???

【51CTO.com快譯】因為我們?nèi)鄙俦任覀兏玫淖鴺?biāo)系進行對比，人類常犯的一個錯誤是我們覺得自己正在做一項完美的工作。

人類通常處理小規(guī)模數(shù)據(jù)并且生成帶有錯誤的報告。而機器能夠處理規(guī)模更大的數(shù)據(jù)并且能夠生成更高級的報告，獲得更準確的結(jié)果。

我們舉例說明問題，我們發(fā)現(xiàn)有人去了某所學(xué)校，獲得了某個學(xué)位，有了一項成功的事業(yè)，然后我們以為我們自己也能搞定這些。但實際情況是，因為許多原因我們的結(jié)論可能是錯的。事實上，人類只能控制和處理有限的數(shù)據(jù)。我們并不總能處理復(fù)雜的分析和消除偏差。這通常導(dǎo)致我們獲得有偏差的結(jié)果，或者不能區(qū)分相關(guān)性和因果性。

在人工智能變革的大背景下，員工通常沒有改善工作流程的急迫需求，因為他們只能看見眼前的數(shù)據(jù)場景，而不是他們?nèi)笔У乃袛?shù)據(jù)，或者更大的數(shù)據(jù)場景。

換言之，數(shù)據(jù)產(chǎn)生的指數(shù)級別的速率，和它寬廣的自然范圍，讓我們的認知可能遠遠落后，我們甚至不知道我們?nèi)鄙偈裁础?/p>

不良數(shù)據(jù)習(xí)慣的影響

分析師基于本能會迫使自己基于一般性準則過濾大量的數(shù)據(jù)，否則分析師無法處理大量的數(shù)據(jù)。盡管數(shù)據(jù)規(guī)模小的好處是分析師可以進行高質(zhì)量的手動分析，但他通常會失去被排除的數(shù)據(jù)的大量信息。

但是損失遠超于此。除了失去某個數(shù)據(jù)點的價值，分析師可能因為錯誤的假設(shè)而忽略整段的數(shù)據(jù)價值。這會導(dǎo)致下面的惡性循環(huán)：分析師因為基于過去的經(jīng)驗和假設(shè)持續(xù)的選擇錯誤的數(shù)據(jù)子集進行分析。

這通常會造成一種對結(jié)果準確性的錯誤確定性直覺，因為沒有很可靠的辦法來對此進行把控。組織會對自己的數(shù)據(jù)產(chǎn)生一種過度自信的錯覺，而這種自信的基礎(chǔ)只是在組織面對小數(shù)據(jù)集范圍內(nèi)有效。

類似的，作為人類，分析師更傾向于創(chuàng)建有更高可能性產(chǎn)生價值的數(shù)據(jù)過濾系統(tǒng)，因為沒有更好的辦法可以替代以人為中心的任務(wù)。但是，當(dāng)我們把機器帶入到我們的工作流程中的時候，至關(guān)重要的一點是我們需要顛覆這一固有的偏差。從純商業(yè)的角度講，如果機器正在工作，數(shù)據(jù)產(chǎn)生價值的速度就不是那么重要。

總結(jié)一下，將以機器為中心的任務(wù)變得更加人性化，對我們達成目標(biāo)來說是不可行的。

在大數(shù)據(jù)時代改變我們的思維模式

一個人類分析師可能以 100% 的準確率對數(shù)據(jù)進行分類，而一臺機器在經(jīng)過訓(xùn)練之后做同樣的工作可能連 85% 的準確率都達不到。盡管我們作為人類經(jīng)常忽略的一點是，機器能在比人類任務(wù)大100倍數(shù)據(jù)規(guī)模的情況下達到 85% 的準確率是更有價值的，或者事實上，更準確的。對此我們?nèi)祟惖牡谝环磻?yīng)是傾向于拒絕使用算法，認為只有精準的結(jié)果才有價值。

這是另外一個當(dāng)機器加入工作流程的時候人類應(yīng)該設(shè)法消除的偏差。很明顯，分析的質(zhì)量是重要的，但當(dāng)我們決定如何創(chuàng)建工作流程的時候，我們需要提醒自己，數(shù)量事實上會創(chuàng)造更高的價值。

換言之，我們本能的關(guān)于準確性的定義是受到我們看到的小規(guī)模數(shù)據(jù)集的影響而有偏差的。

創(chuàng)建人機共生關(guān)系

盡管機器無所不能的時代離我們還很遠，但人機搭配組隊的日子已經(jīng)來臨。創(chuàng)建人機搭配關(guān)系的方法有很多，但在我的腦海里，影響成敗的最主要因素是能否在工作區(qū)內(nèi)創(chuàng)建人機互利互惠、相互協(xié)作的共生關(guān)系。

例如，當(dāng)我們需要高質(zhì)量的數(shù)據(jù)分類和分析的時候，光有機器通常會導(dǎo)致失敗。但是，利用機器分割數(shù)據(jù)，同時讓人工深入檢驗以作為質(zhì)量把控手段可以解決這一問題，可以檢驗更多的數(shù)據(jù)，而且在很多情況下，比使用人類分析師性價比更高。另外，就算我們不信任機器做任何數(shù)據(jù)分析工作，我們能讓機器幫助我們選擇人工分類的數(shù)據(jù)子集。諷刺的是，在今日，我們的第一個和最危險的數(shù)據(jù)篩選系統(tǒng)是由人類創(chuàng)建的，而且通常都不是建立在決定性的證據(jù)的基礎(chǔ)之上的。

這里的關(guān)鍵是使團隊需要完成的每一個任務(wù)的各種元素能夠物盡其用。

引領(lǐng)人機團隊

作為經(jīng)理和領(lǐng)導(dǎo)，我們需要訓(xùn)練自己去觀察更大的數(shù)據(jù)場景，并且總是懷疑我們?nèi)鄙冱c兒什么。在這種情況下，不能缺乏批判性思維。

這不是說人工分析沒有用，而是說當(dāng)人與機器的能力搭配的時候，人類的能力更有效。我們需要創(chuàng)建相互配合的人機分析團隊，而不是讓兩者相互對立。

放眼未來，經(jīng)理們必須有能力區(qū)分人類和機器的不同角色。做好這一點，將使人類和機器作為“人機團隊”能夠協(xié)同工作，實現(xiàn) 1+1 > 2 的效果。

如果說在過去，經(jīng)理的一個關(guān)鍵職能是給每一個任務(wù)安排一個最合適的團隊成員，那么今天，這一職能角色就擴展到包括評估每一項任務(wù)的哪些部分是以人類為中心，哪些部分是以機器為中心的。

那些有能力填平以人為中心的由人掌控各種技術(shù)的任務(wù)和以技術(shù)驅(qū)動的商業(yè)場景之間的鴻溝的人, 將更加勝任領(lǐng)導(dǎo)業(yè)務(wù)轉(zhuǎn)型的任務(wù)。

我們必須總是準備好“了解未知世界”，即便是在我們數(shù)據(jù)的范圍之內(nèi)。達成這一目標(biāo)的關(guān)鍵在于我們首先必須知道自己要有數(shù)據(jù)管狀視野，我們才能實現(xiàn)人機和諧共生，最終完成業(yè)務(wù)轉(zhuǎn)型。

譯者介紹

汪昊，51CTO社區(qū)編輯，互聯(lián)網(wǎng)老兵。在百度，新浪，網(wǎng)易等公司有超過 10 年的技術(shù)研發(fā)和管理經(jīng)驗。在國際學(xué)術(shù)會議發(fā)表論文 18 篇，3 次獲得最佳論文獎/最佳論文報告獎。本科和碩士畢業(yè)于美國猶他大學(xué)。對外經(jīng)貿(mào)大學(xué)在職 MBA。

【51CTO譯稿，合作站點轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】