همه‌ ما روایت‌های مربوط به نرم‌افزارهای تشخیص چهره را که در تشخیص چهره افراد تیره‌پوست شکست می‌خورند یا دفترداران روباتیک وام‌دهی که دادن وام به گروه‌هایی خاص را رد می‌کنند، شنیده‌ایم. همان‌طور که مجموعه‌ رو به رشدی از تحقیقات نشان داده است، الگوریتم‌های ایجاد شده توسط گروه‌های غیرمعرف - منظور گروه‌هایی‌ است که نمایندگانی از اقشار مختلف جامعه را در بر ندارند و در نتیجه معرف همه اقشار جامعه نیستند - منجر به هوش ‌مصنوعی‌ای شده است که نابرابری‌های رایج در جامعه را تداوم می‌بخشد. همان‌طور که به مرور شرکت‌هایی بیشتر و در ابعادی گسترده‌تر بر داده‌ها و هوش‌مصنوعی تکیه می‌کنند، این مشکلات تبعیض‌گذاری الگوریتم‌ها ممکن است بدتر شود. اکثر شرکت‌ها تا به امروز از این موضوع آگاه شده‌اند. آنچه آنها تلاش می‌کنند تشخیص دهند این است که: چگونه می‌توانند از اینکه به یک مثال بد دیگر - مانند مثال‌های بد بالا تبدیل شوند - جلوگیری کنند؟

پاسخ کوتاه این است که تفکر انتقادی درباره داده‌هایی که در حال جمع‌آوری هستید و چگونگی استفاده از آن، چیزی است که لازم است همه آن را در پیش بگیرند. توسعه‌ گستره‌ افراد حاضر در فضای کاری - که به تحقیق درباره الگوریتم‌ها، ایجاد آنها و نظارت بر آنها کمک می‌کند - تنها راهی است که می‌توانیم از طریق آن هوش‌مصنوعی معتبری توسعه دهیم. انجام این کار مستلزم سواد داده است؛ که شامل توانایی تجزیه و سازماندهی داده‌های پیچیده، تفسیر و خلاصه‌سازی اطلاعات، بسط دادن پیش‌بینی‌ها یا درک پیامدهای اخلاقی‌ای ا‌ست که الگوریتم‌ها به طور ضمنی بر آن دلالت می‌کنند. این مفاهیم مانند ریاضیات می‌توانند به شکل مقدماتی یا پیشرفته آموخته شوند، چندین شاخه دارند و اغلب بیشتر عملی هستند تا دانشگاهی.

تقویت سواد داده در سازمان همچنین می‌تواند به تنوع گروه‌های داده‌ای که در تصمیم‌گیری‌های مهم در زمینه چگونگی جمع‌آوری، پردازش و به‌کارگیری داده‌ها پیشتاز هستند، کمک کند. اهمیت تنوع گروه‌های داده مساله‌ای است که من مستقیما طی بیش از ۱۰ سال مدیریت صندوق کمّی (quant fund) - یک صندوق سرمایه‌گذاری که اوراق بهادار آن براساس داده‌های عددی جمع‌آوری شده از طریق تجزیه و تحلیل کمّی انتخاب می‌شود - آموختم. این یک باور رایج است که سبدهای سهامی با تنوع بیشتر، بازدهی بالاتری دارند چرا که ریسک را کاهش می‌دهند. اما باور درست این است که گروه‌هایی با تنوع بیشتری از افراد بازدهی بالاتری دارند زیرا آنها خطر تفکر گروهی یکدست (groupthink) را کاهش می‌دهند. با سرمایه‌گذاری بر سواد داده در سراسر شرکت، کسب‌وکارها می‌توانند دیدگاه‌های متفاوت و خلاقانه‌تری را برای کاهش خطر سوگیری الگوریتم‌ها به دست آورند و همچنین سایر کارآیی‌ها و فرصت‌هایی را که غالبا داده‌ها می‌توانند آشکار کنند، شناسایی کنند.

اما نگاهی به داده‌ها به ما می‌گوید اکثر شرکت‌ها هنوز در حال تلاش برای ایجاد سواد داده هستند. ۹۰ درصد رهبران کسب‌وکارها، سواد داده را به عنوان عاملی کلیدی در موفقیت شرکت‌ ذکر می‌کنند، اما تنها ۲۵ درصد از افراد در مهار‌ت‌های داده خود احساس اطمینان می‌کنند. نه تنها این مساله وجود دارد، بلکه برخی تخمین‌ها نشان می‌دهد از هر ۱۰ متخصص علوم داده، ۹ نفر از آنها سفیدپوست هستند و فقط ۱۸ درصد آنها زن هستند. تحقیقات جنرال اسمبلی (General Assembly) نشان می‌دهد وقتی صحبت از تنوع افراد می‌شود، علوم داده حتی از سایر رشته‌های فناوری‌محور مانند بازاریابی دیجیتال و طراحی تجربه کاربر (ux) عقب می‌افتد.

با وجود نیاز بدیهی و ضرورت فزاینده، چرا ما سواد داده را به شکل سیستماتیک و در مقیاس بالا آموزش نمی‌دهیم؟ این سوالی ا‌ست که به کارهای من در چند سال گذشته حیات بخشید. در شرکت کرِلِیشِن وان (Correlation One) - که من در سال ۲۰۱۸ و پس از ترک صندوق خود، هم‌بنیان‌گذار آن بودم - گروه من با شرکت‌های خدمات مالی و شرکت‌های فورچون ۵۰۰ (Fortune ۵۰۰) کار می‌کردند تا ساختار ارتباطی فراگیرتری از استعدادهای علوم داده ایجاد کنند. کمک به کارفرمایان مختلف مانند تارگت (Target) و جانسون‌اندجانسون (Johnson & Johnson) برای ارزیابی قابلیت‌های نیروی کار فعلی آنها و ارائه آموزش‌های رایگان به دانشمندان داده‌ باانگیزه (مانند مشارکتی که ما با سافت‌بنک (SoftBank) و شهر میامی داشتیم)، برای ما تجربه نزدیکی در جهت درک بهتر نیاز ضروری به نیروی کار با سواد داده‌ بیشتر را به همراه داشت و ما به شرکت‌ها کمک کردیم برای تحقق این هدف، اقدامات عملی مشخصی را در پیش بگیرند.  در اینجا چند راهبرد که ما استفاده کردیم، آورده شده است.

سواد داده را به اولویتی در سطح کل سازمان تبدیل کنید و آن را صرفا به افراد فعال در تشکیلات فناوری محدود نسازید.

سواد داده یک مهارت فنی نیست، بلکه یک مهارت حرفه‌ای است. همه کارمندان خود - بازاریابان، متخصصان فروش، پرسنل عملیات، مدیران محصول و... - را تشویق کنید که از طریق جلسات تعاملی سه‌ماهه که خودتان میزبان آن هستید، سواد داده‌شان را پرورش دهند؛ این جلسات جایی هستند که موضوعاتی مانند تصمیم‌گیری مبتنی بر داده، هنردستیابی به دستاوردهای ممکن در هوش مصنوعی، چگونگی ارتباط داده‌ها با کسب‌وکار شما، اخلاقیات و هوش مصنوعی یا چگونگی برقراری ارتباط با استفاده از داده‌ها را پوشش می‌دهید. این نوع تاکید در سطح کل سازمان، مبنایی برای تحولی به سوی فرهنگ داده‌سالار است.

 زبان مشترک درون‌سازمانی‌ای برای صحبت درباره‌ داده، چگونگی تلاقی آن با کسب‌وکار و صنعت شما و نحوه تاثیر آن در تغییر نقش‌های مشخص در شرکتتان را ایجاد کنید.

دنیای داده‌ها بزرگ و پر از کلمات قلمبه سلمبه و سوءتفاهم‌هاست. به عنوان یک سازمان چشم‌اندازی درباره اجزایی از سواد داده که برای سازمانتان بیشترین اهمیت را دارد، ایجاد کنید - اگر شما یک شرکت خدمات مالی هستید ممکن است اندازه‌گیری احتمالات و ریسک‌ها باشد. در جلسات یادگیری و توسعه‌تان (L&D)، محتوای آموزشی‌ای را بسط دهید که از این زبان استفاده می‌کند و نحوه‌ ارتباط این موضوع با کسب‌وکار شما در بخش‌های گوناگون را نشان می‌دهد، از این‌رو کارمندان می‌توانند بین سواد داده و جریان ‌کاری‌شان ارتباطی منطقی برقرار کنند.  

فضاهایی را در سازمانتان ایجاد کنید که کارمندان بتوانند مفاهیم کسب‌وکار و مفاهیم داده را به هم ارتباط دهند.

یکی از مواردی که ما به همه‌مشتریان کرِلِیشِن وان توصیه می‌کنیم این است که به کارمندان این قدرت را بدهند که ایده‌های کسب‌وکاری جدیدی را بپرورانند که سواد داده‌شان را به کار می‌گیرد. برای مثال فرض کنید شرکت شما در صنعت موسیقی فعالیت می‌کند. به عنوان بخشی از برنامه یادگیری و توسعه‌تان، از کارمندان بخواهید طرح‌های پیشنهادی پروژه‌هایی را توسعه دهند که درک نوظهور آنها از سواد داده را تقویت می‌کند - که ترکیب آن با دانشی که آنها از صنعت مورد فعالیت دارند باعث می‌شود آنها ایده‌های جدید شگفت‌آوری را برای صرفه‌جویی در هزینه‌ها و ایجاد عایدی به وجود بیاورند.  نکته دیگری که به همین اندازه مهم است این است که شما به آنها قدرت می‌دهید تا یک فرهنگ جدید داده‌سالار را از پایین به بالای ساختار هدایت کنند.

 برای پاداش‌دهی تصمیم‌گیری مبتنی بر داده ساختارهای تشویقی ایجاد کنید.

روند فعلی خود برای تایید ایده‌ها یا تنظیم بودجه‌ها را در نظر بگیرید. سپس سازوکارهایی  را که به تفکر مبتنی بر داده پاداش‌دهی می‌کند، اضافه کنید. به عنوان مثال از مدیران بخواهید پاکسازی داده‌ها را در طرح‌های پیشنهادی خود قرار دهند یا داشبوردهایی را ایجاد کنند که بتوان در آن شاخص‌های کلیدی عملکرد (KPI) آنها را به صورت کمی و در لحظه (real time) دنبال کرد. اگر شما بتوانید با استفاده از اعطای سریع‌تر تاییدیه‌های پروژه یا اعطای بودجه‌ بیشتر برای طرح‌های پیشنهادی‌ای که با تفکر مبتنی بر داده ایجاد شده‌اند، تصمیم‌گیری مدیرانتان را از مبتنی بر شهود به مبتنی بر داده تغییر دهید، به سرعت رفتار مورد نظر خود در مدیرانتان را از طریق این همسوسازی تشویقی(incentive alignment) دریافت خواهید کرد.

برنامه‌های یادگیری و توسعه‌ای را به کار بگیرید که سواد داده را در متن مشکلات کسب‌وکار شما آموزش می‌دهند و واقعا مشارکت کارمندانتان را جذب می‌کنند.

در سازمان‌هایی که به دنبال تحول پایدار هستند، عضویت در پلت‌فرم‌های تحصیلی و آموزشی مثل کرسرا (Coursera) نتیجه نمی‌دهد. چرا که یادگیری زمانی که به صورت اجتماعی است (همراه با دیگران انجام ‌شود)، به صورت شخصی‌‌شده انجام می‌شود (با همراهی بازخورد متخصصان انجام شود) و در متن شرایط مورد نظر است (با مشکلات کسب‌وکاری که شما در حال حل آنها هستید، مستقیما مرتبط باشد)، بسیار بیشتر موثر است. توسعه چنین برنامه‌های یادگیریِ شخصی‌شده، اجتماعی و وابسته به متن شرایطی مستلزم منابع بیشتری است، اما منافع آن از نظر جذب مشارکت کارمندان در مطالب، حفظ و نگهداری مطالب توسط کارمندان و توانمندسازی کارمندانتان ارزش این هزینه را دارد.  

شاید مهم‌ترین مساله این است که تجربه‌ من قبل و حین کار در کرِلِیشِن وان به من کمک کرد درک کنم داده‌ها چیزی عمودی و در نوک قله نیستند - آنها تنها یک رسته‌ شغلی مثل دانشمند داده یا مهندس داده نیستند. بلکه داده‌ها چیزی افقی و مسطح هستند - آنها مجموعه‌ای از مهارت‌ها هستند که تعداد فزاینده‌ای از شغل‌ها در حوزه‌های مختلف را دربر می‌گیرند.

یک بازاریاب با مهارت‌های داده بازاریاب بهتری ا‌ست. یک مدیر محصول با مهارت‌های داده مدیر محصول بهتری‌ است. برای عملیات، مهندسی، فروش و حتی منابع انسانی هم این مساله برقرار است. البته نیاز نیست همه‌ این افراد کدنویسی بدانند. اما به زودی همه به سواد داده نیاز خواهند داشت.  نهایتا سواد داده بسیار بیشتر از یادگیری ماشینی (machine learning) و علوم داده است. همچنین چیزی بیش از هوش‌مصنوعی‌ است. به زبان ساده سواد داده این است که انسان‌ها از عهده‌ دنیایی سرشار از داده‌های بهتر بربیایند - به همین دلیل است که با رشد روزافزون داده‌ها در دنیا، در حال حاضر بیشتر از هر زمان دیگری به سواد داده نیاز داریم.

 

این مطلب برایم مفید است
7 نفر این پست را پسندیده اند