如今，數字科學對于企業來說，顯得愈發地“誘人”。但是若要正確地看待數字科學，我們亟需了解下面一個問題：數字科學到底能為我們的業務發展做什么，不能為我們的業務發展做什么。

毫無疑問，很多機器學習（ML）和人工智能（AI）領域的進展都預計將為多種類型的企業帶來效果和效率上的提升。雖然聽起來很不錯，但多數情況下實際情況卻并沒有達成預期。原因至少有三點：（1） 針對機器學習/人工智能的宣傳超出了其實際能力；（2） 在大肆宣傳下，客戶對機器學習/人工智能抱有過高的期望；（3） 機器學習/人工智能開發人員不理解或是不知道怎么解決其技術設想可能對組織帶來的影響。

在下文中，我們將詳細討論第三點原因。具體可以展開為四個關鍵問題：（1） 技術不等同于產品；（2） 產品不等同于價值；（3） 價值取決于評價其價值的人；（4） 人們需要區分產品的目的到底是替代人類還是提高人類工作效率。

技術不等同于產品

不管它的本質多復雜，算法或神經網絡都不等同于產品。例如， Zebra Medical開發出了一項復雜的技術，能夠通過放射掃描識別出是否骨折，通過乳房x光識別出是否有疑似病變。在掃描了數以百萬計的圖像之后，機器學會了如何正確識別骨折和疑似病變，使得該項技術不斷完善。在研發過程中，技術人員提出了100多種算法，但是醫生們（放射線科醫生以及其他涉及到的醫生）卻無法直接使用這些算法，因為算法在使用前首先需要轉化為產品。

要使算法成為產品，需要它可以讓醫生直接使用。也就是說，至少要開發出可在任一醫療中心的設備上運行的應用程序。該應用程序需要易于操作，并能夠生成對用戶有價值的輸出。就Zebra Medical而言，這就意味著：此應用程序生成的輸出可以告訴放射科醫生骨折/病變的位置和類型。

產品不等同于價值

雖然Zebra Medical開發的應用程序可以幫助識別病癥，但這個程序本身并不能直接產生價值。但他們找到了至少兩種創造價值的點。第一點是效率。他們開發的應用程序可以比放射科醫師更快、更多地審查掃描光片和乳房X光片。因此，高效是這項技術帶來的第一個巨大價值。

第二個巨大價值在于，Zebra Medical開發的創新技術是一種可以根據緊急程度對掃描和乳房X光片進行排序的算法。這一算法的發展需要放射科醫師和其他醫生提供大量反饋，以幫助算法了解哪些情況是正常、哪些是緊急和哪些是非常緊急。一旦這項工作完成，Zebra Medical不僅能夠提供掃描和乳房x光檢查，還能夠對掃描和乳房X光片進行排序，以便放射科醫生能夠優先處理最緊急的病例。這就是該產品為工作流程和病人生活增加了極大便利和有效性的地方。

價值取決于評價其價值的人

上述技術可能對一些人來說很不錯，但對放射醫師、其他醫生、醫院管理人員、保險公司和監管機構來說卻未必如此。醫生們總是會擔心骨折和病變鑒定結果的質量和可靠性，他們尤其會特別關注第一類錯誤和第二類錯誤：第一類錯誤（Type 1 error）是指病人被確定為受傷或生病時，實際上卻并沒有受傷或生病；第二類錯誤（Type 2 error）則是指當病人被診斷為健康時，實際上他/她卻不是健康的。

醫生們可能會進一步擔心未來自己的工作有可能被機器取代。這并非沒有可能，但我們還是需要把識別疾病和診斷疾病分開來看。

醫院管理人員可能對新技術的態度有所保留。一方面他們還是很高興看到新產品帶來了潛在效率和質量的提升，但另一方面，他們也擔心會發生第一類錯誤和第二類錯誤——這不僅僅是出于質量的角度，更是出于責任的角度。

保險公司可能會持樂觀態度，效率提高進而降低了醫療成本，而早期發現也讓我們可以采取更多預防性的干預措施。

監管機構則希望了解這些算法實際上是依據哪些變量作為識別依據。神經網絡學習的問題在于，即使是程序員自己也不知道他們編出的程序是如何得出結論的。更進一步的問題是：現在應該由誰來為診斷和治療負責。是醫院、醫生、放射科醫生、算法公司、程序員還是算法本身？

這就引出了人工智能/機器學習對組織影響的最后一個方面。

替代人類的產品VS幫助提高人類工作效率的產品

就目前而言，距離依靠機器進行病癥診斷、設計治療方案、開具醫療干預處方和跟進病人護理還有點遙遠，現在這些步驟都要依靠醫生來進行。即便如此，在掃描效率、工作流程管理和緊急病例的快速檢查等方面，應用程序的骨折和病變識別功能的確已經顯著提高了人力的工作效率。

只有人工智能/機器學習公司真正地理解潛在客戶的挑戰，才能夠從客戶角度出發創造出能夠真正賦能效率和有效性的產品。正如上文所述，創造這樣的價值遠比聽起來要困難得多，特別是在醫療領域，因為不同利益相關者的需求和關注點有所不同，有時甚至還會產生沖突。雖然人工智能替代人類作業距變成現實還有很長距離，但如果運用得當的話，人工智能/機器學習確實可以極大地提高人類的工作效率。