这一页讲的是人工智能辅助决策（AI-assisted decision-making）的概念和应用。重点包括虚拟助手、机器学习、用户认证等技术如何支持决策过程。

这一页讲的是人工智能辅助决策（AI-assisted decision-making）的概念和应用。图中展示了多个关键技术模块，包括虚拟助手（Virtual Assistant）、机器学习（Machine Learning）、用户认证（User Authentication）、面部识别（Face Recognition）和自动化（Automation）。这些技术通过数据分析和智能算法优化决策流程。例如，虚拟助手可以通过自然语言处理（NLP）与用户互动，提供实时建议；机器学习能够从历史数据中学习规律并预测未来趋势；用户认证和面部识别提高了系统的安全性，确保决策基于可靠的身份信息；自动化技术则简化了重复性任务，提高效率。整体来看，这些技术协同工作，帮助组织在复杂环境中做出更快、更精准的决策，适用于商业管理、生产优化等领域。

这一页讲的是Topic 5的学习目标，主要包括数据与AI在决策中的关系、AI工具与人类角色的区分，以及强调“人类在环”的重要性。

这一页讲的是Topic 5的学习目标，具体包括三个方面。首先，探讨数据与人工智能（AI）在支持决策中的关系，说明数据作为AI决策的基础，其质量和完整性直接影响AI的表现。其次，区分AI工具与人类角色在AI辅助决策中的作用。AI工具擅长处理大量数据和执行复杂算法，而人类在决策中提供创造性思维和伦理判断，这种分工明确是实现高效协作的关键。最后，强调“人类在环”（human in the loop）的重要性，确保AI在关键决策中有人工监督和干预，以避免潜在风险或偏差。例如，在医疗诊断中，AI可以提供数据分析结果，但最终诊断仍需医生确认。这些目标帮助学生理解AI与人类协作的最佳实践及其重要性。

这一页讲的是今天的议程，包括案例研究、人机交互专题讲座以及AI辅助决策的迷你讲座。

这一页讲的是今天的议程，主要有三个部分。第一部分是案例研究 2，探讨一个商业场景，强调AI辅助决策需要符合解释决策过程的要求，这是一个Tutorial环节，重点在于如何让AI决策透明化。第二部分是由Martin Adam教授主讲的嘉宾讲座，主题是人机交互在企业对企业（B2B）场景中的应用，这将深入分析AI如何影响商业环境中的决策和沟通。第三部分是关于AI辅助决策的迷你讲座，进一步讨论AI在决策过程中的实际应用。这些内容对于理解AI在商业中的角色和挑战非常重要，帮助学生掌握如何在复杂的商业环境中应用AI技术。

这一页讲的是人工智能（AI）内部发生的过程，强调数据输入、输出及可解释性的重要性。主要包括数据输入、AI处理、输出辅助决策，以及Explainable AI（可解释人工智能）的概念。

这一页讲的是人工智能（AI）系统的工作流程及其可解释性的重要性。图中展示了数据（Data）作为输入进入AI系统，经过处理后生成输出（Output），最终用于辅助决策（AI-assisted decision-making）。其中，AI被形象化为一个黑盒（Black-box AI），说明其内部处理过程可能不透明。为解决这一问题，引入了Explainable AI（可解释人工智能）或Glass-box AI的概念，旨在让AI的决策过程更加透明化，便于用户理解和信任。例如，医疗诊断中的AI系统，如果能够解释其推荐某种治疗方案的原因，就更容易被医生采纳。可解释性对于高风险领域尤其重要，因为它能够帮助验证AI的可靠性，减少错误决策的风险。这一页还提供了一个链接，可能是进一步了解AI相关内容的资源。

这一页讲的是 AI 辅助决策的不同方式，包括预测、建议和信息传递。

这一页讲的是 AI 辅助决策的不同方式。AI 可以通过两种方式参与决策：一种是自主采取行动（taking an action），例如进行认知决策；另一种是辅助决策（assisting）。辅助决策主要分为三种形式：第一是预测（Predicting），AI 通过预测分析（predictive analytics）提供信息，最终决策仍由人类完成；第二是建议（Advising），基于规范性分析（prescriptive analytics），AI 给出推荐方案，但需要人类审查并采取行动；第三是信息传递（Informing），AI 提供描述性分析（descriptive analytics）的信息，人类可以选择是否据此做出决策。这三种方式体现了 AI 在决策过程中的不同角色，从简单的信息提供到复杂的建议支持。

这一页讲的是 AI 支持的三种分析类型:描述性分析、预测性分析和决策性分析。描述性分析回答“发生了什么”，预测性分析回答“会发生什么”，决策性分析回答“应该做什么”。

这一页讲的是 AI 支持的三种分析类型及其应用场景。第一种是描述性分析 (Descriptive analytics)，通过收集和分析数据来描述过去或当前的情况，回答“发生了什么” (What is happening?)，例如图中展示了 Uber 的实时地图和司机行为统计数据，用于帮助理解当前的运营情况。第二种是预测性分析 (Predictive analytics)，利用历史数据预测未来趋势，回答“会发生什么” (What will happen?)，比如 Uber 预测某个周末的需求高峰，提醒司机提前准备。第三种是决策性分析 (Prescriptive analytics)，基于过去的数据提供行动建议，回答“应该做什么” (What to do?)，例如图中建议司机去往需求更高的区域或根据乘客反馈调整服务方式。这三种分析类型在 AI 驱动的决策支持中非常重要，分别帮助企业理解现状、预测未来和优化行动策略。

这一页讲的是数据分析的类型，包括描述性分析、预测性分析和规范性分析。它们分别帮助理解过去、预测未来和制定行动方案。

这一页讲的是数据分析的类型，主要分为三个核心类别：描述性分析（Descriptive Analytics）、预测性分析（Predictive Analytics）和规范性分析（Prescriptive Analytics）。描述性分析用于回答“发生了什么”的问题，帮助理解业务过去的情况，例如分析销售数据来识别趋势。预测性分析则聚焦于“未来可能会发生什么”，通过历史数据和模型预测未来的可能结果，例如预测客户流失率。规范性分析回答“接下来该怎么做”的问题，提供建议以优化行动方案，例如推荐最佳库存管理策略。此外，图中还提到了探索性分析（Inquisitive Analytics）和预防性分析（Pre-emptive Analytics），分别用于理解“为什么发生了某事”和“如何提前采取行动”。这些分析类型构成了从信息到洞察、决策再到行动的完整流程，帮助企业实现数据驱动的决策。

这一页讲的是 AI 辅助决策的不同方式，重点在于人类与 AI 的交互界面及其在决策和行动中的角色分配。

这一页讲的是 AI 辅助决策的不同方式，强调了人类与 AI 的交互界面如何影响决策和行动的分配。幻灯片顶部的流程图展示了数据如何通过 AI 的输入和输出转化为辅助决策。核心内容指出，根据我们对 AI 的期望（例如采取行动、预测结果、提供建议或告知情况），需要明确人类与 AI 的角色分工。底部的示意图用三角形表示了决策与行动的关系，AI（算法或机器人）与人类之间的互动是关键。举例部分列出了三种场景：场景 1 中，人类依赖 AI 的洞察力做出决策并采取行动，例如放射影像分析；场景 2 中，AI 提出行动建议，人类可以选择是否采纳，例如汽车提醒驾驶员潜在危险；场景 3 中，AI 机器人执行手术，人类负责监督。这些场景展示了 AI 在辅助决策中的不同角色，帮助我们理解如何优化人类与 AI 的协作。

这一页讲的是 AI 在决策支持中的角色和挑战，包括控制错误、专家判断和引入“human-in-the-loop”。

这一页讲的是如何让 AI 工具支持决策过程。首先，AI 是否应该直接替我们做出决策并执行？这里强调了控制错误和例外情况的重要性，例如可能出现的误判或极端情况。其次，AI 可以提供建议，但需要明确由谁来评估这些建议的可行性，是否有领域专家（Subject Matter Expert）来判断是否实施建议。例如在医疗领域，AI 可以向医生提供建议，但最终判断仍需医生进行，而不能直接对患者做出决定。这一问题通过一个案例说明，即某 AI 聊天机器人错误地建议患者自杀，凸显了引入“human-in-the-loop”的必要性。这种机制确保人类在关键决策中保持主动权，从而避免潜在的伦理和责任问题。

这一页讲的是“human-in-the-loop”的实际意义，强调人在人工智能系统中的参与和决策作用。

这一页讲的是“human-in-the-loop”（人类在环）在实际应用中的意义。它指的是在人工智能或自动化系统中，人类在关键环节上参与决策或控制，确保系统的输出符合预期并满足复杂情况的需求。上方的图示可能展示了一个包含人工智能模型、数据处理和人类交互的流程，说明人类在系统中如何进行干预。例如，在自动驾驶系统中，虽然车辆可以自主导航，但在特殊情况下，人类司机可以接管控制。这种设计的好处是提高系统的可靠性和安全性，同时允许人类对道德或复杂问题进行判断。