中应用的场景，在现实的检验中，公司随机调增4% ，据他们的经验和历史数据，有2.5%的通话有较严重的服务质量问题，采用我们这套系统，将一天内所有的电话检索一遍，按照负面情绪排序，能找到的负能情绪通话召回率达到了30% ，有几乎10倍的提升。 CNN是一个图像识别的技术，但是同样我们可以拿到识别声音信号上。这是我想跟大家分享的第一个感触，很多人工智能的算法是通用算法，要理解了这个算法做什么，在这个场景下能干什么。
人工智能有一个问题是黑盒子，复杂的神经网络输入1000个特征，输出电话里有没有和服务质量相关的问题，中间的计算无法解释，所以在现实应用中决策人没有信心。我们做人工智能项目，尽量在得出了较好的工程结果之后，要注意可解释性。我们在项目中做了一些分析，纵轴是电话和服务流程可能有问题的概率，概率越高，说明可能有服务质量问题，横轴是某一个特征。算法本身对特征进行排序，比较靠前的特征是情绪波动，在一通电话里，顾客情绪波动不大不代表他永远都高兴，情绪波动越高，出现的负面情绪越多，说明顾客不断的不满意，负面情绪一直在增长，很可能是有服务质量问题。
在这个例子中和大家沟通了深度学习的算法，以及可解释性的问题，它也引发关注管理问题。人工智能项目在企业内部往往涉及不同部门的业务和数据，项目应该如何设立，为什么不同部门想把数据贡献出来，有什么样的机制能够促进不同部门分享数据，如何让数据在企业内部形成一个公共品，是我一直思考的问题。
当我们聚焦单一流程的时候，人工智能算法可以帮我们做一些创新，就是技术赋能的创新。我现在正在进行一个教育类的项目。我们经常说一心不能二用，但心理学和教育学提出了一个新的理论叫交错学习，同时间要学习两到三件事。现在很多学习平台是这么设计的，根据用户测评，找准一个人薄弱的知识点，推荐有针对性的学习材料。有教育学的理论告诉我们说，同一个学习段里学习不同的事情有两个好处，大脑能更清晰地识别不同的东西，能把不同的问题组织在一起形成更高阶的问题解答模式。但让一个人一次学太多东西是不是太累了，脑力是有限的，所以一心多用有好处，也有坏处。在我们的项目中，对方为同学们出了阅读理解题目，标注每一个题目是考哪些知识点，通过学生做某一道题的结果，用统计的方法去推断他对知识点的掌握程度，背后是贝叶斯的统计过程。不同的学生随机分为三组，一组推送掌握程度较弱的知识点进行练习，一组推荐知识图谱距离较远的题目，还有一组推荐知识图谱距离较近的题目，再加上前测和后测，最终发现做题时间和正确率关系不大，中间组的同学每次练习三个联系较少的知识点，学习效果相对不好；每次练习三个距离较近知识点的同学，学习效果相对较好。这是AI赋能的一个教育研究。