AI、IOT、数据共享、企业信息系统......，许多人认为，AI是用机器的能量和力量取代人类的能量和力量。其实不然，这些新机器新软件新应用的趋势。在目前，实际上是在各个层次上取代或弱化人类的判断力！这才是当前信息系统发展的一个可怕的误区。
——Robert Xu
关键词：信息系统、独立计算引擎、集算器
与其相忘于江湖，不如加入“ICT销售和大客户联盟”（微信ID：ICT-League），这是新型的万人IT和DT的资源共享平台！
AI、IOT、数据共享、企业信息系统......，许多人认为，AI是用机器的能量和力量取代人类的能量和力量。其实不然，这些新机器新软件新应用的趋势。在目前，实际上是在各个层次上取代或弱化人类的判断力！这才是当前信息系统发展的一个可怕的误区。
——Robert Xu
迈克尔·哈默和詹姆斯·钱皮出版的《企业再造》一书，给出了化解世上繁文缛节的知识蓝图。
他们的基本想法是：企业不能认为自己是在部门内执行任务（例如在采购部门内购买原材料），它们应该把自己看成在执行业务流程（例如采购、组装并按客户订单装运），这本来就是跨部门的事。
这种说法现在听起来理所当然，在当时却被认为是新颖的、重要的。
当然，直到目前为止，我们很多的企业仍然认为是企业内部的流程而已，这类企业目前大多都处于求生存的状态。
20世纪杰出的商业大师彼得·德鲁克当时表示：“再造是新的，它必须完成。”
数据化时代的到来给了企业再造最好的机会，他们促成了人工智能在企业、政府、金融、城市等各方面最佳的实践和应用。
从数据化管理的基本出发点，大量的互联网的鲜活的数据更给出了许多再造企业，包括采购、研发、生产、交付、客户体验等流程新的视角，重新从流程视角上审视，往往能看出许多不必要的、可以剔除的任务，或者像哈默和钱皮说的那样，干脆把它们抹掉。
人类历史上从来没有象今天这样给出了一个明确的图景，每一个企业或组织都与整个的世界联系在一起，他们是整个世界的一个环节！
融入或创造整个产业链的生态圈
促使企业业务流程再造运动加速的因素主要是两个，这就是企业信息系统和互联网（移动互联网）。
首先是企业信息系统，在它出现之前，企业通常有一堆各种各样的软件包，他们之间几乎没有相互连接，公司越大，软件就越杂乱。
过去企业把它们称为软件系统，在这个阶段企业的信息化建设通常是围绕着IT硬件为基础的！今天，我们发现，这一切变得十分的累赘。由此，在近些年开始了软件定义一切的尝试。
企业级系统有的开始用单一大型软件包代替一堆软件的承诺，它设计清晰，用于执行一组特定的跨职能业务流程。但是，现实也是十分骨干的，数据独立、分隔、结构不一致、数据源越来越多、业务越来约需要从T+1走向T+0......，使得这一设计在现实中处处碰壁。
由此，我们很多的企业经历过从集中到分散、再从分散到集中、再从集中到分散，现在回过头来又一次从分散到集中，这是我们通常哲学意义上的循环往复，一直无穷吗？
其次是互联网，它的出现使企业级系统的覆盖面和功能通过电脑、平板电脑和手机延伸到整个供应链和个人消费者。
而且，互联网，尤其是移动互联网的快速发展，迅速将互联网从纯文本网络转变为可以处理图片、声音和其他媒介的网络。他大大的拓展了企业的边界，但这种边界的扩大，让我们的企业变得有点不知所措。
互联网（移动互联网）使企业能够将业务流程扩展到边界之外，一直延伸到整个供应链和消费者。这一趋势被很多的互联网企业说掌握了，并且很好的应用了，国内最著名的就是BAT、京东等等了，这就是我们常说的互联网思维！
在这一趋势下诞生的业务我们可以统一的称之为：电子商务。人们开始使用互联网（移动互联网），他们不仅可以搜索和了解企业的产品，而且还可以订购和支付。
在此之前的20年中，完美的利用这两项趋势的企业，完成了基于互联网（移动互联网）的企业级信息系统的整合和再造，从而完成了各种常规任务，包括跟踪账户余额和交易、计算原材料交付的数量和时间、资产管理、业务态势预测、给员工发放工资、让客户选择产品并进行支付，等等，从而促成了越来越多的新兴的综合的业务流程。
20年的积累，使得企业信息化系统获得了大量的历史数据，这也是今天人工智能、大数据等大行其道的基础。当然，人工智能的基础必须是大数据。
但是，直到今天，我们仍然没有很好的解决一个最为基础的问题：各类系统产生的历史数据是不兼容的、是与其相关的应用系统紧密绑定的，新业务新的管理系统等需要的新的数据又是层出不穷的，如何能很好的利用这些数据，方便的利用这些数据？更为重要的是，怎样才能把数据、计算、应用和呈现独立开来，成为一个松耦合的架构呢？国办的39号文，强调的数据共享交换的核心就是在于此！
这关系到企业信息系统在已经打开的企业边界的世界中，如何能把企业的流程置身于整个产业链中，从而融入或创造生态圈？
人与系统的分工界面：计算和决策、判断
一旦企业级信息系统和互联网（移动互联网）之类的技术把管理者和员工从繁文缛节中解放出来，那么他们应该做些什么呢？
哈默和钱皮在《企业再造》一书中给出了明确的答案：随着电脑接管日常事务，人们应该被授权行使自己的判断力。
“大多数的检查、调和、等待、监测、跟踪——也就是非生产性工作……通过再造被剔除了……在再造后的流程中工作的人必须得到授权。作为流程团队工作人员，他们被允许和被要求进行思考、交流，行使判断力，并做出决定。”
基于此，企业开始理顺了人与系统之间的分工：系统负责基础计算、记录保存和数据传输；人被解放出来做决策，做判断，利用自己的创造力和直觉，彼此交流以解决问题，服务好客户。
这也是网上广为流传的连吓唬带骗的各类，“未来那些人要失业的”文章的基础！
尽管有很多的夸大，但这是关于一种共同信念的明确表述：如果人类失去了判断力和创造力，那么机器人取代这类人员的日子的确不远了。
可怕的是我们的很多信息系统还制造了这样一种假象，尤其是目前市场上的很多的所谓的BI公司，以一系列化妆的很漂亮的报表来迷惑了很多不知所措的企业，让他们投入了不少的冤枉钱去做一些其实本不必要做的事情，只是为了美观的外表。因为怕被诟病，本文不愿意提及他们的名称，如有兴趣可以留言讨论。
笔者清晰的认识到：即使身处硬件、软件和网络无处不在的世界，人类仍然因其判断力而彰显价值，我们的推理能力比利用现有数据进行机械式计算要高出一筹。但是，如何真正的做到前面说谈到的人和系统的分工呢？
MBA的收获：人类思考的两类模式
《思考，快与慢》（TThinking, Fast and Slow）一书给出了一个很好的研究结果。数十年来的研究证实，人类实际上有存在两种不同的思考和推理的方式。这一突破性的研究让丹尼尔·卡尼曼获得了诺贝尔奖，从而成为“行为经济学”领域的开宗鼻祖。
卡尼曼及其同事的工作表明，人类有两种思维方式：即“系统1”和“系统2”。
“系统1”快速、自发、事关小脑皮层，不怎么费脑力，它与我们所说的直觉密切相关。
“系统2”则相反，它是缓慢、有意识的，事关大脑皮层，很费脑力。
“系统1”的运行是无意识且快速的，不怎么费脑力，没有自主控制感。
“系统2”将注意力转移到费脑力的活动上，包括复杂的计算，其运行通常与行为、选择和专注等主观体验相关联。
“系统1”通过谋生计、理解实例而变得更自如、更广博。
“系统2”通过学习数学或逻辑课程而改进。
也就是说，“系统1”和“系统2”的训练模式是不同的，他们消耗的脑力也是不同的，“系统1”更多的决策和判断系统，“系统2”更多的是计算和存储系统。
关于“系统1”的训练有很多实例：学生的习题训练能让学生在考试中很快的完成试题的分析；消防队员久经历练，能够判断大火如何在建筑物蔓延；人事经理阅人无数，能够看出谁更适合公司；围棋选手用心下棋，终成大师。这是“天分”+“勤奋”的结果。
关于“系统二”的训练就不多了，他是数学和逻辑，在这方面的人才我们经常称为“天才”，他们很多人可以心算的比计算器还快，可以记住很多的瞬间闪过的内容，电视上经常看到这样的比赛。让我们感叹自愧弗如！
现代商业教育的目的应该是这两个系统的结合。但是，很遗憾的是，我国现在的应试教育其实只是做了“系统1”的反复训练。
很多人说MBA没有用，其实这的确是误区，也是哪些EMBA送房卡造成的恶劣后果。
扯远了，收回来。
其实，MBA通过会计、金融和微观经济学课程提高了“系统2”技能，同时，MBA课程中通过讨论什么“企业家精神”、“领导力”、“道德”和其他领域的许多案例改善自己的直觉和判断，提高了“系统1”技能。这就是MBA能给到你的全部。千万不要为了眼前的利益只记得送房卡、拉关系......，那样你的几十万上百万的成本是收回了，但是，你的未来可能变成了梦！
在MBA，你的最大收获应该是两个系统可以，也应该同步改进。如果这个目的达到了，你就不会因为读MBA而把企业做垮了！
“系统1”真的很棒！但它同时也是错漏的真正所在：它自发运行，不能随意关闭，因此直觉的错误往往难以防止；它常常走捷径，而不是透彻地推理；并且，它还是一个惊人的偏见大集合。
在心理学和卡尼曼帮助建立的行为经济学领域，研究人员已经确认了许多“系统1”的错漏并加以命名。根据最近的统计，维基百科的“认知偏见清单”就有175个条目。
由此，我们可以知道，人机界面就在“系统1”和“系统2”之间。
发挥人类的决策和判断力
“系统1”依然是值得非常非常重视的。
这是人类与生俱来的、深刻的本能思维工具，正在到来的未来时代，它将使人类获得生存，继续发展。
科技的发展到了今天不是模糊了“系统1”和“系统2”的人机界面，事实上它是强化了这一界面。但我们自己却经常性的故意去混淆这一界面。
1、决策者的判断力和决策力弱
2、决策者和智囊团不愿意承担责任
3、故意的数据造假行为
4、数据采集的困难
5、数据采集的维度和广度不够
6、信息系统厂商的不配合造成的数据孤岛
7、报表、BI等呈现厂商的诱导，使得领导者追求系统呈现的所谓美观大于呈现的实质
8、关注表现，忽略表象下的事实
......
凡此种种，还用一个冠冕堂皇的理由来忽悠和压制正确的声音：“一切用数据说话！”
殊不知，数据本身没有任何意义，数据只有在经历了历练的过程后才有了生命，这个历练过程就是：数据-信息-知识-智慧！
现在很多企业的信息系统呈现给决策者的内容是数据本身，甚至都还没有达到信息的地步，然后据此搞了一个很漂亮的所谓“驾驶舱”，然后说“一切用数据说话！”。
不知道这是傻啊，是傻啊，还是傻啊！
基于互联网（移动互联网）的企业信息系统是大数据时代企业再造的基础，这个基础应该是帮助人类思考的“系统1”模式得到最大的发挥，而把“系统2”接手过去，全力发挥计算的性能，给出更为准确的知识给到人类，在人工智能AI的辅助下，把人类的决策思维和判断思维，通过逻辑规则给到AI，在此基础上得出的智慧，才是真正的“一切用数据说话”！
在这样一个体系下，数据才真正的完成了它的历练！
既然过去的呈现厂商（包括报表、BI等）因为种种原因，偷梁换柱的影响了我们懒政的决策者，那么如何能真正的让软件系统起到“系统2”的作用，在决策者的决策和判断力的指导下，充分发挥“系统1”的作用呢？
这有几个先决的条件：
1、异构多元等全面的数据：数据要全面，需要跨软件业务系统的数据、互联网（移动互联网）的数据、政府和兄弟单位的历史和热数据、系统的日志数据、IT基础架构运行、语音图像、物联网传感器网的流量数据等等结构化、半结构化和非结构化的数据；
2、运算效率高：能与原有的数据仓库、大数据平台等结合，提升数据计算的效率，真正取到机器在“系统2”方面的高效率替代人工过程；
3、与原有系统松耦合：能脱离原有的应用系统和数据存储过程，采用独立计算的逻辑体系，一方面起到计算和代码的高效运行，另一方面可以保护应用和存储过程不被过多的并发访问而导致死锁，甚至崩溃；
4、通过高效和简单的脚本代入决策者的判断力逻辑：输出知识而不仅仅是数据本身，有利于AI决策系统根据决策者指令获取更多更为灵活的决策和预测的推断；
5、系统自动的从数据源中获取数据，而不仅仅是中间数据库或数据仓库中获取。
......
独立的计算引擎，强化“系统2”的同时给出“系统1”更多的判断力的发挥
由此可见，在大数据时代，任何系统的界面和分工就是：人主要是决策和判断，系统负责根据人的决策和判断的依据，实时、灵活的输出各类数据结果，这些展现在大屏上的数据图表是相互关联的，牵一发而动全身的，不是简单的把数据库的数据做简单的统计分析的结果。
于是，从数据架构上需要引入：
1、在数据资源层和数据仓库或大数据平台之间引入数据采集层
2、在数据仓库或大数据平台与应用层或数据呈现层（报表或BI）之间引入数据计算层和负载均衡的数据网关
3、在数据仓库和大数据平台层，引入独立的混合计算单元
4、在多级、远程分支机构的情况下，引入前置服务器（边缘计算）
这些数据架构可以是采用嵌入式的部署，也可以是旁路的部署。通过这些独立计算引擎或平台的部署，真正的把 “系统2”的工作做好。
要看报表，但不要只看报表！
要思考，充分发挥“系统1”的决策力和判断力，不要把这个能力交由机器完成。
交由机器完成的是“系统2”的计算能力，要让计算独立于应用，要能让计算能即时的代入“系统1”的判断逻辑。
国办39号文就是强调了关于“数据共享交换层”的重要意义。
数据交换层是政务数据共享交换平台的核心部分，由其来真正实现政务信息的共享交换，至关重要。数据交换层连接数据资源层的各种信息资源，对数据进行各种组织、整合和计算处理。数据交换层做为软件服务层的数据提供者，为实现软件服务层各种应用系统的搭建和运行提供数据支撑服务，包括数据的获取、整合、关联、合并、聚集等。
除此之外，数据交换层还起到ETL的作用，从各个业务数据库中采集抽取数据，并加以转换清洗，加载到政务大数据平台中。
一款优秀的独立计算平台（引擎），能与各类数据源（多源和异构）、数据仓库、大数据平台、各类应用系统、各类报表和BI工具深度集成，具备完善的源代码。提供了丰富的工具集和代码集，可帮助您制作最优质的知识、提升决策能力和速度，并连接云中巨大的计算和存储资源。
作者介绍：
本文作者与其团队长期从事数据计算领域的顶层架构、数据架构、数据共享交换等的工作，并且在大数据运维、AIops、金融业实体行为管理、应用性能管理、应急灾难预测、数据呈现（报表和BI）、数据库优化等领域帮助上万的用户解决了实际的难点和痛点，真正的发挥出“系统2”的效能，并使能“系统1”，帮助客户根据多样的模型快速准确的做好预测和决策。
联系邮箱：ictleague@163.com，或者留言“销盟”秘书处。
与其相忘于江湖，不如加入“ICT销售和大客户联盟”（微信ID：ICT-League），这是新型的万人IT和DT的资源共享平台！
文末彩蛋：
润乾的集算器是这样一个平台，方便部署、运营和扩展，可将构建决策系统后端所需的时间从几个月缩短到几分钟。集算器面向使用AI的开发人员，采用高度可用自有知识产权构建而成，方便您根据业务需求快速扩展或缩减高性能计算服务器，而无需额外的工程设计或前期费用。
数据接口：数据接口层提供了大量预置的数据连接接口，可以方便快捷地连接各种主流数据源，如Oracle、MS SQLServer、MySQL、HIVE、HBase、MongoDB、Redis、ElasticSearch、Excel文件、JSON文件等，并从中获取数据。
在必要的情况下，如对大数据平台进行数据加载时，系统也可以通过数据接口将数据写入数据资源库中。
内置算法库：内置算法库提供了预先内置的基本数据处理算法，诸如排序、关联、合并、分组、聚集、替换等功能，的封装，是平台快速交付能力的保障。
开发管理工具：开发管理工具提供用户友好的开发管理界面，方便平台功能的开发者可用方便快捷地开发、调试、运行功能模块代码，并对平台进行基本的管理。
核心执行引擎：核心执行引擎负责解释执行开发者发布的根据业务需求开发的数据计算流程代码，并根据算法需求调配需要的系统资源，并对任务执行进行调度。
本地文件存储：本地文件存储用于存储由于各种原因，需要存储在数据集算器内部的数据。本地文件存储提供了多种数据存储格式，以应对不同的数据计算需求，并对数据进行压缩，以提高存储效率，减少存储空间和读写IO。
数据网关：数据网关负责接收来自业务应用层的数据请求，并将结果返回给业务应用层。数据访问层实现了访问接口的封装，提供标准的JDBC、RESTful http API和WebServices的访问协议。
分享是一种美德，转载请注明来源和出处！
“相关文章阅读”
联系客服
