В своей статье Скотт Пейдж, профессор экономических и политических наук из университета Мичигана рассуждает о том, как стремление нанять лучших работников не приводит к повышению эффективности работы компании, поскольку не учитывается принцип разнообразия, один из залогов прогрессивного развития.
Когда я изучал математику в аспирантуре в Висконсинском Университете в Мадисоне, я посещал курс по логике у Дэвида Гриффета. Занятия были очень позитивными. Гриффет создавал искреннюю атмосферу и много шутил. К моему большому удовольствию, где-то десять лет спустя, я столкнулся с ним на конференции по моделированию дорожного движения. Во время презентации по вычислительным моделям дорожных пробок он поднял руку. Мне было любопытно, что Гриффет – специалист в области математической логики, скажет о пробках. Он не разочаровал. Без малейшего волнения в голосе он произнес: «Если вы моделируете дорожную пробку, вы просто должны следить за свободным местом».
Общая реакция на его слова была типичной, когда кто-то оглашает неожиданную, но очевидную точку зрения: озадаченное молчание сменилось одобрительными кивками и улыбками. И ничего не нужно было добавлять.
Гриффет проявил чудеса наблюдательности. В пробке большая часть дороги занята автомобилями. Моделирование каждого автомобиля занимает огромное количество памяти. Отслеживание свободного пространства будет занимать гораздо меньше памяти – практически ничего. Более того, динамику свободных мест гораздо легче проанализировать.
Подобные истории постоянно происходят на научных конференциях, в исследовательских лабораториях или политических встречах, в проектных группах и в стратегическом мозговом штурме. Они имеют три важные общие характеристики.
Во-первых, на них рассматриваются сложные программы: они касаются многомерных контекстов, которые трудно объяснить, спроектировать, развивать или предсказать.
Во-вторых, прорывные идеи создаются не с помощью магии и не с чистого листа. Уже существующая идея или правило применяется по-новому, или идеи объединяются, как это было в случае внедрения сенсорного экрана компанией Apple. В вышеупомянутом случае Гриффет применил принцип из теории информации: минимальная длина описания. Меньше слов требуется, чтобы сказать «Не-Л», чем перечислить весь список «АБВГДЕЁЖЗИЙКЛМНОПРСТУФХЦЧШЩЪЫЬЭЮЯ». Я должен добавить, что эти новые идеи, как правило, проводят к небольшим результатам. Но несколько таких идей в совокупности могут дать большой эффект. К прогрессу приходят через последовательность маленьких шагов, а не гигантскими прыжками.
В-третьих, эти идеи рождаются в групповых обсуждениях. Один человек высказывает свою точку зрения на проблему, описывает подход к поиску решения или определяет камень преткновения, а другой человек делает предложение или знает обходное решение. Покойный специалист по вычислительным техникам Джон Холланд обычно спрашивал: «Вы думали об этом как о Марковском процессе с набором состояний и переходах между этими состояниями?» Этот вопрос заставил бы человека определить состояния. Этот простой набор действий приводил к озарению.
Расцвет командной работы – большинство академических исследований теперь проводится в командах, так как и большинство инвестиционных проектов, и даже песенное творчество (по крайней мере, для хороших песен) – отражает растущую сложность нашего мира. Раньше мы строили дороги от А до Б. Теперь мы строим транспортную инфраструктуру с учетом экологических, социальных, экономических и политических факторов.
Сложность современных проблем часто не позволяет человеку полностью понять их. К факторам, способствующим развитию ожирения, относятся, например, транспортные системы и инфраструктура, средства массовой информации, полуфабрикаты, изменяющиеся социальные нормы, физиология человека и психологические факторы. В качестве другого примера можно взять проектирование авианосца. Для этого требуется знание ядерной техники, морской архитектуры, металлургии, гидродинамики, информационных систем, военных протоколов, современных военных учений и, учитывая длительное время строительства, способность прогнозировать тенденции в системах вооружения.
Многомерный или многоуровневый характер сложных проблем также подрывает принцип меритократии – идеи о том, что «лучший человек» должен быть нанят. Нет лучшего человека. Собирая вместе онкологическую исследовательскую группу, компания, занимающаяся биотехнологиями, такая как Gilead или Genentech, не будет разрабатывать тест с множественным выбором и нанимать лучших по его результатам, или нанимать людей, чьи резюме наилучшим образом соответствуют критериям эффективности. Вместо этого они будут стремиться к многообразию. Они построят команду людей, которые владеют разнообразными знаниями, инструментами и аналитическими навыками. Скорее всего, в этой команде будут математики (хотя и не логики, такие как Гриффет). И математики, вероятно, будут заниматься динамическими системами и дифференциальными уравнениями.
Приверженцы меритократии еще могут допустить, чтобы команды были разнообразными, но однозначно утверждают, что в каждой категории должны применяться меритократические принципы. Таким образом, команда должна состоять из «лучших» математиков, «лучших» онкологов и «лучших» специалистов по биостатистике из всех доступных.
Этот подход имеет тот же недостаток. Даже с разделением по областям знаний ни один тест или критерий, применяемый к людям, не гарантирует создание лучшей команды. Каждая из этих областей обладает такой глубиной и широтой, которую не под силу охватить никакому тесту. Рассмотрим область нейробиологии. В прошлом году было опубликовано более 50 000 статей, охватывающих различные методы, области и уровни анализа, начиная от молекул и синапсов и вплоть до нейронных сетей. Учитывая эту сложность, любая попытка ранжировать группу нейробиологов от лучших к худшим, как если бы они были конкурентами в 50-метровом заплыве баттерфляем, потерпит неудачу. Верно только то, что с учетом конкретной задачи и состава конкретной команды, один ученый с большей вероятностью впишется в команду, по сравнению с другим. Оптимальный найм зависит от контекста. Оптимальные команды будут варьироваться.
Доказательства этого утверждения можно увидеть в том, как научные работы и патенты, сочетающие различные идеи, имеют тенденцию оцениваться как сильные. Его также можно найти в структуре так называемого леса случайных решений (Random forest), который является самым современным алгоритмом машинного обучения. Случайные леса состоят из ансамблей деревьев решений. Если классифицировать фотографии, каждое дерево голосует: это фотография лисы или собаки? Правила взвешенного большинства. Случайные леса могут использоваться в различных областях. Они могут обнаружить банковские махинации и болезни, рекомендовать потолочные вентиляторы и прогнозировать итог интернет-знакомств.
При создании такого леса не выбираются лучшие деревья, поскольку они склонны выдавать идентичные результаты ранжирования. Цель – это разнообразие. Программисты достигают этого разнообразия путем специализации деревьев на различных областях, метод, известный как бэггинг. Они также развивают этот алгоритм, обучая деревья на тяжелых случаях, когда лес сделал ошибку. Это обеспечивает еще большее разнообразие и точные алгоритмы.
Однако использование неэффективных меритократических принципов продолжается. Корпорации, некоммерческие организации, правительства, университеты и даже дошкольные учреждения проверяют, оценивают и нанимают «лучших». Все эти шаги далеки от создания лучшей команды. Ранжирование людей по общим критериям дает однородность. А когда в этом процессе замешаны и какие-то предубеждения, это приводит отбору людей, таких же, как те, кто принимает решения. Это вряд ли приведет к прорыву. Как сказал Астро Теллер, «Капитан лунный запуск», исполнительный директор компании X, холдинговой компании Google: «Команда из людей с разными типами мышления – вот, что важно. Если вы хотите делать то, чего не делали раньше, то люди, которые похожи на вас, и думают так же, как вы, – это не лучший способ». Нужно стремиться к разнообразию.
Перевод: Алина Фалинская, тренинговый портал Аспект
Источник: aeon.co