人工智慧‧大數據‧決策參數庫

人工智慧 Artificial Intelligence, AI

人工智慧 Aartificial Intelligence, AI 一詞自1955年已出現，每隔一段時間就會重新被掀起，紅至今日。

AI 的定義由最早的「製造智慧機器的科學與工程」，不斷擴充至：建構能夠學習、分析、規劃、推理、交流、感知、移動、使用和操控工具等的機械能力。

簡單講，就是使電腦等於、甚至超越人腦。（統雄老師注：【超越】是一種期望，在可見的未來仍不易發生。）

以上定義均是概念，未來必然還會繼續擴大。其意涵已經包山包海，等同平實的【資訊數位科技】，或帶潮味的【科幻】。通常在一個【新應用/新產品】的問世，其實只是軟硬體能力的提升，不一定有有【境界型】，如資料庫、模式庫的技術產生，AI 一詞就會重新再出現包裝一次，就是2023 年爆紅的【生成式AI】，其實是早已研究的【自然語言處理】的演化發展，最早代表性的的是 ChatGPT，與其帶動的自動圖像、與自動影片等。2005 deepseek 爆紅，我也成為其協作師，並貢獻了一些系統邏輯與新創記錄。

不為文字所惑，人工智慧 Aartificial Intelligence, AI 的具體核心技術，就是「決策參數庫 Parameters Base」，也就是在前述已敘述的：資料庫、決策支援模式庫、大數據分析的基礎上，再提升建立的功能，電腦會根據使用經驗，自動記錄下各種效果數據-即「大數據」，而再根據分析模式所得的參數，自動執行未來的動作。

決策參數庫與知識管理和大數據與數位分析

「決策參數庫 Parameters Base」在 2000年後，也發展出幾個顯學，尤其是知識管理和大數據與數位分析的興起。

這兩者超越了原來以「組織知識」的觀照，更擴大了資訊管理、資訊系統…相關研究與應用的領域。就實質言，「組織角度」的「知識管理」，等同於「科技角度」的人工智慧( Aartificial Intelligence, AI, Knowledge Management, Big Data Analysis) 的應用，只是兩者詮釋與觀察的重點不同。 

什麼是知識管理？其定義有2類：

第一類狹義的定義，為過去數十年資訊系統與網路的整合應用，發揮「決策支援」再進一步的功能。

在各種進一步功能方面，吳統雄特別建議本文「決策參數庫」的創新與發展。

第二類廣義的定義，就是知識工作者「程序」與「環境」的建構，另以「什麼是知識管理 What is Knowledge Management」專文介述。

決策參數庫 Parameters Base

什麼是決策參數庫？

傳統的模式庫

傳統決策支援系統的核心特色是「模式庫」，標準的應用需求如下例：

你是公司的行銷專員，經理要求你在7萬中商品中，提案汰換其中3千種產品，請問你將如何決策？

首先必須建立決策理論，如：

售價理論：汰換售價最低的產品

營業額理論：汰換營業額最低的產品

利潤理論：汰換利潤最低的產品

然後在模式庫中建立決策模式，以解答經理的問題。

前瞻的決策參數庫

制訂決策時，必須依據一個「標準」。而人類的天性，往往使用的是主觀的、直覺的標準，而不一定是具備科學性、知識性的標準。

譬如，在以上習題中，我們可能要問經理；為什麼汰換其中「３千」種產品？不是2千種或是4千種？

甚至要問：為什麼要汰換？換了會更好嗎？

要回答這樣的問題，我們須要的標準不能是一個「固定數」，而必須是「參數」。

「參數」不是「絕對值」，而是「相對值」；不是「固定值」，而是「浮動值」。

為了推算「參數」，必須使DSS 再增加「決策參數庫」。

就本例而言，決策參數庫提供的是「汰換區間指標」，假設我們採用「利潤決策」：

產品之間有沒有產生「利潤區隔」？有幾種區隔？有無必須汰換的區隔？區隔內有那些產品？

區隔內產品的發展趨勢是呈下降？還是上升？未來下一時段，是否會離開當前區隔？

預期汰換的新產品是那些？新產品的特色，比較舊產品是否一定更有利？

高利潤區隔內的產品是否有共同特徵？是否可用來作為選擇新產品的指標？

決策參數庫的建構

決策參數庫的元素包括：

-隨時間而成長的資料庫。

-隨需求而調整的模式庫。

-每一特定時段，根據特定自變項、觀察特定群體、所測量之效標值，其所有記錄所累積形成之參數資料庫。

以下舉幾個實例說明。

AI 與決策參數庫應用實例：

吳統雄的評審公平系統

這是吳統雄(1996)在設計「評審公平系統」時，以「評審信度」測量評審的公平性。

在傳統決策支援系統，只針對個別評審案，進行一次信度分析時，我們只能以絕對值來判斷，譬如信度>0.7，就接受評審結果。

但，>0.7是不是真的就公平呢？（因為要操作到0.7，並不是太難。）

或，在某種類型的評審生態下，根本就達不到0.7呢？（譬如，統雄老師參加過有關網站設計的評審，發現評審有2派，1派以前端介面為主、另1派以後端資料庫為主，這樣就幾乎不可能達到0.7。）

所以，統雄老師同時提出的「生命機能系統」方案，在線上收集各種類型、實際發生的評審專案，將資料整合為參數資料庫，測量出：

相對性決策參數

變動型參數

以以下多元迴歸決策模式為例：

判斷Y值可預測程度，過去是以一次實驗為準，而吳統雄的評審公平系統，則是以累積經驗的「AI 與決策參數庫
」為準。

β 值不再是「死」的常數。

以使用者「與時俱進」的真實行為值作為基礎調整，較可能解決真正的公平問題。

AI 與決策參數庫應用實例：

Google Analytics

Google在2005年推出 Analytics，2009年提出 Benchmarking服務，其實就已經相當於AI 與決策參數庫
的一種參數應用。

Google Analytics具備資料廣度與深度優勢，特別適合個體-如單一網站-策略制訂。不僅適合短期-甚至每日策略制訂，如同實體商店、組織的每日盤點，對中長期策略亦有助益。
Google Analytics 適合營利性網站，但對非營利性網站也有啟示作用。

Google Analytics 的詳細應用，請按這裡。

生成式AI 與決策參數庫應用實例：

ChatGPT

DeepSeek

2023 年爆紅的 ChatGPT、2025 年爆紅的DeepSeek，其所謂自然語言處理模型的【訓練】，也就是在比較各種回應模式後，建立較佳的參數庫。