Помимо ИИ: будущее интеллекта — коллективное (человеческое и машинное)

Что бы вы назвали интеллектом; заучивать конспекты к экзаменам только для того, чтобы забыть о них летом, или шутить на лету на, казалось бы, любую тему?

Как насчет фокусника, который выступает строго по сценарию, или фокусника, который немного меняет распорядок в зависимости от аудитории?

Это не тот случай, когда кто-то «более умный», а скорее, когда что-то является актом интеллекта.

Интеллект – это широко используемый термин («Такой-то очень умный», «эмоциональный интеллект», «искусственный интеллект» и т. д.) во многих аспектах жизни. Это часто связано со способностью учиться и обрабатывать информацию быстро, широко или глубоко. Но разве это все, что нужно знать об интеллекте? У всех нас есть некоторое представление о том, как выглядит интеллект, но все же мы изо всех сил пытаемся четко объяснить, что такое интеллект.

В этом блоге я исследую интеллект: почему он имеет решающее значение для принятия решений, особенно учитывая ограничения человеческого разума. Я также смотрю на (отсутствие) интеллекта в контексте современного мира, перегруженного информацией, и на то, как сильно он неправильно используется или искажается на рынке. Наконец, я делюсь тем, как Human Managed создает интеллект для наших пользователей, и что мы с нетерпением ждем в отношении будущего интеллекта.

Что такое интеллект?

Если вы думали, что смешные шутки на лету и спонтанный фокусник — это интеллект — я с вами согласен.

Но почему? Является ли интеллект способностью импровизировать?

Не совсем, но эффективная импровизация возможна только при хорошем овладении соответствующими знаниями. Это результат наличия глубоких и обширных знаний и знания, когда применить правильные знания. Это спонтанное создание в данный момент путем использования, объединения или повторения предыдущих знаний о чем-либо.

Это не то же самое, что кто-то просто «выдумывает», не разбираясь в теме, или кто-то просто выдумывает что-то из воздуха.

So…

  1. Интеллект – это прикладное знание. Например, вы применяете то, чему научились в школе, для решения проблемы на работе.
  2. Знания – это хранимая и доступная информация или знания. Как то, что вы помните из школы.
  3. Информация – это контекстуализированные данные. Нравится созданным вами примечаниям к изменениям.
  4. Данные — это единицы информации. Нравятся ресурсы, которые вы читаете во время исследования.

Когда информация обрабатывается, анализируется, создаются знания. И только когда соответствующие знания применяются для улучшения чего-либо или достижения результата, это и есть интеллект.

Принятие решений с интеллектом

Принятие решений — это процесс выбора на основе доступной информации или сведений, и правильному принятию решений может способствовать точная и полезная информация.

Мы используем результаты человеческого и машинного анализа для принятия решений.

Человеческий интеллект

Человеческий интеллект — или применение нужных знаний в нужное время — непростая задача. Вы можете овладеть навыком или темой, но когда дело доходит до принятия решений, в игру вступает так много переменных, начиная с вашего собственного разума.

И, вероятно, не новость, что человеческий мыслительный процесс не является надежным — несмотря на его чудесное великолепие, он также имеет врожденные слабости и предубеждения.

  • Экономист, политолог и когнитивный психолог Герберт Саймон ввел термин ограниченная рациональность в середине 1950-х годов, чтобы описать человеческую рациональность как ограниченную ограничениями времени, данных и вычислительной мощности.
  • Мы оперируем упрощенными ментальными моделями реальности, потому что разум не может напрямую справиться со сложностями мира. Мы используем их постоянно — как интуитивно, так и намеренно (например, мышление второго порядка: Если я сделал x, что произойдет после этого?).
  • Психолог и экономист Даниэль Канеман делит человеческий мозг на два фигуративных агента, Систему 1 (быстрое, интуитивное мышление) и Систему 2 (медленное, обдуманное мышление). Наш мозг высоко развит, чтобы выполнять многие задачи на автопилоте, и только иногда активируется для выполнения логических, аналитических задач. Как в Системе 1, так и в Системе 2 на мышление влияют поведенческие заблуждения (например, предвзятость доступности, закон малых чисел, социальное доказательство, фрейминг, привязка).

И ограничения человеческого разума затрагивают не только меня и вас. Ричардс Хойер (ветеран ЦРУ) утверждает, что все — даже такие эксперты, как аналитики разведки ЦРУ, хорошо обученные рациональному мышлению и анализу решений, — становятся жертвами одних и тех же аналитических ловушек. На самом деле, говорит он, когда жертвой становятся эксперты, эффект может быть намного хуже, потому что они больше доверяют своему собственному опыту (своему самовосприятию или мнению других).

Так что да, человеческий интеллект сложен, потому что наш разум воспринимает данные и обрабатывает информацию с нашими собственными предубеждениями и ментальными моделями.

Машинный интеллект

Машинный интеллект — это имитация человеческого интеллекта в машинах, которые запрограммированы думать как люди.

Роль, которую машины играют в принятии решений человеком, становится все более распространенной благодаря достижениям в:

  • искусственный интеллект (методы, которые позволяют компьютерам имитировать человеческий интеллект, такие как логика, правила «если-то», дерево решений и т. д.);
  • машинное обучение (где машина учится на данных и строит прогностические модели на лету без программирования); и
  • глубокое обучение (машинное обучение с функциями, которые работают в нелинейном процессе принятия решений на основе структурированных или неструктурированных данных, с контролем или без него).

Ваше разделенное внимание, пожалуйста?

Хорошо, и что? Людям всегда удавалось развиваться, даже с учетом наших врожденных ограничений, верно? А теперь, когда у нас есть искусственный интеллект, который отлично справляется с повторным анализом, принятие решений должно быть проще, верно?

Вы угадали — нет.

На принятие решений влияют не только когнитивные способности человека (которые затем влияют на способности машин к обучению), но также ситуационный контекст и окружающая среда. Все, что происходит вокруг нас (в физическом, цифровом и социальном плане), является важным фактором, определяющим наше поведение.

В 1971 году Герберт Саймон говорил об «информационной перегрузке», связанной с технологическим прогрессом, таким как магнитные ленты, удаленные консоли, подключенные к компьютерам, и большие банки данных. Это богатство информации создало то, что он назвал «экономикой внимания» — когда человеческое внимание является ограниченным, дефицитным ресурсом.

«Избыток информации приводит к дефициту внимания» — Герберт А. Саймон

Сегодня, полвека спустя, экономика внимания является правилом игры и кажется неудержимым, когда инструменты, приложения и алгоритмы соревнуются за долю внимания потребителей по всем каналам.

"Итак, что" заключается в следующем: сегодняшняя среда, насыщенная данными и информацией и требующая внимания, в сочетании с врожденными недостатками человеческого мыслительного процесса не оптимальна для хорошего самочувствия. -обоснованное принятие решений.

Вы действительно получаете интеллект?

Ранее общее внимание к цифровому преобразованию, казалось, сводилось к тому, что не хватало данных для «управления данными», или сбор и исследование данных было слишком дорогостоящим или технически сложным. С демократизацией облачных вычислений и готовых инструментов для сбора данных проблема заключается не столько во вводе данных, сколько в обработке информации для получения значимого результата.

Вот в чем ирония: сегодня рынок заполнен поставщиками решений, которые заявляют, что обеспечивают лучшее и более быстрое понимание или аналитику для лиц, принимающих решения, но некоторые организации мало или совсем не используют данные, чтобы помочь им в принятии решений.

Существует скрытое и опасное предположение, что если будет задействован искусственный интеллект, принятие решений станет проще.

Это просто неверно по многим причинам, но особенно потому, что:

  1. Машинный «интеллект», который не обогащает данные релевантным контекстом, просто представляет информацию, оставляя людям возможность интерпретировать, является ли что-то релевантным знанием (смерть от информационных панелей, кто-нибудь?).
  2. Большинство решений создаются для заранее определенных целей, чтобы собирать и изучать определенный набор данных для конкретных случаев использования (например, инструмент кибербезопасности только для защиты конечных точек или инструмент цифрового маркетинга только для веб-аналитика). Этого может быть достаточно для конкретных знаний или принятия тактических решений, но трудно применить к стратегическим, сложным решениям. Это связано с тем, что кросс-контекстный анализ действительно выполняется вручную и сложен, особенно по мере того, как количество взаимосвязей между переменными растет — опять же, людям остается соединить точки.

…И, как мы видели, человеческий интеллект не всегда надежен :)

Компании, стремящиеся помочь человеческому интеллекту с помощью машинного интеллекта, могут получить пользу от таких вопросов:

  • Получаю ли я разведданные или дополнительные знания от этой службы? Или это пересылаемая информация?
  • Как именно эта служба применяет интеллект к своим алгоритмам или моделям?
  • Как результат будет применяться для улучшения моих собственных знаний или информирования моих решений?
  • Потребуется ли нам включать дополнительные процессы для интерпретации вывода решения?

Как Human Managed применяет интеллект

Извлечение полезных данных из инструментов, изучение альтернатив с помощью машинного и человеческого анализа, взвешивание переменных и обнаружение причинно-следственных связей, безусловно, возможно. Но задача состоит в том, чтобы делать это последовательно, на организационном уровне, в быстро меняющемся и неоднозначном мире.

Вот как Human Managed решает эту задачу: 1. Разбирать 2. Собирать и обрабатывать 3. Комбинировать и ставить 4. Решение и действие 5. Улучшать

  1. Во-первых, мы деконструируем проблему на рынке с нескольких уровней: потребностей пользователей, участников рынка, доступных технологий и, в частности, того, что пользователи не получают, несмотря на доступные Игроки и технологии.
  2. Мы понимаем разницу между данными, информацией и знаниями и только собираем и обрабатываем соответствующие данные, информацию и знания. Мы знаем, что делает вывод просто «полезно знать» вместо «должен знать». Например, мы применяем машинный интеллект на уровне журнала, чтобы гарантировать, что наша машина обучается и обрабатывает данные одновременно. Мы применяем человеческий интеллект, чтобы понять конкретные проблемы наших пользователей, и применяем органический анализ поверх машинного анализа.
  3. Мы комбинируем и составляем инструменты, процессы и взаимодействия на нашей модульной платформе, чтобы получать актуальную информацию для конкретных пользователей и моментов. Например, знания и разведданные будут выглядеть по-разному для аналитиков, инженеров, руководителей и советов директоров или для операционной ситуации по сравнению с кризисной ситуацией.
  4. Мы совместно создаем знания и аналитику для различных сценариев с машинами и людьми (внутренними сотрудниками, клиентами, партнерами). Результатом является прямое влияние или помощь нашим пользователям в решениях и действиях. Например, наша тема Orchestration Workspace (Digital Story) стала результатом применения наших собственных знаний, а также знаний наших технических партнеров и клиентов и помогает нашим пользователям принимать решения относительно удаленной работы.
  5. Наконец, мы постоянно улучшаем наши данные, информацию, знания и аналитику, чтобы улучшить процесс принятия решений нашими пользователями.

Будущее интеллекта за коллективом

Сегодня данные и информация сильно товаризированы. Однако, несмотря на более простой и дешевый ввод данных, мы не получаем достаточно информации для принятия обоснованных решений.

Конечно, есть исключения, но процесс преобразования данных в разум остается в значительной степени разделенным между машинами и людьми в организациях: машины анализируют большие объемы данных с помощью своих моделей, в то время как люди анализируют то, что они могут понять, с помощью своих собственных моделей. ментальные модели. Умножьте это на количество бизнес-подразделений и отделов, каждое из которых имеет свою собственную армию инструментов, ориентированных на поставщиков, и вы начнете понимать, почему люди говорят, что они не принимают решения на основе своих данных.

Мы считаем, что это одна из самых больших проблем, с которыми сталкивается рынок сегодня, и она будет становиться все более актуальной.

COVID-19 был и останется основным двигателем цифровой трансформации. Потребители и сотрудники ожидают лучшего опыта, гибкости и взаимодействия без ущерба для безопасности и конфиденциальности. Компании теперь вынуждены сталкиваться с данными лицом к лицу, а лица, принимающие решения, должны быстрее принимать тактические, стратегические решения, основанные на рисках, во всех аспектах бизнеса.

Человеческий и машинный интеллект должны объединиться, чтобы поддержать столь масштабный сдвиг.

Хорошая новость заключается в том, что инструменты и методы уже существуют — все, что требуется, — это новый способ мышления.

Являетесь ли вы фокусником или бизнес-лидером; не имеет значения, что вы знаете, если вы не можете применить нужные знания в нужное время.

Это информация по запросу.

* * *

Если вы нашли этот контент интересным, загляните в блог Human Managed Человеческие мысли, где мы освещаем широкий спектр тем, которыми мы увлечены.

Будьте в курсе последних обновлений Human Managed, включая наши закулисные события в Instagram, LinkedIn и Twitter.

Первоначально опубликовано на https://www.linkedin.com.