判断的价值
优异的预测可以提高判断的价值。毕竟你如果不知道自己多喜欢让身体保持干爽、或是多讨厌带伞，知道下雨的机率并没有什么帮助。
预测机器不会提供判断，只有人类可以判断，因为只有人类可以表达采取不同行动的相对报酬。随着AI接手预测，人类会减少决策中预测到判断的例行程序，更专注在判断的任务上。这就有机会出现机器预测与人类判断之间的互动界面，差不多就像你在使用电子表格或数据库时进行寻找与取代一样。
预测愈出色，就愈有机会考虑各种行动的奖赏，换句话说，会有更多机会做出判断。而且这代表更好、更快，以及更便宜的预测会给我们更多机会去做决策。
判断诈骗行为
万事达卡、Visa与美国运通等国际卡组织时时都在预测及判断，它们必须预测信用卡申请人是否符合信用等级标准。如果不符合，公司就会拒绝发卡。你可能认为那是纯粹的预测，但其中也包含明显的判断成分。信贷价值是浮动的，信用卡公司必须决定在不同利率及违约率下，愿意承担多少风险。这些决定会产生迥然不同的商业模式：这就是美国运通的高端白金卡与针对大学生的入门级信用卡之间的差异。
信用卡公司还需要预测每一笔交易是否合法。就像你决定是否带伞一样，信用卡公司必须衡量四个不同的结果（见图8-1）。它必须预测申请的交易费用究竟是诈骗还是合法，决定到底是要批准还是拒绝交易，然后评估每个结果（拒绝诈骗的费用申请是好事，拒绝正当交易而惹怒顾客则是坏事）。如果信用卡公司可以完美的预测诈骗情况，一切会很顺利。但情况并非如此。
举例来说，乔舒亚（本书其中一位作者）在购买慢跑鞋时，照例都会被信用卡公司拒绝交易，而他大约一年买一次慢跑鞋，通常是度假时在购物中心购买。多年来，他都得打电话给信用卡公司，要求解除限制。
信用卡盗刷在购物中心屡见不鲜，而且一开始几笔盗刷可能都是鞋子和衣服之类的东西（容易在连锁商店的不同门市退货，换成现金）。乔舒亚没有固定购买衣服和鞋子的习惯，而且很少去购物中心，所以信用卡公司预测他的信用卡可能被偷了，这是合理的猜测。
影响一张信用卡是否被盗刷的预测有些是一般因素（交易类型，例如购买慢跑鞋），有些则是个人的独特因素（以这个例子来说，是年龄和频率）。这些因素组合起来，意味着最后标注交易是否正常的算法十分复杂。
AI带来的希望是让预测更精确，特别是在混合一般信息与个人化信息后。比方说，有了乔舒亚多年的交易数据，预测机器可以学习那些交易的模式，包括他每年大约在相同时间买鞋子。它不会把这样的购物归类为罕见事件，而会归类为这个人的一般事件。预测机器或许会注意到其他关联，例如一个人购物的时间长短，计算两个不同商店的交易是否太过接近。随着预测机器在标示交易是否正常上更加精准，国际卡组织在限制交易、甚至决定是否与消费者联络时，也会更有把握。这是已经发生的事。乔舒亚上次在购物中心买慢跑鞋就很顺利。
但是在预测机器能完美预测诈骗之前，信用卡公司必须计算犯错的成本，而这需要判断。假设预测不完美，有10％的机率会出错。如果信用卡公司拒绝交易，那有90％的机率是正确的，并给信用卡组织省下追讨未获授权交易的相关成本。但是也有10％的机率是拒绝合法的交易，使信用卡组织多了一个不满的顾客。为了找出正确的行动方针，它们必须设法在发现诈骗的相关成本与造成顾客不满的相关成本间取得平衡。信用卡公司不会自然而然地知道这个取舍的正确答案。它们必须设法找出答案，而判断就是这个过程。
再回到是否要带雨伞的例子，只不过这次要考虑的不是要不要带雨伞让自己产生负担，以及身体可能会淋湿或保持干爽，而是要考虑诈骗费用与顾客是否满意。以这个例子来说，由于这笔交易诈骗的机率是合法交易的九倍，所以除非顾客满意的重要性是可能产生损失的九倍，不然信用卡公司会拒绝交易。
就信用卡诈骗来说，这些报酬有很多可能很容易判断。极有可能信用卡组织能够清楚确认追讨成本的金钱价值。假设一笔100美元的交易，追讨成本是20美元。如果顾客不满意的成本少于180美元，拒绝交易就可以理解（180美元的10％是18美元，与20美元的90％相同）。对许多顾客来说，单笔交易被拒绝，并不会产生相当于180美元的不满。
信用卡组织必须评估某个顾客有没有可能是这种情况。举例来说，高净值资产的白金卡持有人可能可以选择其他信用卡消费，若是被拒绝了，可能就不再使用这张卡。而这个持卡人说不定正在享受奢华假期，于是信用卡组织可能失去那趟旅程所有相关支出的手续费。
信用卡诈骗是个定义明确的决策过程，这正是我们不断回头谈起的一个原因，不过这个过程还是相当复杂。相反地，对其他许多决策来说，潜在的行动可能不只更为复杂（不是简单的接受或拒绝），可能的情况（或状态）也各不相同。判断需要了解每一组行动与情况的报酬。我们的信用卡例子只有四个结果（如果将高净值资产的顾客与其他人做区别，则有八种）。但如果你有10种行动和20种可能情况，那就要判断200个结果。随着情况更趋复杂，要计算报酬的数量可能多到让人不知所措。
判断的认知成本
过去研究决策的人一般都把报酬视为给定，也就是它们已经存在。你可能喜欢巧克力冰淇淋，而你的朋友也许喜欢芒果义式冰淇淋，你们如果出现不同看法并没有什么影响。同样的，我们假设大部分企业会使获利或股东价值达到最大。经济学家研究企业为什么会为产品选定某些价格时已经发现，无条件相信那些目标会有帮助。
报酬往往很不明显，而了解那些报酬的过程可能很花时间，而且代价高昂。不过，预测机器的兴起，使得了解报酬的逻辑与动机所带来的好处也跟着增加。
以经济学来说，计算报酬的成本主要是时间。考虑用来决定报酬的某个途径，需要审慎评估。仔细思考真正想要达到的目标，或是顾客不满的成本，可能要花时间思考、反省，或许还要征询其他人的建议，或是需要花时间研究，才会更了解报酬是多少。
以信用卡诈骗侦测来说，必须要做的第一个步骤是仔细思考顾客满意或不满意的报酬，以及容许诈骗交易继续进行的成本。为高净值资产的顾客提供不同的报酬需要更多考虑，甚至需要多加考虑顾客在度假时那些报酬是否有变化。一般顾客度假时的状况呢？在那种情况下的报酬会不同吗？是否值得把出差和度假分别看待？或是要分别看待去罗马度假和去大峡谷度假的情况？
不管哪个情况，判断报酬都需要时间与精力：结果愈多，意味着判断愈多，也意味着花的时间与精力愈多。人类对判断的认知成本，就像是体验一个较缓慢的决策过程。我们都必须决定愿意用多少报酬来抵销拖延决策的成本。有些会选择不去对似乎遥不可及或不可能发生的情境调查报酬。信用卡组织或许会发现，区分出差与度假有其价值，但区分到罗马度假与到大峡谷度假则没有价值。
在不太可能发生的情况中，信用卡组织可能会猜测正确的决定、汇整的情况，或是选择较安全的默认选项。至于比较常见的决定（例如一般的旅行），或是显然是更为重要的顾客（例如高净值资产的顾客），许多企业就会花时间深思熟虑，并更仔细确认报酬。但实验的时间愈长，在做决策前就需要花愈长的时间，才能有应有的表现。
计算报酬或许更像是品尝新食物：尝试某个东西，看看会发生什么事。用现代商业界的说法就是实验。每个人在相同情况下可能采取不同的行动，并了解真正的报酬是什么。他们是藉由学习来知道报酬是多少，而不是经过事先仔细衡量。当然，由于实验必定代表会犯下稍后认为有错的事，所以实验也有成本。你会尝到不喜欢的食物。如果你抱着找到某些理想食物的期望，持续尝试新的食物，就会错过许多美食。判断的成本很高，无论是经由深思熟虑还是实验都一样。
考虑行事动机
自动驾驶车得以发展，以及Uber、Lyft等平台的兴起，关键在预测：该选择哪一条从起点到终点的路线。汽车导航装置不管是内建还是独立的装置，都已经存在几十年了，但网络链接行动装置的快速增加，已经改变导航软件供货商接收的数据。比方说，以色列新创公司位智（Waze）在被Google收购之前，藉由追踪驾驶人选择的路线而产生准确的交通地图。之后再用那些信息，同时考虑来自驾驶人的信息与持续监测的交通状况信息，提供任两点间有效优化过最快路径的信息。它还可以预测如果你继续前进的话，交通状况可能的发展，以及在情况改变时，提供更有效率的新路径。
用户未必都会按照位智之类的应用程序指示。他们并不是不同意预测，而是他们的最终目标可能包含更多因素，不只有速度而已。比方说，应用程序不知道汽油是否要没了，需要找加油站。但司机知道需要加油，可以否决应用程序的建议，改走别的路线。
当然，位智之类的应用程序可以变得更好，也会愈来愈好。比方说，以电力为动力的特斯拉汽车，导航就要考虑到充电的需求，以及充电站的地点。应用程序可以直接问你是否需要加油，或者未来甚至可以直接从汽车取得数据。这似乎是可以解决的问题，就像你可以微调导航应用程序的设定，避开收费道路一样。
至于其他偏好方面则比较难设定程序。以长途驾驶为例，你可能想确定会通过某些不错的地区，停下来吃东西。或者最快路线的建议也许只能省下一、两分钟，走的却是相当费劲的偏僻小路，加重驾驶的负担。或者你可能不喜欢开蜿蜒的道路。同样的，应用程序或许能学会那些行为，但无论什么时候，有些因素必然不属于可以设定的预测，无法让机器自动操作。在学习预测你的偏好上，机器有根本上的局限。
对决策更广泛的考虑是，目标很少只有单一面向。人类或多或少知道自己为何要做某件事，因此他们会用特殊又主观的角度来衡量。
虽然一台机器可以预测什么事情可能会发生，但人类还是要根据自己对目标的理解，来决定该采取何种行动。许多时候就像位智一样，机器会给人类一个预测，暗示一种结果（例如速度）；之后人类要决定是否要否决建议的行动。视预测机器的精密程度，人类可能会根据新的限制，要求机器提出另一种预测（「位智，要经过加油站」）。
简单的判断可以直接写进程序
新创公司Ada Support使用AI预测，从困难的客服问题中，把简单的问题找出来。AI回答简单的问题，将困难的问题交给人类。以一般移动电话服务供货商来说，消费者如果打电话求助，绝大多数的问题都有人问过。把答案打出来很简单，难就难在预测消费者想要什么，并判断该提供哪个答案。
Ada没有将消费者引导至网页的「常见问题」区，而是立刻找出那些常见问题来回答。它可以配合消费者的个人特征（例如过去对技术能力的理解、打电话使用的手机类型，或过去的来电）来增进对问题的评估。在这个过程中也可以减少挫折感，但更重要的是可以迅速处理更多互动，不需要花钱在更昂贵的电话客服人员。人类专心从事罕见与比较困难的问题，而由机器处理简单的问题。
随着机器预测的改进，在许多情况下的预先判断就愈有价值。就像我们会对其他人解释自己的想法，我们也可以用软件程序对机器解释自己的想法。当我们预期会收到精确的预测，就可以在机器预测之前将判断写入程序。Ada就是这样处理简单的问题，否则就太耗费时间了，因为有太多可能的状况要事先指出每种情况要怎样做。因此，遇到困难的问题时，Ada就会找人来判断。
经验有时候能做出可以写进程序的判断。很多经验是无形的，因此无法轻易写下或表达。就像安德鲁．麦克费（Andrew McAfee）与艾瑞克．布尔优夫森（Erik Brynjolfsson）写道：「（计算机成为取代人类的）替代品是有限制的，因为有许多工作是人类心领神会，而且不费吹灰之力就能完成，但是程序工程师或其他人都无法明确说明『规则』或程序。」1不过，并非所有工作都是如此。有些决策可以清楚表达出必要的判断，并以程序表现。毕竟，我们常常对其他人解释自己的想法。事实上，在「若则」语法中，可写为程序的判断会填进「则」的后面。当出现这种情况时，判断就可以写进程序。
挑战在于，就算能将判断写成程序，使机器从人类那里接手工作，机器收到的预测也必须相当精确。如果有太多可能的情况，要事先指定每种情况该怎样做也太花时间。如果很清楚什么事情可能是正确的，就可以轻松写进程序，让机器采取特定的行动；但如果还是有不确定的事，要告诉机器该怎样做，就得更谨慎衡量错误的成本。不确定，代表在最后发现预测错误时需要判断，而不是只有在预测正确时需要判断。换句话说，不确定会增加为特定决策的报酬做出判断的成本。
信用卡组织为了侦测诈骗，已经拥抱新的机器学习方法。预测机器让他们对已经用程序来决定一笔信用卡交易是否封锁的判断更有信心。随着对诈骗的预测更加精准，误将正当交易标示为诈骗的可能性也在降低。如果信用卡公司不怕预测犯错，就能写下机器决策的程序，而不需要判断拒绝某些顾客的交易可能要付出多少成本。做决定变得更容易：如果是诈骗，那就拒绝，否则就接受交易。
报酬函数工程
随着预测机器提供更好、更便宜的预测，我们必须了解如何充分利用那些预测。不论我们是否可以事先指出要做什么判断，都需要有人来做决策。因此要纳入报酬函数工程（reward function engineering），这个工作是根据AI所做的预测，决定各种行动的报酬。这项工作要做得好，需要了解组织的需求，以及机器的能力。
有时候报酬函数工程包含把程序写死（hard-coding）的判断，也就是为了自动执行，在预测之前将报酬写成程序。自动驾驶车就是这类程序写死的报酬函数。一旦做了预测，立刻就会行动。但是要使报酬正确并不简单，报酬函数工程必须考虑的是，AI可能在衡量成功的一项标准时过度优化，以及这样做会与组织整体的目标不一致。整个委员会正在努力解决自动驾驶车这类问题，不过，各种新的决定都需要这种分析。
而在其他情况下，可能需要预测的数量太多，或许会使事先判断所有可能报酬的成本太高。因此，需要有个人等待预测出现，然后评估最后的报酬，而这就接近目前大部分决策的运作，不管有没有包括机器产生的预测。而下一章会看到，机器也正朝这个领域发展。在某些情况下，预测机器可以凭着观察过去的决策，学会预测人类的判断。
综合预测与判断
多数人平常已经有做些报酬函数工程，只不过是对人类做，而不是对机器。父母教导孩子价值；师父教导新手如何操作系统；经理人给部属目标，然后敦促他们达成更好的表现。每天我们都在做决策，而且评断会得到多少报酬。但是当我们对人类做这样的事时，我们会把预测和判断综合起来，而且报酬函数工程的角色并不明显。随着机器的预测愈来愈好，报酬函数工程会变得更为重要。
为了说明报酬函数工程的实际运作，可以用网络求职平台ZipRecruiter当作例子。各公司付钱给ZipRecruiter，想要找到希望填补职缺的合格候选人。ZipRecruiter的核心产品是一个媒合的算法，能有效率、大规模地达成这个目标，这是传统帮助求职者与企业媒合的猎人头公司的一种变形。2
ZipRecruiter不清楚是否应该向企业收取服务费用。收费太少，是白白错过应有的获利。收费太多，顾客会转往竞争对手。为了找出服务价格，ZipRecruiter引进两位专家，芝加哥大学布斯商学院经济学家杜贝（J. P. Dubé）与桑约格．米斯拉（Sanjog Misra），他们设计实验，判定最理想的价格。他们给不同的潜在顾客随机分配不同的价格，藉此判断各组潜在顾客购买的可能性，这样就能判断不同的顾客对不同的价格有什么反应。
困难之处在于厘清什么情况「最理想」。公司只要让短期营收达到最大吗？这样的话，也许会选择订出高价。但订出高价意味着会有比较少的顾客（即使每个顾客带来的获利更高），也代表会有比较少的口碑效应。此外，要是刊登的职缺少了，使用ZipRecruiter找工作的人数也会减少。最后，顾客看到价格很高，或许会开始寻找其他替代方案。他们短期也许会付出高价，但长期可能转向竞争对手。ZipRecruiter该如何权衡各种选项？应该要让什么报酬达到最大？
衡量涨价的短期影响相对容易。专家发现，如果给某些类型的新顾客涨价，每日获利可以提高超过50％。不过，ZipRecruiter并没有立刻采取行动。公司看出会有长期风险，而且想要等等看付出高价的顾客是否会离开。四个月后，发现涨价还是会带来很高的获利。它们不想再放弃更高的获利，而且判断四个月的时间够长，于是放手调整价格。
从各种行动（判断的关键要点）中找出报酬，就是报酬函数工程，这是人类做决策的过程中十分重要的一环。预测机器对人类来说是种工具，只要需要人类衡量结果，并加以判断，在预测机器改进的同时，人类也扮演着关键角色。
本章重点
* 预测机器会增加判断的报酬，因为预测成本降低了，会增加了解行动相关报酬的价值。不过，判断的代价高昂。计算不同情况下、不同行动的相对报酬耗时费力，还需要进行实验。
* 许多决策发生在不确定的情况下。我们决定带伞，因为我们认为可能会下雨，但这可能是错的；我们决定授权一笔交易，因为我们认为那是合法的，但也有可能判断错误。在不确定的情况下，我们必须判定在错误决策下行动的报酬，而非只有正确决策下的报酬。因此，不确定性会使判断某个决策的报酬成本增加。
* 如果一项决策的行动／情境组合的数量在可控制的范围内，我们就可以将判断交给预测机器（这就是「报酬函数工程」），让机器可以在产生预测后自行做出决定，这样就能自动产生决定。不过，行动／情境的组合往往过多，因此如果事先将每一种组合的所有报酬都写成程序，成本太高，特别是出现非常罕见的组合的时候。在这种情况下，在预测机器进行预测后，由人类加以判断会比较有效率。
