データの筒状のビジョンを避け、人間と機械の調和のとれた共生関係を築く

​​​

[51CTO.com クイック翻訳]比較するためのより良い座標系がないため、人間がよく犯す間違いは、自分たちが完璧な仕事をしていると思い込むことです。

人間は通常、小規模なデータを処理し、エラーのあるレポートを生成します。機械はより大規模なデータ処理が可能で、より正確な結果をもたらすより高度なレポートを生成できます。

私たちは、特定の学校に通い、特定の学位を取得し、成功したキャリアを積んだ人の例を見て、自分も同じことができると想定します。しかし現実には、私たちの結論はさまざまな理由で間違っている可能性があります。現実には、人間が制御および処理できるのは限られたデータだけです。複雑な分析を処理してバイアスを排除することが常に可能であるとは限りません。その結果、偏った結果が得られたり、相関関係と因果関係を区別できなくなったりすることがよくあります。

人工知能変革の文脈では、従業員は目の前にあるデータ シナリオしか見ることができず、不足しているデータやより大きなデータ シナリオをすべて見ることができないため、ワークフローを改善する緊急の必要性を感じないことがよくあります。

言い換えれば、データが生成される指数関数的な速度とその膨大な性質により、私たちの認識は大きく遅れをとり、何を見逃しているのかさえ分からない可能性があるということです。

悪いデータ習慣の影響

アナリストは、一般的な基準に基づいて大量のデータをフィルタリングすることを本能的に強いられます。そうしないと、大量のデータを処理できなくなります。データ サイズが小さいことの利点は、アナリストが高品質の手動分析を実行できることですが、除外されたデータから多くの情報が失われることになります。

しかし、損失はそれをはるかに超えています。単一のデータ ポイントの価値が失われるだけでなく、アナリストは誤った仮定により、データのセグメント全体の価値を見落とす可能性があります。これにより、アナリストが過去の経験や仮定に基づいて、分析用に間違ったデータのサブセットを継続的に選択するという悪循環に陥る可能性があります。

これを制御する信頼性の高い方法がないため、結果の正確性について誤った確信を抱くことがよくあります。組織は、その自信が小規模なデータ セットの範囲内でのみ有効であるという事実に基づいて、データに対して誤った過信感を抱くことがあります。

同様に、アナリストは人間であるため、人間中心のタスクに代わるより良い方法がないため、価値を生み出す可能性の高いデータ フィルタリング システムを作成する傾向があります。しかし、ワークフローに機械を導入する場合、この固有の偏見を打破することが重要です。純粋にビジネスの観点から言えば、マシンが動作していれば、データが価値を生み出す速度はそれほど重要ではありません。

要約すると、機械中心のタスクをより人間らしくすることは、私たちの目標を達成するには現実的ではありません。

ビッグデータ時代の考え方の変化

人間のアナリストは 100% の精度でデータを分類できるかもしれませんが、同じ作業を行うようにトレーニングされた機械は 85% の精度でさえ分類できない可能性があります。しかし、私たち人間がしばしば見落としているのは、人間のタスクの 100 倍の規模で 85% の精度を達成できる機械の方がはるかに価値があり、実際、より正確であるということです。これに対する私たちの最初の反応は、正確な結果だけが価値があると信じて、アルゴリズムの使用を拒否する傾向があることです。

これは、ワークフローに機械が追加されたときに人間が排除しようとすべきもう 1 つのバイアスです。分析の品質が重要であることは明らかですが、ワークフローの作成方法を決定する際には、量によって実際に高い価値が生み出されるということを思い出す必要があります。

言い換えれば、私たちの本能的な正確さの定義は、私たちが目にする小さなデータセットによって偏っているのです。

人間と機械の共生関係の構築

機械が何でもできる時代はまだ遠いですが、人間と機械が協力し合う日は来ています。人間と機械のペアリングにはさまざまな方法がありますが、成功と失敗を左右する最も重要な要素は、ワークスペース内で人間と機械の相互利益とコラボレーションの共生関係を構築できるかどうかだと私は考えています。

たとえば、高品質のデータの分類と分析が必要な場合、機械だけでは失敗することがよくあります。ただし、品質管理手段として人間が詳細な検査を実施しながら機械を使用してデータをセグメント化することで、この問題を解決し、より多くのデータを検査でき、多くの場合、人間のアナリストを使用するよりもコスト効率が高くなります。さらに、機械によるデータ分析を信頼できない場合でも、手動で分類されたデータのサブセットの選択を機械に任せることができます。皮肉なことに、今日、最初の、そして最も危険なデータ スクリーニング システムは人間によって作成されており、決定的な証拠に基づいていないことがよくあります。

ここで重要なのは、チームが各タスクを達成するために必要なさまざまな要素を最大限に活用することです。

人間と機械のチームを率いる

マネージャーやリーダーとして、私たちはデータを使って全体像を把握し、何かを見落としていないか常に自問自答できるように訓練する必要があります。この場合、批判的思考が欠如してはいけません。

これは、手動分析が役に立たないということではなく、人間と機械の能力を組み合わせると、人間の能力の方が効果的であるということです。人間と機械を対立させるのではなく、両者が協力して作業する分析チームを構築する必要があります。

将来的には、管理者は人間と機械のさまざまな役割を区別できなければなりません。これをうまく行うことで、人間と機械が「人間と機械のチーム」として連携し、1+1 > 2 の効果を達成できるようになります。

かつてマネージャーの主な役割は、各タスクに最も適切なチームメンバーを割り当てることでしたが、今日ではその役割は拡大し、各タスクのどの部分が人間中心で、どの部分が機械中心であるかを評価することも含まれるようになりました。

さまざまなテクノロジーを人がコントロールする人中心のタスクとテクノロジー主導のビジネス シナリオの間のギャップを埋めることができる人は、ビジネス変革を主導する資格がより高くなります。

私たちは、データの範囲内であっても、常に「未知を知る」準備をしておかなければなりません。この目標を達成するための鍵は、まず、人間と機械の調和のとれた共存を実現し、最終的にビジネス変革を完了できるように、データ パイプラインのビジョンを持つ必要があることを認識することです。

翻訳者紹介

Wang Hao、51CTO コミュニティ エディター、インターネットのベテラン。彼は、Baidu、Sina、NetEase などの企業で 10 年以上の技術研究開発と管理の経験を持っています。国際学会で18本の論文を発表し、最優秀論文賞・最優秀論文レポート賞を3回受賞。彼はユタ大学で学士号と修士号を取得しました。国際ビジネス経済大学で実務MBAを取得。

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]