关人工智能的文章，通常在开头时会想要震惊读者，因而引用科幻小说的经典作品，或关于人们即将失业的令人担忧的统计数字。但我认为，在2018年我们才比较接近人工智能的核心，因为我们思考了人工智能可用一些微小、平凡的方式，让工作变得较容易一些。而且，不一定是你组织中的人工智能专家，才能看出它可协助解决哪些平凡的问题。相反地，组织的所有员工都将有能力发现人工智能有哪些容易达到的成果，可提高组织的效率。但前提是，他们必须知道人工智能能做什么，以及绝对不可做什么。
例如，我为一个经常出差的团队管理财务，我很感谢我的费用软体使用机器学习，从收据中聪明地做出推测：商家名称、花费金额、税金和可能的费用分类。找到机会进行这种巧妙的改进，以节省人力与时间，这种挑战不仅是针对领导人 最好也有其他组织成员进行这种探索，愈多人参与愈好。
人工智能的一个快速成长的领域，就是机器学习，其中电脑程式根据数据资料，来创造并反覆修改设计演算法，以改进对问题的解答。人工人工智能被认为是只有最聪明、最有数学头脑的人，才能理解并使用的技术。的确，日常工作就是在打造机器学习程式的人，往往拥有电脑科学的硕、博士学位。但机器学习就像其他任何技术工具一样，人们对它的理解可以有不同层次，不完全理解的人也可使用它。我们不必懂得如何驾驶飞机，也能找出合理的新航线。但我们需要知道飞机能做什么，不能做什么。例如，外行人也可能会有飞机不该做何种用途的构想，这可能会产生正向结果，例如降低城市中的飞机噪音，或限制极短程的昂贵航班。
企业、非营利组织或政府的领导人投资于人工人工智能大部分注意力都集中在聘用机器学习专家，或付费购买工具。但这一来就错过一个关键机会。组织若要从人工人工智能得最大好处，还应该投资于协助所有团队成员更加了解人工人工智能工若了解机器学习，就较有可能在自己的工作中，发现潜在的应用方式。机器学习的许多最有希望的用途，都将会是很单调乏味的，而这正是技术最有用之处：为人们节省时间，好让他们专注去做人类胜过机器的许多工作。对机器学习有较多了解的行政助理，可能会建议，日历软体直接从长期发展出来的模式中学习，例如，若是上司已太久未会见某一团队成员，就要提醒他。有学到模式的日历软体，能让行政助理有较多时间去做人类特别擅长做的工作，例如协助上司管理团队。
那么，你的所有员工应该学习人工人工智能些层面？你团队中的任何成员都应该要能回答三个重要问题：人工人工智能运作？它擅长什么？它绝对不可做什么？让我们逐一来详细检视：
它如何运作？
不负责打造人工人工智能的团队成员，还是应该知道它如何处理资讯和回答问题。尤其重要的是，人们应了解自己学习和机器「学习」方式的差异。例如，试图分析一百万个数据点的人，必须以某种方式简化它，以便理解它；做法可能是找出平均值，或制作一个图表。另一方面，机器学习演算法在进行计算时，可使用每一个数据点。它们「被训练」使用现有的一组数据输入和输出资料，以找出模式。数据资料是机器能提供有用答案的基础，因此经理人应确保他的团队成员具备基本的数据资料素养，也就是要协助人们了解数字代表的意义，以及可能隐藏在其中的偏见与错误。了解数据资料（数据是人工人工智能料），可协助人们了解人工人工智能什么。
人工智能擅长什么？
机器学习工具经过训练后，能够利用大量可靠数据来解决问题，并在人们为其定义的明确参数范围内提出答案，如此机器学习工具的表现就会很出色。我的费用软体就是一个绝佳例子：它有数百万使用者的收据可供学习，并用那些收据来协助预测，一杯星巴克（Starbucks）咖啡应该归类为出差、文具或是娱乐。知道机器学习擅长什么，就能快速了解机器学习不擅长什么。新颖的问题，或缺乏有意义的数据资料来提供解释的问题，仍然属于人类专长的领域。若要协助你的员工了解这个差异，你可以向他们展示，他们已在组织内部或外部使用、由人工人工智能的工具（例如社群媒体广告，或串流服务提出的建议）。这些例子可协助团队成员了解人工人工智能大潜力，和它的局限性。
它绝对不可做什么？
仅仅因为机器学习可以解决问题，并不表示它应该解决问题。例如，机器无法了解数据显示的偏误，也无法了解它作出的建议会有什么后果。可能会有一些问题，是你的组织绝对不该让人工人工智能程式去解决的。例如，我不会让演算法为我的公司作出下列最终决定：雇用谁，在董事会议上讨论什么，或如何管理表现不佳的员工。员工如果已考虑到人工人工智能当道德限制，就可成为防止人工人工智能的重要守卫者。
在人工智能时代，表现最佳的组织，将会很善于为人工人工智能各种机会，以协助员工把日常工作做得更好，并能快速执行那些构想。那些组织将会很清楚应在哪里运用机器学习，在哪里避免使用。除了投资于技术，它们还会提醒团队「人类专长」的重要性，包括：支援同事，好好沟通，并试验新颖的构想。若要为人工人工智能遍运用作好准备，组织的整个团队也需要作好准备。
閱讀更多 思想道 的文章
