爛隊崛起 The Rise of Bad Teams
人工智慧將會徹底改變團隊的管理和領導。
Artificial Intelligence will bring fundamental changesto team management and leadership.
(For English version please visit our website
SoCientHubby clicking "read more" at the bottom
「沒有糟糕的團隊，只有糟糕的領導。」這句名言影響了歷史上歷代領袖人物。的確，當團隊成員沒有經過系統地、長期的技能匹配分析，而是大致隨機分配到一起，此時團隊領導者是團隊質量的決定因素。即便是今天，在大學部門、項目小組、軍事單元或足球團隊等的精英機構里，只有很少數的團隊是基於高質量的成員技能分析數據而組成的。
原因很簡單，若要形成最佳的團隊組合，機構則需要投入巨大的時間、金錢以及分析海量的個體數據，這意味著大部分機構只能在內部的少數團隊進行這樣的投入。一間醫院或許只有一支國際知名的心臟移植精英團隊，這個團隊的成員是經過精心篩選組合、試驗後調整再組合…直到團隊成員的匹配度達到最佳。但對於同一家醫院的周三夜班急診團隊，這樣的管理投入基本難以實現。
這樣看來，那句關於領導者的名言仍然適用於當今社會，或許更準確地說法應該是：「大部分的團隊不算太差，直到他們遇到糟糕的領導者。」不過，當大數據和實時團隊管理演算法真正普及後，時下的格局很可能會改變。現在看上去不可能的事，很快就會成為現實：機構將會大範圍地使用這種最經濟有效的方法來組建出優秀的團隊。然而，組合出優秀的團隊同樣意味著一般水平團隊和絕對爛隊的出現。
- - -
為理解這個變化將如何發生和有何後果，我們可以參考電子競技領域（E-sports）。計算玩家的相對技能水平一直是電子競技領域的關鍵問題，因此大規模的實時團隊配置已非新事物。著名的él?評級系統 早前已被大量運用於計算電腦競技遊戲的玩家技能水平（https://en.wikipedia.org/wiki/Elo_rating_system，名字來源於它的創建者árpád él? - 一位匈牙利美籍物理學教授）。與él?評級系統相似的、但更專註於團隊評級的系統（如Glicko和TrueSkill）是當今所有電子競技遊戲的關鍵組成部分。
接下來將以《彩虹六號：圍攻》–一個擁有三千萬玩家的團隊戰略射擊遊戲為例子來解釋上述評級演算法是如何運作的：
(資料來源：steam社區 http://steamcommunity.com/games/359550/announcements/detail/510427034959713144)
遊戲設計中使用演算法將兩個變數賦值於每個玩家：技能水平(μ)和該水平的不確定性(σ)。玩家的技能以一個鍾狀的曲線進行展現，中間值為25（高銀級– 低金級）。（圖1）
圖1
舉一個例子，假設遊戲中只有兩個玩家Craig 和 Justin。Justin是一個金級玩家(μ≈29)，而且他已經成為金級玩家許久，意味著他的級別不確定性較低(σ≈ 3)。和對手Craig（一位銅級玩家）的交戰中，Justin輸了，由於他的級別不確定性較低，可認為Justin失水準了，他的技能水平降低為μ≈28。這是因為系統將對手的級別也納入考慮，如果Justin輸給了金級的對手，那麼降級幅度將會較小，μ≈28.5；如果輸給了鑽石級的對手，則μ≈28.9。
Craig 仍是一個新手，系統將其水平定位為μ≈17，σ≈6。幸運地，他打敗了金級的Justin，技能水平提升到了μ≈20，這次勝利讓系統判斷他為更好的玩家，因此他的級別不確定性降低到σ≈ 5.5。因為Craig是個不確定性較大的玩家，加上系統對Justin的認知比較自信，按照這個邏輯，系統對Craig的級別提升幅度較大。
有一點值得注意的是，在這個系統，你的個人表現並不會影響你技能評級增減。系統衡量的是你的團隊貢獻，如果你是一個優秀的玩家，且你能和所在團隊配合良好，長期來看你自然而然會贏更多的比賽。為團隊帶來積極的貢獻才是系統衡量一個玩家技能的關鍵。
在電子競技遊戲中，遊戲設計者一直致力於完善系統的演算法，使其能夠更加準確地預測玩家的水平，並使得配置出的團隊之間的水平差異最小化，平衡遊戲對手之間的水平差異。對於機構管理而言，類似的演算法也可以幫助人力資源管理者和團隊領導者按照水平級別區分組建出同質團隊，方便規劃和監控效率。再者，如果人工智慧可逐漸組建出相互水平平衡的團隊，那麼它也有助於組建出內部成員水平平衡的團隊。回到電子競技例子，我們可以看到這個「逐漸」的過程是如何在實際中實現的：
遊戲設計開發團隊根據玩家的反饋和遊戲數據等信息不斷改善他們系統的演算法。圖2中，塵線（DustLine）是他們以前使用的演算法，紅烏鴉（RedCrow）是他們改進後的新演算法。我們可以看到，相比起之前的演算法，紅烏鴉演算法下的遊戲數據顯示團隊差異減少了約50%；且隨著時間（x軸）的增加，團隊差異的增幅也比原來減少了，即紅烏鴉演算法下，團隊水平的平衡更加穩定。
圖3顯示改進後的新演算法改善了團隊組合，帶來了更加均衡的比賽結果。雖然結果差異較大的比賽（如4-0和4-1）仍然較多，但對比起舊演算法塵線，新演算法紅烏鴉的數據中，結果差異較大的比賽數量減少了（-2.3%，-0.5%）；且結果差異較小的比賽（如4-2，5-3，5-4）數量上升了（+1.1%，+0.7%，+0.9%）。
圖2
圖3
- - -
我們可以看到，技能或表現評級演算法已經在電子競技領域成熟運用了。或許很快，類似的系統也會廣泛地應用在其他領域中。不久之後，我們的工作崗位將變得靈活，不再局限於一個團隊中，而是通過系統實時測量分析個體的專業技能與合作能力，根據個體在團隊中的表現被實時地、動態地分配到更加適合該個體的團隊中。
相比於隨機成員組成的團隊，一個機構不需要監測每個人力個體的表現，而是以團隊為單元來管理人力資源，每個團隊的水平可以有系統清晰的數據參考，把高難度的任務交給精英級別的團隊去處理，同時讓較低級別的團隊去處理耗時長但難度較小的任務。對於具有龐大人力數量的機構而言，管理層從需要管理上萬個個體到只需仔細研究幾十個團隊，這提高了機構的綜合管理效率。
我們應該會很享受處在更加靈活和順心的崗位，不必面對難以合作的隊友（如獨自承擔90%的工作負荷或被自大的隊友誤解抱怨）。然而，在人力資源管理引進這樣的評級系統和團隊組合方法之前，我們也需要三思而後行。
首先，需要承認在隨機組合成的團隊中並不是沒有優勢，其中一個好處就是能力較弱的成員有機會向能力強的隊員學習並得到提高。失去這個機會且沒有其他的學習進修渠道進行補充，這不利於僱員和組織的發展。再者，因為是隨機組配的，團隊間的水平不會有太大的差別，這就避免了所在團隊的等級之分為一些隊員的心理帶來不利影響，例如，系統通過分析歸類，把一個人分配到一個等級4或5的團隊中，因這些等級是眾所周知的低級團隊，隊員的士氣或會受挫。
上述潛在的問題和挑戰尚未有確定的答案和最佳解決方法。基於人工智慧的實時評級系統大有可能幫助一些機構取得管理效率，同時也可能不適用於其他機構。除此，系統可能會在一開始為一些機構帶來積極的影響，但之後的影響變得消極；又或者一開始消極，之後變得積極……誰也說不準。
在第一次世界大戰的靜態階段，形勢較穩定，容易預測，德國軍隊根據形勢將組織結構改造成按照高-低技能表現區分的精英級攻擊團隊和較弱的防守團隊，這樣的組織形態使得德國軍隊在當時運作順利。但是，同樣的組織形態卻不適用於第二次世界大戰那充滿不確定性的形勢，由於優秀人才和潛在的領導者過度集中在精英團隊，削弱了一般級別的團隊的能力，進而削弱了整體在不確定性較大的形勢下的應對能力。
For English version please visit our websiteSoCientHubby clicking "read more" at the bottom. It might take sometime to load. Better open in browser 
TAG:SoCient |