【.com快考】因为我们缺乏比我们自己更好的坐标系来进行比较，一个常见的人类错误是认为我们做得很完美。人类通常处理小规模数据并生成有错误的报告。另一方面，机器可以处理更大量的数据并生成具有更准确结果的更高级报告。我们说明问题，我们发现某人去了某所学校，获得了一定的学位，事业成功，然后我们认为我们可以自己解决。但现实情况是，由于多种原因，我们的结论可能是错误的。事实上，人类只能控制和处理有限数量的数据。我们并不总是能够处理复杂的分析并消除偏见。这通常会导致我们得出有偏见的结果，或者无法区分相关性和因果关系。在人工智能革命的背景下，员工通常没有改进工作流的迫切需求，因为他们只能看到眼前的数据场景，看不到自己缺失的所有数据，或者更大的数据场景。换句话说，数据生成的指数速率及其广泛的自然范围，可能会使我们的认知远远落后，以至于我们甚至不知道自己遗漏了什么。不良数据习惯的影响分析师本能地强迫自己根据一般标准过滤大量数据，否则分析师无法处理大量数据。虽然小数据量的好处是分析师可以进行高质量的人工分析，但他通常会丢失很多关于被排除数据的信息。但伤害远不止于此。除了失去某个数据点的价值外，分析师还可能由于不正确的假设而忽略整个数据段的价值。这可能会导致以下恶性循环：分析师不断根据过去的经验和假设选择错误的数据子集进行分析。这通常会对结果的准确性产生错误的确定性，因为没有非常可靠的方法来控制这一点。组织会对自己的数据产生过度自信的错觉，而这种自信的基础只有在组织面对小数据集时才有效。同样，作为人类，分析师更倾向于创建更有可能产生价值的数据过滤系统，因为没有比以人为中心的任务更好的替代方案。然而，当我们将机器引入我们的工作流程时，扭转这种固有偏见至关重要。从纯粹的商业角度来看，如果机器在做工作，数据产生价值的速度就不那么重要了。总而言之，让以机器为中心的任务更加人性化对于我们实现目标来说是不可行的。在大数据时代改变我们的思维方式人类分析师可能以100%的准确率对数据进行分类，而经过训练以完成相同工作的机器甚至可能达不到85%的准确率。尽管我们作为人类经常忽略的是，机器能够在比人类任务大100倍的数据规模上达到85%的准确率更有价值，或者实际上更准确。我们人类对此的第一反应是倾向于拒绝算法，认为只有准确的结果才有价值。当机器被添加到工作流程中时，这是人类应该尝试消除的另一种偏见。显然，分析的质量很重要，但当我们决定如何创建工作流时，我们需要提醒自己，数量实际上创造了更高的价值。换句话说，我们对准确性的本能定义因我们看到的小数据集而产生偏差。打造人机共生关系虽然万能的机器时代离我们还很远，但是人机联手的日子已经到来了。创造人机关系的方式有很多种，但在我看来，影响成败的最重要因素是能否在工作领域创造出一种互惠互利、相互合作的共生关系。例如，当我们需要高质量的数据分类和分析时，单靠机器往往会失败。然而，使用机器对数据进行分割，同时让人工进行深度检查作为质量控制方法可以解决这个问题，允许检查更多数据，并且在许多情况下，它比使用人工分析师更具成本效益。此外，即使我们不信任机器来做任何数据分析工作，我们也可以让机器帮助我们选择人类已经分类的数据子集。具有讽刺意味的是，今天，我们第一个也是最危险的数据筛选系统是由人类创建的，而且往往不是基于确凿的证据。这里的关键是充分利用团队需要完成的每项任务的各种要素。领导人机团队作为管理者和领导者，我们需要训练自己看待更大的数据景观，并始终怀疑我们遗漏了什么。在这种情况下，不能缺少批判性思维。这并不是说人工分析没有用，而是说人类的能力与机器的能力相结合会更有效。我们需要创建一起工作而不是相互对抗的人机分析团队。展望未来，管理者必须能够区分人类和机器的不同角色。做好这一点，可以让人和机器以“人机团队”的方式协同工作，达到1+1>2的效果。如果说过去管理者的一项关键职能是为每项任务分配最合适的团队成员，那么今天这一职能角色已经扩展到包括评估每项任务的哪些部分以人为中心，哪些部分以机器为中心。那些能够弥合以人为中心的任务（人们拥有技术）与技术驱动的业务场景之间的差距的人，将能够更好地领导业务转型。我们必须随时准备好“了解未知”，即使是在我们数据的范围内。实现这个目标的关键，首先要知道我们要有数据管状的视野，这样才能实现人与机器的和谐共生，最终完成业务转型。译者介绍王浩，社区编辑，互联网老手。在百度、新浪、网易等公司拥有超过10年的技术研发和管理经验。在国际学术会议上发表论文18篇，获得最佳论文奖/最佳论文报告奖3次。毕业于犹他大学，获得学士和硕士学位。对外经济贸易大学在职MBA。【翻译稿件，合作网站转载请注明原译者和出处.com】
