你能委託機器人來做決定嗎?

Can You Entrust That Decision to a Robot?
瀏覽人數:889


影片載入中...
在自動化的先端領域為自己找到定位。本影片內容取材自瓦桑.達爾發表於《哈佛商業評論》的文章。

隨著機器人和演算法承擔愈來愈多工作,可預測性和犯錯的後果這兩大因素,可用以決定哪些決定或流程應自動化,而哪些仍應由人類進行。

目前,我們交付給機器做的決定,可預測性的程度不一。例如在金融領域,市場走勢難以預測。同樣的,廣告的效果也很難預測。然而,網路廣告和極短期交易多半都已自動化。對比之下,自動駕駛車和白內障手術多半是高度可預測的情況,研究顯示,在這些情況裡,機器的表現 可媲美人類,甚至更好,雖然罕見的「邊緣案例」,可能對機器構成問題。在中間地帶,也有一些工作可使用預測系統,例如健康照護工作,但會產生大量的偽陽性和偽陰性訊息,因此我們不願意放棄控制權,不願交由機器做決定。

因此,自動化不是簡單的決定,不只是把可預測的工作分配給機器,其餘工作交給人類。還欠缺什麼?我們還必須考慮犯錯的後果。拙劣的投資決定會造成傷害,但若自動駕駛車作出一個糟糕的決定,因為它沒有受過相關訓練,不知如何處理那個邊緣案例的情況,這造成的風險可能極慘重。醫療程序和診斷,可能涉及更高的風險。同時考慮可預測性和犯錯的後果,事情就變得清楚得多,問題所在的位置,顯示它的自動化潛能。

我們可以畫一條「自動化邊界」線,畫分我們可交付給機器的工作,和目前還不能交給機器的工作。在可預測性較低的領域,錯誤的代價也必須較低,我們才能放心進行自動化。這個架構的一個效用在於,它會隨著技術、法規和社會規範而演變。例如,用以預測糖尿病和後續併發症的診斷工具,未來可能變得愈來愈準確,因為會有更精密的檢測可使用,因而減少代價高昂的錯誤,而以這些系統為基礎的決定,更可能走向自動化。法規、保險和其他政策也可能改變,影響我們計算風險的方式。但你或許會問,邊界線為什麼一定是直線?不見得要如此。我們可以選擇想要的保守程度,並決定要給人類多少自由裁量空間,然後才把這些決定交付給機器。

自動化和「大數據」正熱門,而且它們的本質變化迅速,但領導人現在就可以問一個簡單問題:我們的問題或流程,落在這張圖上哪個位置?只要投入一點心力,根據這兩個面向把問題量化,就能得到合理的基礎,用以回答「我們該怎麼做?」

( 周宜芳譯 )



本篇文章主題科技