機器學習算法，可以幫助我們做出更好的決策，通過將人類的偏見最小化，使用更完整的數(shù)據(jù)集，或者彌補我們決策軟件中已知的缺陷。

雖然古老的計算機科學公理“垃圾輸入，垃圾輸出”仍然適用，但精心設(shè)計的具有完全代表性數(shù)據(jù)集的系統(tǒng)，可以幫助我們做出更明智的決策。

考慮一下招聘場景。Textio開發(fā)了一種軟件產(chǎn)品，幫助人們寫工作描述，這種描述最有可能吸引有資格、有能力做特定工作的人。

這家公司由一個微軟 Office 老員工團隊創(chuàng)辦，在你寫內(nèi)容時在屏幕上提供指導。

例如，當你在某個特定的時間點，使用某個性別比另一個性別更有吸引力的詞語時，Textio 會提醒你。

諸如詳盡、強制、無畏之類的詞匯已經(jīng)被統(tǒng)計學證明，會讓你的人才庫偏向男性。

Textio還指出了地區(qū)差異。

例如，如果你用“好的職業(yè)道德”來描述你的理想候選人，這可能會吸引圣何塞的工人，但會阻止華盛頓地區(qū)的工人。如果你的目標是埃弗雷特的候選人，最好不要說這句話。

鑒于Textio可以訪問廣泛的數(shù)據(jù)集，比如現(xiàn)有的職位描述、應(yīng)用統(tǒng)計數(shù)據(jù)和工作表現(xiàn)數(shù)據(jù)等等，可以幫助你消除招聘過程中的盲點。

機器學習還可以幫助你，找出是什么讓你最優(yōu)秀的員工如此高效，并幫助你在第一天就把新手變成專家。

Cresta.ai觀察最有效的銷售人員在聊天時如何與潛在客戶互動：弄清楚潛在客戶需要什么，推薦產(chǎn)品，回答問題。

這個系統(tǒng)提取最佳實踐方案，并將其轉(zhuǎn)化為實時建議，供經(jīng)驗不足或效率較低的銷售人員在與潛在客戶互動時使用。

在 Intuit 這樣的客戶部署中，銷售團隊的轉(zhuǎn)化率上升了20% ，培訓時間節(jié)省了66%。

換句話說，與沒有使用這個系統(tǒng)相比，銷售代表在培訓較少的情況下完成了更多的業(yè)務(wù)。

這個系統(tǒng)對銷售人員和客戶都有好處。

正如一位 Intuit 代表所描述的,“我擔心使用這個系統(tǒng)會破壞與客戶的個人關(guān)系或?qū)υ?，但是將這個人工智能作為工作助手，有助于展開個性化對話?！?/p>

機器學習也有助于提高非常熟練的專業(yè)人員的決策能力，例如尋找特定礦物的地質(zhì)學家。

鋰離子電池(如手機、筆記本電腦或電動汽車中的電池)內(nèi)部可能含有一種叫做鈷的礦物質(zhì)，這種礦物質(zhì)可以幫助電池在多次充放電循環(huán)后依舊保持性能。

隨著特斯拉的Gigafactory等電池工廠生產(chǎn)更多的鋰離子電池，鈷的需求正在迅速增長。

不幸的是，世界已知鈷儲量的65%在剛果民主共和國，這個國家政治不穩(wěn)定，據(jù)報道可能有多達40000名兒童在開采鈷礦。

如果我們在剛果民主共和國政府中有一個可靠的政治伙伴，我們可能會努力改善所有礦工的工作條件，但是我們也應(yīng)該尋找新的鈷來源。

這正是KoBold Metals正在做的事情。

通過查看許多不同的數(shù)據(jù)源，如地形數(shù)據(jù)、在某一地區(qū)生長的植物、磁和電磁模式、水和天氣模式、巖石類型等等，在我們派遣非常昂貴的探險隊開采之前，這個系統(tǒng)可以幫助地質(zhì)學家找到鈷的可能存在的位置。

另一個很好的例子是金融技術(shù)。

向首次借款人發(fā)放貸款是有風險的，尤其是在第三世界國家，如肯尼亞、坦桑尼亞或尼日利亞。

在這些國家，信用機構(gòu)要么不存在，要么無法接觸到所有人，致使很多人無法獲得傳統(tǒng)貸款。

我們的投資組合公司Branch，一直致力于在這些領(lǐng)域為首次借款人提供貸款。

在沒有信用機構(gòu)的情況下，Branch試圖根據(jù)借款人的移動應(yīng)用程序使用情況和通過其移動應(yīng)用程序收集的行為來確定借款人的資格。

使用機器學習，Branch分析了數(shù)據(jù)，并確定了幾個行為指標，這些指標已經(jīng)被證明，可以預(yù)測貸款償還的可能性。

以下是一些令人驚訝的因素或行為，使得Branch的借款人更有可能償還貸款的特征：

使用三星或HTC等品牌的手機

節(jié)約使用電池

晚上接大部分電話

收到的短信比發(fā)送的多

Facebook賬戶更活躍

在手機上運行賭博應(yīng)用程序

除了最后一個指標，列表上的大多數(shù)指標都不太令人驚訝。

數(shù)據(jù)發(fā)現(xiàn)，如果一個人是賭徒，并且手機上有賭博應(yīng)用，他們更有可能償還貸款。

如果你覺得這有點違反直覺，你并不孤單。

這只是證明了一個人類決策者是多么的不靠譜，這是由于個人偏見和過去的經(jīng)驗造成的。

這是否意味著算法在所有決策方面都比人類好？還沒有。

從組織樣本中比較癌癥診斷性能的研究顯示，例如哈佛醫(yī)學院2016年6月發(fā)表的這一項研究和谷歌AI Health研究員2018年10月發(fā)表的另一項研究，當人類與算法競爭時，始終提供最準確診斷的是人類+算法，它們的表現(xiàn)優(yōu)于單獨的算法和單獨的人類。

為了讓你了解醫(yī)生用來診斷癌癥的方法，這里有兩張并排的圖片。左邊的一張顯示了已經(jīng)染色的組織切片。

右邊的圖顯示了計算機視覺算法疊加“熱圖”的結(jié)果，熱圖顯示了它認為更多(紅色)或更少(藍色)含有癌組織的區(qū)域。

為什么人類使用的算法比單獨的算法和單獨的人表現(xiàn)更好？一種可能性是，這些算法改進決策的方式，與語法和拼寫檢查有助于提高我們的寫作水平的方式相似。

一般來說，這些檢查器能很好地發(fā)現(xiàn)我們的打字錯誤和語法錯誤(真正的優(yōu)點)。但是偶爾，檢查器會標記出錯誤(假陽性)或者給出一個你不同意的語法暗示。

在這些情況下，你最終將重寫檢查器。這種過程最終的結(jié)果是，寫出的東西比任何一方自己寫出的東西都要好。