本文出自

別把指標當策略

別把指標當策略

2019年10月號

「影子學習法」讓組織學習邁開大步!與智慧型機器聰明共事

Learning to Work with Intelligent Machines
麥特.比恩 Matt Beane
瀏覽人數:1514
  • "「影子學習法」讓組織學習邁開大步!與智慧型機器聰明共事"

  • 字放大
  • 多人授課購買
    購買〈「影子學習法」讓組織學習邁開大步!與智慧型機器聰明共事〉文章
  • 個人收藏購買
    購買〈「影子學習法」讓組織學習邁開大步!與智慧型機器聰明共事〉PDF檔
    下載點數 10
企業部署人工智慧(AI)和機器人的方式,顛覆了師徒制、在職學習之類的傳統培訓技巧,我們必須了解如何結合新舊技巧。本文提出打破常規的非正統做法:影子學習法。調整那些用以開發組織、技術、工作設計的實務,以促進在職學習。

現在是早上6點半,克麗絲汀推著攝護腺病患進入手術室。她是資深的住院醫師,也就是訓練中的外科醫師。今天她希望能親手參與手術中一些比較細膩的流程,動手做保留神經的切除手術。主治醫師就站在她的旁邊,他們的四隻手大多時候都放在病人身上,在主治醫師的仔細監督下,由克麗絲汀負責開刀。手術進行得很順利,主治醫師放手讓由克麗絲汀完成手術,那時是8點15分。一位資淺的住院醫師在一旁觀看她怎麼做,她讓那位住院醫師為病人做最後的縫合。這時克麗絲汀感覺好極了:病人將會康復,而她現在的外科醫術比6點半的時候更好。

現在把鏡頭快轉到六個月後。又是早上6點半,克麗絲汀推著另一個攝護腺病人進入手術室,但這次是做機器人手術。主治醫師帶領設定一個重達一千磅的機器人,將機器人的四支手臂伸到病人身上。設定完成後,他和克麗絲汀走到15呎外的控制台就定位。他們背對著病人,克麗絲汀在一旁看著主治醫師遙控機器人的手臂,小心翼翼地找出組織並加以切除。主治醫師使用機器人,就可以自己完成整台手術,所以他幾乎自己包辦整台手術。他知道克麗絲汀需要練習,但他也知道讓她動手的話,速度會變慢,可能會有更多失誤。所以在長達四小時的手術中,克麗絲汀若能親自操作15分鐘以上就很幸運了。她也知道,萬一她失誤了,主治醫師會輕輕碰一下觸控式螢幕,拿回操控權,並公開要求她在一旁觀看就好。

外科手術可能是很極端的工作,但是直到不久前,外科醫師學習本身專業的方式,一直都跟大多數人在職場上的學習一樣。我們看著專家怎麼做,先參與比較簡單的任務,然後逐漸進展到比較困難的任務,通常是在前輩的密切監督下完成風險較高的工作,直到我們自己也成為專家為止。這個過程有很多種說法:學徒制、導師制(mentorship)、在職學習(OJL)等。在外科手術中,這稱為「看一例,做一例,教一例」(See one, do one, teach one)

在職學習雖然重要,但企業往往把在職學習視為理所當然,幾乎從未正式提供經費或管理這類活動。據估計,2018年全球企業在正規訓練上約投入3,660億美元,但這些資金很少直接用於在職學習。而且數十年的研究顯示,儘管雇主提供的訓練很重要,但可靠地完成一項任務所需要的多數技能,只能靠邊做邊學。多數組織非常依賴在職學習:2011年,埃森哲顧問公司(Accenture)的一項調查顯示,在那之前五年內,僅五分之一的員工透過正規訓練,學會新的工作技能。

如今在職學習受到了威脅。輕率地把複雜的分析法、人工智慧、機器人技術導入工作的許多面向,徹底顛覆了在職學習這種存在已久的有效方法。隨著這些技術把工作自動化,每年將有數萬人失業或得到工作,而有數億人將會需要學習新的技能和工作方式。然而,廣泛的證據顯示,公司部署智慧型機器時,常阻礙「在職學習」這個重要的學習途徑:我和同事發現,公司改用機器時,剝奪了受訓人員的學習機會,使專家遠離行動,也導致受訓人員和專家負擔過重,因為他們必須同時熟悉新舊做法。

那麼,員工該如何學習與這些機器共事呢?我們從觀察一些學習者而看出一些端倪。那些學習者私下偷偷打破常規,想辦法投入學習活動,而由於學習成效不錯,組織也包容那些做法。我稱這種普遍投入的非正式流程為「影子學習法」(shadow learning)。

四大學習障礙

受訓者被剝奪學習優勢、專家遠離工作

我在美國18所頂尖的教學醫院,觀察外科醫師和外科住院醫師兩年,那段期間我發現了這種「影子學習法」。我研究兩個情境中的學習和訓練:傳統(開放式)手術和機器人手術。我針對機器人手術為資深外科醫師、住院醫師、護理師、刷手護理師所帶來的挑戰(刷手護理師的職責是為病人做準備,幫醫師戴上手套及穿上手術袍、遞送器材等等);我收集相關的資料,特別把焦點放在少數幾位找到打破常規的新學習方法的住院醫師身上。雖然這項研究是鎖定外科手術,但我更大的目的是想找出與智慧型機器共事的多種工作中,所出現的學習和訓練動態。

為此,我聯繫了一小群人數持續增加的實地研究人員,他們在研究一些環境當中工作的人如何與智慧型機器共事,這些環境包括網路新創公司、警政機構、投資銀行、線上教育等。他們的研究揭露的動態,和我在外科手術訓練中觀察到的動態很像。我從他們不同的研究方向中,找出學習必要技能時普遍遇到的四種障礙。這些障礙促成了影子學習法出現。

1受訓者被剝奪了「學習優勢」。

在任何工作領域,訓練都會產生成本、降低品質,因為新手的動作較慢,而且會犯錯。為了克服這些問題,組織導入智慧型機器時,常會避免受訓人員參與工作中高風險且複雜的部分,克麗絲汀的例子就是如此。於是,新手不再有機會接觸那些挑戰其能力極限的情境,也沒有機會在有限的協助下,從失誤中振作起來,但這正是學習新技能的必要條件。

同樣的現象,也出現在投資銀行業。紐約大學(New York University)的卡倫.安東尼(Callen Anthony)發現,投資銀行的資淺分析師愈來愈沒有機會接觸到資深合夥人,因為那些資深合夥人在詮釋併購案當中由演算法協助產生的公司估值時,資淺分析師愈來愈沒有機會接觸到資深合夥人。那些資淺分析師的任務,只剩下使用一些可上網搜尋目標公司財務資料的系統,從系統中提取原始報告,交給資深合夥人進行分析。這種分工的背後理由是什麼?首先,避免資淺人員做攸關顧客的複雜工作時,可能犯錯的風險。第二,盡可能提升資深合夥人的效率:他們愈不需要向基層人員解釋工作,就愈能夠專注進行更高階的分析。這樣做在短期內可以提高效率,卻導致資淺分析師無法接觸有挑戰性的複雜工作,使他們更難學習整個估值流程,也削弱公司未來的能力。

2專家遠離了工作。

有時候,智慧型機器會介入處於受訓人員和工作之間;有時這些機器部署的方式,會阻止專家親手去做重要的工作。在機器人手術中,外科醫師在手術過程中大多看不到病人的身體或機器人,所以無法直接評估及管理關鍵的部分。例如,在傳統手術中,外科醫師可以敏銳地察覺到各種裝置和儀器壓迫到病人的身體,於是做出調整;但在機器人手術中,萬一機器人的手臂撞到病人的頭,或是刷手護理師正要更換機器人的器材,醫師不會知道,除非有人告訴他。這對學習有兩項含意:外科醫師無法獨力練習必要的技能,以便完整理解整個工作任務;他們必須透過他人,來建立與理解工作任務有關的新技能。

公司部署智慧型機器的方式,往往剝奪受訓人員的學習機會,也使專家遠離行動。

目前在賓州大學(University of Pennsylvania)任教的班傑明.謝斯塔科夫斯基(Benjamin Shestakofsky)指出,一家股票上市前的新創公司也出現類似的現象。該公司利用機器學習媒合勞工與就業機會,並提供一個平台,讓勞工和雇主可協商就業條件。起初,那些演算法的媒合不太理想,所以舊金山的主管雇用菲律賓的人來做人工媒合。勞工在平台上遇到困難時(例如對求才的雇主開價或設定付款方式的時候),這家新創公司的主管又把所需的這些支援工作,外包給另一群分散在拉斯維加斯不同地點的員工。由於公司的資源有限,主管只能隨便找人解決這些問題,以便爭取時間,想辦法尋求資金和更多工程師,來改善這項產品。把這些問題委託出去,讓主管和工程師可以專注於業務開發及編寫程式,但也剝奪了他們重要的學習機會:這使他們無法經常接觸到顧客(勞工及雇主)的意見,不知道顧客面臨的問題及想要什麼功能。

3學習者必須同時熟悉新方法與舊方法。

機器人手術和傳統手術的目的相同,但使用的技巧和技術全然不同。機器人手術可望達到更高的精確度並兼顧人體工學,這種手術直接被納入課程當中,住院醫師必須同時學習傳統的開放式手術和新的機器人手術。但課程並沒有安排足夠的時間,讓住院醫師徹底學習這兩種手術,這往往導致最壞的結果:兩種都學不精。我稱這種問題為「方法超載」(methodological overload)。

加州大學柏克萊校區(UC Berkeley)的夏里哈許.凱爾卡(Shreeharsh Kelkar)發現,許多教授使用新技術平台edX,來設計大規模開放線上課堂(又稱磨課師,MOOCs),結果也遇到類似的情況。EdX針對學生和平台的互動(包括點擊數、留言、影片暫停播放次數等)做細膩的演算法分析,然後根據這些分析,提供教授一套課程設計工具和教學建議。想要設計及改進線上課程的教授必須學習大量的新技能(例如,如何在edX的使用介面上操作自如,詮釋有關學習者行為的分析、組成及管理課程的專案團隊等),同時還要精進「老派」教學技能,以便在傳統的課堂上授課。每個人都很難應付這種壓力,尤其新方法不斷推陳出新:幾乎天天都會出現新的工具、指標和期望,教師必須迅速評估及掌握這些新事物。只有那些本來就很熟悉技術又有大量組織資源的人,才能夠妥善兼顧新舊方法。

4一般認為,標準學習法是有效的。

數十年的研究和傳統,要求醫學院的學生「看一例,做一例,教一例」,但我們已經看到,這套方法不太適合機器人手術。儘管如此,要求人們採用已證實有效方法的壓力如此巨大,所以很少人敢偏離正規做法。外科訓練研究、標準慣例、政策、資深外科醫師,全都繼續強調傳統的學習法,儘管這種方法顯然需要為機器人手術而更新。

德州大學(University of Texas)的莎拉.布萊恩(Sarah Brayne)發現,洛杉磯警方試圖把傳統的巡察方法應用在演算法產生的巡邏任務指派時,他們的學習方法和需求之間也出現類似的不適配狀況。儘管這種「預測性巡察」的成效還不明確,道德上也有爭議,但已經有數十支警力愈來愈依賴這種方式。洛杉磯警局的PredPol系統把洛杉磯分成每五百平方呎一區,算出每一區的犯罪機率,然後按照機率來指派員警去各區巡察。布萊恩發現,員警和警察局長不見得知道,員警何時該依循人工智慧指派的任務,也不知道該如何執行那些任務。在巡察方面,傳統上大家覺得可靠的新技巧學習模式,向來都是結合一點正規教學,配合大量老派的現場學習。許多警察局長因此認為,員警主要是從實際工作中學習如何納入犯罪預測。這種對傳統在職學習的依賴,導致他們對這種新工具及它的指引感到混淆,也產生抗拒。警察局長不想告訴員警,到指派的巡察區域該做什麼,因為他們想讓員警依靠經驗知識和自行判斷。局長也不希望公然縮減員警的自主權,造成事必躬親的印象,因此激怒員警。但他們依賴傳統的在職學習方法,這在無意間破壞了學習:許多員警始終不知道該如何使用PredPol,也不知道這套系統的好處,所以覺得這套系統一無是處,但他們還是被要求負責執行系統指派的任務。這不僅浪費時間,減少信任,也導致錯誤的溝通及資料登錄錯誤,所有這些都破壞了巡察效果。

近一百年前,社會學家羅伯.默頓指出,如果正統手法不再能夠達成重要的目標,就會出現偏離的做法。

影子學習法五大技巧

尋求挑戰、從第一線取經、設計角色

面對這些障礙,採取影子學習法的那些「偷學者」只好偷偷地打破常規,以獲得所需的指導和經驗。這種做法並不令人意外。近一百年前,社會學家羅伯.默頓(Robert Merton)就指出,如果正統手法不再能夠達成重要的目標,就會出現偏離的做法。專業知識的累積也不例外(獲得專業知識或許正是終極的職業目標)。由於前述的障礙,應該會有人想要以偏離做法學習關鍵技能。他們的方法往往充滿巧思,也很有效,但可能會對個人和組織造成傷害。偷學者可能遭到懲罰(例如失去執業的機會和身分),或造成浪費、甚至傷害。儘管如此,一再有人冒這種風險,因為在大家認可的方法成效不彰之處,他們的學習方法有效。不加思索就直接仿效這些偏離做法,幾乎都是不可取的,但組織確實應該向這些做法學習。

以下是我和其他人觀察到的偷學技巧:

尋求挑戰。

前面提過,剛接觸機器人手術的受訓人員通常沒什麼機會實作。偷學者解決這個問題的方法,是尋找機會進行在有限的監督下,挑戰本身能力極限的手術。他們知道有挑戰才有學習的效果,而許多主治醫師不太可能放手讓他們做。我研究的住院醫師中,有一小群醫師後來確實變成了專家,他們想辦法獲得操作機器人的時間。其中一個方法,是找本身並非經驗豐富專家的主治醫師合作。泌尿科可說是對機器人手術最有經驗的專科,泌尿科的住院醫師會輪調到其他專科,那些專科的主治醫師可能不是那麼熟悉機器人手術,於是這些住院醫師就能善用自身在機器人手術方面的光環效應(雖然他們接受的訓練其實很有限)。這些主治醫師比較無法察覺機器人手術上的品質偏差,他們也知道泌尿科的住院醫師接受過這方面真正專家的訓練,因此比較願意放手讓泌尿科的住院醫師動手術,甚至還會徵詢他們的意見。不過,很少人會說這是理想的學習方法。

那些無法參與複雜估值流程的資淺分析師怎麼做?團隊裡的資淺成員與資深成員一起工作,而不顧公司新出現的標準做法。資淺分析師持續從系統取得原始報告,以產生必要的輸入資料,但他們跟著資深合夥人一起做後續的分析。

從某些方面來看,這聽起來像冒險的商業舉動。的確,這樣做會拖慢流程,而且這需要資淺分析師以極快速度處理更多種估值方法和計算,因此容易產生難以察覺的錯誤。但這些資淺分析師更深入了解併購案中的多家公司和其他利害關係人,也更了解相關的產業,並學會如何管理整個估值流程。他們不再只是系統裡的小螺絲釘,不懂整個系統在做什麼,而是參與一些可讓他們為將來擔任更資深職位做好準備的工作。另一個好處是,他們發現,那些用來擷取資料以便分析的套裝軟體,並非可互換的,不同的軟體對同一家公司的估值可能差距高達數十億美元。如果資淺分析師持續被隔絕在後續的分析之外,這個問題可能永遠不會暴露出來。

向第一線取經。

前面提過,操作手術機器人的外科醫師與病人隔絕,因此對所做的工作缺乏整體感,這導致住院醫師更難學到所需的技能。為了解全局,住院醫師有時會去請教刷手護理師,因為他們可以看到整個手術過程,包括看到:病患的全身;機器人手臂的位置和動作;麻醉師、護理師、病患周遭其他人的活動;手術全程使用的所有工具和備材。最優秀的刷手護理師在數千次手術流程中,都非常關注一切細節。所以,住院醫師從控制台轉移到手術台時,有些人會跳過主治醫師,直接向這些優秀的刷手護理師提出一些技術問題,例如腹內壓力是否異常,或何時清除淤積的液體或燒灼產生的煙霧。他們不顧常規這樣做,而且主治醫師往往毫不知情。

至於那些把工作外包給菲律賓和拉斯維加斯勞工的新創公司主管呢?他們必須很專注在募資及雇用工程師,但有少數主管會花時間接觸第一線的約聘人員,以了解他們如何與為何做那些媒合。這麼做讓他們得到一些見解,可協助公司改善獲取及清理資料的流程,這是打造穩定平台的關鍵步驟。同樣的,一些細心的主管也會花時間和拉斯維加斯的客服人員相處,看他們如何協助勞工使用那個平台的系統。這種「貼近」第一線人員的做法,使主管把部分資源轉用來改善使用者介面,讓這家新創公司在持續得到新用戶,以及招募工程師來打造穩健的機器學習系統時,幫忙維持公司的運作。

重新設計角色。

我們為了部署智慧型機器而創造出來的新工作方法,促成了多種影子學習技巧,而這些技巧重新調整了工作架構,或改變了績效的衡量及獎勵方式。外科住院醫師可能很早就決定,以後不做機器人手術,因此會刻意減少他輪調到機器人手術領域的時間。我研究的一些護理師,比較喜歡處理機器人手術中的技術障礙排除,所以會偷偷逃避傳統的開放式手術。負責安排手術人手的護理師注意到逐漸出現這樣的偏好和技能,會刻意避免無差別的排班政策,以配合這些偏好。大家默認及發展與工作更適配的新角色,不管組織是否正式這樣做。

試想,針對那些難以把預測分析整合到工作中的巡警,警察局長要如何改變他們的期望。布萊恩注意到,許多被指派去巡察PredPol指定區域的員警,在傳統的衡量指標上表現欠佳,例如逮捕人數、開出的罰單數、盤查卡數量(盤查卡是警員接觸市民的紀錄,通常是指接觸可疑人士)。在由人工智慧協助的警務活動中,盤查卡特別重要,因為即使最後沒有逮捕那些人,盤查卡也為預測系統提供了重要的輸入資料。員警前往系統指定的地區時,通常不會逮捕任何人或開罰單,也不會寫盤查卡。

少數幾位警察局長注意到,這些傳統的衡量指標導致員警不願依循PredPol的指示,於是這些局長刻意迴避標準做法,在公開和私下表揚學習接納演算法分配任務的員警,而不是因為他們逮捕人或開罰單而給予讚揚。一位警察局長表示:「很好,沒關係,但我們告訴你,那一區的犯罪機率是多少,所以,你就去那裡巡察。如果空手而回(沒有犯罪),那就表示成功了。」這些警察局長冒險鼓勵員警這樣做,而許多人覺得這樣做並未做好維護治安的工作,但他們這樣做有助於轉變執法文化,讓員警更常與智慧型機器合作,無論警方以後是否仍持續使用PredPol系統。

收集整理解決方案。

接受機器人手術訓練的住院醫師,偶爾會從正式的職責中抽出時間,以便創造、註解、分享專家手術流程的詳細紀錄。製作這些紀錄除了為自己及他人提供資源以外,也協助他們自己學習,因為他們必須為手術階段、技巧、失敗類型、對意外的反應等進行分類。

難以兼顧老派教學技巧及製作線上課程的教師,使用類似的技巧來熟悉這項新技術。EdX提供工具、範本、訓練材料,好讓教師更容易上手,但這樣還不夠。尤其在剛開始的時候,一些在偏遠地區資源匱乏院校任職的教師,會花時間實驗如何運用這個平台,並把成功和失敗做法都寫成筆記及錄製影片,然後在網路上和大家非正式地分享。建立這些連結很難,尤其如果那些教師任職的學院,原本就對於把教學內容和教學方法放上網路這件事,抱著好惡參半的矛盾態度。

另一種類型的影子學習法,是發生在edX的原始用戶當中,他們是在知名學府任教的教授,享有豐富的經費和支援,他們在這個平台的開發初期就曾提供初步建議。為了從edX獲得他們需要的支援和資源,他們偷偷地分享一些技巧,包括如何推銷他們想要看到平台的改變、如何取得經費和人員支援等。

向偷學者學習。

顯然,影子學習法不是解決問題的理想方法。任何人都不該為了熟練執行一份工作,而冒著遭到解雇的風險。但是在這個專業知識變得愈來愈困難和重要的世界裡,這些做法都是得來不易、已驗證可行的方式。

影子學習者在偷偷學習時展現了四類行為:尋求挑戰、向第一線取經、重新設計角色、收集整理解決方案,這些做法為我們指引出應對做法的方向。為了善用偷學者的心得,技術人員、主管、專家和勞工本身都應該:

 確保學習者有機會在真實的(而非模擬的)工作中,挑戰自己能力的極限,碰到困難,好讓他們可以犯錯,並從錯誤中振作起來。

 建立清楚的管道,讓最優秀的第一線員工來擔任導師和教練。

 重新設計角色和激勵誘因,協助學習者熟練運用與智慧型機器共事的新方法。

 打造可搜尋、注解、群眾外包的「技能庫」,裡面包含工具和專家指引,讓學習者可以在必要時運用,並貢獻心得。

這些活動的具體方法,取決於組織結構、文化、資源、技術選擇、現有技能,當然也取決於工作本身的性質。沒有一種最佳實務適用於所有的情況。但如今有大量的管理文獻在探究上述的每個面向,而且外部諮詢服務也很容易取得。

更廣泛來看,我的研究和同事的研究建議三種組織策略,或許有助於組織善用影子學習法的心得:

1持續學習。

隨著智慧型技術變得愈來愈強大,影子學習法也迅速演變。隨著時間推移,會持續出現新的影子學習法,提供新的心得教訓。採用謹慎的做法非常重要。偷學者通常都知道他們的做法偏離正規做法,也知道自己可能因為這麼做而遭到懲罰(試想,外科住院醫師如果讓大家知道他刻意找技術最差的主治醫師共事,情況會如何)。中階主管往往對這些影子學習法視若無睹,因為這些方法確實有效,只要不公開承認就好。所以當旁觀的人(尤其是資深主管)宣布,想要研究員工如何打破常規以培養技能時,學習者和他們的主管可能不會直言不諱地分享自己的學習法。一種不錯的解決方法,是引進一個中立的第三方,以確保大家保持匿名,並比較不同個案的實務做法。提供資訊給我的人都了解及信任我,他們知道我在許多工作群組和設施中,觀察工作是如何進行的,所以他們相信自己的身分會受到保護。這是讓他們坦誠與我分享資訊的關鍵。

2調整你發現的影子學習法,用以設計組織、工作和技術。

組織處理智慧型機器的方式,讓單一專家更容易控制工作,以減少他們對受訓人員提供協助的依賴。機器人手術系統讓資深外科醫師可在較少的協助下進行手術,於是他們就這麼做了。投資銀行的系統,讓資深合夥人排除資淺分析師參與複雜的估值工作,於是他們就這麼做了。所有的利害關係人都應該堅持主張,組織、技術、工作這三者的設計,必須要能提高生產力及促進在職學習。例如,在洛杉磯警局,這表示他們不能只是改變為巡警設計的獎勵誘因,更要重新設計PredPol系統的使用者介面、創造一些銜接員警和軟體工程師的新角色,建立一個由員警收集整理的資料庫(裡面收錄已加上註解的最佳實務案例)。

3把智慧型機器變成解決方案的一部分。

人工智慧可以在學習者遇到困難時,為他們提供指導,也可以教專家如何指導後輩,並以聰明的方式連結專家和學習者。例如,金主鎬(Juho Kim)在麻省理工學院(MIT)攻讀博士學位時,設計出ToolScape和Lecture-Scape,用群眾外包的方式讓大家為教學影片做註解,並為許多以前停下來尋找解答的用戶,提供澄清及實作的機會,他稱為「向學習者取經」(learnersourcing)。在硬體方面,擴增實境系統開始把專家的指導和註解,納入工作流程中。目前的應用程式使用平板電腦或智慧型眼鏡,把指示即時地疊放在工作上。更精密的智慧型系統可望迅速問世,例如,這些系統可以把工廠中最佳焊工的做法記錄下來,顯示在學徒的視野中,呈現出專家是怎麼做的,並錄下學徒試圖模仿的樣子,必要時也讓學徒向專家請教。這些領域中,愈來愈多工程師主要把焦點放在正式訓練上,而更大的危機在於在職學習。我們必須把心力轉向在職學習。

影子學習法是未來最佳實務?

幾千年來,科技的進步驅動了工作流程的重新設計,學徒向導師學習必要的新技能。但我們已經看到,智慧型機器促使我們把新手和專家隔開,也讓專家遠離了工作,這一切都是打著提高生產力的名義。組織常在無意間為了追求生產力而忽略了審慎的人力投入,因此在職學習變得愈來愈難。然而,使用影子學習法的偷學者,依然冒險突破常規以便學習。在智慧型機器日益強大的世界裡,想要加入競爭的組織應該密切注意這些「偏離常軌」的偷學者。當專家、學徒、智慧型機器一起工作與學習的時候,偷學者的行動提供了一些見解,顯示未來的最佳工作是如何執行的。

(洪慧芳譯自“Learning to Work with Intelligent Machines,” HBR, September-October 2019)



麥特.比恩 Matt Beane

美國加州大學聖塔巴巴拉校區(University of California, Santa Barbara)科技管理學助理教授,也是麻省理工學院數位經濟計畫(Initiative on the Digital Economy)的研究成員。


本篇文章主題技術