ЗДОРОВЬЕ и ИНТЕЛЛЕКТ
ЗДОРОВЬЕ и ИНТЕЛЛЕКТ
Наука, общество, медицина, здоровье, долголетие, лекарства и бады = блогинг и новости
Read 5 minutes

Почему привлечение в команду "лучших" людей даёт наименьшие творческие результаты

Когда я учился в аспирантуре по математике в Университете Висконсин-Мэдисон, я изучал логику у Дэвида Гриффита. Урок прошёл весело. Гриффит привнес игривость и открытость в решение проблем. К моему большому удовольствию, примерно десять лет спустя я столкнулся с ним на конференции по моделям дорожного движения. Во время презентации по вычислительным моделям пробок его рука поднялась вверх. Мне было интересно, что скажет Гриффит – математический логик – о пробках. Он не разочаровал. Без малейшего намёка на волнение в голосе он сказал: "Если вы моделируете пробку, вы должны просто отслеживать не-автомобили".

Image for post

Коллективная реакция следовала знакомой схеме, когда кто-то роняет неожиданную, но однажды высказанную очевидную идею: озадаченное молчание, уступающее место комнате, полной кивающих голов и улыбок. Больше ничего не нужно было говорить.

Гриффит сделал блестящее наблюдение. Во время пробок большинство мест на дороге заполнено машинами. Моделирование каждого автомобиля занимает огромное количество памяти. Отслеживание пустых мест вместо этого потребовало бы меньше памяти – фактически почти никакой. Кроме того, динамика не-автомобилей может быть более поддающейся анализу.

Версии этой истории регулярно встречаются на научных конференциях, в исследовательских лабораториях или на совещаниях по вопросам политики, в проектных группах и на сессиях стратегического мозгового штурма. У них есть три общие характеристики. Во-первых, проблемы сложны: они касаются многомерных контекстов, которые трудно объяснить, спроектировать, развить или предсказать. Во-вторых, прорывные идеи не возникают по волшебству и не строятся заново из цельной ткани. Они берут существующую идею, понимание, трюк или правило и применяют их по-новому, или они объединяют идеи – как прорыв Apple, перепрофилирующий технологию сенсорного экрана.

В случае Гриффита он применил концепцию из теории информации: минимальная длина описания. Чтобы сказать: "Не L", требуется меньше слов, чем для перечисления "ABCDEFGHIJKMNOPQRSTUVWXYZ". Я должен добавить, что эти новые идеи обычно приносят скромные выгоды. Но в совокупности они могут иметь большие последствия. Прогресс происходит как последовательными маленькими шагами, так и гигантскими скачками.

В-третьих, эти идеи рождаются в групповых условиях. Один человек представляет свою точку зрения на проблему, описывает подход к поиску решения или определяет точку застоя, а второй человек делает предложение или знает обходной путь. Покойный учёный-информатик Джон [Генри] Холланд часто спрашивал: "Вы думали об этом как о марковском процессе с набором состояний и переходом между этими состояниями?" Этот вопрос заставил бы ведущего определить состояния. Это простое действие часто приводило к озарению.

Расцвет команд – большинство академических исследований теперь проводится в командах, как и большинство инвестиций и даже большинство песен так записывают (по крайней мере, хороших песен) – сопровождает растущую сложность нашего мира.

Раньше мы строили дороги от А до Б. Сейчас мы строим транспортную инфраструктуру с экологическими, социальными, экономическими и политическими последствиями.

Сложность современных проблем часто мешает любому человеку полностью понять их. Факторы, способствующие росту уровня ожирения, например, включают транспортные системы и инфраструктуру, средства массовой информации, полуфабрикаты, изменение социальных норм, биологию человека и психологические факторы. Проектирование авианосца, если взять другой пример, требует знания ядерной инженерии, военно-морской архитектуры, металлургии, гидродинамики, информационных систем, военных протоколов, ведения современной войны и, учёта длительного срока строительства, умения прогнозировать тенденции развития систем вооружения.

Многомерный или многослойный характер сложных проблем также подрывает принцип меритократии: идею о том, что должен быть нанят "лучший человек". Нет лучшего человека. При создании группы онкологических исследований биотехнологические компании, такие как Gilead или Genentech, не будут создавать тест с множественным выбором и нанимать тех, кто набрал больше баллов по нему, или нанимать людей, чьи резюме набирают самые высокие баллы по некоторым критериям эффективности. Вместо этого они будут стремиться к разнообразию. Они построят команду людей, которые принесут разнообразные базы знаний, инструменты и аналитические навыки. Эта команда, скорее всего, будет включать математиков (хотя и не логиков, таких как Гриффит). А математики, скорее всего, будут изучать динамические системы и дифференциальные уравнения.

Верующие в меритократию могут согласиться с тем, что команды должны быть разнообразными, но затем, стали бы утверждать, что меритократические принципы должны применяться в каждой категории. Таким образом, команда должна состоять из "лучших" математиков, "лучших" онкологов и "лучших" биостатистов.

Эта позиция страдает от аналогичного недостатка. Даже при наличии области знаний ни один тест или критерии, применяемые к отдельным людям, не дадут лучшей команды. Каждая из этих областей обладает такой глубиной и широтой, что исключает возможность подобного теста.

Рассмотрим область нейробиологии. В прошлом году было опубликовано более 50 000 работ, охватывающих различные методы, области исследований и уровни анализа, начиная от молекул и синапсов и заканчивая нейронными сетями. Учитывая эту сложность, любая попытка ранжировать совокупность нейробиологов от лучших до худших, как если бы они были конкурентами в 50-метровом заплыве баттерфляем, должна потерпеть неудачу.

Что может быть правдой, так это то, что, учитывая конкретную задачу и состав конкретной команды, один учёный с большей вероятностью внесёт свой вклад, чем другой. Оптимальный наём зависит от контекста. Оптимальные команды будут разнообразными.

Доказательством этого утверждения может служить то, что статьи и патенты, объединяющие различные идеи, как правило, оцениваются как высокоэффективные. Его также можно найти в структуре так называемого леса случайных решений, современного алгоритма машинного обучения. Случайные леса состоят из ансамблей деревьев решений. Если классифицировать картинки, то каждое дерево голосует: это изображение лисы или собаки? Правит взвешенное большинство.

Случайные леса могут служить многим целям. Они могут выявлять банковские мошенничества и болезни, рекомендовать потолочные вентиляторы и предсказывать поведение онлайн-знакомств.

При формировании леса вы не выбираете лучшие деревья, так как они, имеют тенденцию, делать схожие классификации. Вы хотите разнообразия. Программисты достигают этого разнообразия, обучая каждое дерево различным данным, метод, известный как пакетирование. Они также стимулируют лес "когнитивно", обучая деревья самым трудным случаям – тем, в которых текущий лес ошибается. Это обеспечивает ещё большее разнообразие и точность лесов.

И всё же заблуждение меритократии сохраняется. Корпорации, некоммерческие организации, правительства, университеты и даже дошкольные учреждения тестируют, оценивают и нанимают "лучших". Это всё что угодно, но не гарантия лучшей команды. Ранжирование людей по общим критериям приводит к однородности. И когда [подобные] предубеждения пробираются куда-либо, в результате мы получаем людей, которые похожи на тех, кто принимает решения [о том, кто будет работать в команде]. Это вряд ли приведет к прорывам.

Как сказал Эрик «Астро» Теллер, генеральный директор научно-исследовательской лаборатории Google X, "фабрики лунных запусков" в Alphabet, материнской компании Google, "Наличие [в команде] людей, у которых есть разные интеллектуальными перспективы, - это то, что важно.. Если вы хотите исследовать вещи, которые вы ещё не исследовали, имея людей, которые выглядят точно так же, как вы, и думают точно так же, как вы, – это не лучший способ.

Автор Скотт Пейдж - коллегиальный профессор кафедры Леонида Хурвича по сложным системам, политологии и экономике в Мичиганском университете, города Энн Арбор, и внештатный преподаватель в Институте Санта-Фе.

источник https://aeon.co/ideas/why-hiring-the-best-people-produces-the-least-creative-results

редактура и адаптация Дмитрий Бобров

2 views
Add
More
ЗДОРОВЬЕ и ИНТЕЛЛЕКТ
Наука, общество, медицина, здоровье, долголетие, лекарства и бады = блогинг и новости
Follow