南宫NG28建设

1、組織中的AI：替代 or 協同

隨着數智時代的到來，「人工智能是否會取代人類的工作」成為經久不衰的話題。近期，美國OpenAI研發的ChatGPT引起關注，它能夠自主完成撰寫郵件、文案、代碼等任務，並實現與人類的交互，「人工智能是否會取代人類的工作」的話題再一次引起熱議，如圖1所示。相比於簡單的自動化代替手工任務，人工智能對商業組織更具有「破壞力」，其快速开展也給管理軟件智能化帶來了許多新的命題與挑戰，企業管理者與決策者更需要思考未來組織中人與AI的關係，以及未來工作中人與AI的協同模式。

圖1 「ChatGPT」相關話題討論 

組織管理始終是服務於「以人為中心」的人類活動系統，因此，管理軟件領域智能化的核心與難點，不是基於數據、算法的技術系統構建，而是探尋與人協同的機器智能的構建方法，以及人機協同的數智化模式。MISQ主編Rai提出：人工智能與人類需要形成一種「共生」（Symbiosis）的模式，即未來很多工作並不會完全依靠人或者完全依靠人工智能完成，而是人與機器合作完成，其中人與人工智能都應該發揮不可替代的作用[1]。人工智能在組織中是否能夠發揮價值，取決於其是否能充分融入具體的知識活動場景，用人與機器的交互對人與人、人與知識交互進行彌補和提升，最終達到人機共生效果。

本文以組織協同風控為例，顺利获得設計基於Human-AI的『分佈式剎車』協同風控，探討人與AI的協同模式及二者不同的角色定位，並設計智能協同風控平台理論框架及Human-AI協同成長的技術路線，為企業在經營管理中設計和實現Human-AI數智化範式與組織協同管理模式给予方法借鑑。

2、基於Human-AI的『分佈式剎車』組織協同模式

風險管理全過程包括風險識別、分析、評估及決策應對[2,3]，風險識別和分析是風險防控的基礎[4]。 辨識潛在的風險源即風險致因是实行風險識別與分析的基礎，風險間傳導的特性使得某個風險發生可能導致其他多個潛在風險的發生[5]，這種傳導以業務節點或組織節點為載體[6,7]，企業經營過程中風險的發生，意味着風險將在多個業務中傳導，需要多個組織部門協同應對，各類風險、多個業務與組織之間將形成複雜的耦合關係。

風險本質上是一種概率，受到業務場景中或外部環境中事件影響後，風險被觸發並造成損失，有效的風險預防有助於降低風險事件發生的概率。现在大多數企業在經營活動中辨識出風險後，管理者、決策者多基於經驗制定防控措施以應對風險，多將風險視為獨立事件來處理，單獨考慮和解決某個風險點的方法，能夠對已被觸發的風險進行有效控制，但忽視了風險產生的原因，缺乏由該風險引發的其他風險的解決方案設計，無法全面的解決風險問題。因此，本節綜合考慮風險致因、風險傳導，顺利获得由風險管理相關人員（如風控部門、業務審批決策者等），與業務人員協同設計的風控AI助手，實現基於Human-AI的『分佈式剎車』協同風控，如圖2所示。此處，協同的含義即包括企業組織部門之間的業務協同，以及人與AI的工作協同，進而實現風險協同防控。

圖2 基於Human-AI的『分佈式剎車』協同風控示意圖

現有風險智能防控的研究多基於企業數據，運用相關機器學習、深度學習等算法設計實現。但基於機器學習、深度學習構建的人工智能並不能提取出語義層面的特徵，在模擬人的思考過程、處理常識知識和推理，以及理解人的語言方面仍然舉步維艱[8]。風險防控是一項複雜協同決策問題，處理這類問題時需要業務人員或風險管理相關人員基於個人知識、經驗進行思考、推理和決策，應對這類問題時有必要基於知識圖譜等構建「有學識」的AI[8]，國內也有研究指出將數據與知識結合起來設計人工智能，是下一代人工智能的主要研究方向[9]。本研究擬討論數據知識驅動的風控AI助手，為業務人員應對風險给予智能化支撐。

圖2中的風控AI是由風險管理人員及場景中業務人員共同設計的，在企業經營中發生風險時，風控AI助手將為業務人員给予決策支撐，其具有數據化與知識化的特徵，風控AI助手可以嵌入業務系統中，顺利获得文字、語音、視頻等形式给予風險解決方案並提醒業務人員，其具備輔助決策能力，風險決策多基於相關制度辦法或業務人員知識、經驗，因此，風控AI助手的設計除了相關規章制度、數據等支撐外，還需要業務人員與風險管理人員给予相關的知識、經驗協同設計實現，因面對不同的風險具有不同的應對方案，且不斷有新的風險湧現，因此風控AI助手需要在業務人員與風險管理人員的幫助下成長疊代。

由於風險傳導的特性，對於業務場景中的風險的監測、預警、決策應對措施可能在不同的業務場景中發生，涉及多個業務場景、多個組織及多個風險，其應對需要不同業務階段的不同組織、個人協同應對，大部分業務人員難以站在全局的角度應對複雜的風險傳導問題，傳統的應對多顺利获得相關規章進行，憑藉業務人員的業務能力及經驗知識應對風險，難以兼顧全局。

本研究將風控AI助手置於業務場景之中，顺利获得不斷的訓練學習，使其不僅具備相關風險管控的制度規範等知識，並能持續學習風險管理人員、業務人員等的決策經驗，既能在業務場景中輔助業務人員協同應對風險及風險造成的後果，又能顺利获得風控AI助手之間的連接，實現風險傳導鏈條中的多風險同步或異步的聯動預警與預控，顺利获得風控AI助手的系統性控制能力，實現不同場景中風險的分佈式控制，實現風險的提前預控與合理控制。本文將這種風險控制稱之為「分佈式剎車」。風控AI助手解決了跨組織協同問題，實現與業務人員、風險管理人員的組織協同，形成混合智能組織。

3、智能協同風控平台理論框架

以知識驅動AI的持續成長是智能協同平台的核心，本文以智能協同風控平台理論框架，簡要說明風控AI服務設計應用的基本邏輯。理論框架分為三層，如圖3所示，底層是企業內外部信息系統、數據中心等；頂層是工作門戶，包括各類業務場景，AI服務嵌入這些業務場景中，輔助為業務人員應對風險；中間層即服務中台包括AI服務平台和數據服務平台，以及支撐AI服務平台和數據服務平台構建的多層知識圖譜。

圖3 智能協同風控平台理論框架

中間層是該理論框架核心，其最終目標是顺利获得AI服務平台構建AI，並實現不同業務人員設計的個性AI的場景化嵌入，承擔AI服務的輸出功能。

數據服務平台為AI的設計和實現给予數據支撐，包括數據服務地圖和數據服務清單兩部分內容，其中數據服務地圖實現多源、異構數據在組織、業務、系統等多個層面的語義連接，數據服務清單给予適用於各類AI的數據服務。

事理知識圖譜包括場景事理圖譜、業務知識圖譜、數據互操作圖譜三個層次，目的在於實現場景化決策知識、業務知識、數據業務知識（業務元數據）的採集、顯性化、形式化與互操作，構建決策者（人與AI）、業務知識、數據之間的連接與融合，並可以在持續運營中，不斷豐富、優化。該部分有兩方面的作用，其一是基於場景事理圖譜及業務知識圖譜為AI服務的實現，给予從場景決策事件到該事件背後業務處理的知識支撐；其次，支撐AI服務的數據服務平台中的基礎數據來源於企業相關信息系統數據、數據中心數據等，這些數據可能存在語義、語用等層面的異構，基於場景化數據互操作方法[10,11]，設計數據互操作圖譜，為數據服務平台的構建的给予支撐。

該理論框架初步闡釋了數據知識驅動的數智化新範式，如圖3兩邊的示意說明。基於技術視角，新範式的應用模式是場景化的輕應用，技術架構是以AI服務平台為核心的中台架構，技術上是以數據知識驅動的技術模式。基於組織管理視角，未來組織的工作模式是Human-AI協同，管理模式將從流程管控向協同決策轉變，組織模式旨在構建Human-AI混合的敏捷組織。除組織協同風控外，該框架也適用於企業其他業務的AI服務設計和實現。

4、Human-AI協同成長的技術路線

在未來Human-AI混合的敏捷組織模式中，AI將成為企業中的「員工」，不僅能夠輔助業務人員處理業務，也能夠幫助業務人員應對企業外部環境中的不確定事件如風險事件，業務人員與AI需要不斷的成長以應對愈加複雜的情形。基於此，本文提出『師傅-AI-徒弟』的Human-AI協同成長模式，如圖4所示。

圖4  Human-AI協同成長模式

上圖中「師傅」是具有豐富業務經驗的人，熟知企業業務流程與規則及不確定事件的應對方法，是「AI」的知識來源與構建者；「徒弟」是新員工或應對新不確定事件的業務人員，「AI」能夠幫助「徒弟」掌握企業業務流程與規則，並引導和輔助「徒弟」應對不確定性事件，「徒弟」能夠在「AI」的幫助下不斷學習成長，同時，在應對不確定事件的過程中，認識到AI的不足，成長為「師傅」並對「AI」進行進一步的優化。顺利获得「師傅-AI-徒弟」之間的設計、引導、成長循環實現Human-AI協同成長。

「師傅-AI-徒弟」模式從組織視角說明了Human-AI的協同成長，圖5從技術視角，解析設計數據知識驅動AI的技術路線，如圖5所示。

圖5 數據知識驅動的AI實現

第一时间基於企業業務文檔、線下業務活動等對業務協同場景進行解析，明確業務活動中的場景及場景間關係，並基於協同場景元模型[12]，解析各業務場景，明確各場景要素及場景中的事件，進而構建各個場景的事理圖譜，並顺利获得圖譜融合，構建場景事理圖譜。其次，基於企業業務文檔及業務人員的知識、經驗，對事件應對的基礎知識進行解析，明確基本處理流程、數據支撐及數據需求的業務術語，構建業務知識圖譜，為AI助手的實現给予知識支撐。最後，基於數據的業務術語及數據語用情境，定義概念擴展的數據元模型，顺利获得建立與企業數據庫的映射，構建數據互操作圖譜，形成數據服務地圖，為AI助手的實現给予數據支撐。基於以上流程，明確AI背後知識與數據支撐，進而進行AI助手的設計實現，完成個性AI場景化應用。

5、結論與啟示

本文基於人機協同的視角，顺利获得探索智能組織協同模式，設計基於Human-AI的『分佈式剎車』協同風控，提出智能協同風控平台的理論框架與AI設計技術路線。顺利获得探索風險管理人員、業務人員與AI（Human-AI）的協同風控模式，以及AI的設計架構，初步探討了人機協同模式以及AI的設計方法，為AI融入管理軟件、企業構建與人協同的機器智能，以及智能協同的組織模式给予了參考。

參考文獻

[1]Next-Generation Digital Platforms: Toward Human–AI Hybrids - Google 學術搜索[EB/OL]. [2023-01-08]. http://xueshu.studiodahu.com/scholar?q=Next-Generation+Digital+Platforms%3A+Toward+Human%E2%80%93AI+Hybrids.

[2]Kleindorfer P R, Saad G H. Managing Disruption Risks in Supply Chains[J]. Production and Operations Management, 2005, 14(1): 53-68.

[3]Altay N, Green W G. OR/MS research in disaster operations management[J]. European Journal of Operational Research, 2006, 175(1): 475-493.

[4]Shen Z, Tan Z, Zhang F. Research on Safety Risk Pre-control Management System and Its Application in Coal Mines[J]. IOP Conference Series: Earth and Environmental Science, 2018, 170: 022181.

[5]Fang C, Marle F, Zio E, et al. Network theory-based analysis of risk interactions in large engineering projects[J]. Reliability Engineering & System Safety, 2012, 106: 1-10.

[6]Hu, Zhao, Hua, et al. Network-Based Modeling and Analysis of Systemic Risk in Banking Systems[J]. MIS Quarterly, 2012, 36(4): 1269.

[7]Ellinas C. The Domino Effect: An Empirical Exposition of Systemic Risk Across Project Networks[J]. Production and Operations Management, 2019, 28(1): 63-81.

[8]王昊奮, 漆桂林, 陳華鈞. 《知識圖譜：方法、實踐與應用》[M]. 電子工業出版社, 2019.

[9]張鈸, 朱軍, 蘇航. 邁向第三代人工智能[J]. 中國科學:信息科學, 2020, 50(09): 1281-1302.

[10]龐貝貝, 苟娟瓊, 張雷, 等. 基於主題分析和語用情境融合的多義術語識別研究[J]. 情報理論與實踐, 2022, 45(1): 177-186.

[11]Pang B, Gou J, Afsarmanesh H, 等. Methodology and mechanisms for federation of heterogeneous metadata sources and ontology development in emerging collaborative environment[J]. VINE Journal of Information and Knowledge Management Systems, 2021, ahead-of-print(ahead-of-print).

[12]Benaben F, Li J, Koura I, et al. A Tentative Framework for Risk and Opportunity Detection in A Collaborative Environment Based on Data Interpretation[C]//Hawaii International Conference on System Sciences. 2019.