人工知能を活用する準備はできていますか?

[[349302]]

今日、職場での学習は課題に直面しています。高度な分析、人工知能、ロボットが職場のあらゆる側面に突然侵入したことで、この昔ながらの効果的な学習方法は根本的に覆されました。テクノロジーによってますます多くの仕事が自動化されるにつれ、毎年何千万人もの人々が離職したり就職したりしており、何億人もの人々が新しいスキルや新しい働き方を学ばなければなりません。しかし、より広範な証拠は、企業によるスマートマシンの導入がこの重要な学習チャネルを妨げる可能性があることを示唆しています。同僚と私は、AI が初心者の学習機会を奪い、経験豊富な労働者の練習機会を減らし、新しい方法と古い方法の両方を同時に習得することを強制して、彼らを圧倒していることを発見しました。

では、従業員はこれらの機械を使った作業を学ぶことができるのでしょうか? これまでの観察結果のいくつかは、困難な日常業務に携わった学習者から得られたものです。これらの業務は焦点ではなく、人々はその結果に非常に寛容でした。私はこの広く普及した非公式のプロセスを「シャドーラーニング」と呼んでいます。

学習の障壁

私は、隠れた学習を促す必要なスキルを習得する上での 4 つの一般的な障壁を発見しました。

1. 初心者は「学習の優位性」を失っています。どのような仕事でも、新人は仕事が遅く、ミスをしやすいため、従業員のトレーニングにはコストがかかり、品質も低下します。組織がスマート マシンを導入する際、トレーニング参加者のリスクと複雑さを軽減することで状況を管理することがよくあります。その結果、研修生は限られた支援で自分の能力の限界を広げ、失敗から成長する機会を奪われてしまいます。これはまさに、新しいスキルを習得するために必要なことです。

投資銀行でも同様の現象が起こります。ニューヨーク大学のカレン・アンソニー氏は、ある投資銀行ではパートナーが企業の合​​併や買収を支援したり評価額を解釈したりするためにアルゴリズムを使用していたため、ジュニアアナリストがシニアパートナーからどんどん遠ざかっていたことを発見した。ジュニアアナリストのタスクは、システムから生のレポートを抽出し（関心のある企業の財務データはインターネット上で収集されます）、それをシニアパートナーに渡して分析してもらうだけです。

この分業の暗黙の論理は何でしょうか? 第一に、ジュニア アソシエイトが複雑な顧客対応業務でミスを犯すリスクを減らすこと。第二に、シニア パートナーの効率を最大化することです。ジュニア アソシエイトに業務を説明する時間が短ければ短いほど、ジュニア アソシエイトはより高度な分析に集中できます。これにより、短期的には効率が向上しますが、ジュニアアナリストは複雑な作業に挑戦する機会を奪われ、評価プロセス全体を理解することが難しくなり、企業の将来の能力が弱まります。

2. 専門家は自分の仕事から疎外されている。時には、インテリジェントな機械が研修生とその仕事の間に割り込んできたり、専門家が重要な実務を行うのを妨げたりすることもあります。ロボット手術中、外科医は手術のほとんどの間、患者の身体やロボットを見ることができないため、重要な側面を直接評価したり管理したりすることができません。たとえば、従来の外科手術では、外科医は装置や器具が患者の体にどのように接触するかを鋭敏に認識し、それに応じて調整します。しかし、ロボット手術では、ロボットアームが患者の頭にぶつかったり、洗浄アームが器具を交換しようとしたりした場合に、外科医は他の人からの警告に頼らなければなりません。これは学習に二重の影響を及ぼします。外科医は自分の仕事を完全に理解するために必要なスキルを磨くことができず、他の人を通じてそのような新しいスキルを習得する必要があります。

3. 学習者は新しい方法と古い方法の両方を習得する必要があります。ロボット手術では、従来の手術が目指すものを実現するために、まったく新しい一連の技術とテクノロジーが使用されます。これはより高い精度とより優れた人間工学を約束し、カリキュラムに直接組み込まれており、研修医はロボット工学と従来の方法の両方を学ぶ必要があります。しかし、コースでは両方を習得するのに十分な時間が与えられず、どちらも習得できないという最悪の結果につながることがよくあります。私はこの問題を方法論的過負荷と呼んでいます。

4. 標準的な学習方法が効果的であると想定されます。数十年にわたる研究と伝統により、医療研修生は「1 つ見て、1 つやって、1 つ教える」というアプローチに従うよう教えられてきました。しかし、これまで見てきたように、ロボット手術には適していません。それにもかかわらず、昔ながらの学習方法に頼らなければならないというプレッシャーが非常に大きいため、「デビアン」はほとんどいません。外科手術のトレーニング研究、標準的な手順、ポリシー、そして上級外科医は、これらの方法がロボット手術にはもはや適用できないことが明らかであるにもかかわらず、従来の学習方法を重視し続けています。

暗闇の中で学ぶ

こうした障害を考えると、シャドー学習者が必要な指導や経験を得るために、ひそかにルールを回避したり、ルールを破ったりするのも不思議ではありません。約 100 年前、社会学者ロバート・マートンは、法的手段では価値ある目標を達成できなくなったときに、特別な手段が生まれることに気づきました。これは専門知識（おそらくキャリアの究極の目標）についても例外ではありません。

私が説明した障壁を考慮すると、人々は他の方法で重要なスキルを習得するだろうということを理解する必要があります。これらのアプローチは一般的に柔軟かつ効果的ですが、個人や組織にコストがかかることがよくあります。隠れた学習者は、実践の機会や地位を失ったり、無駄や危害を引き起こしたりするなど、罰せられる可能性があります。しかし、コンプライアンス方法が失敗したときに学習方法が機能するため、人々はこれらのリスクを負い続けます。こうした異例の措置を盲目的に模倣するのは間違いだが、彼らは組織から学ぶべきことがある。

1. 学び続ける。スマートテクノロジーが強力になるにつれて、ダークラーニングも急速に発展しています。時間の経過とともに新しいフォーマットが登場し、新しい体験が提供されます。常に注意を払うことが重要です。隠れた学習者は、自分の習慣が標準に沿っていないこと、またその習慣が原因で罰せられる可能性があることを認識していることが多いです。 (外科研修医が、最もスキルの低い主治医と一緒に働きたいと公言したとしたらどうなるか想像してみてください。) こうした慣行は成果を上げるため、隠れ学習者が公然と認めない限り、中間管理職はこうした慣行に目をつぶることが多いのです。観察者、特に上級管理職が、従業員が規則を破ることでどのようにスキルを習得するかを研究したいと発表した場合、学習者とその管理職は経験を共有することに消極的になる可能性があります。より良い解決策は、異なるケースでの実践を比較しながら厳格な匿名性を確保するために中立的な第三者を導入することです。情報提供者たちは私のことを知り、信頼するようになり、私が多くの作業グループや施設で作業を観察していることに気付き、自分たちの身元が保護されるだろうと確信するようになりました。これは彼らに真実を語らせるために極めて重要です。

2. 発見した隠れた学習方法を組織、仕事、テクノロジーに適応させます。組織のインテリジェント マシンに対するアプローチは、多くの場合、個々の専門家に作業を管理させ、研修生への依存を減らすだけに留まります。ロボット手術システムにより、上級外科医はより少ない支援で手術を行うことが可能になり、実際にそうなりました。投資銀行システムでは、上級パートナーがジュニアアナリストを複雑な評価作業から除外することを認めており、実際にそうしていた。すべての関係者は、組織、テクノロジー、および職務設計によって生産性が向上し、OJL が強化されることを主張する必要があります。たとえば、ロサンゼルス市警察では、パトロール警官のインセンティブの変更、PredPol ユーザー インターフェイスの再設計、警察とソフトウェア エンジニアを結び付ける新しい役割の作成、警察主導の注釈付きベストプラクティス ケースのリポジトリの構築などが必要になります。

3. スマートマシンをソリューションの一部にする。 AI は、学習者が行き詰まったときに支援したり、チューターとして機能する専門家にトレーニングを提供したり、2 つのグループを巧みに結び付けたりすることができます。たとえば、Juho Kim 氏は MIT の博士課程の学生だったときに、指導ビデオの注釈をクラウドソーシングし、これまで注釈を探すために一時停止していたユーザーに説明と機会を提供するために、ToolScape と Lecture-Scape を構築しました。彼はそれを「学習者ソーシング」と呼んでいます。ハードウェア面では、拡張現実システムが専門家のガイダンスと注釈をワークフローに導入し始めています。

既存のアプリケーションでは、タブレットやスマートグラスを使用して、作業中にリアルタイムでガイダンスを重ね合わせます。さらに複雑なインテリジェント システムが間もなく登場すると予想されます。たとえば、このようなシステムでは、工場内の模範溶接工のビデオを溶接工見習いの視界に重ね合わせて、作業のやり方を示し、見習いの作業を比較のために記録し、必要に応じて見習いを模範溶接工に接続することができます。これらの分野で成長しているエンジニアのコミュニティは、主に正式なトレーニングに重点を置いており、より深刻な危機は OJL にあります。 OJL からエネルギーを再配分する必要があります。

何千年もの間、技術の進歩によって作業プロセスの再設計が推進され、徒弟たちは指導者から必要な新しいスキルを習得してきました。しかし、私たちが見てきたように、インテリジェントマシンは今や、生産性の名の下に、弟子と指導者、指導者と仕事を切り離すことを私たちに強いています。組織は従業員のエンゲージメントよりも生産性を無意識に優先することが多く、仕事を通じて学ぶことがますます困難になっています。しかし、シャドー学習者は、リスクを伴う、型破りな学習方法を求めています。インテリジェントマシンの世界で競争したい組織は、これらの「型破りなプレーヤー」に細心の注意を払う必要があります。彼らの行動は、専門家、見習い、スマートマシンが協力して学習する将来において、仕事がどのように最適に行われるかについての洞察を提供します。