Uzun vadede başarılı olmak için işletmelerin bir tür sürdürülebilir rekabet avantajı yaratması ve bunlardan faydalanması gerekir. Bu avantaj, ölçek odaklı düşük maliyet, özel fikri mülkiyet, yüksek motivasyonlu çalışanlar veya ileri görüşlü stratejik liderler gibi geleneksel kaynaklardan elde edilebilir. Ancak bilgi ekonomisinde stratejik avantajlar, daha üstün yargı ve seçimler yapma ortak kapasitesine giderek daha fazla bağlı olacaktır.
Bugün akıllı girişimler iki ayrı güç tarafından şekillendiriliyor.
Birincisi, operasyon araştırması, tahmin modelleri ve yapay zeka (AI) için temel sağlayan bilgisayarların ve büyük verinin artan gücü.
İkincisi, insan yargısı, muhakemesi ve seçimi konusundaki artan anlayışımızdır.
Onlarca yıl süren araştırmalar, insanların neyi iyi veya kötü yaptığı konusunda derinlemesine bilgiler verdi. 1 (Bkz. "Araştırma Hakkında")
Bu makalede, yöneticilerin belirsizlik ve karmaşıklık karşısında daha akıllı seçimler yapmak için insan zekasını teknoloji destekli içgörülerle nasıl birleştirebileceklerini inceleyeceğiz. İki bilgi akışını entegre etmek kolay değildir, ancak yönetim ekipleri bunları nasıl harmanlayacaklarını öğrendikten sonra avantaj elde edebilirler. 'Beşte iki' yerine 'beşte üç' kez doğru kararı verebilen bir şirket, rakiplerine karşı üstünlük sağlayabilir. Bu performans farkı önemsiz görünse de, küçük farklılıklar zaman içinde büyük istatistiksel avantajlara yol açabilir. Teniste, örneğin, bir oyuncunun maç boyunca kazanma puanlarında %55'e karşı %45'lik bir üstünlüğü varsa, üç setin en iyisini kazanma şansı %90'dan fazla olacaktır.
Araştırma Hakkında
Bu makale strateji, organizasyon teorisi, insan yargısı, tahmine dayalı analitik ve yönetim biliminden elde edilen bilgileri bir araya getiriyor. Beş yöntemden birkaçında açıklanan fikirler, şirketlerle çalışırken öğrendiklerimizin yanı sıra Intelligence Advanced Research Projects Activity (IARPA ) turnuvası katılımcılarının daha sonra gerçek sonuçlara göre puanlanan olasılıksal tahminler geliştirmesinden oluşuyor. Beş akademik araştırma ekibi, IARPA turnuvasının dört yıllık turlarına katılmak üzere toplam 20.000 tahminciyi işe aldı. Her takım için resmi performans ölçütü, olasılıksal doğruluğu değerlendiren bir ölçü olan kümülatif Brier puanıydı. Puanlar sorular, takımlar, ve deneysel koşullardan oluşuyordu. Pennsylvania Üniversitesi'nde I. George Heyman Üniversitesi Profesörü olan Phil Tetlock ve Barbara Mellers, Paul Schoemaker'ın birkaç danışmandan biri olarak görev yaptığı Good Judgment Project ekibine liderlik etti. Bu takım yarışmayı kazandı.
Şirketinizin iş dünyasında böylesine kümülatif bir avantaj elde etmesine yardımcı olmak için, akıllı kuruluşların daha iyi kararlar ve akıllı seçimler yoluyla rekabeti alt etmek için kullanabileceği beş stratejik yetenek belirlendi. Büyük veri ve tahmine dayalı analitik kullanımları sayesinde, birçok şirket bu yeteneklerden bazılarını şimdiden geliştirmeye başladı. Ancak çok azı, bilgisayarların gücünü insan zihninin en son anlayışıyla sistematik olarak bütünleştirdi. Rakipler üzerinde bir avantaj elde etmek isteyen yöneticiler için, bugün aşağıdakileri yapma fırsatları görüyoruz:
- Stratejik üstünlüğü bulun. Geçmiş organizasyonel tahminleri değerlendirirken, öznel öngörülerin geliştirilmesinin sistemi gerçekten harekete geçirebileceği alanlara bakın.
- Tahmin turnuvaları düzenleyin. Ekipler arasında rekabeti, deneyi ve yeniliği teşvik ederek en iyi tahmin yöntemlerini keşfedin.
- Aranızdaki uzmanları modelleyin. Temel iş alanlarına ilişkin üstün içgörüler sergileyen kişileri şirket içinde tanımlayın ve basit doğrusal modeller kullanarak bilgeliklerinden yararlanın.
- Yapay zeka ile denemeler yapın. Basit doğrusal modellerin ötesine geçin. İnsan uzmanları geride bırakmak için sınırlı görev alanlarında derin sinir ağlarını kullanın.
- Kuruluşun çalışma şeklini değiştirin. İnsanların ve makinelerin yeteneklerini birleştirmenin daha iyi yollarını sürekli olarak arayan keşif kültürünü teşvik edin.
1. Stratejik Kenarı Bulun
Akıllı bir işletme olmanın başlangıç noktası, analitik çabayı en çok karşılığını alacağı yere tahsis etmeyi öğrenmektir - başka bir deyişle, hangi sorunlarla başa çıkmaya karar verdiğiniz konusunda stratejik olmak -. Akıllı kuruluşlar için önemli nokta, değiştirilemez verilerin ve değiştirilebilir kararların verimli bir şekilde birleştirilebildiği yerdir. Bir yandan bu bölge, filozof Karl Popper'ın deterministik düzenliliklerinden dolayı "saat benzeri" dediği problemlerle sınırlıdır; diğer yandan belirsizliklerinden dolayı “bulutsu” olarak adlandırdığı problemlerle sınırlıdır.
Saat benzeri problemler izlenebilir ve sabittir ve geçmiş deneyimlerle tanımlanabilir (aktüeryal tablolarda veya kredi raporlarında olduğu gibi). İstatistiksel tahmin modelleri burada parlayabilir. İnsan yargısı, olağandışı koşullar altında (yeni tıbbi ilerlemelerin yaşam beklentileri üzerindeki etkisinin değerlendirilmesi gibi) hala bir rol oynamasına rağmen, çok öne çıkamaz. Bulut benzeri sorunlar (örneğin, 2025'te Miami'de mega sellere neden olan küresel ısınmaya olasılıklar atamak veya diğer gezegenlerde akıllı yaşamın olup olmadığını belirlemek) çok daha belirsizdir. Bununla birlikte, bu tür durumlarda en kritik olan şey, uzmanların bilgi tabanı ve daha da önemlisi, yaptıkları ve bilmedikleri şeylere ilişkin incelikli takdirleridir. Yöneticiler için önemli nokta, bilgisayarların ve algoritmaların güçlü yönlerini, tecrübeli insan yargısı ve mantıklı sorgulamayla birleştirmektir.
Gerçekten akıllı bir işletme yaratmak ne hızlı ne de basittir. Önerdiklerimizden bazıları mantıksız görünecek ve eğitim gerektirecektir. Son birkaç on yılda bilişsel psikolojideki atılımlar, birçok sofistike lideri disiplinsiz düşüncenin önyargılarına ve tuzaklarına uydurmuştur. Ancak, çok az şirket bu içgörüleri işlerini daha akıllı hale getiren oyunun kurallarını değiştiren uygulamalara dönüştürebildi. Veri madenciliği yapan şirketler, analistlerinin önsezilerini şekillendiren tuhaflıklar ve zaaflardan habersiz kalırlar. Aynı zamanda, fikirleri öne süren yönetim ekiplerinden nadiren görüşlerini derinlemesine savunmaları istenir. Çoğu durumda, yargıların veya kararların sonuçları nadiren başlangıç varsayımlarına göre incelenir. Hem kurumsal karar alma süreçlerini iyileştirerek hem de veri ve teknoloji araçlarını kullanarak bir şirketin IQ'sunu yükseltmek için açık bir fırsat vardır.
2. Tahmin Turnuvalarını Çalıştırın
Daha iyi kurumsal tahminler oluşturmak için umut verici bir yöntem, belirli bir alanda en iyi kararları üreten insanları ve yaklaşımları ortaya çıkarmak için tahmin turnuvaları düzenlemenizi önerir. Bir tahmin turnuvası fikri, katılımcıları ne olacağını düşündüklerini tahmin etmeye teşvik etmek, değerlendirmelerini olasılıklara çevirmek ve ardından hangi tahminlerin en doğru olduğunu kanıtlamaktır. Bir tahmin turnuvasında, aşırı derecede olumlu veya aşırı derecede olumsuz olmanın veya rakiplere karşı stratejik oyun oynamanın hiçbir faydası yoktur. Turnuva organizatörlerinin görevi, bir dizi ilgili soruyu geliştirmek ve ardından cevaplar vermeleri için katılımcıları cezbetmektir.
Tahmin turnuvalarını etkili bir şekilde kullanan bir kuruluş, Intelligence Gelişmiş Araştırma Projeleri Etkinliğidir (IARPA). ABD Ulusal İstihbarat Direktörlüğü bünyesinde faaliyet gösterir ve istihbarat analizinin nasıl geliştirileceğine ilişkin yüksek riskli, yüksek getirili araştırmalar yürütmekten sorumludur. 2011'de IARPA, jeopolitik olayların insan olasılığı yargılarının doğruluğunu artırmanın en iyi yöntemlerini geliştirmek için beş araştırma ekibini yarışmaya davet etti. Konular, olası Euro bölgesi çıkışlarından Kuzey Kore nükleer programının yönüne kadar geniş bir yelpazeyi kapsıyordu. Yazarlardan biri (Phil Tetlock), Good Judgment Project olarak bilinen bir ekibe yardımcı oldu. Bu turnuvayı, önyargıları görmezden gelerek ve tahmin doğruluğunu gerçekten neyin tetiklediğini keşfetmek için saha deneyleri yaparak kazandı. Başarılı tahminler için kritik öneme sahip dört temel faktör ortaya çıktı:
1. Tutarlı bir şekilde üstün tahminde bulunanların, daha fazla merak, açık fikirlilik ve tahminin geliştirilebilecek ve geliştirmeye değer bir beceri olabileceği fikrini test etme istekliliği dahil olmak üzere özelliklerini belirleme;
2. İnsanları aşırı güven ve önyargılarını güçlendiren aşırı kilo gibi yaygın bilişsel önyargılardan kaçınmak için teknikler konusunda eğitmek;
3. En iyi performans gösterenleri işbirliğine dayalı ekip çalışmasına katılmaya teşvik eden ve hassas sorgulama ve yapıcı yüzleşme gibi teknikleri uygulayarak grup düşüncesinden nasıl kaçınılacağına dair rehberlik sunan teşvik edici çalışma ortamları yaratmak;
Örneğin, daha iyi kayıtlara ve daha çeşitli bakış açılarına sahip tahmincilere daha fazla ağırlık vererek, kalabalıklardan bilgeliği çıkarmak için daha iyi istatistiksel yöntemler geliştirmek. 8
4. Deneyimlerimize dayanarak, kuruluşlar içindeki tahmin turnuvalarının en büyük yararı, öğrenme döngülerini hızlandırma güçleridir. Şirketler, çeşitli ilkelere bağlı kalarak öğrenmeyi hızlandırabilir.
İlk prensip, dikkatli kayıt tutmayı içerir. Doğru kayıtlar tutarak, önceki tahminleri, kişinin kendisinin ve diğerlerinin tahminlerini yanlış hatırlamak daha zordur. Bu, "en başından beri biliyordum" deme kendi kendine hizmet etme eğiliminin yanı sıra, "ipucu olmayan" rakiplerin itibarını reddetme eğiliminin kritik bir karşı ağırlığıdır.
İkincisi, yarışmacıların yanlış hatırlamasını zorlaştıran turnuvalar, insanları başarısızlıklarıyla ve karşı tarafın başarılarıyla yüzleşmeye zorlar. Tipik olarak, kişinin başarısızlığa ilk tepkisi inkardır. Turnuvalar insanları daha düşünceli olmaya, önleyici özeleştiri olarak bilinen bir düşünce modeline girmeye teşvik eder; katılımcıları, son derece yanlış olabilecekleri yolları düşünmeye teşvik ederler.
Üçüncüsü, turnuvalar kazananlar üretir ve bu da diğerlerinde üstün sonuçların nasıl elde edildiği konusunda doğal olarak merak uyandırır. Takımlar, yöntemlerini baştan sona denemeye ve geliştirmeye teşvik edilir.
Dördüncüsü, tahmin turnuvalarında puanlama, katılan herkes için önceden açıktır. Bu, herkes arasında adil bir rekabet duygusu yaratır.
Yakın zamana kadar, olasılıksal akıl yürütme ve bilişsel hata giderme eğitiminin karmaşık gerçek dünya olaylarının tahminini iyileştirebileceğine dair çok az yayınlanmış araştırma vardı.
Akademisyenler, bilişsel yanılsamaları ortadan kaldırmanın, insanların kendi başlarına başarmasının neredeyse imkansız olduğunu düşündüler. Ancak IARPA turnuvaları, yalnızca birkaç saatlik özelleştirilmiş eğitimin fayda sağlayabileceğini ortaya koydu. Özellikle, istatistiksel muhakemeden senaryo planlamasına ve grup dinamiklerine kadar davranışsal karar teorisini içeren eğitim alıştırmaları, yöneticilerin karar verme becerilerini geliştirmek için büyük umut vaat etmektedir. Birlikte çalıştığımız şirketlerde, eğitim tipik olarak bilişsel önyargıları göstermek için bireysel ve grup alıştırmaları, senaryo planlama gibi konularda video eğitimleri ve özelleştirilmiş iş simülasyonları içerir.
Aranızdaki Uzmanları Modelleyin
Daha akıllı bir işletme yaratmanın bir başka yolu da, uzman çalışanların bilgilerini modellemektir. Böylece uzmanlardan daha etkili ve nesnel bir şekilde yararlanılabilir. Bu, karar verme araştırmalarında önyükleme olarak bilinen bir teknik kullanılarak yapılabilir.
Karar psikolojisindeki önyükleme araştırmasının erken bir örneği, çiftçilerin ürünlerini getirdiği bir toptan satış müzayedesinde mısırın kalitesini değerlendiren tarım uzmanlarının kafasında neler olduğunu araştıran bir çalışmayı içeriyordu. Araştırmacılar, mısır eksperlerinden, pazardaki nihai fiyatları tahmin etmek için 500 başak mısırı derecelendirmelerini istedi. Bu uzman jüri üyeleri, her bir kulağın uzunluğunu ve çevresini, çekirdeklerin ağırlığını, çekirdeklerin uçta dolumunu, kabarma ve nişasta gibi çeşitli faktörleri değerlendirdiler. Araştırmacılar daha sonra, eksperlerin kendi tahminlerini yönlendirmede en önemli olduğunu iddia ettikleri ipuçlarına dayanarak basit bir puanlama modeli oluşturdular. Hem jüri üyeleri hem de araştırmacılar, basit katkı modellerinin tecrübeli uzmanların tahminlerinden çok daha kötü olmasını bekliyorlardı. Ancak jüri üyelerinin stratejilerini taklit eden modeller neredeyse her zaman jüri üyelerinin kendisinden daha iyi performans gösterdi.
Bankalar, kredi kararlarının alınmasına yardımcı olmak için birkaç on yıl önce bilgisayar modellerini tanıttığında da benzer sürprizler yaşandı. Çok az kredi görevlisi, profesyonel sistemlerin basitleştirilmiş bir modelinin, deneyimli kredi görevlilerinin yapabileceğinden daha iyi tahminlerde bulunabileceğine inanıyordu. Buradaki anlam, tüketici kredilerinin yalnızca bilgili kredi görevlilerinin doğru bir şekilde değerlendirebileceği birçok öznel faktör içermesiydi. Bu nedenle sezgisel uzmanlığı basit bir formülde damıtmanın yeni kredi memurlarının daha hızlı öğrenmesine yardımcı olup olamayacağı konusunda şüpheler vardı. Ancak burada da modeller çoğu kredi uzmanından daha iyi performans gösterdi.
Diğer alanlarda, yeni işe alınan satış elemanlarının performansının tahmin edilmesinden, şirketlerin iflas risklerine ve ölümcül hastalığı olan kanser hastalarının yaşam beklentilerine kadar, deneyim esasen aynı olmuştur.
Uzmanlar genellikle derin bilgiye sahip olsalar da, genellikle iyi tahminlerde bulunmazlar.
İnsanlar tahminlerde bulunduğunda, bilgelik "rastgele gürültü" ile karışır. Gürültü ile, yorgunluk, can sıkıntısı ve insan olmanın diğer belirsizlikleri nedeniyle insan yargılarına sızan tutarsızlıkları kastediyoruz. Uzman yargısını bir karar verme modeline dahil eden önyükleme, uzmanın görüşlerini korurken bu tür tutarsızlıkları ortadan kaldırır. Ancak bu, insan yargısı kendi başına kullanıldığında oluşmaz. Örneğin klasik bir tıbbi çalışmada, dokuz radyologa 96 şüpheli mide ülseri vakasından bilgiler sunuldu ve bunları bir malignite olasılığı açısından değerlendirmeleri istendi. Bir hafta sonra, radyologlara bu sefer farklı bir sırada olmasına rağmen aynı bilgiler gösterildi. Vakaların% 23'ünde ikinci değerlendirmeler ilkinden farklıydı. Radyologların hiçbiri iki değerlendirmede tamamen tutarlı değildi ve bazıları neredeyse yarısı tutarsızdı.
Tıptan finansa kadar çeşitli alanlarda, çok sayıda çalışma, uzmanları, tahmin modelleriyle değiştirmenin üstün tahminlere yol açtığını göstermiştir. Çoğu durumda, önyükleme modeli kendi başına uzmanlardan daha iyi performans gösterdi. Bununla birlikte, önyükleme modelleri, tahminlerde bulunurken en önemli faktörleri belirlemek için genellikle insan uzmanlara ihtiyaç duyulduğundan, oldukça ilkel olma eğilimindedir. İnsanlar aynı zamanda tahmin değişkenlerine puanlar atamada da etkilidir (üniversite başvuruları için tavsiye mektuplarının gücünü veya tıbbi vakalarda hastaların genel sağlığını değerlendirmek gibi). Dahası, insanlar modelin ne zaman güncelliğini yitirdiğini ve güncellenmesi gerektiğini fark etmekte iyidir.
Önyükleme, yapay zekadaki derin sinir ağlarının yüksek teknolojili cazibesinden yoksundur. Bununla birlikte, uzman sezgisinin değeri de dahil olmak üzere, modellerin ve insanların güçlerini birleştirmenin potansiyel faydalarının en ikna edici gösterilerinden biri olmaya devam ediyor. Aynı zamanda, daha fazla insan müdahalesine izin vermenin (örneğin, bir doktorun modelin ötesine geçen bir bilgiye sahip olması) daha fazla fayda sağlayıp sağlamayacağı sorusunu da gündeme getirmektedir. Bu tür durumlarda, insanların modeli çok sık geçersiz kılma riski vardır, çünkü çok fazla durumu özel veya benzersiz olarak değerlendireceklerdir. Ek uzman bakış açısını dahil etmenin bir yolu, uzmana (örneğin, bir kredi görevlisi veya bir doktor) modelin tavsiyesine sınırlı sayıda geçersiz kılma izni vermektir.
Pazarlama uzmanları tarafından yapılan bir saha araştırması, perakende sektöründe insanları ve modelleri birleştirmenin etkilerini test etti. Araştırmacılar iki farklı durumu inceledi:
(1) moda ürünleri için katalog satışlarının profesyonel alıcılarının tahminleri ve
(2) marka yöneticilerinin kupon-itfa oranları tahminleri.
Araştırmacılar gerçek sonuçları elde ettikten sonra, sonuçları tahminlerle karşılaştırdılar. Ardından, farklı insan ve model kombinasyonlarının aynı görevleri nasıl yerine getirebileceğini test ettiler. Araştırmacılar, hem katalog satışlarında hem de kupon geri ödeme ayarlarında, insan ve model arasında eşit bir dengenin en iyi tahminleri verdiğini buldular.
Yapay Zeka ile Deney Yapın
Bootstrapping, insan muhakemesinin süreç modellerine girmeden modelleme uzmanlığına yönelik basit bir girdi-çıktı yaklaşımı kullanır. Buna göre, önyükleme, insan içgörülerinden veya madencilik büyük veri kümelerinden elde edilen değişkenler arasında daha karmaşık ilişkilere izin veren yapay zeka teknolojileri ile artırılabilir.
Daha derin bilişsel içgörüler, yapay zekanın ilk günlerinde usta satranç oyuncularının bilgisayar modellemesini geri getirdi. Ancak insan düşüncesini modellemenin - tüm önyargılarıyla - sınırları vardır; Bilgisayarlar, eski verileri incelemek için yalnızca üstün bilgi işlem gücünü kullanarak bir avantaj geliştirebilirler. IBM Corp.'un Deep Blue süper bilgisayarı 1997'de dünya satranç şampiyonu Garry Kasparov'u bu şekilde yenmeyi başardı. Bugün yapay zeka, bilgisayarla görme, doğal dil kavrama, robotik ve makine öğrenimi dahil olmak üzere çeşitli makine zekası türlerini kapsıyor. Bununla birlikte, yapay zeka hala insanların sahip olduğu ve etki alanlarını kesebilecek türden geniş bir zekaya sahip değil. Dolayısıyla, bağlamsal zeka, yeni bir şey üretme veya dünya hakkında geniş bilgiye ihtiyaç duyulduğunda insan uzmanlar önemli olmaya devam ediyor.
İnsanlar, yeni uyaranları kafalarındaki zihinsel modellere bağlamak için örüntü eşleştirme ve hikaye anlatma gibi çeşitli bilişsel mekanizmaları kullanarak çevrelerindeki karmaşık dünyayı basitleştirir. Örneğin, psikologlar sahte cinayet davalarında jüri üyelerini incelerken, jüri üyelerinin mevcut sınırlı verilerden hikayeler oluşturduklarını ve ardından ilk hikayeyi güçlendirmek için yeni bilgiler işlediklerini keşfettiler. Burada risk, insanların kendi ilk hikayelerine hapsolması ve ardından teyit edici kanıtları kendi iç anlatılarına uymayan bilgilerden daha ağır bir şekilde tartmaya başlamasıdır. İnsanlar genellikle gerçekte orada olmayan kalıplar görürler veya yeni verilerin hikayeyi değiştirmeyi gerektirdiğini göremezler.
İnsan uzmanlar tipik olarak bilinmeyen oranlarda sinyal, gürültü ve önyargı ile davranırlar. Bu da bu üç bileşenin saha ayarlarında çözülmesini zorlaştırır. İnsanların veya bilgisayarların üstünlüğü ele alması, üstlenilen görevlerin tanıdık veya benzersiz olması da dahil olmak üzere birçok faktöre bağlıdır. Görevler aşina olduğunda ve çok fazla veri mevcut olduğunda, bilgisayarlar veriye dayalı olarak ve bir vakadan diğerine son derece tutarlı olarak insanları yenecektir. Ancak görevler benzersiz olduğunda (yeniliklerin daha önemli olabileceği yerlerde) ve aşırı veri yükü insanlar için bir sorun olmadığında, insanlar muhtemelen bir avantaja sahip olacaktır. (Bkz. "İnsanların ve Bilgisayarların Karşılaştırmalı Avantajları".)
Geri besleme döngüleri, gecikmeler ve istikrarsızlık ile dinamik olarak karmaşık alanları anlamada insanların modellere göre bir avantajı olduğu düşünülebilir. Ancak psikologlar, simülasyonlu dinamik ortamlarda insanların karmaşık ilişkileri nasıl öğrendiklerini incelediler (örneğin, bir havayolunun stratejik kararlarını modelleyen bir bilgisayar oyunu veya yeni bir ürünü yöneten bir elektronik şirketininkiler). Her oyun turundan sonra kapsamlı geri bildirim aldıktan sonra bile, insan denekler zamanla sadece yavaş bir şekilde uyum sağlayabildiler ve basit bilgisayar modellerini geçemediler. Bu, karmaşık dinamik ortamlar için modeller oluştururken insan uzmanlığının ne kadar arzu edildiğine dair soruları gündeme getiriyor. Bunu öğrenmenin en iyi yolu, insanların ve modellerin belirli alanlarda ne kadar iyi performans gösterdiğini karşılaştırmak ve belki de farklı yaklaşımları entegre eden hibrit modeller geliştirmektir.
Yapay Zeka sistemleri, son yıllarda hızla gelişiyor. Geleneksel uzman sistemler, zaman kurallarını kullanarak insan uzmanlığını taklit eden kurala dayalı modeller kullandı (örneğin, "X, Y ve Z semptomları mevcutsa, önce 5. çözümü deneyin."). Ancak günümüzde çoğu yapay zeka uygulaması, girdi değişkenleri ve çıktı sonuçları arasında yeni bağlantılar arayan ağ yapılarını kullanır. Yapay zeka uygulamalarında kullanılan derin sinir ağlarında amaç, sistemin karmaşık ilişkileri keşfedebilmesi ve daha fazla geri bildirim sağlandığında bunları iyileştirebilmesi için çok büyük veri setlerini analiz etmektir. Yapay zeka, satranç ve Go gibi oyunlar oynamak, araba sürmek, konuşmayı sentezlemek ve dili çevirmek gibi belirli görevler için geliştirilen derin sinir ağları sayesinde gelişiyor.
Şirketler, sektörlerinde hangi yönlerin benimsenmeye ve uyarlanmaya en değer olduğunu belirlemek için yapay zeka uygulamalarının gelişimini yakından takip etmelidir. Westport, Connecticut merkezli bir riskten korunma fonu şirketi olan Bridgewater Associates LP, halihazırda yapay zeka ile deneyler yapan bir şirkete örnektir. Bridgewater Associates, organizasyondaki en iyi beyinlerden içgörüler alarak firmanın yönetiminin çoğunu otomatikleştirmek için tasarlanmış çeşitli algoritmik modeller geliştiriyor.
Çoğu insanın sergilediği türden yapay genel zeka, hedeflenen yapay zeka uygulamalarından daha yavaş ortaya çıkıyor. Yapay genel zeka, konuşma tanıma, fotoğraflardaki nesne sınıflandırması veya el yazısı analizi gibi dar alanlara odaklanan yüksek ticari değerli çalışma ile mevcut yapay zeka araştırmasının oldukça küçük bir kısmı olmaya devam ediyor. Yine de, genel yapay zeka fikri, çok çeşitli karmaşık görevleri yerine getirebilen gerçek hayattaki robotları tasvir eden filmlerle popülerlik sağladı. Yakın dönemde, en iyi tahmine dayalı iş sistemleri, her birinin karşılaştırmalı avantajlarını elde etmek için muhtemelen karmaşık bir insan ve makine katmanını kullanacak. İnsan uzmanlar, makinelerden farklı olarak, gerçek dünya bağlamlarına doğal olarak duyarlı olan ve derin bir kendini yansıtma ve ahlaki yargılara sahip olan genel zekaya sahiptir.
Kuruluşun Çalışma Biçimini Değiştirin
Bize göre, en güçlü karar destek sistemleri, birden çok teknolojiyi bir araya getiren melezlerdir. Bu tür karar yardımları, satış tahmini gibi dar uygulamaların ötesine geçerek, IBM'in Watson gibi daha geniş sistemler için bir temel sağlamaya doğru genişleyerek, diğer şeylerin yanı sıra, doktorların karmaşık tıbbi teşhisler yapmasına yardımcı olacak şekilde giderek yaygınlaşacak. Zamanla, temel teknolojilerin gittikçe daha karmaşık hale gelmesini, sonunda karar destek cihazlarının çoğu insan danışmanla eşit veya ondan daha iyi olacağı noktaya ulaşmasını bekliyoruz.
Makineler daha sofistike hale geldikçe, insanlar ve kuruluşlar da gelişecek. Çoğu kuruluşta çoğu zaman insan yargılarını zayıflatan aşırı gürültüyü ortadan kaldırmak ve gerçekten önemli olan sinyalleri güçlendirmek için iki strateji öneriyoruz.
Birincisi, kuruluşlar, zaman içindeki doğruluğunu izlemek için insanların yargılarını "tahmin bankalarında" kaydedebilirler. Aşırı genel olmaktan ziyade, tahminler net olmalıdır. Böylece daha sonra kesin olarak puanlanabilirler (herhangi bir yuvarlama olmadan).
İkincisi, yöneticiler tahmin bankasında kişisel performans puanları biriktirdikten sonra, geçmiş performansları “itibar sermayelerini” belirlemeye yardımcı olabilir (bu, gelecekteki kararlarda görüşlerinin ne kadar ağırlık alacağını belirleyebilir). Bridgewater Associates'in kurucusu Ray Dalio bu yönde ilerliyor. Kişisel gelişim için yüksek şeffaflık ve teşviklerle yargıları sürekli olarak kaydeden, puanlayan ve değerlendiren bir kültür oluşturmak için bir dizi kural ve yönetim ilkesi geliştirmiştir.
Gerçekten zeki işletmeler, bilgi ekonomilerinde rekabet eden şirketler için rekabet avantajları yaratmak amacıyla, bilinen zaaflar ve önyargılar da dahil olmak üzere insan yargısının yumuşak tarafını büyük verilerin ve iş analitiğinin zor tarafıyla harmanlayacaktır. Organizasyonel bir perspektiften, öngördüğümüz dönüşüm türü üç faktöre odaklanmayı gerektirecektir.
İlki stratejik odaklanmayı içerir. Liderlerin ne tür bir zeka gücü geliştirmek istediklerini belirlemeleri gerekecek. Örneğin, belirsizlik altında üstün insan yargıları geliştirmek mi, yoksa otomasyonun sınırlarını zorlamak mı istiyorlar.
İkinci olarak, şirketlerin yargılayıcı zekayı daha iyi kalibre edilmiş öznel olasılıklara dönüştürebilecek zihniyetleri, becerileri, alışkanlıkları ve ödülleri oluşturmaya odaklanmaları gerekecektir.
Üçüncüsü ise, tüm bunlar, teşviklerin değiştirilmesini ve gerektiğinde bilgi ve tahmin silolarının parçalanmasını gerektirecek, böylece bilgi en çok ihtiyaç duyulan yere kolayca akabilecek.
Tahmin biliminin nasıl geliştirileceğini tartıştıktan sonra, kendisinin geleceğini tahmin etmek uygun görünmektedir. Karşılaştırma açısından, tıbbın, kan almanın yaygın olduğu zamandan, kontrol gruplarına, plasebolara ve kanıta dayalı araştırmalara dayanan daha bilimsel bir yaklaşımla çok hızlı bir şekilde ortaya çıktığını belirtmek gerekir. Şu anda, öznel öngörü alanı, bilişsel bilimdeki gelişmeler sayesinde kendi kara büyüsünün ötesine geçiyor. Tahmin yöntemlerinin ne kadar sıklıkla başarısız olduğu göz önüne alındığında, en iyi stratejileri ortaya çıkarmak için deneylere ve saha çalışmalarına dayanan sonuç odaklı yaklaşımlara dikkat etmemiz gerekecek.
Devam eden zorluklara rağmen, dış dünya daha karmaşık hale gelse bile öznel tahmin bilimi giderek daha iyi hale geliyor. Kalabalığın bilgeliğine dayalı yaklaşımlardan ve tahmin pazarlarından tahmini turnuvalara, büyük veri ve iş analitiğine ve yapay zekaya kadar, en iyi yaklaşımları belirleme konusunda çok umut var. Bununla birlikte, öznel tahminin nasıl geliştirileceği konusunda kafa karışıklığı vardır. Örneğin, sigorta şirketleri hâlâ terörizm, küresel ısınma ve jeopolitik kargaşanın yol açtığı riskleri uygun şekilde fiyatlandırmak için mücadele ediyor.
Bilişsel bilim devrimi, iş dünyası liderleri için hem umut hem de zorluk taşır. Çoğu şirket için şeytan ayrıntıda gizlenecek: hangi insan ve makine yaklaşımları hangi konulara uygulanacak ve çeşitli yaklaşımların nasıl birleştirileceği hala soru işareti. Tüm bunları sıralamak kolay olmayacak çünkü insanlar ve makineler çok farklı şekillerde düşünüyor. Ancak, öngörünün önemli olduğu görevlerle uğraşırken genellikle ortak bir analitik hedef ve karşılaştırma noktası vardır: ticari veya politik öneme sahip olaylara iyi ayarlanmış olasılık yargıları atamak. Öznel olasılıklar açısından ifade edilen gerçek dünya tahminlerine odaklandık çünkü bu tür yargılar, sonuçlar bilindikten sonra nesnel olarak puanlanabilir. Puanlama, insanların ve modellerin simbiyotik olarak birleştirilebildiği diğer önemli görevlerle daha karmaşıl olan stratejik seçimler yapmaya gidebilir. Bununla birlikte, bir kuruluş öznel olasılık tahminleri yapmak için hibrit yaklaşımları benimsemeye başladığında ve bunları geliştirmeye devam ettiğinde, rakiplerine göre sürdürülebilir bir stratejik zeka avantajı geliştirebilir.
YAZARLAR HAKKINDA
Paul JH Schoemaker, Pennsylvania Üniversitesi Wharton School'daki Mack Teknoloji İnovasyon Merkezi'nin eski araştırma direktörü ve Steven Krupp ile birlikte Winning the Long Game: How Strategic Leaders Shape the Future (PublicAffairs, 2014) ile birlikte yazardır. Philip E. Tetlock, Pennsylvania Üniversitesi'nde Annenberg Üniversitesi Profesörüdür ve Dan Gardner ile birlikte Superforecasting: The Art and Science of Prediction'ın ortak yazarıdır (Crown, 2015).
REFERANSLAR (40)
1. İki klasik araştırma antolojisi, D. Kahneman, P. Slovic ve A. Tversky, eds., "Judgment Under Uncertainty: Heuristics and Biases" (Cambridge, Birleşik Krallık: Cambridge University Press, 1982); ve D. Kahneman ve A.Tversky, eds., "Choices, Values and Frames" (Cambridge, Birleşik Krallık: Cambridge University Press, 2000). Ayrıca bkz. WM Goldstein ve RM Hogarth, eds., “Research on Judgment and Decision Making: Currents, Connections, and Controversies” (Cambridge, Birleşik Krallık: Cambridge University Press, 1997); DJ Koehler ve N. Harvey, editörler, "Blackwell Handbook of Judgment and Decision Making" (Malden, Massachusetts: Blackwell Publishing, 2004); ve D. Kahneman, "Düşünme: Hızlı ve Yavaş" (New York: Farrar, Straus ve Giroux, 2011).
2. Okuyucular teniste farklı kazanma olasılıklarını “Tennis Calculator,” 2015, www.mfbennett.com adresinde inceleyebilirler. Analitik türetmeler için bkz. FJGM Klaassen ve JR Magnus, "Bir Tenis Maçının Galibini Tahmin Etmek", European Journal of Operational Research 148, no. 2 (2003): 257-267.