Používáte nástroj pro blokování reklamy. Pokud nám chcete pomoci, vypněte si blokování reklamy na našem webu. Zde najdete jednoduchý návod. Děkujeme.

Proč není nejlepší najímat nejlepší

Jestli chcete průlomové výsledky, vaše genialita vám dneska nebude stačit. Musíte si poskládat tým. Buďte chytří a skládejte ho různorodě, nejhorší je sestavit ho ze svých klonů.

Jako student matematiky na University of Wisconsin-Madison jsem si zapsal kurz logiky u Davida Griffeatha. Byla to zábava. Griffeath se na problémy dokázal dívat s otevřeností a hravostí. K mému potěšení jsme na sebe narazili, bylo to asi o deset let později, na konferenci o modelování v dopravě. Během prezentace o počítačových modelech dopravních zácp vylétla nahoru jeho ruka. Nešlo mi na rozum, co by Griffeath, který dělá matematickou logiku, mohl říct k dopravním zácpám. Ale nezklamal. Bez sebemenší známky vzrušení v hlase prohlásil: Když modelujete dopravní zácpu, měli byste zaznamenávat jenom non-auta.

Dostavila se přesně ta reakce, jaká se má dostavit, když někdo přijde s nečekanou myšlenkou – která ovšem, jak ji někdo vysloví, vypadá jako úplně samozřejmá. Překvapené ticho postupně střídá pokyvování hlav a úsměvy. Nebylo třeba říkat nic dalšího.

Griffeath se projevil jako perfektní pozorovatel. Když máte dopravní zácpu, většinu místa na silnici zaplňují auta. Modelovat každé auto zabere strašně moc paměti. Když se místo toho budou zaznamenávat jenom prázdná místa, bude potřeba paměti mnohem míň, vlastně skoro žádná. A navíc – dynamika non-aut by se mohla dát líp analyzovat.

Máme tu problém: postavit vejce na špičku

Podobná historie se pravidelně opakuje na vědeckých konferencích, ve výzkumných laboratořích, na politických mítincích, mezi vývojáři nebo na strategických brainstrominzích. Pokaždé má tyhle tři znaky:

Prvně: Problém je komplexní, zahrnuje několikaúrovňový kontext, který se dá jen obtížně vysvětlit, zpracovat, rozvinout nebo předpovědět.

Za druhé: Průlomové myšlenky se nezjevují kouzlem a ani nevznikají z ničeho na zelené louce. Je to existující myšlenka, vhled, fígl nebo pravidlo, ovšem novátorsky aplikovaná. Nebo je to kombinace takových myšlenek – jako bylo průlomové nové využití technologie dotykového displeje u Applu. Griffeath například použil koncept z teorie informace: minimální délku popisu (MDL). Je míň náročné říct kromě L než vypočítávat ABCDEFGHChIJKMNOPQRSTUVWXYZ. Měl bych dodat, že tyhle myšlenky většinou produkují jen mírný růst – ale v součtu můžou mít rozsáhlý efekt. Pokrok většinou spíš cupitá drobnými krůčky, nejsou to žádné veliké skoky.

A za třetí – takové myšlenky se vždycky narodí, když je víc lidí, Jeden člověk nahodí svůj pohled na problém, popíše svůj přístup k jeho řešení nebo nastíní jeho slabé místo a někdo další přijde s nějakým návrhem nebo vymyslí, jak se slabému místu vyhnout. John Holland, který se zabýval matematickou informatikou, se hodně často ptal: Zkusili jste se na to podívat jako na Markovovův řetězec s řadou stavů a přechody mezi těmito stavy? Tahle otázka prezentujícího leckdy dovedla k tomu, že musel definovat jednotlivé stavy a jednoduše tak dojít k novému vhledu do problematiky.

Na jednoho moc

Rozkvět týmové práce – většina vědeckého výzkumu, ale také většina investování nebo skládání písniček (přinejmenším těch dobrých) se dneska dělá týmově – odráží rostoucí komplexnost našeho světa. Dřív jsme prostě stavěli silnici z bodu A do bodu B. Dneska vytváříme dopravní infrastrukturu s ekologickými, společenskými, ekonomickými a politickými dopady.

Komplexnost moderních problémů často brání tomu, aby je jednotlivec dokázal pochopit ve všech aspektech. Faktory, například, které přispívají ke zvyšující se obezitě, zahrnují: způsoby dopravy a systémy infrastruktury, vliv médií, průmyslové zpracování potraviny, změny společenských norem, biologii člověka a jeho psychologii.

Navrhování letadlové lodi, abychom měli ještě jiný příklad, vyžaduje znalosti z jaderného inženýrství, lodnictví, metalurgie, hydrodynamiky, informatiky, vojenských předpisů, poznatky o moderním vedení války, a když vezmeme v úvahu dlouhý čas samotné stavby takového plavidla, pak také schopnost předvídat trendy ve vývoji zbraňových systémů.

Testy moc nepovědí

Mnohovrstevná povaha komplexních problémů také podrývá principy meritokracie: myšlenku, že by se měl vždycky přijímat „ten nejlepší kandidát“. Žádný nejlepší kandidát, ten pravý člověk, neexistuje. Když se dává dohromady výzkumný tým, který se má zabývat rakovinou, biotechnologická společnost jako Gilead nebo Genentech by neměla vymýšlet testy s výběrem z mnoha možností a pak vzít člověka, který je vyřeší ze všech nejlíp, nebo vybírat člověka, který bude podle nějakých výkonnostních kritérií vykazovat nejlepší výsledky. Místo toho by měla hledat rozmanitost. Měla by stavět tým lidí, kteří budou mít odlišné vědomostní báze, různé analytické schopnosti a nástroje. Takový tým by spíš měl, než neměl zahrnout matematika (i když ne logika jako Griffeath). A ten matematik by měl studovat dynamické systémy a diferenciální rovnice.

Ti, kteří věří na meritokracii, můžou souhlasit s tím, že tým by měl být různorodý – ale přitom budou tvrdit, že na každou pozici v něm by se měly uplatnit meritokratické principy. Tedy že by takový tým měl být složený z toho „nejlepšího“ matematika, „nejlepšího“ onkologa a „nejlepšího“ biostatistika, z těch, kteří se nabízejí

Tenhle přístup vykazuje ale pořád tu samou vadu. Ani když se omezíme na obory, nedokážeme sestavit testy nebo sady kritérií, na základě kterých bychom pak sestavili ten nejlepší tým. Každý z těch oborů má dneska takový rozsah a hloubku, že se test prostě nedá sestavit. Podívejme se třeba na neurovědy. Jen za minulý rok vyšlo přes padesát tisíc studií, které pokrývají škálu technik, výzkumných zaměření a úrovní analýzy, zabývají se tématy od molekul a nervových spojů až k neuronovým sítím. Při takové komplexnosti každý pokus seřadit skupinku neurovědců od nejlepšího po nejhoršího, jako kdyby to byli závodníci na padesát metrů motýlkem, musí selhat.

Co ovšem je pravda: pokud máme konkrétní úkol, tak při určitém složení týmu nejspíš jeden vědec dokáže k řešení problému přispět víc než jiný. Správná strategie najímání zaměstnanců je věcí kontextu. Optimální tým bude různorodý.

Vidět les

Důkaz pro tohle tvrzení můžeme vidět v tom, že studie a patenty, ve kterých se propojují různorodé myšlenky, mají tendence dosahovat vysokého impaktu. Můžeme ho taky najít ve struktuře takzvaného náhodného rozhodovacího lesa, což je nejmodernější algoritmus pro strojové učení. Náhodné lesy sestávají ze souborů rozhodovacích stromů. Když třídíme obrázky, každý strom znamená volbu: je na obrázku liška, nebo pes? Vážená většina rozhoduje. Náhodné lesy můžou mít spoustu účelů. Dokážou rozpoznat bankovní podvod a živelnou pohromu, doporučit stropní větrání a předpovědět chování při online randění.

Když sestavujete takový les, nevybíráte nejlepší stromy, protože ty mají tendenci klasifikovat věci podobně. Chcete rozmanitost. Programátoři takové diverzity dosahují sáčkováním (bagging) tím, že každý strom cvičí na jiných datech. Kognitivně také stromy ladí tak, že je cvičí na nejobtížnějších příkladech, na těch, kde se dosud lesy mýlily. Tak si zajišťují co nejširší diverzitu a co nejpřesnější lesy.

Meritokratický omyl zatím dál trvá. Firmy, neziskovky, vlády, univerzity dokonce i předškolní zařízení testují, hodnotí a nabírají ty „nejlepší“. Což je přesně to, co jim rozhodně nezaručí nejlepší tým. Hodnocení lidí podle běžných kritérií vede k homogenitě. A když se do toho ještě vloudí předsudky a zkreslení, výsledkem bude výběr lidí, kteří vypadají stejně jako ti, kteří je vybírali. Tak se průlom neudělá. Jak řekl Astro Teller, šéf společnosti X (což je „továrna na zázraky společnosti Alphabet, mateřské společnosti Googlu): „Důležité je mít lidi, kteří mají rozdílné myšlenkové perspektivy. Pokud chcete zkoumat věci, které ještě nikdo nezkoumal, není nejlepší cesta vzít si k tomu lidi, kteří vypadají a myslí stejně jako vy.“

Musíme vidět les.

originálu uveřejněného na Aeon.com pro Finmag radostně přeložil Gabriel Pleska

Finmag zahřeje

Finamg předplatné

Naše rozhovory. S Jindřichem Šídlem, novinářem, co nešel šéfovat Babišově Mladé frontě. S Helenou Bendovou, která bude na FAMU učit budoucí tvůrce počítačových her. S Taťánou Gregor Brzobohatou o dějinách a o nadějích.


Deset let po krizi. Jiří Hovorka analyzuje ekonomiku Řecka a dalších – pamatujete tu zkratku? – PIIGS.


Martina Tlachová v Gruzii. Černé moře, oranžové víno, bílé hory, rudá minulost. Do pestré postsovětské republiky doletíte za dva tisíce.

Aeon counter – do not remove
Scott Page

Scott Page

Scott E Page vyučuje komplexní systémy, politologii a ekonomiku na University of Michigan a Ann Arbor. Extereně působí na Santa Fe Institute.  Více o autorovi.

Komentáře

Celkem 5 komentářů v diskuzi

Příspěvek s nejvíce kladnými hlasy

Michal Hatlapatka | 28. 2. 2018 09:20

Výbornej článek, byť by mne zajímalo, kolik čtenářů Finmagu ví, co je to Markovovův řetězec a umí přeložit "tunit" jako ladit. Ale myslím, že každý kdo se pohybuje na pomezí oborů by z rukávu podobných historek dokázal vytřepat několik. Já bych si byl dokonce ještě radikálnější a napsal bych, že je důležitý mít v týmu někoho, kdo dané věci až tolik nerozumí.

Před třemi lety jsme s šéfem byli postaveni před Problém. Okamžitě jsme v tom oba viděli v článku zmíněný Markovovův řetězec s řadou stavů a přechody mezi těmito stavy. Troufnu si říci, že každého matematika (matematického statistika) by při pohledu na Problém napadlo přesně tohle. Bohužel, k ničemu rozumnému to nevedlo. Na projektu byl s námi ještě kolega, vzděláním doktor medicíny, který by naprogramovat Markovův řetězec neuměl. Takže mu nezbylo než hledat jednodušší postup. A ten, narozdíl od Markovova řetěze, fungoval. Sebekriticky přiznávám, že jsem tomu několik měsíců odmítal uvěřit. Publikace byla přijata do Nature, po dvou letech má 70 citací.

Ještě radikálnější případ jsem řešil na počátku své kariéry u dat z kamery, co byla schopna poznat, kam se člověk dívá. Byla třeba odlišit, kdy mu pohled jen někam zalétl a kdy zaostřil a čte si. Vymyslel jsem na to nesmírně krásný bayesovský model. I mému tehdejšímu šéfovi, vzděláním psychologovi, se líbil. Ale chtěl výsledek hned a já přiznal, že na spočítání budu potřebovat minimálně týden. Takže data otevřel v Excelu, setřídil, nakreslil graf... pak PŘILOŽIL PRAVÍTKO NA MONITOR a odečetl hodnotu. Tohle by asi v Nature publikovat nešlo, ale z praktického hlediska to účel splnilo.

+15
+
-

Při poskytování služeb nám pomáhají soubory cookie. Používáním našich služeb nám k tomu udělujete souhlas. Další informace.

OK