作为专门从事制造业的首席财务官，我乐于减轻各种风险。减轻风险是一种数据驱动型练习，这是我喜欢的一种练习，尤其是当我的努力（随着我的眼睛疲劳）通过具有认知技术的越来越智能的AI机器而得到增强时。
当然，关键是数据，商品推动了通常称为“ 分析经济”的发展。从来没有像现在这样能够如此迅速地从如此多的来源收集，组织和分析如此多的信息。数据可以来自无数个地方， 但如今的重点是物联网（IoT）中数以百万计的传感器。当您将原始物联网数据与基于预测分析的人工智能应用程序结合在一起时，所有有趣的事实都会暴露出来。为什么？因为AI是自学成才的（自我学习），意味着您使用得越多，见识就会越好。

降低风险是困难的

但是，重要的是要意识到，即使对于高度复杂的程序，减轻风险也是一项艰巨的任务。归根结底，风险评估模型的复杂程度无关紧要，由于许多原因，仍然难以评估许多风险，包括对它们的理解不充分，因果关系高度纠缠在一起，有时有问题的风险是“新兴”。

过去，缓解软件风险的问题之一是计算机仅限于二进制逻辑。在制造业中，我们提出的重要问题中很少有非常简单的问题可以由二进制“是”或“否”的答案来解决。例如，库存是减轻制造风险的主要示例。在一个完美的世界中，拥有一个完美的供应链，每一次输入都会在需要时出现，而不是在之前出现。因为世界充满了惊喜，所以我们为可能发生的延误或灾难做好准备。

人脑与模糊逻辑

在现代AI出现之前，在确定风险和分配适当的库存水平方面，人类的大脑优于计算机的大脑（人机）。这种情况在1960年代开始改变，当时一位名叫洛夫蒂·扎德（Lofti Zadeh）的数学家指出，与传统的计算机逻辑不同，人类推理不是二进制的，而是根据可能性程度自然地对可能的事件进行分类。被要求分析这样的陈述：“ 八月份我们可能无法从新南威尔士州的供应商那里采购小部件，”传统的计算机响应为1或0，等于TRUE或FALSE。这样的答案并不是非常有用-它告诉我们我们已经知道的知识，并且对我们的采购策略没有多大帮助。

然而，人类会以可能性的阴影将小部件短缺风险分类为“有点真实”，“非常真实”，“有些错误”或“非常错误”。这些灰色阴影的响应有助于进行有效的人类决策背后的逻辑。为了响应他的观察，Zadeh创建了模糊逻辑，这是一个分类系统，使计算机能够像人类一样推理，并提供越来越准确的不确定性和风险评估。尽管模糊逻辑技术已在很大程度上被统计概率模型所取代，但讨论的要点大致相同：通过促进非二进制分类，即通过允许0到1之间的不确定性程度，AI的分析能力变得越来越人性化 –但速度更快，更彻底，幅度提高了几个数量级。

AI –竞争优势

当评估非结构化数据时，AI在降低风险领域特别有用。（如果您不了解“结构化”数据与“非结构化”数据之间的区别，请查看我同事的博客。在诸如自然语言处理（NLP）等认知技术的帮助下，AI可以从非结构化数据（例如MS文档）中浮出水面，电子邮件，社交媒体和移动数据。

这有多重要？鉴于目前80-90％的企业数据处于非结构化状态，因此认知分析的实施可以为公司提供真正的竞争优势。

当然，人工智能的美丽不仅在于它能够逼近我们的思维过程。其最有用的才能是其学习能力。随着时间的流逝，我们已经逐渐习惯于智能手机和网站，他们越来越多地根据他们对我们偏好的了解来调整他们的建议。以几乎相同的方式，认知计算技术可用于识别和控制风险。在下一个博客中，我们将研究制造领域AI指导的风险缓解的一些用例。