我是主持人保罗·利马，bet36亚洲体育的执行合伙人. 从华尔街到五角大楼，再到财富500强企业, 我参与了一些有史以来规模最大的bet36体育注册化转型. 我们在这里承诺了三件事. 战略视角, 内容面向决策者, 以及对实际问题的可操作的见解，bet36体育注册梦想家可以立即应用.
欢迎来到 远见者的bet36体育注册化未来指南. 如果预测未来的最好方法是发明它，那么让我们准备好去做吧. 这个播客是为今天有远见的人创建的，他们负责创造. 未来的bet36体育注册体验.
那些听者 远见者的bet36体育注册化未来指南 拥有不公平的优势，因为他们通过bet36体育注册脉搏来创造未来. 他们在bet36体育注册健身方面进行了投资，并获得了长远的眼光, 结合实际的方法，在几分钟内应用他们所学到的知识. 如果我们正在帮助您加速实现业务目标，请告诉我们. 订阅我们的节目，直接在社交媒体上给我发信息，或者给我发电子邮件 (电子邮件保护)
今天，我们有机会和Lorien Pratt， 在科罗拉多州丹佛市获得博士学位. 我很高兴能请到Lorien来为bet36体育注册营销人员做演讲, 决策者, 变革推动者和有远见的人关于GPT聊天世界正在发生的事情, 人工智能, 还有机器学习. 这地方这么热闹, 很难找到真正负责任、知识渊博的人.
因为我们今天创造的很多创新. 这些人真的，真的，正在改写规则和剧本. 所以我们请来了一位真正做到了这一点的作家. 事实上，她开发的部分内容实际上已经嵌入到GPT聊天中.
Lorien是Quantelia的首席科学家和联合创始人.
一家提供世界级应用人工智能的公司, 机器学习, 以及人工智能的一个新类别——决策智能.
她负责许多bet36亚洲体育和软件解决方案，这些bet36亚洲体育和软件解决方案嵌入到许多技术平台中，这些平台是你们今天想要使用的，或者是你们今天在Chad GPT中使用的.
Lorien是有史以来第一本关于决策智能的书的作者. 事实上，是她创造了这个名字. 标题叫做“链接”, 决策智能如何将数据、行动和结果连接起来，创造更美好的世界. 今年7月，洛莉安将出版她的第二本书《bet36亚洲体育》。.
Lorien拥有超过40年的开发机器学习模型的经验, 她的一些工作嵌入了一些你今天可能在使用的主要应用程序中, 比如GPT聊天. 她参加了两次TED演讲，并经常在国家广播电台发表演讲, 电视, 主题演讲, 和网络研讨会.
我很高兴能请到Lorien. 欢迎你，洛里昂.
嗨,保罗。. 很荣幸来到这里. 我为什么不先问一下你关于你40年来提供机器学习模型的经验呢. 我认为让观众认识到这一点很重要, 聘请一位学者是一回事，聘请一位真正在一线工作的人是另一回事, 提供人工智能, 机器学习, 这些都是高性能的机器学习模型, 在一个行业中.
跟我说说你的经历吧.
精灵: “嗯，谢谢你，保罗. 这真是一段美妙的旅程, 我最初是一名学者，我的动机是发表论文，而不是获得资助，把一项技术推向一个新的方向.
“但我一直关心的是转会问题. 我们该如何利用我们拥有的美妙工具呢, 无论是人工智能、机器学习还是bet36体育注册双胞胎, 以及我们如何利用它来实现商业成果?
“或者解决我们面临的一些大问题，比如气候和贫困. 所以我的旅程是从学术界开始的，我的想法只是扩展现有的研究, 然后我转行做了几年的市场分析师, 我意识到这项研究并没有真正以任何方式进入决策者的手中. 有一些机器学习的用例、营销和广告, 但全球领导层非常需要基于证据或更有条理的决策, 但这并没有发生. 这就是决策智能的来源. 还有其他的姐妹. 伟大的“.
保罗: 我有机会看了你的一些演讲我很喜欢你讲故事的方式你找到了一种方法把你妈妈的故事和鲍伊的故事结合起来, 你的狗狗.
而且而且真的, 我想说的是有些计算机科学的博士会告诉你事实，然后他们会讲故事.
我认为这是你带来的超能力之一, 我希望今天能听到其中的一些故事. 我记得你给我们讲了一些关于你的工作的故事，你有一个法律，你把这些技术应用到各种各样的应用中, 有一个特别引起了我的兴趣, 什么是人类基因组计划. 你能跟我们谈谈你在这方面的经历吗?
精灵: “当然. 多亏了人类基因组计划. 我是通过研究生院获得资助的, 那是一个非常激动人心的时刻，因为我们正在研究DNA对序列, 你知道, 这是一个很好的例子, 不管的, 我们试图了解他们的新情况. 特别是, 有一些DNA你可能听说过，那是一种没有任何用途的垃圾DNA.
“所以问题是，究竟是哪一种DNA创造了蓝眼睛, 你知道, 特定大小的耳朵? 哪些DNA比较老，不会被激活? 事实证明你可以用机器学习来解决这个问题. 这是很多机器学习问题的代表你有这么大的数据集.
“正确的? 在这种情况下，它只是一个c - t - g - g - c - t，持续了大约10亿个字母. 正确的? 然后有些人做了一些非常努力的工作，他们说, 这是垃圾DNA开始的地方, 这个代理, 这里是垃圾DNA的终点, t t g g a.
“正确的? 但是这个模式是什么呢? 人们一直在试图编写计算机软件来解决这个问题. 嗯，也许是当有两个t和五个G，等等. 正确的?
事实证明，机器学习在这项任务上比编写软件的人做得更好. 所以那些不知道什么是机器学习的观众, 机器学习真正简单的定义是，用if - then来代替用JavaScript编写代码来构建软件, 等等, 你通过给计算机输入和输出的例子来编写软件. 这就是我们在人类基因组计划中所做的，以及其他许多项目. 我们说，这就是我们所知道的那些垃圾DNA.
“你能用电脑找出启动和停止这些垃圾DNA序列的模式是什么吗? 这就是我多年来所做的数百个项目的模板，在这些项目中，我们不知道如何编写软件或其他东西. 但是我们有输入和输出的例子, 你把它交给一个机器学习系统然后它就会知道如何从一个输出中走出来. 40年来，它一直非常强大。”.
保罗: 好吧, 这是我的评论之一, 我在上一集讲过的, 基本上, 我在上一集说过，如果你把“计算”这个词放在任何学科的前面.
这是有应用的. 计算政治，计算伦理. 它不仅仅是计算物理或计算金融. 大约在2001年，我在研究生院上了一门叫做计算金融的课.
但是当你开始运用这种计算创造力的力量, 计算伦理, 计算政治, 计算, 填写学科名称, 通常有机会使用大型数据集和机器学习. 据我所知, 你的经验更多的是在不同的行业工作，而不是, 说, 只在一个地方. 正确的? 你对把“计算”这个词放在任何学科前面的评论有什么补充呢?
精灵: “我认为你完全正确. 我认为我们看到很多组织，我们可以称之为bet36体育注册化转型之旅，机器学习是其中的一步. 所以一开始，你知道，没有什么是bet36体育注册化的. 然后他们决定他们要你知道，他们要捕捉和追踪一些数据.
“然后几年后，他们追踪了一些数据, 他们说, 嘿, 如果我们用历史数据建立一个机器学习模型，也许历史数据会有一些价值. 所以我认为，最常见的例子是我们有客户流失的历史数据. 这可能是最普遍的机器学习例子, 流失的意思是我们失去了一个客户，从转录计划或电信. ,嘿, 我们有历史数据显示了客户的所有这些特征, 他们多久给呼叫中心打一次电话, 以及它们的其他行为特征.
“我们可以用它来建立一个机器学习模型来预测客户流失吗?
“正确的? 这种模式还在bet36体育注册化转型的过程中, 组织意识到他们有这个大数据集，这个数据集代表了这些历史的输入和输出, 然后他们把这些信息输入一个系统，这个系统会自动为他们构建软件. 流失率只是一个例子. 客户终身价值是你可以使用的另一个指标.
“干预的可能性有多大?? 如果我拿起电话给他们打电话，他们会不会离开我? 或者我应该给他们发一封直接邮件? 这些都是可以使用这些历史数据的例子.
“自动构建有助于做出预测的软件. 如今，在许多领域，这些预测比人类做得更好. 我们看到机器学习达到了人类无法做到的精确度，因为它能检测到非常微妙的信号，比如搅动的事情, 我们在其中发现, 你知道, 我们最有可能流失的客户是那些在这个邮政编码的人，因为他们收到了直接邮件活动, 但前提是她们是女性, 户主, 不到三十岁, 至少有一个孩子. 正确的?
”,, 你知道, 仅仅通过观察一百万行数据是不可能得出如此复杂的模式的. 正确的? 但机器学习可以找到这种模式，这是非常非常普遍的。”.
保罗: 这个例子让我想起了啤酒和尿布的故事.
我记得我从柯克·伯恩那里学到了很多，我非常喜欢他. 他真是个了不起的人.
柯克有这样一个故事. 他谈到了男人之间的关系，他们通常在下班后去便利店，他们会停下来买尿布. 他们购买的与尿布最相关的产品是啤酒. 如果你只看数据，你无法得出这种相关性.
但是是什么是什么隐藏的因素造成了啤酒和尿布之间的联系, 你知道, 家里有小孩的人都知道这是个哭闹的孩子. 数据中没有的其他外部因素是什么? 如果你不在这里，请举手. 正确的?
在你给出的关于搅拌器的例子中, 可能是竞争对手针对特定细分市场提供的产品, 你知道, 这是一个很好的交易，也许你的孩子可以免费使用你的手机, 正确的? 因为你说女人生的孩子够多了. 你不知道它不在你的数据集中. 这些细微之处有时会发现一些正在发生的影响因素这些影响因素是数据本身无法给你单独揭示的.
它只是给出了输出.
精灵: “嗯，这是一个很好的观点. 我真的很喜欢你提起这事, 保罗, 因为它说明了我认为机器学习目前所处的一种误导. 在某些用例中，从这些数据集自动创建软件是如此成功，而不是这样, 作为一个领域, 认真研究这些因果关系, 就像你刚才描述的那个, 这些都不在数据中.
“我发现，当我帮助组织在复杂的环境中做出非常有影响力的决策时, 该决策的大部分片段都不在任何数据集中, 但它们存在于人类的大脑中. 你知道，人类对世界是如何运作的有一种因果机制的理解. 我们知道，哭闹的婴儿可能会让你想去买啤酒. 正确的?
“但没有相关的数据集. 和, 你知道, 机器学习的有趣之处在于，数据是如此成功，以至于我们有了这种狭隘的视野. 如果数据中没有, 那肯定跟我们的决定无关, 这就是为什么我在2009年发明了决策情报学科，这正是你刚刚说的原因, 机器学习是否只有在信息存在于数据中时才有用，而我们忽略了我们在人类头脑中对世界如何运作的理解. 所以决策智能是关于从一个不同的群体中获得理想的信息.
“你知道，你所做的决定的结构是什么? 我们一会儿再详细讲. 然后在你了解了结构之后做出决定. 可能会有一些机器学习模型适合这个决定.
但如果它真的颠覆了一切. 我们不是从数据开始的. 我们从一个特定角色的人开始，他试图实现一些商业成果, 然后他们可以采取什么行动我们要确保他们了解尿布和啤酒以及这些东西是如何结合在一起的. 然后我们可以去寻找一些数据集，可能会告诉我们。”.
保罗: 这个播客主要是为那些负责客户周期的人准备的. 上节课，我讲了数据的成熟度模型. 从收集开始，这是一种诊断. 那么它就是描述性的，或者我们得到了一些因果关系, 也许在一个非常普遍的层面上, 那么它就是预测性的.
我们从哪里开始寻找方程, 然后它是规定的，这些方程可以自动化, 它们是可以解决的, 它们可以被优化, 最后, 我们给它加上的皱纹是认知上的, 这意味着机器实际上可以帮助我们进一步回溯，收集更多的数据，收集更多的诊断和因果关系，实际上计算方程，然后实际上自己开始解决它们，使用认知或计算能力. 所以我想回到, 在每一个阶段, 组织中出现了一些症状.
一开始，我们会说，嘿，我们没有数据. 在描述性中，我们只是捕捉数据. 在诊断方面，我一直喜欢用的一句话是标题胜过数据. 这意味着HIPAA, 房间里薪水最高的人总是在做决定.
而那些高管们，他们已经做了很长时间了. 你可能听说过, oh, 我不相信这些数据或者这些数据并没有真正反映出所有的细微差别, 在我的职业生涯中, 你知道, 一线主管之类的, 但我听到的，这就是我想说的, 我在决策情报方面听到的是，你已经精心设计了一个既能容纳直觉又能容纳数据的学科, 正确的, 发展决策智力. 正确的? 那么你怎么说你能够将人的维度与数据结合起来呢, 在决策智能方面?
精灵: “为了回答这个问题，我现在讲一个狗的故事. 所以我训练我的狗. 正确的? 他生活在一个被我们称为前因行为后因的世界里. 所以先行词是他在厨房里，我说坐下.
他就这样做了. 这是b的部分. 他坐在. 结果是他得到了一块饼干. 正确的? 这是它的c部分. 事实证明，河马和其他人类也生活在一个“先有后有”的世界里.
“在决策情报方面, 我们使用稍微不同的语言，更多的是商业语境, 行动, 和结果.
“当我们开始在这个框架内描绘领导人的决定，并采取他们现在的想法时, 那个政客在胡思乱想, 好吧, 如果我这样做, 它会导致这个, 它会导致这个. 他在脑子里想了想, 如果我们把它从它的头部取出来，画出它的图像, 然后我们邀请其他人围绕这幅画进行合作. 我们在决策方面变得更加聪明, 然后我们可以开始引入一些技术来使用电脑，而不是试着想象如果我如果我, 你知道, 要么投资这个NPS活动，要么我添加这个新产品功能, 或者是这个新人群的市场, 所有产品经理或营销主管可能做出的决定, 而不是让它发生在他们的耳朵之间.
“让我们把它变成一个图表，并邀请其他人合作, 其中一个合作伙伴也是人工智能. 这就是我们如何与他们的现实建立联系, 正确的, 这是, 你知道, 人类怎么想，我的狗怎么想. 当我们向AI询问他们的前代行为和结果时.
保罗: 你真有把事情简单化的本事. 总之，一句话，什么是决策智能?
为什么世界需要人工智能领域的新学科呢, DI纪律? 这是什么??
精灵: “关键是要把这个庞大的技术堆栈应用到你的业务成果和业务行动中。”.
保罗: 这是我们之前在休息室讨论过的一个很好的方法, 我们讲了一点因果关系图.
如果我们真的想一下所有这些模型的结果和所有这些时刻是什么，高管们可以用来做决定, 有各种各样的机会使用机器学习，比如计量经济模型和其他各种各样的能力. 但我认为它可能是模型中的模型.
正确的? 这将真正在最高层次上构建一个决策. 你说, 好吧, oh, 我们已经用了我们已经在市场营销领域用了很多叫做设计思维的方法.
那么决策智能是如何? 这个模型的模型的结果是什么? 当你开始着手解决营销问题或客户体验问题时，它如何与设计思维相适应? 我们应该如何考虑将决策智能融入到工作和工作流程中?
精灵: “所以，如果我们认为设计思维是从最终用户的角度出发，真正理解他们的现实和环境, 那么决策智能就是设计思维, 它是一种设计思维方法和技术, 可以让你更好地使用数据和人工智能. 我认为我们可以把DI看作是设计思维的一个子集.
“当我们心中有了这些特定的目标, 当我们想要更多的基于证据或更多的数据驱动, 特别是对于新的用例. 让我们明确一点，广告的机器学习:解决了. 正确的?
“有许多用例已经完全完成. 但是如果你有一个新的用例，没有供应商可以解决, 你认为它可以通过更好的数据得到信息, 能被人工智能告知吗. 关键在于，使用人工智能是有投资回报率的. 所以你有一些你想要实现的商业成果, 这就是绘制因果决策图的地方，在甘特图出现之前有一段时间.
“我不知道是否有人足够老. 但, 你知道, NASA发明了甘特图，因为阿波罗任务的复杂性太大了，人们无法把所有的任务都记在脑子里，哪位宇航员要参加哪项任务. 但在Gancharts出现之前，人们是非常非正式地做这件事. 没有什么标准的方式来表达我们要做什么，这是一个方框, 我们要这样做，这是一个盒子, 这两者之间有一个开始开始结束的依赖关系.
“因此，他们发明了甘鲨. 因果决策图对于复杂环境中的决策也有同样的作用. 我们是我们是在得到图表之前的巨擘. 我们试着把这些复杂的选择都记在脑子里, 很久以前，我们在许多组织中达到了一个复杂的天花板, 这就是我们争论的原因, 这就是为什么会有这么多紧张.
我们只是假装我们可以把所有的决定都记在脑子里. 我的意思是，想象一下如果我们要在没有蓝图的情况下建造摩天大楼, 同样的道理，每当人类进入一个新的复杂学科时，我们都会使用某种视觉隐喻. 我们使用设计. 正确的?
设计通常是一个事物的图表，它在一定程度上忠实于真实的事物. 我们以前从来没有设计过决策. 现在我们可以了. 所以这是一个CDD就像一个决策的蓝图或者像一个甘特图在一个复杂的环境中做决策".
保罗: 这是因果决策图, 我的意思是, 这对很多人来说可能是新的东西, 我认为, 你知道, 好吧, 我们有顾客旅程图. 这些通常是我们在以客户为导向的设计思维研讨会上可能会做的结果. 我们还有业务流程建模符号2·0. 在利马，我们是一个咨询小组，我们通常使用一种叫做Signavio的工具.
来记录这些. 你们中的许多人可能会使用Visio甚至PowerPoint这样的工具来绘制带有泳道和代表决定的小方块的地图. 这与CDD或因果决策图有何不同?
精灵: 这个问题问得好. 如果你的听众去喝咖啡了，现在是时候拿起咖啡喝了，因为这是a)理解起来有点粗糙, b)现在世界上最需要理解的事情之一, 因为如果没有这种理解, 我们不会解决复杂的决策问题. 我来打个比方. 想想为产品定价的决定之间的区别.
“你在你的电脑系统中实现这个价格的过程.
“这两件事都很重要. 正确的? 比如我们收10美元. 好吧, 当我们决定一件产品的价格是10美元还是5美元时，我们的思维过程是什么?
“或者正如我们所说的，另一件事是，你知道，给产品添加一个新功能. 正确的? 嗯，我们的思路是，如果我们收费，然后我们向特定的受众进行营销. 我们会有一定数量的人购买它，这将转化为一定的收入.
“我们想象会有一连串的事件自动发生, 这就是关键词, 这种选择的必然结果是收取大约10美元的费用. 这是我们无法控制的.
还有一个业务流程图, 这些方框意味着我们做的事情比如我们打开网站, 我们到标价的那一页, 我们打电话给销售代表，告诉他们价格有变. 这些都是活动. 正确的? 这些方框就是一个接一个发生的活动. 在因果决策图中，方框不是活动. 人们总是倾向于认为他们是. 它们是你行为的后果. 正确的?
“因此，收费决定引发了这一系列事件. 如果我是政府官员, 我正在制定一个政策, 你知道, 一些, 为农业公司提供补贴我不会参加这些活动. 我不打算描绘那家公司的活动. 相反，我在制定一个政策，我如何决定我应该制定什么样的政策? 我想象的是对经济的影响或者对我无法控制的特定部门的影响.
“正确的? 关键是在因果决策图中你们可以在屏幕上看到这个. 左手边，是你可以控制的东西. 然后当它从左边流向右边, 你得到的东西是你所控制的东西的结果, 这些行为的后果. 就像我的狗鲍伊一样?
他采取了行动, 然后就不受他控制了, 他是, 你知道, 现在终于可以吃到饼干了. 在商业中，这是一个更长的因果链，而不仅仅是行动反应，但这是一回事。”.
保罗: 我喜欢这样，对吧? 因为我们有我们有, 你知道, 这是回到你的ABC, 我们有这些输入或前提, 我们正在处理的上下文工具环境.
它是高度动态的. 也许这就是左边列的内容. 然后我们有了这些行为, 这些实际上是决策过程中的细微差别. 然后，你知道，我们得到了这些结果和后果.
所以这些盒子都在里面，尤其是紫色和绿色的区域? 它们都是结果吗?? 或者其中一些实际上代表了做出决策过程的时刻?
精灵: “好问题. 黄色的是动作. 在左手边, 左下角的粉色是外在的，作为上下文的正式词. 有些事你无法改变，但你可以做出假设. 你可以假设你的竞争对手的价格不会超过12美元.
“正确的? 我无法控制，但我可以对我的外部环境做一个假设. 右边的绿色部分是结果. 中间的部分就像是复杂世界的地图, 有时会有反馈循环，所以它变得非常复杂.
所以你真的需要一个图表来理解它. 它是一幅图，展示了在外部环境下的行为是如何通过一系列事件最终导致结果的.
保罗: 如果我是一个组织, 我在考虑使用机器学习, 经济计量模型, 人工智能, 链a I. 当我阅读您的书时，我喜欢这些cdd的原因是它代表了模型中的模型. 正确的? 如果我有, 就像, oh, 但我们渴望在这里做, 例如, 提高我们的内容速度.
这将有助于我们的个性化.
在这里面, 我们将使用一些机器学习，或者联合分析，或者一些复杂的技术来实现个性化.
但在那之前和之后，还有其他模型和其他数据集正在使用. 那么CDD是如何帮助我们了解所有的模型以及技术，机器学习和数学可以帮助我们的点?
精灵: “首先, 我认为了解CDD最重要的一点是它来自人类的大脑，因为正如我们一开始所说的, 我们通常无法从某些数据集中得到这种图表.
“所以这如何帮助我们理解如何使用这些模型? DI说首先把数据放在房间外面. 让AI离开房间，因为你不想这样, 就像, 在数据或AI灯柱下寻找解决方案.
“正确的? 你要通过决策者的视角和他们关心的业务成果来寻找解决方案. 我们要做的是，我们要经历一个过程，在这个过程中，我们要共同绘制这幅画, 然后我们不断迭代，直到我们满意为止. 一旦我们画出了所有的直线, 我们观察每条线和一些外部变量.
“我们说，有没有一个数据集可以告诉我们这一点? 有没有研究可以告诉我们这一点? 有计量经济模型吗? 在这个例子中，这是一个由设施经理做出的决定.
“什么时候让他进来?. 他的一个选择是你可以向所有人推销戴面具. 好吧, 也许我们有一个机器学习模型或一项研究表明，为了让人们戴口罩，你需要在你的设施里设置多少个标志? 你在市场营销上的投资是什么关系, 面具戴, 还有戴口罩的真人营销.
“这是受环境影响的，因为如果他在一个城市，可能会得到很多遵守. 如果他在另一个城市，他会得到更少的服从或国家. 正确的? 所以他是在一个特定地理区域的背景下做决定的, 这会导致数学遵从性吗.
“这就是计量经济学模型、研究、机器学习模型或许多其他东西的机会所在. 所以我们先建造这些东西, 把数据停在房间里, 然后我们一次一个地看一遍，然后说, 好吧, 我在哪里，技术通知这些链接”.
保罗: 就像伟大的设计思维一样, 从客户开始, 设计思维的第一部分是真正地站在客户的立场上，表现出同理心.
正确的? 我认为在这种情况下, 如果我是一名即将到期的高管, 利用计算创造力, 生成的人工智能, 诸如此类. 在我的旅程中，这个因果关系图是从哪里开始的. 我应该在早期阶段就做这个吗, 或者这是你知道的, 最后, 这很典型.
正确的? 这是在之前的设计思维研讨会上做的吗, 你会对高管说什么?
精灵: “嗯, 我首先要说的是，你能做的最没有同情心的事情就是走进那个房间，给他看你的数据. 然而,, 大多数情况下，当一位高管想要使用更多数据时，这种情况就会发生. 他想使用更多的证据.
“嗯，他是干什么的?? 他邀请数据给房间里的机器学习人员, 他们首先向他们展示数据. 这是完全错误的. 不要这样做. 好吧?
“所以你开始把数据放在房间外面，因为当你开始谈论数据的时候, 你会融化他们的大脑，你会耗尽他们的大脑，假设他们能理解你在说什么. 你会耗尽他们几乎所有的认知能力来理解你到底在说什么. 好吧? 但很有可能他们会不听. 正确的?
“因为你不会说他们的语言. 如果你是数据人员、技术专家或顾问，你就必须见面, 你得跟人们在他们所在的地方见面. 我在开始这一切的那一年的采访中学到了什么，然后是中间的15年, 它是看到你的高管们为他们的成果受到激励, 所以你跟他们谈谈他们被激励的原因, 他们的战略目标是什么, 他们在哪，你就在哪. 他们每天都在考虑他们要采取的行动.
“这就像一种通用语言，你可以用它来同情别人. 我在很多不同的问题领域都用过它. 就像我的狗说这种语言一样，它是如此普遍，动物也会说这种语言. 正确的?
从一个问题领域到其他问题领域，它都是通用的. 所以我将毫无头绪地进去，我现在正在做一个红薯农业项目. 我没想过种植红薯. 但我可以成为一名有效的顾问因为我和红薯种植者坐下来，我说, 好吧, 你想达到什么样的目标?
“今年，两年后，等等? 他们说，哦，你关心我的目标. 谢谢你！. 这是一个非常美妙的时刻，因为我不只是在问他们, 但我把它们画在地图上, 这样他们就不用再记在脑子里了.
“所以就像房间里有一个放松的时刻，因为所有的努力都是人们保持非常复杂的, 你知道, 我的目标都在哪里, 我的短期目标, 他们一直记在脑子里. 他们没有办法映射它，然后我说，动作是什么? 这是你经历的一件美妙的事.
“只有在你画好地图之后，我才能和你同意这张地图, 数据是否允许进入房间，因为否则你的员工将无法直接思考, 你知道, 不管你是否有同理心. 这与认知负荷有关. 你太让人受不了了。”.
保罗: 哇. 我的意思是，我在这个领域有多年的经验.
我的意思是, 它确实展示了从陷阱中学到的一些教训, 我的下一个问题是什么. 所以你以一种很好的方式先发制人. 如果我是一名高级管理人员，我正在考虑一种新的bet36体育注册体验, 全新的客户体验, 我在考虑忠诚. 我在考虑如何更好地利用我的数据.
我正在考虑加快我的内容速度，制作更多的内容，以支持做更多个性化的野心.
我的上匝道是什么? 如果我们想利用数学，我们需要做的第一件事是什么?
并利用所有这些功能，比如聊天GPT等等. 我们应该做的第一件事是什么?
精灵: “嗯, 这是你该做的第一件事, 你应该做的事情，无论你是否使用任何技术, 哪一种是和你的团队坐下来，对每个人都要负责的可衡量的结果非常清楚. 正确的?
“确保你与12个月后扣除资本支出的EBITDA保持一致，我们的目标是增长2%. 24个月后不影响我们的EBITDA净资本支出, 哪个需要增长5%. 它需要如此清晰和可测量，以至于你愿意在它上面下注，你知道谁赢了赌注. 正确的?
“只要有这样的纪律，然后重新审视这个结果，因为世界和目标都在变化，你需要和你的团队重新联系，讨论你们都在努力实现的结果. 因为人们每天要做一万个决定, 我保证他们中只有一小部分人会被科技所影响. 或者通过决策智能获得信息, 所以对你的目标有一个清晰的定位是非常基础的在我的世界里, 很少这样做. 就好像每个人都认为我们都知道我们要去哪里. 然后，我走进这些团队，我说，我们要谈谈结果. 我利用了我学到的一个陷阱，因为我认为人们已经在这方面达成了一致.
“而最近，你知道，15年来，他们从来没有围绕这个问题达成一致. 而且可能三个月前就已经排成一排了, 但它是飘忽不定的，只是这种重新检查和重新调整我们试图实现的目标. 把这些都写下来. 正确的?
“我把它们画在小盒子里，但你可以随心所欲地画. 然后在动作周围画一条线. 什么什么是权威? 哪些事情是你可以选择的?
我们可以为这个产品选择一个价格吗?它的约束是什么? 价格在2美元到12美元之间. 我们对管理有一些要求. 这些地图.
把这些都写下来. 确保你们意见一致. 重要的是你的行为. 然后就这些行为与结果之间的关系达成一致.
这是在画暂停和效果变化时变得更粗糙的地方. 你不需要读我的书. 你只需要听这期播客的最后60秒.
书里有详细的描述? 我教的课程中有一些最佳实践, 但是你可以从最后的60秒里得到很长的信息.
保罗: 是的. 听起来很好, 我们想使用的一个工具是平衡计分卡, 这有助于我们找出原因, 正确的?
这就分解了. 我在播客的第一集讲了一点. 接下来，我听你描述的可能是因果关系图. 这可能会弄明白是什么?
影响和决定是什么, 后果是什么?, 有哪些活动?, 然后我们安排设计思考研讨会一旦我们有了因果关系图我们明白了我们想要做什么, 正确的? 然后我们就可以在设计思维研讨会上找出方法. 因此，结果可能是一个设计思维研讨会，输出可能是一个bet36亚洲体育设计蓝图. 它可以是客户旅程地图.
它甚至可能是以后的业务流程建模符号流程图. 但听起来，因果关系图应该是设计思维研讨会的一个输入, 如果我没理解错的话.
精灵: “我认为这是双向的. 因为决策发生在特定的业务流程中.
“因此，您可以从业务流程模型的bp开始, 如果你已经有了, 你可以说对于业务流程的每一步, 里面有一些决定吗? 正确的? 或者你可以从因果图开始, 站在更高的层次上说, 好吧, 这些是我们正在做的决定, 为了实现这个决定，我们可能需要采取一些流程步骤. 实际上，我看到过两种情况.
“它们是互补的. 正确的? 因为, 你知道, 再一次。, 业务流程建模是关于我们将要采取的步骤，而决策是关于我们为什么要采取每一步，因为它将实现某些目标。”.
保罗: 是的, 听起来它可能是可变的，这取决于您已经拥有的输入和组织中的流程成熟度.
现实已经这样做了19年. 我想说更多的是在市场营销领域，在客户体验领域. 如果有流程图，它们是旧的. 他们是网站和bet36体育注册体验后的两代人. 它们不是最新的. 我觉得这很难. 不是。不是在, 你知道, 工厂和重新装备那里有ABB的机器如何在市场和客户体验方面使汽车脱离装配线的流程图. 它是如此动态，通常情况下，我没有看到已经制作好的流程图. 在这门学科中.
精灵: “我认为，如果目标是与数据和人工智能作为合作者更紧密地合作, 我们需要有纪律来精确地做出这些决定，并使它们跟上时代. 这就是人工智能、数据和人工智能对我们的要求，那就是我们我们更保守一些。”.
保罗: 所以，Lorien，每个人都在试图找出如何在GPT聊天 3,3中利用genAI.5, 4.你用GPT做什么? 以及它如何影响决策智能的艺术?
精灵: “好问题. 我认为决策智能是聊天GPT的杀手级应用. 让我来告诉你为什么. 杀手级应用, 我们的意思是只有决策智能才能证明它的存在对人类的价值. 好吧? 所以我们要做的是记住我们之前讲过的cdd包括行动，结果和外部因素?
“我们要求GPT为我们提供行动、外部因素和结果的想法. 我对chat进行了反向测试, GPT是我几年前做的一个项目, 我们用20个人的团队建立了整个CDD然后我我就在最后几周, 我说, 嘿, GPT聊天, 有没有我们没有想到的行动? 它想出了一大堆这20个人从未想过的东西. 然后它说，嘿，你想过这些意想不到的后果吗?
“因为我一直在修改聊天GPT, 不只是像平常聊天那样, 但我一直在教它做CDD启发聊天. 所以它知道行动，结果和后果，它知道cdd，对吧? 因此，它产生了一系列意想不到的结果，这是这个团队没有想到的. 总结一下, GPT聊天, 你知道, 我们之前说过的, 你的CDD怎么不在数据中. 我们要把它从人脑中取出来.
“嗯, 你只能从房间里的人类大脑中提取, 但是聊天, GPT把它从人类大脑中清除. 正确的? 因为它正在传播出去，全世界都在说, 对于这个特殊的决定, 有没有一些行为可能不会对你造成伤害，或者一些你可能没有想到的意想不到的后果. 顺便说一下，它也给了你一些关于机器学习模型的想法，这些模型适合于中间.
“所以这真的很了不起，就像建造cdd的副驾驶伙伴一样. 我现在有几个合同，我在那里聊天, 就像, 这些特定的问题域，以便它自动创建dvd作为您的对话的一部分. 它超级超级酷。”.
保罗: 所以如果我如果我听到你说的是你在利用GPT来构建因果决策图, 我记得在另一个对话中，你是否建立了一个API?
我的意思是，你是否真的添加了一些功能通过你正在构建的API来聊天GPT?
精灵: “No. 我是我是在聊天GPT之上构建的. 我的东西是调用聊天GPT，但其他人不能像使用聊天GPT一样访问我的东西.
我在上面分层，而不是在后面分层，如果这有意义的话。”.
保罗: 是的. 你说你也在训练它. 你也是, 你知道, 告诉我你是如何使用数据集和组织中的智慧，并将其捆绑在一起的?
精灵: “这会变得有点粗糙. 好吧. 假设你有300页关于一个组织的知识和信息, 但事实并非如此, 你知道, 只要你的PDF就行了? 你不能把这些都放到GPT中.
“有一种叫做微调的东西，但这并不适用于此. 所以你要做的是使用另一种叫做语义搜索的人工智能技术. 你把你说的话拿来和GPT聊天. 你用它来缩小500页的范围, 分成最相关的3页.
“所以你要做这件事. 就像你输入一些东西到专门的洛莉和普拉特聊天的东西. 你用它来搜索文件，所以你得到5页不是500页，而是3页. 然后将其发送到聊天GPT.
在背景中, 你说GPT, 这里有一些别人没有的专业知识, 你当然没有，因为它来自我公司内部. 正确的? 请用这些专业知识来回答我刚才问的问题. 正确的?
“所以这被称为嵌入加补全，如果你们是技术人员的话.
“我两天前才把它修好，真是太神奇了.
“这是两全其美的. 正确的? 这是通用知识. 当前版本的聊天，你知道，是在2021年完成训练的. 所以它甚至不知道最近发生了什么.
“它当然不知道你防火墙后面的任何东西. 正确的? 所以这是通用知识和你的专业知识的最佳结合，你可以把这些知识注入其中. 编写这些代码很有趣. 最近我又有机会翻翻韦斯利的编码器了。”.
保罗: 所以,是的. 回到你的根. 正确的?
我认为对于人们来说，理解GPT聊天的力量是非常重要的，这是在每一个字母中, 生成, 前培训, 变革. 每一种算法.
我听到你说的是你基本上扩展了P，即预训练. 不仅要包含GPT聊天 3,3中包含的内容.5、4，或者亚马逊、谷歌等公司推出的其他机型. 但你是通过语义搜索和语义功能来提供它的, 它自己独特的行业或公司特定的信息, 在模型中摄取它，然后利用聊天GPT的功能.
精灵: “是啊. 我知道有些人担心这对隐私的影响. 但是如果你在Azure中使用GPT, 他们有一种方法或者他们声称他们有一种方法你不会以任何方式将这些信息暴露给整个世界. 因此，有些版本的GPT聊天对你的公司数据有相当大的保护作用。”.
保罗: “是的. 如果, 你知道, 他们在上一集的bet36体育注册脉冲中并不熟悉, 我们真的谈论了微软对开放人工智能的参与以及他们购买了45%的事实. 所以这真的是Azure和GPT 3的连接.5 or 4.0真的很紧. 我认为你提到它与微软Azure的联系并不奇怪.
精灵: “两天前，API开始工作了.
“这真的很酷. 那是多么酷啊? 真的很酷. 是的”.
保罗: 是的. 而且我认为, 你知道, 这就说明了, 你知道, 事实上，我们让你参加展览，你真的是一个有远见的人，一个变革的推动者，以及我们如何利用这些工具来解决现代问题.
所以精灵, 你有一些书，你有一些机制和培训，我想给你一个机会，你知道, 跟我们谈谈我们如何与你合作, 为了更好地了解你, 利用决策智能.
精灵: “我的课程是: gettingstartedwithdi.com
它是世界上最大的URL. 从di开始，即决策智能.
最近的一本书, 也就是" DI手册", 这只是一步一步怎么做呢, 包括一些练习.
它是 dihandbook.com
它会在一个半月后的七月中旬到达奥莱利.
我之前的一本书你们现在就能买到，叫做《bet36亚洲体育》
linkthebook.com
这更多的是关于高层次的.
意思是我妈妈，Reddit，她86岁了. 正确的? 所以它是很容易理解的. 这是一个很好的毕业礼物，因为它大致概述了科技的发展方向, 以及科技是如何融入决策的。”.
保罗: 洛莉，和你在一起很开心. 我想和你一起做个小练习. 我给你五个词. 当我们结束时，你要说出你想到的第一件事.
好吧. 第一个，为了激发我们的创造力，是
设计思想: 必要的
聊天GPT: 大坝炸弹. 它正在改变一切.
决策情报: 21世纪.
鲍伊，你的狗: 我的狗，很开心.
还有洛里安·普拉特……
哦，这是个好主意. 精灵普拉特: 被低估了
保罗: 知道吗，洛里昂，你干这行太久了. 而且真的, 我想任何一个创新者，一个变革的推动者，一个真正引领了21世纪新计划的人可能会有这样的感觉，我想很多创新者都有这样的感觉. 所以我很感激你所做的工作, 这两本书, TED演讲, 网络研讨会，你花时间和我们一起看《bet36体育注册化未来的远见者指南》. 这是保罗·利马和我的嘉宾洛里安·普拉特. 非常感谢你，洛里昂.
精灵: “谢谢你们，也谢谢你们的听众坚持到最后. 我很感激。”.
