Притча о H.a.a.D. (Люди как точка данных) — понимание машинного обучения не требуется
В моей работе с Сиамо мы твердо верим в подход, ориентированный на человека, прежде всего на людей. Люди — не ресурсы, им нельзя сказать, что делать, как компьютеру, и они более сложны, чем технологии.
При этом развитие людей как лидеров очень похоже на разработку математической модели машинного обучения. Выслушай меня.
Основные концепции машинного обучения
Эта часть не техническая, но занудная. Вы можете пропустить этот раздел, если хотите перейти к сути того, как это относится к лидерству, но если вы хотите заранее быстро понять машинное обучение, читайте дальше.
Для машинного обучения и искусственного интеллекта цель, как правило, одна и та же — научить код распознавать шаблоны и создать модель, чтобы «принять решение» о том, что делать в будущем в подобной ситуации.
Есть много уже запущенных примеров этих популярных моделей:
- Фильтры Snapchat — человеческие лица достаточно уникальны, чтобы мы могли использовать Face-ID для защиты наших телефонов, но не настолько уникальны, чтобы научить компьютер определять, где находится рот и высовывается ли наш язык. и, таким образом, точно знать, где добавить кроличьи ушки и блестки.
- Проверка состояния сельскохозяйственных культур: компьютеры были обучены на сотнях изображений фруктов, овощей и сельскохозяйственных культур, чтобы выявлять болезни, автоматически корректировать графики полива/удобрений или определять, какие фрукты и овощи можно продавать на полка супермаркета по сравнению с нарезанным для использования в производстве продуктов питания.
- Распознавание объектов на фотографиях – возможность определить, что изображено на изображении, без подсказок (вспомните приложение Hotdog, Not-Hotdog из сериала "Силиконовая долина").
Все это теперь может происходить без вмешательства человека, что значительно повышает скорость обработки для различных вариантов использования.
Как люди, мы все время проводим такого рода категоризацию, не задумываясь. Увидев достаточное количество птиц, мы можем сказать вам, видим ли мы птицу или нет, даже если мы никогда не видели этот вид. Чем больше мы тренируем специфическое распознавание, тем более детализированными мы можем стать, как орнитолог, который может сразу отличить похожих на вид вьюрков, которых другие не заметят. То же самое верно и для моделей машинного обучения.
Потрясающий. Какое это имеет отношение к лидерству?
Как лидеры, мы должны помогать командам достигать целей. В корпоративном смысле это может быть проект, бизнес или любая другая инициатива, требующая сотрудничества и планирования. Как лидер, мы хотим помочь тем, кто выполняет то, что необходимо сделать самостоятельно.
С точки зрения лидерства, любая работа становится более успешной — и значительно меньше работы — когда мы можем доверить нашей команде самостоятельное решение как можно большего количества проблем. Чем больше мы помогаем развивать наши команды, чтобы они сами понимали ситуации, тем больше вероятность того, что они будут принимать правильные решения без посторонней помощи в будущем, что высвобождает драгоценное время для всех и позволяет избежать кризиса доверия, когда лидер недоступен для помощи ( как, скажем, желание взять отпуск).
Как и в случае с ведущими людьми, процесс обучения компьютеров (которые в конечном счете «понимают» мир через нули и единицы) для оценки сложных ситуаций, мягко говоря, немного сложен. Существуют десятки методов и инструментов, все с различными компромиссами, которые можно использовать по отдельности или в тандеме, все с целью создания точных моделей прогнозирования, которые работают без наших постоянных инструкций.
Прикладной пример
Одной из распространенных проблем в машинном обучении является создание «границы принятия решения», то есть может ли машина, учитывая набор новых входных данных, «решить», что делать дальше, будь то классификация входных данных или прогнозирование того, что произойдет дальше? ?
Например, если вам известны высота и ширина многих сосен пондерозы и сосны ложной, можете ли вы точно предсказать, какой тип дерева измеряется, если вам известны высота и ширина новой сосны?
Имеющиеся у вас данные могут выглядеть так, как показано на рисунке ниже, где пунктирная линия обозначает границу решения. Входы на одной стороне будут классифицироваться одним способом, на другой стороне — другим.
Если перевести это в человеческий/деловой контекст, представьте, что кто-то из вашей команды обнаружил новый инструмент, который он хотел бы приобрести, чтобы сделать свою работу более эффективной. Они хотят знать, будет ли руководство готово совершить эту покупку.
Как лидер, вы на своем опыте узнали, что исполнительная команда захочет знать, сколько времени и денег будет сэкономлено, чтобы они могли точно оценить, стоит ли инструмент того.
На графике X/Y мы можем назначить X как цену инструмента, а Y как количество сэкономленного времени/денег. Как лидера, нас просят указать больше или меньше того, будет ли эта конкретная покупка одобрена руководителями, и у нас есть набор вариантов того, как мы хотели бы действовать.
По своему опыту вы видели, как исполнительная команда принимала многие из этих решений, и мысленно у вас были такие решения:
Вы знаете, что у руководителей очень тугие пояса, и они даже не будут рассматривать инструмент, пока не будет значительной экономии времени, и даже в этом случае они будут в шоке после определенной цены и вряд ли будут двигаться вперед.
Как лучше всего помочь вашей команде понять, как они могут принимать такие решения в будущем?
Однозначный ответ
Один из вариантов — прямо сказать члену вашей команды, что, по вашему мнению, будет ответом «да» или «нет». Может быть, вы будете основывать это на своих прогнозах, учитывая ваш прошлый опыт, или, может быть, вы просто знаете, что ответ будет «Нет», несмотря ни на что, потому что бюджет в этом году чрезвычайно ограничен. Независимо от ваших причин, вы не объясняете ни один из этих факторов своему товарищу по команде.
В этой ситуации вы ответили на их вопрос, но не лишили их возможности принимать аналогичные решения в будущем. Они могут не понимать, что это выброс, или могут предположить, что знают, почему это «да» или «нет», и сформировать свой собственный потенциально очень искаженный прогноз.
Из одной точки данных (или даже нескольких точек данных) потенциальные границы решений почти бесконечны:
В машинном обучении это будет считаться «подходящей» моделью, то есть она плохо справляется со сбором доступных данных и, скорее всего, не будет точно предсказывать результат, который мы ищем.
Как лидеры, мы либо создали ситуацию, когда человек должен вернуться к нам за будущими ответами без обучения или роста с его стороны, что превратило нас в узкое место для таких решений. Или мы не предоставили достаточно рекомендаций, и член команды сделает вероятно бесполезное (и потенциально дорогостоящее) предположение в будущем.
Предоставление слишком большого контекста
С другой стороны, мы могли бы сообщать члену команды обо всех решениях, принимаемых руководителями. Если мы предоставим им весь наш контекст, наверняка у них будет информация, чтобы придумать свою собственную модель и сделать свои собственные прогнозы в будущем, верно?
Без тестирования и объяснения контекста мы можем дать нашему товарищу по команде модель предсказания, которая выглядит примерно так:
Теперь может показаться, что руководители почти следуют тренду, но при определенном уровне затрат/эффективности они, похоже, соглашаются на покупку, которая, как мы видим, на самом деле не соответствует тренду, или наоборот.
В машинном обучении это называется «подгонка», то есть модель, которая у нас есть, очень точно предсказывает известные данные, но она настолько настроена на нюансы этих существующих данных, что, скорее всего, не сможет точно их предсказать. прогнозировать новый сценарий. Чем больше ошибок мы находим, тем меньше вероятность того, что мы будем доверять модели, и больше вероятность того, что мы полностью избежим ее использования.
Если мы сделаем это как лидер, наши команды, скорее всего, сочтут нас бесполезными (или микроменеджментом) и не будут обращаться к нам в будущем, что может быстро вызвать недовольство с обеих сторон, а также разрыв в общении.
Поиск баланса
В лидерстве и машинном обучении мы получим наибольшие преимущества, когда предоставим модель с хорошим уровнем «подгонки». Мы можем делиться мудростью, которая позволяет нашим командам понимать и принимать правильные решения в будущем, зная, что мудрость не подойдет для каждой ситуации, и мы должны иметь благодать для себя и наших товарищей по команде, когда в будущем произойдут отклонения.
Мы хотим предоставить достаточно информации и наводящих вопросов, чтобы помочь нашей команде стать самодостаточной.
Эта автономия предотвращает выгорание команды из-за микроменеджмента и помогает внушить доверие к лидеру и команде.
Первоначально опубликовано в Блоге Siamo
