在本文中，我将告诉您使用人工智能自动化企业战略，并研究在面对不确定性时自动生成战略的最新进展。
每天，人工智能的进步正在解决目前仅由人类执行的任务，并且值得短暂地了解这对您的公司意味着什么。
像国际象棋这样的游戏已经被人工智能所解决，结果令人惊叹，但是这些游戏之间存在着巨大的差距 - 游戏状态和后果的所有内容在做出决定之前都是已知的 - 以及生活的现实，就像扑克一样，有只有一小部分信息可供决策者使用，用于制定决策的信息的质量和数量差别很大。每当我们过马路或吃汉堡包时，我们人类就会面临这种高度不确定的情况，但这似乎并没有打扰我们。直到最近，计算机在处理游戏方面遇到了很多麻烦，这些游戏给决策者提供了关于游戏状态的不完整信息。此外，实时制定策略比决定是否要下注或弃牌更难。
未来已经存在 - 它的分布不均匀。
威廉吉布森
人工智能被大肆宣传，并且有充分理由，但许多流行文化信息来源都失去了“如何”这一切，而是集中在未来可能出现的梦想中，在一些遥远的未来。Vaporware在业界很常见。这不是一个好的事态，因为普通人没有看到研究与产生的产品之间的联系，人们担心他们不理解的东西。
我是人工智能领域的实践者，我对未来主义热的问题是无休止地关注遥远的未来，在现在和现在都没有简单而理性的现实观。火箭方程式的暴政阻碍了太空飞行的未来主义承诺，人工智能的进步同样受到所有颠覆性技术所面临的惯性的限制。人工智能领域的进步带来的变革恐惧不应该导致社会直接走向极端的解决方案，如普遍的基本收入或强有力的人工智能监管。
今天开发的人工智能主要是编程，数据收集和数学。它不性感，起初效果不佳。有时根本不起作用。你在演示中看到的可怕结果是很多努力隐藏狭隘机器智能的缺点的产物。我喜欢把人工智能领域想象成“夏洛特的网络”，威尔伯(人工智能代理人)在博览会上获得所有关注，但夏洛特(程序员)整晚都在网上徘徊。当威尔伯在展会上得到所有的关注时，你必须问问自己猪的确是值得关注的。农夫为什么不卖魔术蜘蛛而不是魔术猪呢?好，
我并不是要给“真正的”未来主义者一个艰难时期。尼克博斯特罗姆的优秀着作“超级智能”值得一读，甚至只是观看他关于人工智能潜在未来危险的TED演讲可能会改变你对这些事情的思考方式。真正的研究正在进行人工智能的远期未来，例如奇点和人工智能，但这根本就不是
与你现实生活息息相关。它可能是某一天，但它不是今天。我想在这篇文章中与大家分享的是现在和现在;编译代码和部署解决方案的坚韧不拔的现实，公司用它来赚钱，省钱，节省时间。具体来说，让我们看一下人工智能开发的战略思维的最新进展。是的，人工智能确实被用于政府和企业的模型决策。立即想到的一个例子是中国决策的机器学习模型，称为政策变化指数。
很酷的事物正从实验室进入现实世界
我声称社会应该获得关于人工智能领域现在正在发生的事情的更有意义的信息。让我们举一个例子：人工智能代理在以前无法解决的难题上越来越好，这些更强大的功能也很重要。我正在谈论DeepMind的AlphaStar，以及许多类似的系统正在升级管道和运行世界经济的大脑。这将影响服务的提供方式，因为提供服务的策略部分直到最近还非常依赖戴着头戴式耳机的键盘上的人。它还影响金融部门，其中80%的市场活动是算法交易代理，自动化战略在这些代理商移动市场中发挥着重要作用。
DeepMind的AlphaStar已最近一直在玩在线星际2的比赛在欧洲，对人的对手，谁也不知道他们是在玩电脑。DeepMind解决实时战略(RTS)“不完全信息”博弈论的方法中的基础技术是在过去的游戏中训练的深度神经网络，并通过与自身对抗来完善以获得更好。自我游戏有助于学习，而不仅仅是复制过去比赛中做出的决定。该方法的核心是使用监督学习和强化学习的混搭系统但是，吸收的关键概念是人类可以玩的复杂RTS游戏现在正由人工智能系统非常全面地解决。AlphaStar的前身是玩GoGo游戏，名为AlphaGo。与AlhpaGo不同，AlphaStar需要根据不完整的信息集开发和执行策略。这是一个向前迈出的一大步，进入一个更加商业化和现实的领域。
今年早些时候的第一套AlphaStar比赛是在私人控制环境中对抗职业球员，依靠能够每分钟执行惊人的高(超人)数量的动作来击败人类。玩这种难以玩的不完整的信息游戏是非常令人印象深刻的，但它们还没有完成。
开发代理商有点像建造火箭并观察其他人飞来飞去。在关注AlphaStar新闻的过去几个月中，我很受欢迎Casters观看AlphaStar的游戏，就像程序员调试他们的人工智能代理一样：他们看看成功并惊叹于代理人提出的想法，然后看看失败并试图找出“为什么这样做?”超级糟糕的游戏中错误细节，如糟糕的建筑物放置和侦察策略，然后与超级低级别的代理内部细节相关联，例如分析导致代理学习如何做的事情的状态顺序。
DeepMind现在正试图让AlphaStar变得更好，让它在受限制的情况下发挥更大的作用。DeepMind希望训练像AlphaStar这样的代理人在人类擅长的任务中击败人类，并且他们也在努力以类似于人类的方式做到这一点，而不依赖点击垃圾游戏或其他不公平超人“欺骗”依赖于计算机工作。我非常确定这不是人类解决所有问题的解决方案，但我们人类所做的所有事情的某些子集正在滑入自动化领域，这很酷。目前，AlphaStar可以播放的地图似乎仍有限制，但正在取得进展，我们可以看到进展实时向前推进。系统的初始演示只参加了三场StartCraft 2比赛中的一场(Protoss)，但是新版本适用于游戏中的所有3场比赛。对我来说，这是今天人工智能领域令人兴奋的部分。每天可能的极限都在上升，似乎并没有结束。
假设基于机器学习的战略生成的上述进展是可以实现的，那么自动化企业战略是什么样的?根据我的经验，政府和企业项目包含有限的范围要求，以模拟公司战略的一部分。在信用风险模型，推荐系统，客户细分，立法风险模型或交易算法中，这些范围有限的方法可以轻松地抽象到流程图中的框中，并在其上添加名称。今天最受欢迎的项目不是整体公司模型的整体解决方案，而是一种服务于管理的工具。用于预测和决策的工具现在非常流行，我预测，在某些时候，大象的这些较小的咬合将成为整体解决方案。ERP系统承诺提供这种整体战略生成，但没有，并且当前基础设施中的技术债务最好通过事物工作方式的渐进变化来解决。
企业战略的自动化已经存在了很长时间，但随着人工智能的最新进展，它应该变得更好。上述想法应该引导您获得企业战略发展将从更多自动化，特别是人工智能中受益的不可避免的结论。公司以某种方式组织，具有特定的关键绩效指标(KPI)，以及改进关键绩效指标的计划。预计人工智能现在正在进入公司战略讨论。
还有很多工作要做
要构建一个生成策略的系统，一个好的起点是开发一个模拟器来定义代理可以在其中进行游戏并做出决策的世界边界。模拟器还需要大量关于过去决策及其结果的数据，以获得一些经验。构建模拟器的过程还涉及决定要模拟的世界的数量。为了避免愚蠢的新生儿和初学者之间的巨大差距，DeepMind遵循的方法是首先教导代理人模仿历史数据，然后一旦它在正确的轨道上，就转向对抗自身的副本。
阻碍人工智能在自主业务战略开发和执行中的广泛采用的一些关键挑战是可解释性，数据集处理工具，自动化机器学习和偏见。
我们先来谈谈可解释性。我们人类需要了解机器从数据中学到了什么，它如何思考以及为什么做出某些决定。研究人员正在努力解决这些可解释性问题。最近关于这一主题的一些有趣工作是“解释模型预测的统一方法”及其开源库shap。
除了可解释性之外，另一个挑战是争论数据集，用于培训这些人工智能代理并在不需要太多人力的情况下标记数据。朝这个方向做出的一些重大努力应该解决大部分问题。用于标记，转换和组织数据集的一个值得注意的项目是snorkel.org，它拥有广泛的企业用户群和美国政府支持。预建数据集和模型也越来越多，因为研究人员，企业和政府采用开放数据政策将其置于公共领域。
在可解释性和数据集准备之上的第三个挑战是自动化构建机器学习模型的过程，现在通常需要数据科学家，机器学习工程师和DevOps工程师，以及项目经理以保持列车运行时间。有许多活跃的自动化机器学习项目，如TPOT，旨在尽可能地从这个过程中删除这些人。这种自动化还不是一个已经解决的问题，它可以让您真实地了解研究人员正在研究的人工智能。
我想引起你注意的第四个挑战是偏见。人工智能系统非常擅长学习和延续观察数据中存在的偏差。这是一个庞大且未解决的机器学习领域，它通过轻松采用人工智能生成的策略来阻止一些关键业务流程。这是验证生成的建议中不存在某些偏差的过程，这些偏差会给这种性质的机器学习项目增加大量成本。
世界正在大规模采用人工智能，而不是等待所有这些问题得到彻底解决，我相信培训轮会慢慢脱落，因为这些系统在企业基础设施中变得越来越普遍。
本文和随后的文章将帮助您了解人工智能领域的发展方向，并帮助您了解这一切对您来说意味着什么。让我简要总结一下5个主要内容：
在某些限制下，人工智能将能够产生企业战略
由人工智能制定的企业战略将变得更加流行
不要吓坏了。新事物正在发生，但天网不仅仅是指日可待
计算机越来越擅长人类之前可以做的任务，比如开车
人工智能作为一个研究领域尚未完成发明。人工正在努力定义和解决许多开放性问题，无论是在AI领域还是AI可以帮助解决的问题