Обеспечение согласованности и действенных результатов

Барьеры на пути организационной трансформации

Уверенность, точность и скорость принятия решений - это святой Грааль организационных преобразований. Несмотря на то, что вся работа ведется в области науки принятия решений, искусственного интеллекта и науки о данных, мы все еще устаем от долгих встреч в поисках коллективной уверенности в том, что мы принимаем правильное решение. Ситуация ухудшилась из-за пандемии.

Недавно я разговаривал с главным инвестиционным директором одного из крупнейших фондов целевого капитала. На своей должности он курирует инвестиционные комитеты, каждый из которых распределяет миллиарды долларов на основе совместных решений. Он знал, что улучшение их процесса принятия инвестиционных решений может оказать значительное положительное влияние на прибыль, и был уверен, что путь к повышению точности решений должен лежать через технологические усовершенствования. В частности, он хотел охватить как можно больше разных точек зрения, сделать обсуждения более прозрачными и задокументировать процесс принятия решения, чтобы проверить его на результатах, чтобы они могли узнать, как улучшить.

Традиционно совместные решения могут быть непростыми во всех этих областях и часто чреваты непреднамеренным предубеждением в отношении старших руководителей или «самого громкого голоса в комнате». Кроме того, совместными решениями сложно управлять в масштабе, и это становится еще более сложным, когда участники принимают участие из разных мест или из разных культур. Не случайно, что большинство решений принимается с преобладанием руководства, что, несомненно, может подтвердить любой, кто пытался достичь консенсуса в большой группе. Эффект «эхо-камеры» приводит к тому, что мировое инвестиционное сообщество ежегодно теряет миллиарды долларов утерянных возможностей. К счастью, последние разработки в области коллективного интеллекта, искусственного интеллекта и обработки естественного языка позволяют решить многие из этих проблем для эффективного и точного принятия решений. В этой статье сформулирован метод повышения уверенности, скорости и точности организационных решений путем использования коллективной силы этих технологических достижений. Объединив понимание и навыки рассуждений людей с оптимизацией и уточнением ясности искусственного интеллекта, мы можем начать улучшать один из наиболее подверженных человеческим факторам и подверженных ошибкам аспектов бизнеса - «искусство» принятия хорошо информированных и точных решений.

Прежде чем мы начнем, полезно понять несколько ключевых проблем, которые нам необходимо решить. Это «большая тройка» источников дисфункции, представляющая упущенные возможности для эффективных решений:

  1. Коллективное согласование причин принятия решения: Плохое согласование часто приводит к тупиковой ситуации, разочаровывающему завершению встречи или желанию руководства отменить открытый процесс. Слишком часто процесс коллективного согласования важнейших решений требует организационной политики, которая часто приводит к сохраняющейся неудовлетворенности участников, отстраненности, плохой последующей деятельности и реализации, а также к долгосрочному подрыву доверия к руководству.
  2. Системная предвзятость: Бессознательная системная предвзятость держит организации в затруднительном положении. Инновациям слишком часто мешают нормативные модели принятия решений и организационная структура, основанные на многолетнем «опыте». Ценные и разнообразные мысли падают на пол, а днем ​​правят укоренившиеся закономерности и громкие голоса. Скрытая предвзятость, связанная с образованием, культурой, возрастом, полом и стажем работы, - все это ведет к молчаливому уничтожению потенциально убедительных и новаторских идей.
  3. Отслеживание точности на основе доказательств: Недостаточная запись причин и влияний, лежащих в основе решения, создает возможности для ревизионистской истории, где всплывают комментарии, такие как «Я думаю, что я был в отпуске, когда было принято это решение, »Или всегда полезное« Я сомневался все время ». Здоровые организации учатся переносить акцент с личной ответственности на коллективные организационные знания, полученные непосредственно из контрольного журнала доказательств.

Достижения в области коллективного интеллекта и искусственного интеллекта предлагают прорывную возможность преодолеть эти три барьера и обеспечить новый трансформирующий подход к принятию хорошо информированных и предсказуемо точных организационных решений.

Коллективное рассуждение: процесс, результатом которого является изучение и оценка причин или убеждений группы в отношении решения или прогноза

Согласование с коллективными рассуждениями

Решение всех трех препятствий и путь к уверенному, быстрому и точному принятию решений заключается в быстром изучении общих убеждений и приоритетов в отношении доказательств, подтверждающих решение, при попытке устранить предвзятость. Без технологий это часто делается на встречах с объективным фасилитатором, сосредоточенным на определении общих приоритетов и согласовании. Этот ручной процесс плохо масштабируется в разных местах и ​​часовых поясах, а также не актуален во время кризиса, такого как пандемия. Кроме того, процесс встречи часто терпит неудачу из-за «самого громкого голоса в комнате», статуса в организации, энтузиазма или силы убеждения, преобладающей над доказательствами, логикой и различными точками зрения. Ясно, что это огромная возможность для совместного технологического решения.

Исследования коллективного интеллекта показали, что все вместе мы умнее. Подход к решению с разных точек зрения - известная передовая практика. По мере того, как мы вступаем в новую эру сотрудничества и в поколение, которое считает участие фундаментальным аспектом занятости, мы можем найти вдохновение в серии прекрасных книг о силе коллективного разума. В книге Скотта Пейджа «Различие» раскрывается сила разнообразия в мышлении для повышения точности прогнозов. Филип Тетлок и Дэн Гарднер документируют и анализируют многочисленные случаи, демонстрирующие силу коллективного разума в «суперпрогнозировании». Наконец, Скотт Пейдж и Том Мэлоун внесли свой значительный вклад в свои очень хорошо принятые книги «Образцовый мыслитель» и «Суперразум» соответственно. Таким образом, эти книги показывают различные способы, которыми наука о коллективном разуме обещала новые способы думать о точности прогнозов и принятия решений.

Резюме коллективного разума: множественные точки зрения и разноплановые фоны повышают точность прогнозов и снижают систематическую погрешность.

Коллективное мышление выходит за рамки коллективного разума. В коллективном разуме прогнозы делаются совершенно независимо. Разнообразной группе дается задание сделать прогнозируемый результат, каждый работает независимо, и результаты анализируются. Причины «почему», лежащие в основе различных точек зрения на решение, анализируются независимо.

В коллективном рассуждении мы отделяем прогноз или рейтинг решения от причин для оценки. Коллективное мышление улавливает динамический потенциал, часто наблюдаемый во время крупных мозговых штурмов, когда мы учимся на мышлении друг друга; он коллективно создает новые подходы к решению. Коллективное рассуждение отражает невероятную силу совместного мышления, выходя за рамки математических вычислений простого агрегирования серии независимых мыслей и улавливая силу коллективного разума в творчестве, решении проблем и согласовании.

Наглядный пример

Давайте проиллюстрируем это на простом примере принятия решения инвестировать или не инвестировать в компанию на ранней стадии - стартап. Мы все понимаем потребность в уверенности, скорости и точности в ставках на стартап, у которого может быть следующая большая идея.

Представьте, что вас пригласили стать частью избранной группы людей, чтобы оценить, стоит ли инвестировать в новый стелс-стартап или нет. В совокупности перед вами стоит задача предсказать, удастся ли компании привлечь крупных инвесторов. У вас есть доступ ко всем материалам компании, вы участвуете в вопросах и ответах с командой основателей. У вас есть все необходимые материалы для принятия взвешенного решения и прогноза. Компания, которую вы оцениваете, имеет высокотехнологичные компоненты в своем бизнесе. Хотя вы не знаете их личности, вы знаете, что есть другие, обладающие сильным техническим опытом, подходящие для этой задачи.

Вам предлагается оценить компанию по шкале от 1 до 10 по следующим параметрам:

  1. Отличные возможности для бизнеса, учитывая рынок, конкуренцию и т. Д.
  2. Команда - это та команда, которая будет вести компанию на целевом рынке?
  3. Сетевые эффекты первых консультантов и инвесторов - могут ли они помочь продвинуть компанию?
  4. Инвестиционная убежденность - это инвестиция, которую вы бы сделали или порекомендовали?

Изучив материалы, вы указываете свой исходный балл и причины, по которым вы поставили балл. После того, как вы представите свое мнение, вам будет показан образец причин, по которым другие люди выставили оценку. Вы не видите оценок других участников. Обратите внимание, вы не видите, кто стоит за рассуждениями. Вас просят расставить приоритеты по причинам, которые соответствуют вашему мышлению. Этот процесс создает повышенное внимание к фактам, определяющим перспективу принятия решения, и снижает предвзятость организационной позиции или политики команды. После того, как вы отправили список причин с указанием приоритетов, их чтение могло заставить вас вернуться и переосмыслить свой рейтинг или другие мысли, которые могли у вас возникнуть по поводу этого решения. Это переосмысление - важная часть группового процесса движения к точкам совпадения.

Актуальность обучения с научной точностью

Мы зафиксируем пример, чтобы отметить возможность технологического и научного решения коллективного мышления. Фактически, корни предпочтений обучающихся групп уходят почти 100 лет назад к закону сравнительного суждения, впервые сформулированному Л.Л. Терстоуном в 1927 году. Единственный способ узнать «прогнозирующие» предпочтения - это A / B-тест, экономический компромисс. Многие из нас прошли через процесс в офисе оптометриста, отвечая на вопрос "А или Б?" … «Б или А?» снова и снова и снова. Маркетологи хорошо разбираются в A / B-тестах как в стандартном средстве изучения предпочтений продукта. Но работает ли это для масштабных групп в динамической среде обнаружения, где количество элементов для сравнения может потребовать огромного количества A / B-тестов? Технология AI предлагает решение.

Каждый раз, когда член группы оценки, описанной выше, составляет список причин, мы можем создать «сеть», указав, чьи причины были приоритетными. Интернет из сеанса, подобного описанному выше, показан ниже. Узлы являются отдельными участниками, ссылки создаются путем определения приоритета идей друг друга:

Актуальность узнается с помощью скрытого марковского процесса. Пример списка, показанный на правой панели рисунка 1, представляет собой динамически генерируемый список на основе предыдущих рейтинговых событий. «Скрытая» часть марковского процесса - это функция, которая постепенно переходит от «режима открытия», получая информацию о новых идеях, к «режиму приоритезации», пытаясь оценить список причин, которые наилучшим образом представляют собой упорядоченные по рангу причины группы. Обратите внимание, что контекст списка примеров определяется рассматриваемой «функцией». Командная оценка - это пример «функции» общей модели. На рисунке ниже показана кривая обучения алгоритму. Обратите внимание, что скорость его сходимости определяется количеством рейтинговых событий, но она довольно быстро сходится для элементов с наивысшим рейтингом (около начала графика).

Из этой сети связей мы узнаем рейтинг влияния различных участников и используем технологии обработки естественного языка, чтобы узнать причины и темы, которые представляют собой коллективные рассуждения, связанные с оценкой бизнес-возможности, команды и т. Д. дает значимый сигнал о том, какие элементы наиболее актуальны. Пример конкретного инвестиционного анализа показан на рисунке ниже.

В данном конкретном случае группа оценки считает выручку очень важной, но настроения указывают на то, что обсуждение выручки неоднозначно. Подробности того, почему это так, можно узнать, изучив соответствующие причины, связанные с этой темой.

В этом суть коллективной системы рассуждений. Он автоматизирует приобретение знаний, применяемых к принимаемому решению.

Интеграция человеческого и искусственного интеллекта

Сегодня мы сталкиваемся с непревзойденными проблемами, связанными с тем, как инвесторы и корпорации используют капитал и успешно прокладывают путь корпоративной трансформации и росту. Существенные инвестиции в ИИ повлияли на автоматизацию определенных бизнес-процессов, но обещания ИИ не оправдались, когда дело доходит до планирования, стратегического мышления, инвестиционных решений и корпоративных преобразований. Близорукое внимание к статистическому обучению с его сильной зависимостью от исторических данных ограничило представление о том, что может сделать ИИ для стимулирования инновационных решений наших самых больших проблем. Необходимость творческих коллективных действий выходит за рамки корпоративной стратегии. Необходимость четкого коллективного планирования и действий распространяется на меры реагирования на изменение климата и государственную политику. В этой статье я представляю платформу с использованием коллективного человеческого интеллекта и искусственного интеллекта, разработанную в течение нескольких лет, которая обещает стимулировать и расширять возможности коллективного творческого прогнозирования и действий.

Ограничения ИИ второго поколения, ИИ статистического обучения, четко рассматриваются в недавней книге Джудеи Перл «Книга почему». Он утверждает:

«Если бы я мог резюмировать идею этой книги в одной лаконичной фразе, я бы сказал, что вы умнее своих данных. Данные не понимают причин и следствий; люди делают.

Он продолжает объяснять:

«В то время как вероятности кодируют наши представления о статичном мире, причинно-следственная связь сообщает нам, изменяются ли вероятности, когда мир изменяется, будь то вмешательство или акт воображения, и как».

В интервью MIT Technology Review один из отцов глубокого обучения Йошуа Бенжио заявил:

«Я считаю, что нам нужно учитывать сложные проблемы ИИ, а не довольствоваться краткосрочными, постепенными достижениями. Я не говорю, что хочу забыть о глубоком обучении. Напротив, я хочу на этом опираться. Но мы должны иметь возможность расширять его, чтобы делать такие вещи, как рассуждение, изучение причинно-следственной связи и исследование мира, чтобы изучать и получать информацию ».

Существуют веские аргументы в пользу того, что интеграция человеческого и машинного интеллекта является фундаментальной для систем искусственного интеллекта следующего поколения. Люди по-прежнему лучше учатся на чрезвычайно небольших наборах данных, а также в творческих открытиях и предсказаниях. Доверие и прозрачность имеют решающее значение для приложений искусственного интеллекта в таких областях, как финансовые инвестиции и решения о корпоративной трансформации. Искусственный интеллект, наделенный полномочиями человека, и коллективный интеллект подсказывают пути, которыми будет руководствоваться ИИ в будущем.

Коллективное рассуждение: от сбора данных до когнитивных моделей

Если вы хотите получить информацию о решении с помощью доступных сегодня наборов инструментов, вы обычно обращаетесь к инструментам для проведения опросов, опросам или открытым вводом через электронную почту и инструменты обмена сообщениями. Современные инструменты предназначены для сбора индивидуальных мнений по теме или решению. Например, предположим, что у вас есть группа людей, от которых вы хотели бы получить обратную связь по поводу инвестиционного решения, и вы просто хотите получить ответ по трем вопросам, которые мы поставили выше: бизнес, команда, сетевые эффекты. Каждого участника просят оценить вопросы от 1 до 10 (10 - самый высокий) и изложить свои соображения или обдумывать свой ответ. На рисунке графически показана модель этого упражнения по сбору информации:

Синие точки представляют людей, высказывающих свои взгляды (23 участника). Розовые точки обозначают их оценки и причины (113 причин для выставленных оценок). Некоторые подробно излагают свои причины, чем другие, но все они выставляют баллы за каждый вопрос. На этом графике показаны результаты, полученные при использовании любого из упомянутых выше методов: опроса, опроса или электронной почты. Подсчитать средний балл для группы очень просто, и инструменты опроса сделают это за вас автоматически. Обобщить 113 причин или подумать сложно, если вы не используете человеческий мозг и не читаете каждую из них. Даже если бы хоть один человек прочитал каждую из них, он не смог бы сохранить их все в рабочей памяти. В лучшем случае они могут выбрать пять или шесть, которые находят отклик. Даже в этом случае, если они не соберут группу оценщиков вместе, они никогда не узнают трех или четырех основных причин, которые отражают мнение группы об инвестиционном решении. Изучение приоритетной релевантности - сложная проблема. Анализ настроений дает лишь умеренные прогнозы. Чего сильно не хватает, так это способности спросить:

Как группа согласна с обоснованием этого инвестиционного решения?

Предположим, мы вводим механизм, который позволяет им ранжировать причины друг друга на основе выборки, как упомянуто выше. Используя алгоритм обучения релевантности, мы можем отфильтровать причины, которые имеют меньшее значение для группы, чтобы радикально упростить процесс анализа. Обратите внимание, что мы видим ранние стадии того, как эта группа рассуждает вместе. Это первый шаг в коллективном рассуждении, фильтрации релевантности с помощью процесса экспертной оценки с использованием искусственного интеллекта:

Обратите внимание, что у человека в нижнем левом углу есть много причин, которые не особенно важны для его / его сверстников. (Вы когда-нибудь чувствовали себя тем человеком на встрече?) Если мы будем рассматривать только причины высокой релевантности (например, баллы ›50%), мы должны немного снизить сложность проблемы. Обратите внимание, что теперь нам нужно прочитать ~ 50 причин, если мы хотим глубже погрузиться в то, что думает группа.

Используя некоторые из новейших технологий НЛП, мы динамически узнаем значимость причин. Мы также можем изучить темы (выделенные зеленым цветом), имеющие решающее значение для принятия решения. Такие темы, как: хороший рынок или плохой выход на рынок, упрощают резюмирование рассуждений группы. Обратите внимание, что, поскольку темы или темы представляют собой просто совокупность причин, у них будет оценка релевантности тем, поэтому теперь можно расположить темы, над которыми группы думают, в порядке приоритета на основе коллективного суждения группы. В этом конкретном случае оказывается, что есть пять ключевых тем с положительными, отрицательными и нейтральными настроениями, связанными с каждой темой, что еще больше упрощает результаты. Поскольку причины привязаны к количественной оценке, мы можем объединить эту оценку с анализом настроений, чтобы получить гораздо более предсказуемое и точное представление об истинном намерении человека, обдумывающего принятое решение.

Однако напомним, что первоначальная цель этого упражнения заключалась в том, чтобы сделать то, что группа рекомендует в отношении этого инвестиционного решения. Используя структурированный процесс, подобный изображенному на рисунке 1, мы можем связать все коллективные рассуждения в одно предсказание. Темы, показанные зеленым цветом, и соответствующие причины, показанные розовым цветом, в конечном итоге влияют на рейтинги функций, тем самым влияя на прогнозную оценку. В этом случае группа дает этой инвестиции 79% баллов. Такие методы оценки могут быть обучены с использованием достоверных данных, интеграции человеческого и коллективного интеллекта, чтобы обеспечить основу для совершенно нового подхода к коллективному принятию решений организациями.

Каждый процесс принятия решения создает коллективную модель аргументации решения: коллективную когнитивную модель того, что, по мнению группы, будет результатом решения, например, решение инвестировать или передать. Модель позволяет рассматривать с разных сторон. Например, мы можем начать с прогнозируемого результата и спросить «Почему». В чем причина такого решения? На приведенном ниже рисунке показана точка зрения на аспект делового качества принятого решения.

Характеристика, касающаяся качества бизнеса, получила средний балл 8.

Однако, как видите, мнения расходятся. Некоторые считали, что существует хорошая бизнес-модель, а другие - нет. Коллективное мышление позволяет исследовать разнообразие мнений; здесь необходимо сделать критически важный момент. Коллективное мышление не связано с «стадным менталитетом», а исследует разветвления различных мнений, высказываемых разными людьми, и то, как они сочетаются с коллективным предсказанием или решением.

Коллективное рассуждение использует результаты коллективного разума, в частности теорему прогнозирования разнообразия:

Коллективная групповая ошибка = групповая ошибка - оценка разнообразия

Для описанной здесь системы коллективных рассуждений мы рассчитываем как количественную оценку разнообразия, так и оценку языкового разнообразия. Последнее стало возможным благодаря превращению языка в геометрию с использованием новейших технологий встраивания. Каждая причина - это точка в языковом пространстве, которая находится на значительном расстоянии от других причин. Мы показали, что:

чем больше когнитивное разнообразие в команде, тем выше точность прогнозов

Связывая причины (причины) с оценкой, мы получаем причинно-следственную связь между аргументацией и оценкой. В результате у нас теперь есть причинно-следственная сеть для прогноза или причинно-следственная когнитивная модель для принятия решения. Со временем это можно обобщить, чтобы у нас была основа для построения вычислительных моделей коллективных рассуждений и интеллекта групп людей в широких областях принятия решений.

Таким образом, описанная система коллективного мышления может радикально изменить способ сбора и повышения уровня интеллекта лиц, принимающих решения в организации.

Для тех, кто интересуется ИИ, вы узнаете результат как байесовскую сеть убеждений или причинную сеть. Фактически, мы автоматизировали процесс получения знаний от группы экспертов или членов команды в организации.

В этой короткой статье я представил путь решения, позволяющий быстро и точно принимать организационные решения. Каждый совместный процесс управляется «оценочной картой» решений, в которой фиксируются факторы, которые необходимо учитывать при принятии решения. Результатом каждого процесса является оценка и полный отчет о знаниях и размышлениях, использованных при принятии решения. Модель можно заархивировать и использовать как независимый ресурс для организационного обучения. Модель имитирует мышление группы и, как таковая, является причинно-следственной моделью, моделью знаний, мини-интеллектом опыта и мышления, которые привели к решению.

Если у вас есть «оценочная карта» факторов, которые необходимо учитывать при принятии решения, рассмотрите возможность использования коллективных аргументов, как описано выше, для автоматизации и оптимизации процесса принятия решений. Это можно сделать асинхронно, удаленно, и вам не нужно идти на встречу. Вы можете встретиться, как только вы выровняетесь, это будет гораздо более приятным занятием. У вас будет постоянная запись всего процесса рассуждений, через который прошла ваша команда при принятии решений. После согласования вы можете встретиться, чтобы поразмышлять над информацией, полученной в процессе, и принять окончательное решение. Помните, что это процесс поддержки принятия решений, другие факторы, такие как приток или сокращение доступности средств, внезапный сдвиг в макроэкономике или даже пандемия, могут иметь значение для принятия решения, но не были включены в анализ.

Наконец, что, возможно, наиболее важно в долгосрочной перспективе, описанный мною процесс обеспечивает постоянную запись процессов мышления как отдельных людей, так и организации в целом. Этот постоянный рекорд можно оценить в ярком свете реальности по мере того, как он разворачивается. Учла ли организация правильные причины? Правильно ли он их взвесил? Связывание процесса с результатами облегчает обучение, поскольку аналитики могут оценивать прошлые рассуждения в свете того, как разворачивается будущее.

Если у вас нет оценочной карты для вашего решения, создайте ее. И это приводит к другому материалу, за которым можно следить позже или связаться со мной по адресу [email protected].

  1. Скоро выйдет книга Даниэля Канемана и др., Озаглавленная «Шум, изъян в человеческом суждении». al. о проблеме шума в человеческом суждении и о том, как это влияет на точность. Хотя наш подход может неявно решать проблему шума посредством ранжирования релевантности и коллективных входных данных, он не решает и не моделирует проблему шума в явном виде и является предметом будущей работы.