top of page

數碼化轉型 實驗具意義

Updated: Apr 28

在數碼化轉型過程中,須培養內部組織使用數據來解決問題的能力,首先是細心觀察,然後從經驗中作出預判,並制定實驗方案。但收集回來的數據分析結果,有時會出現跟經驗不相符的情況。這正是實驗的原意,讓我們可以不斷提高對問題的認知度。以下試舉一個有關教育的例子:

美國哈佛大學藉實驗探討當地一個普遍的問題,每年有超過10%的K-12學生長期缺勤(達18天或以上),低收入城市地區的佔比相對較高。長期缺勤跟較差的學業成績、低畢業率、吸毒和酗酒、犯罪率等問題有極大關聯。為提高學生的出勤率,研究隊伍做了一個測試,在整個學年期間,向28080名出勤率偏低的高風險K-12學生家長,分別發送了3組不同的訊息。

第一組家長(稱為對照組)除了一般的學校通訊(如成績單、學校告示、家長會通告),沒有收到任何額外訊息。第二組家長在整個學年期間會收到5輪郵寄信件,包括其子女缺勤總天數的訊息、提醒上課的重要性,以及鼓勵家長在學生出勤方面發揮正面作用。第三組家長除接到跟第二組相同的資料,還有其子女缺勤情況與其他學生的比較數據。

實驗結果顯示,第二組和第三組的缺勤總天數較對照組下降約6%,長期缺勤現象減少超過10%。在公共教育長期缺乏資源的情況下,這些改善措施的成本很低且奏效。有趣的是,第三組家長收到額外的比較數據後,學生缺勤日數反而未有進一步回落。假如學生之間的差距過大,像「您的孩子缺勤20天,其他同學只有4天」,這確實令人沮喪;若相差不遠,如「您的孩子缺勤20天,其他同學為18天」,那麼這就能催人奮進。本次實驗還出現了另一意外,有些家長對收到的訊息抱怨,稱低出勤率是源於孩子受傷或患重病(如骨折或癌症),而這些信件使他們感到更難受。

儘管上述例子中並沒有應用什麼高端科技,其對社會的影響卻可以很深遠;這引證數碼化轉型也能夠很踏實,絕非空中樓閣。

車品覺_紅杉資本中國專家合夥人、阿里巴巴商學院特聘教授暨學術委員會委員

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page