Почему найм «лучших» людей не приносит лучшие результаты

Однажды профессор Дэвид Гриффит из Висконсинского университета в Мэдисоне пришел к гениальному умозаключению. Во время пробок большая часть дорог заполнена автомобилями. Для анализа «поведения» каждой машины в такой ситуации требуется огромный объем памяти. В то же время для отслеживания пустых пространств на дорогах можно тратить гораздо меньше ресурсов. Кроме того, динамика того, что не относится к автомобилям, может лучше поддаваться анализу.

С различными версиями этого предположения мы регулярно сталкиваемся на конференциях, в исследовательских лабораториях, на совещаниях, в проектных группах, а также во время мозговых штурмов. Их объединяют три особенности:

1. Все проблемы представляют собой сложные системы

Они связаны с контекстом и смыслами, которые трудно объяснить, смоделировать и предсказать.

2. Прорывные идеи не возникают как чудо

Они формируются на основе уже существующих идей, смыслов, правил и просто применяют их по-новому. Либо они объединяют идеи – как, например, произошло с переосмыслением технологии сенсорного экрана Apple.

В ситуации с Гриффитом было применено понятие из теории информации: принцип минимальной длины описания. Любая закономерность в заданном наборе данных может быть использована для сжатия данных, то есть описания данных с использованием меньшего набора символов, чем нужно для описания данных буквально.

Следует добавить, что новые идеи обычно приносят скромные плоды. Но все вместе они могут производить большой эффект. Прогресс происходит как через последовательности малых шагов, так и через гигантские скачки.

3. Идеи рождаются в группах

Один человек может поделиться своим взглядом на проблему, описать подход к поиску решения или найти зацепку, а другой сделать предположение или найти выход из ситуации. Американский ученый Джон Холланд обычно спрашивал: «Вы думали об этом явлении как о марковском процессе?». Этот запрос заставит любого разрядиться и подтолкнет к размышлениям.

Большинство научных исследований сейчас осуществляется в командах. Сложные команды демонстрируют то, насколько сложен окружающий нас мир. Раньше мы строили дороги от точки А до точки Б. Сейчас мы создаем транспортную инфраструктуру с учетом экологических, социальных, экономических и даже политических последствий.

Почему лучших сегодня не существует?

Сложность современных проблем зачастую не позволяет одному человеку в полной мере понять их. К числу факторов, способствующих, например, повышению уровня ожирения, относятся транспортные системы и инфраструктура, средства массовой информации, производство полуфабрикатов, изменение социальных норм, биологические и психологические факторы.

Если брать другой пример – проектирование авианосца, то здесь требуются знания в области ядерной энергетики, кораблестроения, металлургии, гидродинамики, информационных систем, военных протоколов, ведения современных войн и, учитывая длительный период строительства, способность прогнозировать тенденции в системах вооружения.

Многоаспектный характер сложных проблем подрывает и принцип меритократии

– мысль о том, что надо нанимать «лучшего человека». Лучшего человека не существует.

При создании группы исследователей в области онкологии биотехнологические компании Gilead или Genentech не разрабатывают тесты с многовариантными ответами и не нанимают лучших людей, чьи резюме получают наивысшие оценки в соответствии с определенными критериями производительности. Вместо этого они стремятся к разнообразию – привлекают тех, кто готов делиться разными знаниями и инструментами, проявлять аналитические способности. Эта команда скорее всего будет включать математиков, которые с большой долей вероятности изучают динамические системы и дифференциальные уравнения.

Верящие в меритократию отстаивают позицию, что команды должны быть разнообразными, но затем утверждают, что меритократические принципы должны применяться в каждом аспекте найма. Таким образом, команда, по их мнению, должна состоять из «лучших» математиков, «лучших» онкологов и «лучших» специалистов в области биостатистики.

У этой позиции есть изъян. Даже при наличии компетенций никакие тесты или критерии, применяемые к индивидуумам, не будут гарантировать лучшую команду. Каждый из этих людей обладает такой глубиной и широтой знаний, которую не сможет охватить обычный тест.

Рассмотрим область нейробиологии. В прошлом году было опубликовано более 50 000 документов, касающихся различных методов, областей исследования и уровней анализа, начиная от молекул и синапсов и заканчивая нейронными сетями. Учитывая это, любая попытка ранжировать всех нейробиологов по принципу «лучшие» и «худшие» должна провалиться. Потому что в зависимости от конкретной задачи и состава команды один ученый может внести гораздо больший вклад, чем другой.

Таким образом, успешный найм персонала зависит от контекста. А лучшие команды – это разнообразные команды.

Мы видим, как в результате объединения разных документов и патентов рождаются разнообразные идеи, которые в дальнейшем оказывают огромное влияние. Такой же принцип действует в алгоритме машинного обучения – так называемом методе случайного леса.

Случайные леса состоят из ансамблей решающих деревьев. Каждое дерево относит классифицируемый объект к одному из классов, и побеждает тот класс, за который проголосовало наибольшее число деревьев. Случайные леса могут служить многим целям – например, идентифицировать мошенничество в банке или распознать болезни, рекомендовать потолочные вентиляторы или предсказать поведение.

При построении леса не выбираются лучшие деревья, так как они имеют тенденцию к созданию аналогичных классификаций. Срабатывает принцип разнообразия. Программисты достигают этого разнообразия, обучая каждое дерево различным данным. Они также «познают» лес, тренируя деревья на самых сложных ситуациях – на тех, в которых нынешний лес ошибается. Это обеспечивает еще больше разнообразия и точности.

В чем недостаток оценки персонала?

Ошибочность, заложенная в меритократии, по-прежнему сохраняется. Корпорации, некоммерческие организации, правительства, университеты и даже дошкольные учреждения тестируют, оценивают и нанимают «лучших». Хотя это не гарантирует создания лучшей команды.

Ранжирование людей по общим критериям приводит к однородности. И только тогда, когда происходит отклонение, вдруг появляются люди, которые могут принимать решения. Скорее всего, это не приведет к прорывам. Но, как заявил однажды Астро Теллер, глава Google X, «наличие людей с разным интеллектом и разными взглядами, очень важно». Если вы хотите исследовать незнакомые вам области, привлекая людей, которые похожи на вас, то вы ничего не добьетесь». Мы должны видеть лес.

Автор: Скотт Пейдж, эксперт в области политологии и экономики из Мичиганского университета

Источник: Aeon