每日读书精华 – Machine Learning for Decision Makers

Machine Learning for Decision Makers – Cognitive Computing Fundamentals for Better Decision Making

Dr. Patanjali Kashyap · Apress / Springer, 2017, ISBN 978-1-4842-2988-0

💡 核心洞见（5条）

📌 值得注意的是，以下洞见提炼自本书核心章节，兼顾理论框架与可执行方法，供日常决策参考。

1. 技术强不等于业绩好。作者直言 ‘high technical skills do not automatically generate high performance’——除非成员投入、有动力、享受工作。早在1995年，IT/医疗/通信/教育这些靠智力与信息吃饭的行业已占美国79%的就业岗位和76%的GNP（Quinn等,1996）；知识经济里，人的情绪/社交/道德智能（EI/SI/MI）才是胜负手。给决策层一句话：你买的不是模型，是一支会合作的团队。
2. 云把ML做便宜了，反而更危险。书里原话：’machine learning implementation has become less expensive through cloud infrastructure. Therefore, chances were high that technology would be misapplied’——云厂商鼓吹’ML带来巨大收益’是主观陈述，取决于多个因素。作者的红线：别把ML塞进’根本不需要预测能力’或’没有合适数据’的系统。
3. 不创新等于猝死。作者断言 ‘any delay or failure in innovation will lead to hasty death of the organization’。双位数增长的公司往往把’纯创新’往后排，直到对手追上才被迫拿营收的固定比例做创新。对照：Google无人车、Amazon云、Tesla可回收火箭，都是靠创新把自己焊死在未来市场。创新预算不是锦上添花，是生死线。
4. 上ML不是写代码，是先画一张20步的地图。附录A给出落地前必做清单：定义范围→审视现有系统与数据治理→重审安全策略→画工作流与数据关系图→定义业务愿景→判定技术适配性、列风险、立商业论证→定迁移策略→批预算→定运营模型→出路线图……最后才 implement、evaluate、iterative feedback。跳过数据治理和迁移策略直接买模型，半年后推倒重来是常态。
5. 传统IT商从’下单-交付’转向’思想伙伴’。作者观察到传统供应商正放弃 order-and-deliver 模式，改押注 thought partnership——和客户一起先想清楚问题，而不是接单干活。选ML供应商时，别找只会交付代码的，找愿意先帮你定义问题的人。

💥 最震撼案例

最震撼的是’便宜反而更危险’。作者原话：云让ML部署变便宜，’chances were high that technology would be misapplied’。一个真实场景：某公司看云账单便宜，急着上推荐算法，但用户行为日志残缺、业务本靠规则引擎跑得稳。模型上线后指标不升反降，没人说得清为什么——典型的把ML塞进’不需要预测能力、也没有合适数据’的系统。技术门槛降低的那一刻，正是被滥用的开始。

给决策者的ML书不教公式，只逼你回答一个问题——这活儿到底需不需要ML？答不上来，就别上。

ml-suitability-auditor —— 用5条红线判断一个业务问题是否真的适合ML，输出 go / no-go 评估
触发词: 这个场景该不该上机器学习 / 用AI值不值 / 要不要上ML模型
输入: 业务场景描述（目标、现有数据、当前做法）
输出: 适配性评分 + 红线清单 + 上/不上建议 + 若上则所需数据门槛

ml-project-roadmap-builder —— 按附录A的20步清单，把ML项目拆成’启动前/启动后’分阶段路线图
触发词: 怎么落地机器学习项目 / 上ML项目的步骤 / ML项目规划
输入: 项目目标与现有系统、数据、团队概况
输出: 分阶段 Roadmap（含数据治理、迁移策略、反馈迭代节点与责任分工）