随着数字化技术飞速发展,工作场所经历着翻天覆地的变化;算法越来越受到广大企业的青睐,成为推动管理革新的重要角色。值得注意的是,一些企业积极倡导“算法管人”时,相对忽视人的价值,遭遇了许多新麻烦。原本是为提升人类福祉而发明的算法技术,却不幸成为了“奴役”人的升级版工具。这警示领导者,必须正确审视算法管理的“利与弊”。
算法管理的“利与弊”
林德鲍姆(Lindebaum)等人(2020)提出,算法是一系列定义清晰、用于批量化解决特定问题的有限步骤或次序指令。企业借助算法能够完成之前仅凭人力或简单电子技术无法完成的复杂任务。例如,网约车平台基于调度算法管理网约车系统有限的资源,保证资源分配快速合理,从而最大程度地满足司机和乘客的需求。制造型企业在重型机械操作员身上配备疲劳检测头带以及携带GPS定位功能的徽章来提醒员工进行安全合规的生产操作,防止事故发生,并将这些与安全有关的绩效数据纳入最终考核之中。此外,部分企业还利用算法开展游戏化(gamification)任务设计,对员工的适当行为进行实时反馈与奖励,提升员工工作积极性,助推他们更加愿意投入到后续工作中去。上述例证充分体现出算法在管理效率提升方面的积极作用。借助算力支持,算法利用或产生大量数据,包括员工任务表现(行为)、生理、心理和实时位置等。组织或领导者可以利用这些多模态、多种类、规模巨大的数据辅助管理决策,从而提升管理效能,也能帮助员工更高效、轻松地完成工作,提升员工工作意义感和个人幸福感。
但另一方面,算法管理也被视为“泰勒制2.0”。与泰勒制相仿,算法管理的核心是算法控制,即通过强化现场数据采集、流程分析、效率管理,提升组织整体效率和绩效产出。由于算法能帮助企业对员工实现更广泛、更细颗粒度、更实时、更强影响力的控制,很多企业难免会被工具理性裹挟,想要不断突出算法的优势,替代人进行管理决策,而疏于考虑数字化本身的复杂性和适用性,以及数字化技术引入后,组织、管理者、员工发生的变化和彼此之间的协调适应问题。可以想象,这样做的结果往往事与愿违,算法管理驱使企业落入泰勒制困局,最终甚至弊大于利。以生活中常见的外卖行业为例,在算法驱使下的外卖员,被卷入了一场隐形竞赛。在这场只要有人参与就不会结束的竞赛中,算法在幕后扮演着一位理性、冰冷、强权的控制者角色,并且它还发动顾客通过评论对外卖员进行更广泛的约束与激励。因此,外卖员受制于系统规则和逻辑,不得不争分夺秒,增加单量和送餐速度,甚至为了能准时送餐而违反交通规则,威胁生命安全。可想而知,在算法牢笼束缚下,外卖员疲于奔命,其职业认同感与个人幸福感受到严重伤害。这样的剧情并不仅仅在外卖行业中上演,在各大传统行业中也同样可以看到困陷于算法中的大量员工。
算法管理下的个体:人性恶,还是人性善
为了回应“如何更好地发挥算法管理的技术优势,减少其负面影响”这一关键问题,领导者必须首先追问“受到算法管理直接影响的人是什么样的”。
麦格雷戈(Mc Gregor)在《企业中人的方面》提出了关于人性假设的X理论和Y理论。具体而言,X理论假定人性丑恶,认为人是懒惰的,逃避工作任务,不喜欢承担责任,不关注集体目标,只关注自己眼前的经济利益。在这种情况下,企业需要利用“胡萝卜+大棒”的方法,即通过强势控制对员工进行监督与激励。而算法管理在控制力上能实现对传统监管者的替代。例如,算法可利用模式识别和自然语言处理等技术自动分析录像片段中员工的行为动作,并进一步推测员工心理。这种自动化和侵入程度是传统监管方式无法达到的。遵循X理论的逻辑,算法管理作为一种替代性监督主体,能够激发员工工作责任感,明确工作角色和职责,避免人为差错因素,但也会大大增加员工的工作压力。总而言之,如果员工动机如X理论所预设,组织则应该将员工视为去个性化的机器,最大程度地发挥算法管理对员工实施严密控制的作用。而值得人们注意的是,一些企业利用算法对员工实施了过度控制,例如使用算法系统获取员工网上浏览记录和行为,提前预测员工的离职倾向和离职可能性。再如,另一些企业利用类似布里德(Breed)在《编辑部的社会控制》中所描述的“潜网”(用特定社会环境中的传播媒介实现无形但强有力的社会控制),对员工进行悄无声息的监控。在算法加持下,近到员工在公司内网中的言论和行为,远到员工在工作场所之外社交媒体的使用记录,都可能成为潜网用来对员工施加控制的工具。
而与X理论相对的Y理论则假设人性本善,认为人的本性积极,员工热爱工作,在适当机会下愿意将个人目标与集体目标统一起来,进行自我约束并在工作场所表现出合适行为,外来控制与惩罚会对员工造成威胁与阻碍。如果遵循Y理论的逻辑,施加强力的算法监控可能会使员工感受到工作自主性的受限以及隐私的被侵犯,进而会降低员工对管理和组织的信任,最终会损害员工工作绩效和个人幸福感。
事实上,X理论和Y理论刻画的并非绝对的善恶之分,而是反映出算法管理对员工个体可能发挥的两面功能。不难发现,Y理论对人性和员工工作动机的认识相对更加充满善意。笔者认为,虽然为了保持高效运转,企业需要对员工施加适当控制,但是,企业在管理过程中绝不应该忽视对员工作为独特个体的关注。从长远来看,企业最大的资产是人才。只有获取、保留、发展、利用好人才,才能保证企业在激烈的竞争环境,特别是在数字化浪潮中,实现可持续发展。通过算法管理,管理者可以获得凭借传统方式无法实现的实时多模态大数据搜集能力;这种能力能帮助管理者更好地理解员工、与员工们一起实现高效决策。人们必须意识到,即使算法管理造成了一定程度的“去个体化”,“成就个体”依然是组织发展的终极目标之一。
我们急需算法领导力
算法管理是一把双刃剑。如果把算法管理的引入视为是组织高层的意志,那么企业在设计算法时,就应该融入更多的人性考量。例如,外卖平台为了实现劳动价值最大化和高效化,不断压缩外卖骑手送餐时间,致使诸多劳工矛盾涌现。作为危机回应,外卖龙头饿了么和美团均尝试优化算法系统,给骑手留出更多的弹性时间,在一定程度上主动纠正技术的社会性偏差。与此同时,人们必须意识到,技术与人不是孤立的,技术应作为一种辅助和强化工具,帮助管理者进行决策,而不是替代管理者在组织和团队中的领导作用。所以,企业管理者设计或引入特定算法促使企业实现数字化转型提效的同时,必须思考如何发挥自身主动性,来应对算法管理导致的潜在风险。这就涉及到新兴的算法领导力(algorithmic leadership)议题,即在算法背景下,领导者将要应对哪些新兴挑战,又该如何有效地帮助员工与算法“和谐共舞”。
具体而言,领导者们必须清楚地意识到,员工在算法管理下面临着许多不可忽视的“张力”,遍布于员工与机器、组织和同事之间。首先,人工智能和自动化将员工从机械重复劳动中解放出来的同时,也造成一些传统岗位员工技术性失业或遭受更大的技能要求压力。面对这些替代与威胁,员工会自然地感动不安:我是否会被机器取代?我和机器有什么区别?机器凭什么来管理我?作为拥有真实智能(authentic intelligence)而不是人工智能(artificial intelligence)且具有人性温度的领导者,需要回应员工与机器之间的主体张力。
其次,组织使用算法更多是为了降本、增效、提质、创新,往往将员工发展和利益置于次要位置。这一过程中可能出现组织为了整体利益牺牲员工个体利益的情形。例如工厂依据效率最大化和算法计算结果向工人发出“最优”行动指令,但这种帮助可能会与工人自身经验和习惯产生冲突,引发其经历角色模糊并降低工作自主性。作为连接组织和员工的重要环节,领导需要回应组织与员工之间的利益张力。
第三,算法可能加剧人与人之间的竞争与不信任。在算法管理下,员工被物化为生产数据的机器,这进一步影响员工对自身的看法和对周围同事的认同。在这种情况下,员工是将同事当成并肩合作的伙伴,还是在算法指挥棒下相互竞争的对手?作为在组织中直接对员工施加社会影响的重要他人,领导者需要回应员工之间的协作张力。
人机交互行为研究领域著名学者德克莱默(De Cremer)在《算法同事》一书中提出,相较于传统管理者而言,算法管理中的领导者需要接受继续教育与培训,以技术主导的效率模式作为新型工作方式,并帮助员工理解、利用新技术;同时领导者需要关注自身作为人类的独特性(如创造力、同理心、伦理判断等),采取更加积极主动、注重情绪情感的方式,与员工们建立起良好的社会关系。由此可见,算法管理中的领导者必须懂得在技术和人性之间找到平衡。
为了发挥领导力在消解算法对员工造成不利影响时的作用,促使组织内人与算法高效协同,共同发展,笔者认为,算法领导力应该具备三种典型行为内涵,分别是人文关怀、目标权衡与关系协同。
首先,算法领导力应该是一种强调人文关怀的领导力。有人认为在领导力核心职能中,只有深度互动,主动代表和引领变革没有被机器立即取代的危险。算法管理在一定程度上接管了真人领导者的部分职能,减少了领导者与员工面对面双向沟通与理解的机会,降低了领导者与员工的互动深度。而领导者与员工之间的工作连结与社会连结对于建立良好上下级关系以及提升员工角色绩效和情境绩效都具有适当促进作用。因此,算法管理发挥作用并不意味着领导者在管理中缺位。领导者应该发挥人文关怀的作用,消除算法作为一个冰冷的监督与评价主体对员工造成的不利影响。
拥有人文关怀的领导者需要处理好帮助员工在接受算法“理性管理”的同时满足“情感需求”的问题。领导者需要让员工知道算法管理是能够协商的,组织和团队重视员工合理诉求以及工作体验,应用算法的目的始终是为了帮助组织和员工更好地提升效率,而不是进行工作控制。同时,领导者也需要关注算法管理下每一位员工的独特性,适时地融入组织-算法-领导-员工的互动,而不是仅仅将员工视为不断生产数据的机器,以去人性化和不平等姿态对待员工。
其次,算法领导力应该是一种注重目标权衡的领导力。组织层面设计并引入算法是为了利用数字化技术赋能企业管理过程,提升企业效率和市场竞争力。与之相对,员工的基本诉求是个人利益的满足,如获得可观的报酬、晋升机会,以及自我实现等。在算法管理背景下,企业往往很难平衡组织整体和员工个体之间的利益关系,且算法作为对员工劳动过程进行控制的手段,使得企业获得了相较于员工更大的优势地位,并往往在利益冲突时选择牺牲处于弱势地位的员工的利益。因此,介于组织和基层员工之间中间层级的领导者有责任更多地思考如何发挥自身作用,有效回应组织内部特别是组织与员工之间的张力,例如存在于“利润最大化”与“管理人性化”、“组织定量计算”与“员工价值主张”等之间的张力。这首先要求领导者对于自己管理的员工,要关注人性,具有温度,善于觉察员工各类情绪表现,倾听并及时反馈员工在算法管理下的诉求。另外,领导者要充分发挥组织和员工之间的纽带作用,善于平衡个体利益和集体利益,尽所能找到不同利益相关者目标间的平衡点。
最后,算法领导力应该是一种倡导关系协同的领导力。算法管理在很大程度上实现了对员工个体劳动过程的引导、评价与规训,可以对员工进行实时、全方位的监控与绩效反馈。这可能导致员工更加关注自身绩效目标以及劳动过程和结果,而在一定程度上忽视了如何与团队和组织中其他人进行合作来实现既定目标。算法管理过于依赖结构化的数字化工作流程,导致人际互动显著减少,产生低质量协同关系,甚至成为“一盘散沙”,不利于有效合作。当今社会中,知识型员工占比逐渐增加,他们本身具有实现自我价值的强烈愿望,高度重视成就激励,热衷于通过精细化的评价结果充分展现自身独特竞争力。在一些过程和结果相对容易被量化的工作中,算法可能进一步加深知识型员工单打独斗的倾向,但是对于知识型员工所在的团队而言,缺乏开放协作和知识分享,会最终影响整个团队的进步。
诚然,人们在算法设计之初就应该纳入对于合作过程和绩效的指标考量,但仍需要领导者发挥自身作用,有效地减少由于个体化评价造成的员工间疏离以及自利倾向。领导者可以充分利用数字化技术提供的线上沟通渠道,推动自己与员工以及员工之间的高效多边沟通,及时了解员工的工作、生活、家庭情况,并给予充分反馈,帮助员工更好地融入团队,体会到团队、领导和同事的支持。领导者还可以积极采用团队和个人工作进度可视化、户外团建、知识分享会等方式,一方面让团队内成员更好地将团队整体目标内化为个人自身目标,另一方面加强团队成员之间相互了解,降低不信任和误会的产生,同时加强彼此之间信息传递,让团队内的员工知道每个人的相对优势与不足,从而在完成工作过程中,增加相互合作的意愿,更好地寻求优势互补,提升工作效率与质量。
结语
总而言之,算法管理是一把双刃剑。作为工具,算法帮助企业实现了之前难以想象的管理范围、深度与强度。但工具本身不应该替代目的,算法管理的目的始终是提效而不是控制,算法管理也不应该替代人的管理。
在算法管理背景下,人的价值——不管是员工作为一个有情感、有动机的人,还是领导者作为一个和算法进行协作互补的人——始终是算法管理在具体应用过程中应该考虑的内容。算法领导力,不管是作为一个新的概念,还是传统的领导力在算法背景下衍生出的新内涵,都值得企业的管理者在真实的算法应用背景下进行积极的内涵探索与实际应用。
以上是谁来助我与算法共舞——算法管理中的领导力的详细内容。更多信息请关注PHP中文网其他相关文章!

特斯拉是一个典型的AI公司,过去一年训练了75000个神经网络,意味着每8分钟就要出一个新的模型,共有281个模型用到了特斯拉的车上。接下来我们分几个方面来解读特斯拉FSD的算法和模型进展。01 感知 Occupancy Network特斯拉今年在感知方面的一个重点技术是Occupancy Network (占据网络)。研究机器人技术的同学肯定对occupancy grid不会陌生,occupancy表示空间中每个3D体素(voxel)是否被占据,可以是0/1二元表示,也可以是[0, 1]之间的

译者 | 朱先忠审校 | 孙淑娟在我之前的博客中,我们已经了解了如何使用因果树来评估政策的异质处理效应。如果你还没有阅读过,我建议你在阅读本文前先读一遍,因为我们在本文中认为你已经了解了此文中的部分与本文相关的内容。为什么是异质处理效应(HTE:heterogenous treatment effects)呢?首先,对异质处理效应的估计允许我们根据它们的预期结果(疾病、公司收入、客户满意度等)选择提供处理(药物、广告、产品等)的用户(患者、用户、客户等)。换句话说,估计HTE有助于我

译者 | 朱先忠审校 | 孙淑娟引言模型超参数(或模型设置)的优化可能是训练机器学习算法中最重要的一步,因为它可以找到最小化模型损失函数的最佳参数。这一步对于构建不易过拟合的泛化模型也是必不可少的。优化模型超参数的最著名技术是穷举网格搜索和随机网格搜索。在第一种方法中,搜索空间被定义为跨越每个模型超参数的域的网格。通过在网格的每个点上训练模型来获得最优超参数。尽管网格搜索非常容易实现,但它在计算上变得昂贵,尤其是当要优化的变量数量很大时。另一方面,随机网格搜索是一种更快的优化方法,可以提供更好的

导读:因果推断是数据科学的一个重要分支,在互联网和工业界的产品迭代、算法和激励策略的评估中都扮演者重要的角色,结合数据、实验或者统计计量模型来计算新的改变带来的收益,是决策制定的基础。然而,因果推断并不是一件简单的事情。首先,在日常生活中,人们常常把相关和因果混为一谈。相关往往代表着两个变量具有同时增长或者降低的趋势,但是因果意味着我们想要知道对一个变量施加改变的时候会发生什么样的结果,或者说我们期望得到反事实的结果,如果过去做了不一样的动作,未来是否会发生改变?然而难点在于,反事实的数据往往是

SimCLR(Simple Framework for Contrastive Learning of Representations)是一种学习图像表示的自监督技术。 与传统的监督学习方法不同,SimCLR 不依赖标记数据来学习有用的表示。 它利用对比学习框架来学习一组有用的特征,这些特征可以从未标记的图像中捕获高级语义信息。SimCLR 已被证明在各种图像分类基准上优于最先进的无监督学习方法。 并且它学习到的表示可以很容易地转移到下游任务,例如对象检测、语义分割和小样本学习,只需在较小的标记

一、盒马供应链介绍1、盒马商业模式盒马是一个技术创新的公司,更是一个消费驱动的公司,回归消费者价值:买的到、买的好、买的方便、买的放心、买的开心。盒马包含盒马鲜生、X 会员店、盒马超云、盒马邻里等多种业务模式,其中最核心的商业模式是线上线下一体化,最快 30 分钟到家的 O2O(即盒马鲜生)模式。2、盒马经营品类介绍盒马精选全球品质商品,追求极致新鲜;结合品类特点和消费者购物体验预期,为不同品类选择最为高效的经营模式。盒马生鲜的销售占比达 60%~70%,是最核心的品类,该品类的特点是用户预期时

译者 | 李睿 审校 | 孙淑娟随着机器学习成为人们每天都在使用的很多应用程序的一部分,人们越来越关注如何识别和解决机器学习模型的安全和隐私方面的威胁。 然而,不同机器学习范式面临的安全威胁各不相同,机器学习安全的某些领域仍未得到充分研究。尤其是强化学习算法的安全性近年来并未受到太多关注。 加拿大的麦吉尔大学、机器学习实验室(MILA)和滑铁卢大学的研究人员开展了一项新研究,主要侧重于深度强化学习算法的隐私威胁。研究人员提出了一个框架,用于测试强化学习模型对成员推理攻击的脆弱性。 研究

10 月 5 日,AlphaTensor 横空出世,DeepMind 宣布其解决了数学领域 50 年来一个悬而未决的数学算法问题,即矩阵乘法。AlphaTensor 成为首个用于为矩阵乘法等数学问题发现新颖、高效且可证明正确的算法的 AI 系统。论文《Discovering faster matrix multiplication algorithms with reinforcement learning》也登上了 Nature 封面。然而,AlphaTensor 的记录仅保持了一周,便被人类


热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

EditPlus 中文破解版
体积小,语法高亮,不支持代码提示功能

VSCode Windows 64位 下载
微软推出的免费、功能强大的一款IDE编辑器

Dreamweaver Mac版
视觉化网页开发工具

MinGW - 适用于 Windows 的极简 GNU
这个项目正在迁移到osdn.net/projects/mingw的过程中,你可以继续在那里关注我们。MinGW:GNU编译器集合(GCC)的本地Windows移植版本,可自由分发的导入库和用于构建本地Windows应用程序的头文件;包括对MSVC运行时的扩展,以支持C99功能。MinGW的所有软件都可以在64位Windows平台上运行。

PhpStorm Mac 版本
最新(2018.2.1 )专业的PHP集成开发工具