Переопределение ролей аналитиков и лидеров

Классическая человеческая ошибка состоит в том, что мы предполагаем, что делаем свою работу хорошо, потому что нам не с чем себя сравнить.

Люди работают с небольшими наборами данных и составляют ошибочные аналитические отчеты. Машины работают с гораздо большими и способны проводить расширенный анализ, достигая гораздо более точных результатов.

Так, например, слишком часто мы видим, как кто-то поступает в определенный колледж, получает определенную степень, а затем делает успешную карьеру и предполагает, что это сработает и для нас. Но на практике наш вывод может быть ошибочным по ряду причин. А именно, люди могут содержать и анализировать только ограниченный объем данных. Более того, мы не всегда можем провести расширенный анализ и устранить предвзятость, что часто приводит к искаженным результатам или неспособности отделить корреляцию от причинно-следственной связи.

В контексте преобразований ИИ сотрудники часто не видят острой необходимости в улучшении своего рабочего процесса, потому что они видят только тот контекст данных, который у них есть, а не все данные, которые им не хватает, или большие данные. -контекст.

Другими словами, экспоненциальная скорость создания данных, наряду с их естественной обширностью, означает, что мы можем быть настолько далеко позади, что даже не в состоянии распознать, что нам не хватает.

Сохраняющиеся негативные привычки к данным:

Аналитики по своей природе вынуждены отфильтровывать большие объемы данных на основе общих аксиом, потому что альтернатива требует, чтобы аналитик работал с невозможным объемом данных. Хотя преимущество наличия небольшого набора данных состоит в том, что аналитик может выполнять более качественный ручной анализ, он часто теряет большое количество информации из данных, которые он исключает.

Но ущерб больше, чем просто это. Помимо того, что он просто упускает определенные ценные точки данных, аналитик может не знать о полных сегментах данных, которые имеют ценность, из-за ложных предположений. Это создает бесконечный цикл, в котором в каждой последующей задаче аналитик продолжает ложно предопределять свои сегменты на основе прошлого (ненадежного) опыта и результатов, тем самым создавая фатальную нисходящую спираль.

Это часто питает ложное чувство уверенности в достоверности результатов без существенного способа узнать, что находится между трещинами. В конце концов, организации чрезмерно доверяют своим данным и делают выводы, которые верны только для небольшого контекста данных, который они имеют перед собой.

Точно так же, как и люди, аналитики, как правило, склонны внедрять системы фильтрации, которые выдают набор данных с наибольшей вероятностью, содержащий ценность. Это имеет смысл, когда нет альтернативы человекоцентричным задачам. Однако, когда мы внедряем машины в наш рабочий процесс, очень важно избавиться от этого основного предубеждения. Если работу выполняет машина, чисто с точки зрения бизнеса соотношение бесценных и ценных точек данных гораздо менее важно. Единственным важным показателем становится чистый объем ценных данных наряду с человеческими усилиями, приложенными для достижения этого результата.

Подводя итог, можно сказать, что превращение машинно-ориентированных задач в более «человеческие возможности» вредит нашим целям.

Адаптация нашего мышления к эпохе больших данных:

Аналитик-человек может сегментировать данные со 100-процентной точностью, в то время как машина может выполнять тот же анализ только с 85-процентной точностью после обучения. Несмотря на это, мы, люди, склонны игнорировать то, что 85% данных 100X, которые машина способна анализировать, могут быть более ценными и, по сути, более точными. Наша первоначальная реакция, как людей, склонна возражать против использования алгоритма, полагая, что ценность имеют только точные результаты.

Это еще одно предубеждение, связанное с человеческим фактором, которое необходимо устранить после внедрения машин в рабочий процесс.

Очевидно, что качество анализа важно, но при определении того, как построить процесс, нам нужно напомнить себе, что количество на самом деле создает более высокое качество.

Другими словами, наше инстинктивное определение точности искажено из-за небольшого контекста, в котором мы ее видим.

Что еще более важно, использование широкой сети анализа на более крупном наборе данных может обеспечить гораздо более обоснованное чувство уверенности для организаций, стремящихся к достоверным выводам.

Создание симбиотических отношений между людьми и машинами:

Хотя эпоха, когда машины могут делать все, еще не наступила, эпоха человеко-машинных команд уже наступила. Есть много подходов к этому, но, на мой взгляд, наиболее важным фактором успеха является построение этих систем в усадьбе, которая гарантирует, что ценность работы каждого компонента (человека и машины) вносит вклад в работу другого, симбиотически.

Например, в случае, когда нам требуется высококачественная сегментация и анализ данных, одна только машина, скорее всего, нас не подведет. Однако наличие данных машинного сегмента с углубленной проверкой человеком в качестве контроля качества может решить эту проблему, позволить просматривать больше данных и во многих случаях быть более рентабельным, чем использование одного аналитика-человека. В качестве альтернативы, даже если мы не доверяем машине выполнение какого-либо анализа данных, мы можем позволить ей направлять нас при выборе подмножества для сегментации человека. По иронии судьбы, сегодня наша первая и самая опасная фильтрация осуществляется людьми, обычно без убедительных доказательств.

Ключевым моментом здесь является создание систем, позволяющих выполнять различные элементы каждой задачи наиболее подходящим для нее компонентом команды.

Ведущие команды человек-машина:

Как менеджеры и лидеры, мы должны научиться смотреть на более широкий контекст данных и постоянно подозревать, что мы что-то упускаем. Отсутствие критики в этом случае может нанести ущерб операции.

Ничто из этого не означает, что здесь нет места человеческому анализу, а скорее то, что человеческие способности намного эффективнее, когда они обогащены машинными возможностями. Нам необходимо создать группы человеко-машинного анализа, которые будут работать вместе, а не противопоставляться друг другу.

Забегая вперед, важно, чтобы менеджеры могли разделять роль машины и роль человека. Это позволит людям и машинам работать вместе, как «человеко-машинные команды», в результате чего результат будет лучше, чем отдельные компоненты.

Если в прошлом одной из ключевых обязанностей менеджера было назначение наиболее подходящего члена команды для каждой задачи, то сегодня эта роль расширилась и теперь включает оценку того, какая часть каждой задачи должна быть ориентирована на человека, а какая — на машину. .

Те, кто сможет преодолеть разрыв между гуманитарно-ориентированной задачей внедрения этих технологий в человеческий и бизнес-контекст и технологическими ноу-хау для руководства их внедрением, будут в наилучшем положении для успешного преобразования.

Мы всегда должны пытаться «познать непознаваемое», даже в пределах наших данных. Но ключом к достижению этого является признание того, что мы все страдаем от видения туннеля данных, и при этом мы можем попытаться достичь симбиоза человека и машины, который изменит операцию.

Если вам понравилась статья, поддержите ее 👏. Если вы хотите получать очень редкие статьи автора на свой почтовый ящик, подпишитесь 📮.