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。

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系或?qū)υ挘菍⑦@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。

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)借款人的移動應用程序使用情況和通過其移動應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。