الگوریتم ها ذاتا عینی تر از انسان ها هستند.
الگوریتم ها توسط انسان ها ساخته می شوند و بر اساس داده های انسانی آموزش دیده اند، به این معنی که اغلب تعصبات اجتماعی را به ارث می برند و حتی زیر نقاب بی طرفی ریاضی پنهان می کنند.
این مقایسه تنش بین تصمیم گیری شهودی انسانی و توصیه های خودکار مبتنی بر داده را بررسی می کند. در حالی که الگوریتم ها در پردازش مجموعه داده های عظیم برای یافتن الگوهای پنهان مهارت دارند، قضاوت انسانی همچنان برای عبور از ظرایف اخلاقی، زمینه فرهنگی و رویدادهای غیرقابل پیش بینی «قوی سیاه» که داده های تاریخی نمی توانند پیش بینی کنند، ضروری است.
فرآیند شناختی اتخاذ تصمیم بر اساس تجربه، همدلی و استدلال منطقی.
مدل های ریاضی که داده های ورودی را پردازش می کنند تا نتایج را پیش بینی کنند یا اقدامات خاصی را توصیه کنند.
| ویژگی | قضاوت انسانی | پیشنهادات الگوریتمی |
|---|---|---|
| قدرت | زمینه و همدلی | سرعت و مقیاس |
| ضعف | ناسازگاری و تعصب | فقدان عقل سلیم |
| ورودی داده | کیفی و حسی | کمی و تاریخی |
| نوآوری در مدیریت | بسیار سازگار | فقیر (خارج از توزیع) |
| مقیاس پذیری | پایین (یک نفر در هر بار) | بی نهایت (مبتنی بر ابری) |
| شفافیت | استدلال قابل توضیح | پیچیدگی جعبه سیاه |
| مورد استفاده اصلی | مدیریت بحران | شخصی سازی روزانه |
| ثبات | بسته به فرد متفاوت است | از نظر ریاضی سخت |
پیشنهادات الگوریتمی قهرمانان بی چون و چرای کارایی هستند که میلیاردها گزینه را فیلتر می کنند تا در یک چشم به هم زدن جفت پیدا کنند. با این حال، آن ها اغلب «چرایی» پشت یک موقعیت را نمی دانند. یک انسان می تواند ببیند مشتری در حال سوگواری است و لحن خود را تغییر دهد، در حالی که الگوریتم ممکن است به تبلیغات ادامه دهد چون داده ها نشان می دهد کاربر آنلاین فعال است.
اشتباه است که فکر کنیم الگوریتم ها کاملا عینی هستند. چون آن ها از داده های تاریخی می آموزند، اغلب تعصبات انسانی موجود در آن داده ها را تشدید می کنند. قضاوت انسانی نیز جانبدارانه است، اما ظرفیت منحصر به فردی برای خوداندیشی و اصلاح اخلاقی دارد که به فرد اجازه می دهد پس از اشاره به یک تعصب، آگاهانه تصمیم بگیرد آن را نادیده بگیرد.
الگوریتم ها در محیط های پایداری که آینده شبیه گذشته است، مانند پیش بینی هوا یا لجستیک، رشد می کنند. با این حال، شهود انسانی در محیط های «شرور» که قوانین تغییر می کنند، عالی عمل می کند. یک مدیرعامل باتجربه ممکن است پیش بینی داده ای را که نشان می دهد محصولی شکست خواهد خورد نادیده بگیرد چون تغییر در احساسات فرهنگی را حس می کند که هنوز به جریان داده ها نرسیده است.
مؤثرترین سیستم های مدرن یکی را بر دیگری ترجیح نمی دهند؛ آن ها از طرح های «انسان در حلقه» استفاده می کنند. در این مدل، الگوریتم بار سنگین مرتب سازی و محاسبه را بر عهده دارد و انسان نظارت نهایی را بر عهده دارد. این همکاری تضمین می کند که تصمیمات مبتنی بر داده باشند اما همچنان بر ارزش های انسانی و پاسخگویی استوار باقی بمانند.
الگوریتم ها ذاتا عینی تر از انسان ها هستند.
الگوریتم ها توسط انسان ها ساخته می شوند و بر اساس داده های انسانی آموزش دیده اند، به این معنی که اغلب تعصبات اجتماعی را به ارث می برند و حتی زیر نقاب بی طرفی ریاضی پنهان می کنند.
کامپیوترها در نهایت نیاز به قضاوت انسانی را کاملا جایگزین خواهند کرد.
با پیچیده تر شدن سیستم ها، نیاز به نظارت انسانی برای مدیریت موارد خاص و اطمینان از هماهنگی فناوری با ارزش های انسانی در حال تغییر افزایش می یابد.
شهود فقط «حدس زدن» بدون شواهد است.
شهود تخصصی در واقع شکلی بسیار پیشرفته از تشخیص الگو است که در آن مغز هزاران تجربه گذشته را در یک چشم به هم زدن پردازش می کند.
نمی توان به الگوریتم اعتماد کرد اگر نتواند دلیلش را توضیح دهد.
ما هر روز به بسیاری از سیستم های «جعبه سیاه» اعتماد داریم، مانند آیرودینامیک هواپیما یا شیمی پزشکی، به شرطی که سابقه موفقیت تجربی اثبات شده ای داشته باشند.
از پیشنهادات الگوریتمی برای کارهای تکراری و پرحجم که سرعت و سازگاری ریاضی در آن ها اهمیت دارد، استفاده کنید. قضاوت انسانی را برای تصمیمات حساس مربوط به اخلاق، پویایی های اجتماعی پیچیده یا چالش های کاملا بی سابقه ای که داده ها در آن ها کم است، محفوظ بگذارید.
پیمایش تنش بین نوآوری و قابلیت اطمینان، موفقیت سازمانهای فناوری مدرن را تعریف میکند. در حالی که آزمایش با آزمایش ایدههای اثبات نشده و ابزارهای نوظهور، به پیشرفتها دامن میزند، استانداردسازی، حفاظهای ضروری را فراهم میکند که امنیت، بهرهوری هزینه و همکاری یکپارچه بین تیمهای مهندسی متنوع را در چشمانداز دیجیتال به سرعت در حال تحول تضمین میکند.
عبور از تنش میان نوآوری و ثبات، یکی از چالش های اصلی در فناوری مدرن است. در حالی که آزمایش ها با آزمایش نظریه های اثبات نشده و راه حل های خلاقانه به پیشرفت ها منجر می شوند، بهترین روش ها پایه ای قابل اعتماد بر اساس خرد جمعی صنعت و الگوهای اثبات شده برای کاهش ریسک و بدهی فنی فراهم می کنند.
این مقایسه، تنش پویا بین راهحلهای نرمافزاری خودکار و قضاوت ظریف متخصصان انسانی را بررسی میکند. در حالی که فناوری، سرعت و قابلیتهای پردازش داده بینظیری را ارائه میدهد، تخصص انسانی همچنان پایه اساسی برای حل خلاقانه مسئله، تصمیمگیری اخلاقی و درک ظرافتهای پیچیده زمینهای است که کد به سادگی نمیتواند آنها را درک کند.
انتخاب بین پلتفرم های کم کد و کدنویسی سنتی، کل چرخه عمر یک پروژه نرم افزاری را شکل می دهد. در حالی که کد پایین تحویل را از طریق رابط های بصری و اجزای آماده تسریع می کند، برنامه نویسی سنتی کنترل مطلق و مقیاس پذیری بی نهایت مورد نیاز برای سیستم های پیچیده و با عملکرد بالا را ارائه می دهد. انتخاب مسیر مناسب بستگی به بودجه، زمان بندی و نیازهای فنی شما دارد.
در حالی که ابزارهای نوآورانه نمایانگر آخرین دستاوردهای فناوری هستند، راهحلهای عملی بر حل مشکلات فوری و دنیای واقعی با قابلیت اطمینان و کارایی تمرکز دارند. درک تعادل بین این دو برای هر سازمانی که سعی در تصمیمگیری در مورد اتخاذ جدیدترین فناوری «درخشان» یا پایبندی به روشهای اثباتشدهای که کار را انجام میدهند، دارد، ضروری است.