목록

Home

책표지

일의 미래를 재정의하는 인간-컴퓨터 슈퍼마인드

MIT 토마스 말론 교수는 “사실상 오늘날의 모든 인간의 업적들이 각 개인이 아닌 전체 인간 집단에 의해 달성되고 있다.”고 말했다. 스마트 기술들이 전통적인 인간적 프로세스에 통합되면..


이전

목록







Human-Computer ‘Super-minds’ Redefine the Future of Work
 
Recently, the Trends editors presented a Webinar about the impact of AI and other digital technologies on economic growth and productivity. (If you missed it, we’ve included a link in this month’s printable edition.) The focus was on ways that the synergy between human and machine intelligence would create economic value far in excess of the sum of the parts. If, and by what mechanism this will happen, is currently the subject of intense debate in scientific, business, and government circles.


This ongoing, and sometimes loud, debate about how many and what kinds of future jobs smart machines will leave for humans to do is missing a salient point; that is, “Just as the automation of human work in the past allowed people and machines to do many things that couldn’t be done before, groups of people and computers working together will be able to do many things in the future that neither can do alone now.”


To think about how this will happen, it’s useful to contemplate an obvious but not widely appreciated fact: Virtually all human achievements ? from developing written language to making a turkey sandwich ? require the work of groups of people, not just lone individuals. Even the breakthroughs of individual geniuses like Albert Einstein weren’t conjured out of thin air; they were erected on vast amounts of prior work by others.

 
According to MIT professor Thomas W. Malone, human groups that accomplished all these things can be described as “superminds.” In his ground-breaking new book Superminds: The Surprising Power of People and Computers Thinking Together, Malone defines a supermind as “a group of individuals acting together in ways that seem intelligent.”


Today, superminds take many forms including:


- the hierarchies in most businesses and other organizations;


- the markets that help create and exchange many kinds of goods and services;


- the communities that use norms and reputations to guide behavior in many professional, social, and geographical groups; and


- the democracies that are common in governments and some other organizations.


All superminds have a kind of collective intelligence, an ability to do things that the individuals in the groups couldn’t have done alone. What’s new is that machines can increasingly participate in the intellectual, as well as the physical, activities of these groups. That means we will be able to combine people and machines to create superminds that are smarter than any groups of individuals our planet has ever known.


To do that, we need to understand how people and computers can work together more effectively on tasks that require intelligence. And for that, we need to define intelligence.


As Professor Malone observes, “The concept of intelligence is notoriously slippery, and different people have defined it in different ways. For our purposes, let’s say that intelligence involves the ability to achieve goals. And since we don’t always know what goals an individual or group is trying to achieve, let’s say that whether an entity “seems” intelligent depends on what goals an observer attributes to it."


Based on these assumptions, we can define two kinds of intelligence. The first is specialized intelligence, which is the ability to effectively achieve specific goals in a given environment. This means that an intelligent entity will do whatever is most likely to help it achieve its goals, based on everything it knows. Stated even more simply, specialized intelligence is “effectiveness” at achieving specific goals. In this sense, then, specialized collective intelligence is “group effectiveness,” and a supermind is an effective group.


The second kind of intelligence is more broadly useful and often more interesting. It is general intelligence, which is the ability to achieve a wide range of different goals effectively in different environments. This means that an intelligent actor needs not only to be good at a specific kind of task, but also to be good at learning how to do a wide range of tasks. In short, this definition of intelligence means roughly the same thing as “versatility” or “adaptability.” In this sense, then, general collective intelligence means “group versatility” or “group adaptability,” and here, a supermind is defined as a versatile or adaptable group.


This raises the question: What kind of intelligence does a computer have?


The distinction between specialized intelligence and general intelligence helps clarify the difference between the abilities of today’s computers and human abilities. Some artificially intelligent computers are far “smarter” than people in terms of certain kinds of specialized intelligence. But one of the most important things most people don’t realize about AI today is that it is all very specialized.


Google’s search engine is great at retrieving news articles about baseball games, for example, but it can’t write an article about your son’s Little League game. IBM’s Watson beats humans at Jeopardy! but the program that played Jeopardy! can’t play tic-tac-toe, much less chess.  And, while Tesla’s cars can sort of, drive themselves, they still can’t pick up a box from a warehouse shelf.


Of course, there are computer systems that can do these other things. But the point is that they are all different, specialized programs, not a single general AI that can figure out what to do in each specific situation. Humans, with their general intelligence, must write programs that contain rules for solving different specific problems, and humans must decide which programs to run in a given situation.


In fact, none of today’s computers are anywhere close to having the level of general intelligence of any normal human 5-year-old. No single computer today can converse sensibly about the vast number of topics an ordinary 5-year-old can, not to mention the fact that the child can also walk, pick up weirdly shaped objects, and recognize when people are happy, sad, or angry.


How soon, if ever, will this change? Progress in the field of artificial intelligence has been notoriously difficult to predict ever since its early days in the 1950s. When researchers Stuart Armstrong and Kaj Sotala analyzed 95 predictions made between 1950 and 2012, about when general AI would be achieved they found a strong tendency for both experts and nonexperts to predict that it would be achieved between 15 and 25 years in the future, regardless of when the predictions were made. In other words, general AI has always seemed about 20 years away for the last 60 years.


More recent surveys and interviews tend to be consistent with this long-term pattern: As of 2018, lay people and AI experts both still predict that general AI will be here in about 15 to 25 years.  So while we certainly don’t know for sure, there is good reason to be skeptical of anyone confidently predicting that general AI will appear in the next couple of decades. MIT’s Malone believes that, barring some major societal disasters, it is very likely that general AI will appear “someday,” but probably not until quite a few decades in the future. The Trends editors agree.


Until then, all uses of computers will need to involve humans in some way. In many cases today, people are doing parts of a task that machines can’t do. But even when a computer can do a complete task by itself, people are always involved in developing the software and usually modifying it over time. They also decide when to use different programs in different situations and what to do when things go wrong.


Given the inevitable synergy between them, how can people and computers work together to create value?


According to Malone, one of the most intriguing possibilities for how people and computers can work together comes from an analogy with how the human brain is structured. There are many different parts of the brain that specialize in different kinds of processing, and these parts somehow work together to produce the overall behavior we call intelligence. For instance, one part of the brain is heavily involved in producing language, another in understanding language, and still another in processing visual information. Marvin Minsky, one of the fathers of AI, called this architecture a “society of mind.”


Minsky was primarily interested in how human brains worked and how artificial intelligence programs might be developed, but his analogy also suggests a surprisingly important idea for how superminds consisting of both people and computers might work: Long before we have general AI, we can create more and more collectively intelligent systems by building societies of mind that include both humans and machines, each doing part of the overall task.


In other words, instead of having computers try to solve a whole problem by themselves, we can create hybrid “cyber-human systems” where multiple people and multiple machines work together on the same problem. In some cases, the people may not even know ? or care ? whether they are interacting with another human or a machine. People can supply the general intelligence and other skills that machines don’t have. The machines can supply the knowledge and other capabilities that people don’t have. And, together, these systems can act more intelligently than any person, group, or computer has done before.


How is this different from most current thinking about AI? Many people today assume that computers will eventually do most things by themselves and that we should put “humans in the loop” in situations where people are still needed. But it’s probably far more useful to realize that most things now are done by groups of people, and we should put computers into these groups in situations where that is helpful. In other words, we should move away from thinking about “putting humans in the loop” to “putting computers in the group.”


In, Superminds, Malone asks, “If businesses or other organizations want to use computers as part of human groups, what roles should computers play in those groups?” Thinking about the roles that people and machines play today, there are four obvious possibilities. People have the most control when machines act only as tools; and machines have successively more control as their roles expand to become assistants, peers, and, finally, managers. Let’s examine each of these roles”


A physical tool, like a hammer or a lawn mower, provides some capability that a human doesn’t have alone; but the human user is directly in control at all times, guiding its actions and monitoring its progress. Information tools are similar. When you use a spreadsheet, the program is doing what you tell it to do, which often increases your specialized intelligence for a task like financial analysis.


But many of the most important uses of automated tools in the future won’t be to increase individual users’ specialized intelligence, but to increase a group’s collective intelligence by helping people communicate more effectively with one another. Even today, computers are largely used as tools to enhance human communication. With email, mobile applications, the Web (in general,) and sites such as Facebook, Google, Wikipedia, Netflix, YouTube, and Twitter, we’ve created the most massively connected groups the world has ever known. In all these cases, computers are not doing much “intelligent” processing; they are primarily transferring information created by humans to other humans.


While we often overestimate the potential of AI, we often underestimate the potential power of this kind of hyper-connectivity among the 7 billion or so amazingly powerful information processors called human brains that are already on our planet.


Unlike a tool, a human assistant can work without direct attention and often takes the initiative in trying to achieve the general goals someone else has specified. Automated assistants are similar, but the boundary between tools and assistants is not always a sharp one. For instance, text-messaging platforms are mostly tools, but they sometimes take the initiative and autocorrect your spelling, occasionally with hilarious results.


Another example of an automated assistant is the software used by the online clothing retailer Stitch Fix Inc, to help its human stylists recommend items to customers. Stitch Fix customers fill out detailed questionnaires about their style, size, and price preferences, which are digested by machine-learning algorithms that select promising items of clothing.


The algorithmic assistant in this partnership is able to take into account far more information than human stylists can. For instance, jeans are often notoriously hard to fit, but the algorithms are able to select for each customer a variety of jeans that other customers with similar measurements decided to keep.


And it is the stylists who make the final selection of five items to send to the customer in each shipment. The human stylists are able to take into account information the Stitch Fix assistant hasn’t yet learned to deal with ? such as whether the customer wants an outfit for a baby shower or a business meeting. And, of course, they can relate to customers in a more personal way than the assistant does. Together, the combination of people and computers provides better service than either could alone.


Some of the most intriguing uses of computers involve roles in which they operate as human peers rather than assistants or tools, even in cases where there isn’t much actual artificial intelligence being used. For example, if you are a stock trader, you may already be transacting with an automated program-trading system without knowing it.


And if your job happened to be dealing with insurance claims for a New York City company called Lemonade Insurance Agency LLC, you already have an automated peer named “AI Jim.” AI Jim is a chatbot, and Lemonade’s customers file claims by exchanging text messages with it. If the claim meets certain parameters, AI Jim pays it automatically and almost instantly. If not, AI Jim refers the claim to one of its human peers, who completes the job.


What about the manager role? Human managers delegate tasks, give directions, evaluate work, and coordinate others’ efforts. Machines can do all these things, too, and when they do, they are performing as automated managers. Even though some people find the idea of a machine as a manager threatening, we already live with mechanical managers every day. A traffic light directs drivers; an automated call router delivers work to call center employees. And most people don’t find either situation threatening or problematic.


It’s likely that there will be many more examples of machines playing the roles of managers in the future. For instance, the CrowdForge system crowdsources complex tasks such as writing documents. In one experiment, the system used online workers (recruited via the Amazon Mechanical Turk online marketplace) to write encyclopedia articles. For each article, the system first asked an online worker to come up with an outline for the article. Then it asked other workers to find relevant facts for each section in the outline. Next, it asked still other workers to write coherent paragraphs using those facts. Finally, it assembled the paragraphs into a complete article. Interestingly, independent readers, on average, judged articles written in this manner to be better than articles written by a single person.


Now that we understand the roles machines can play, let’s examine the cognitive processes needed if you want to design a supermind (like a company or a team) that can act intelligently. Every mind, whether it is an individual or group needs to perform some or all of these five cognitive processes:


1. create possibilities for action,


2. decide which actions to take,


3. sense the external world,


4. remember the past, and


5. learn from experience.
 
Entities that act intelligently whether they are people, computers, or groups, need to do these things. As Malone observes, “computers can help do all these things in new ways that often, but not always, make the superminds smarter.”


He uses the example of strategic planning at a large consumer products company similar to P&G.


Today, corporate strategic planning in large companies usually involves a relatively small group of people, mostly senior executives, their staff, and perhaps some outside consultants. But what if we could use technology to involve far more people and let machines do some of the thinking?


Consider process #1: create possibilities for action.


As we discussed earlier, one of the most important roles for computers is as a communication tool that allows much larger groups of people to think together productively. A promising approach for doing that within the strategic planning process is to use a family of related online contests, called a contest web. https://sloanreview.mit.edu/article/how-human-computer-superminds-are-redefining-the-future-of-work/ - ref10  There could be separate online contests for strategies at different levels of the organization. For example, if P&G used this approach, the company might have separate contests for each brand, such as Pantene shampoo, Head & Shoulders shampoo, and Tide laundry detergent. It could also have separate contests for how to combine the strategies of the brands in each business unit, such as hair care and fabric care. And the company could have another contest aimed at combining the business unit strategies into an overall corporate strategy.


Each contest could be open to many company employees, perhaps all of them. Anyone in the contest could propose a strategic option, and others could comment on or help develop the idea. Eventually there would be one winning strategy chosen in each challenge, but during the planning process, it would be important to consider a number of different options.


Opening this process to lots of people could allow surprising new options to arise. For instance, a group of young, tech-savvy employees, who would never have been included in a traditional corporate strategic-planning process, might propose a new cosmetics concept involving skin and eye makeup specially formulated for individual customers who upload selfies to the website.


Consider process #2: decide which actions to take.


One benefit of involving more people in generating strategic possibilities is that you get far more possibilities. But deciding which possibilities are most promising requires evaluating them all, and new technologies also make it easier to involve far more people and more kinds of expertise in evaluation. For instance, P&G might want its manufacturing engineers to evaluate whether it is technically feasible to make a product, its operations managers to estimate manufacturing cost, and perhaps outside market researchers to predict the demand for the product at different price points.


In some cases, it may be worth combining many people’s opinions about some of these questions. For instance, P&G might use online prediction markets to estimate the demand for products. Such markets have already been used to successfully predict movie box-office receipts, winners of U.S. presidential elections, and many other things. Somewhat like futures markets, prediction markets let people buy and sell “shares” of predictions about future events. For instance, if you believe that global sales for Pantene shampoo will be between $1.8 billion and $1.9 billion per year, you could buy a share of this prediction. If the prediction is right, then you will get, say, $1 for each share you own of that prediction. But if your predictions are wrong, you will get nothing.  That means the resulting price in the prediction market is essentially an estimate of the probability that sales will be in this range.
Next, consider process #3: sense the external world.


A key necessity for developing good strategic plans is the ability to effectively sense what is going on in the external world: What do customers want now? What are our competitors doing? What new technologies might change our industry? By far the most visible means for improving sensing today are big data and data analytics.


For example, P&G might analyze the positive and negative comments about its products in online social networks to gauge how customer sentiment about the products is changing. It might conduct online experiments at different prices for the products. And it might be able to obtain early warnings about sales changes by installing video and touch-sensitive floors in retail stores to analyze how much time customers spend looking at P&G’s products versus competitors’ products.


P&G might even be able to do something Amazon has already done: use vast amounts of data to develop detailed models of many parts of its business, such as customers’ responses to prices, ads, and recommendations, and sort out how supply-chain costs vary with inventory policies, delivery methods, and warehouse locations.  With tools like these, computers can take over much of the quantitative work of strategic planning by running the numbers, and people can use their general intelligence to do more qualitative analysis.


Then, consider process #4: remember the past.


Another way technology can help superminds create better strategic plans is by helping them remember good ideas that others have had in similar situations. For example, software assistants embedded in an application for generating strategy proposals could automatically suggest generic strategies, such as the following:


- Integrating forward by taking on some of the tasks done by your customers, or integrating backward by taking on some of the tasks done by your suppliers;


- Outsourcing more of the things you do internally to freelancers or specialized providers;


- Moving into related market segments, nearby geographical regions, or other markets frequented by your customers. And,


- When you pick one of these options, the system could then automatically provide a template including the kinds of details necessary for that type of strategy.


By remembering good strategies from other settings, software assistants could help generate new strategies for your setting. For instance, if the strategy of using selfies to customize cosmetics was successful, a software assistant could suggest similar strategies that let customers use smartphones to customize P&G’s other products: shampoos, toothpastes, laundry detergents, potato chips, and others. Of course, many of these combinations would be silly or impractical and could be very quickly eliminated, but some might be surprisingly useful. And even silly options sometimes give rise to good ideas.


For instance, in the early 2000s, P&G developed a process for printing entertaining pictures and words on Pringles potato chips.https://sloanreview.mit.edu/article/how-human-computer-superminds-are-redefining-the-future-of-work/ - ref14  An approach like this might have led to another promising idea: using this technology to let customers buy Pringles that are preprinted with images that customers specify themselves.


Now, consider process #5: learn from experience.


If a system is used over time, it can help a supermind learn from its own experience to become more and more effective. For example, it might help recognize strategic ideas that most people wouldn’t recognize in their early stages. In the 1970s, when Steve Jobs and Bill Gates were first playing around with what we now call personal computers, most people had no idea that these strange, awkward devices would turn out to be among the most innovative and influential products of the next several decades.


It’s certainly not easy to rapidly filter ideas without missing these diamonds in the rough. But perhaps it’s possible to identify the unusual people who do have this skill by systematically tracking over time how accurately, and how early, people predict technological advances and other kinds of breakthroughs. Then, we could ask these people to take a second look at some of the “crazy” ideas that we might otherwise reject.


Another intriguing possibility is to use “learning loops” that begin with human experts evaluating strategies manually and then, gradually automate more and more of the work as the machines get better at predicting what human experts would do.


In a company such as P&G, which generally tries to compete on quality rather than price, experts evaluating product strategies usually reject those that emphasize competing on low price. But instead of programmers writing programs that explicitly filter out low-price strategies, a machine-learning program might recognize that experts often reject these types of strategies and start suggesting this action. If the experts agree with the suggestion enough times, then the program might stop asking and just do the filtering automatically.


Business strategy is just one of the myriad problems where smart machines will make existing superminds, as well as totally new ones outperform those composed only of humans. This will enable us to raise economic output at a much faster rate than today’s slow population growth would imply, without creating massive unemployment. The big challenge remains providing humans with the skills to take advantage of machine intelligence and building machines that can maximize human performance. In many cases, this will enable tomorrow’s superminds to routinely do things that have heretofore been impossible for any group of humans or machines.


Given this trend, we offer the following forecasts for your consideration.


First, by 2025, the kind of cyber-human business strategy supermind described earlier will be available as a service from one or more consulting firms.


Given how complex such a system could be and how generic much of the work would be, it’s unlikely that companies will develop proprietary systems for this purpose. Instead, today’s consulting firms, or their future competitors, will provide much of this functionality as a service. The firm will have a collection of people at many levels of expertise “on call” who could rapidly generate and evaluate various strategic possibilities, along with software to automate some parts of the process and help manage the rest. Such a “strategy machine” will use a supermind of people and computers to generate and evaluate millions of possible strategies for a single company. Over time, computers will come to do more and more of the work, but people will still be involved in key parts of the process. The product will be a handful of the most promising strategic options from which the human managers of the company will choose. And,


Second, human-computer superminds will be used to solve all kinds of difficult business and societal problems.


Computers will use their specialized intelligence to solve parts of the problem, people will use their general intelligence to do the rest, and computers will help engage and coordinate far larger groups of people than has ever been possible. Applications range from designs for new houses, smartphones, factories, cities, and educational systems, to formulating antiterrorism approaches and medical treatment plans. The possibilities are virtually unlimited.
References


1. MIT Sloan Management Review. Summer 2018. Thomas W. Malone. How Human-Computer ‘Superminds’ are Redefining the Future of Work.

https://sloanreview.mit.edu/article/how-human-computer-superminds-are-redefining-the-future-of-work/


2. Superminds: The Surprising Power of People and Computers Thinking Together (Little Brown & Company, 2018). 2018. Thomas W. Malone.

https://www.amazon.com/Superminds-Surprising-Computers-Thinking-Together/dp/0316349135/ref=tmm_hrd_swatch_0?_encoding=UTF8&qid=


3. Rethink Robotics (blog), November 10, 2014. Rodney Brooks. Artificial Intelligence Is a Tool, Not a Threat.
4. S. Armstrong and K. Sotala. How We’re Predicting AI ? or Failing Toin “Beyond AI: Artificial Dreams,” ed. J. Romportl, P. Ircing, E. Zackova, M. Polak, and R. Schuster (Pilsen, Czech Republic: University of West Bohemia, 2012): 52-75.
5. N. Bostrom, Superintelligence: Paths, Dangers, Strategies(Oxford, U.K.: Oxford University Press, 2014).
6. M. Minsky, “Society of Mind” (New York: Simon and Schuster, 1988).
7. L. Biewald, “Why Human-in-the-Loop Computing Is the Future of Machine Learning,” Data Science (blog), Nov. 13, 2015, www.computerworld.com
8. H.J. Wilson, P. Daugherty, and P. Shukla, “How One Clothing Company Blends AI and Human Expertise,” Nov. 21, 2016, http://hbr.org
9. S. Wininger, “The Secret Behind Lemonade’s Instant Insurance,”Nov. 23, 2016, http://stories.lemonade.com
10. A. Kittur, B. Smus, S. Khamkar, and R.E. Kraut, “CrowdForge: Crowdsourcing Complex Work,” in “Proceedings of the 24th Annual ACM Symposium Adjunct on User Interface Software and Technology,” ed. J. Piece, M. Agrawala, and S. Klemmer (New York: ACM Press, 2011).
11. T.W. Malone, J.V. Nickerson, R. Laubacher, L.H. Fisher, P. de Boer, Y. Han, and W.B. Towne, “Putting the Pieces Back Together Again: Contest Webs for Large-Scale Problem Solving,” March 1, 2017, https://ssrn.com
12. J. Wolfers and E. Zitzewitz, “Prediction Markets,” Journal of Economic Perspectives 18, no. 2 (2004): 107-126.
13. J. Wolfers and E. Zitzewitz, “Interpreting Prediction Market Prices as Probabilities,” working paper W12200, National Bureau of Economic Research, Cambridge, Massachusetts, May 2006
14. V. Granville, (blog),  “21 Data Science Systems Used by Amazon to Operate Its Business” Nov. 19, 2015,












MIT 토마스 말론 교수는 “사실상 오늘날의 모든 인간의 업적들이 각 개인이 아닌 전체 인간 집단에 의해 달성되고 있다.”고 말했다. 스마트 기술들이 전통적인 인간적 프로세스에 통합되면서, 이전에는 볼 수 없었던 강력한 형태의 콜레보레이션이 부상하고 있다는 의미다. 이러한 콜레보레이션의 본질은 무엇인가? 인간의 일자리에 미칠 영향은? 이러한 콜레보레이션이 인간을 위한 최대치의 가치를 창출할 수 있을까?


인공지능 및 기타 디지털 기술이 경제 성장과 생산성에 미치는 영향에 관한 세미나를 보면, 인간과 기계 지능의 시너지가 부품들의 단순한 총계를 훨씬 더 초과하는 경제적 가치를 창출할 수 있는 방법에 중점을 두고 있다. 이것이 어떤 메커니즘으로 발생할지, 현재 과학, 비즈니스, 정부 분야에서 치열한 논쟁의 주제가 되고 있다. 스마트 기계가 얼마나 많이, 얼마나 다양하게 인간의 미래 일자리를 없앨 것인지에 대한 현재 진행 중인 - 때로는 시끄러운 - 논쟁은 사실 중요한 점을 놓치고 있다. 과거, 인간 작업의 자동화가 사람들과 기계가 이전에는 할 수 없었던 수많은 일을 할 수 있도록 해준 것과 마찬가지로, 인간과 컴퓨터의 조합의 현재는 인간이나 컴퓨터가 각자 혼자서는 할 수 없는, 수많은 일들을 미래에 가능하게 한다는 것이다.


이러한 일이 어떻게 일어나는지 생각하려면, 명백하지만 널리 알려지지 않은 사실을 명심하는 것이 유용할 것이다. 저술 활동에서 칠면조 샌드위치 만들기에 이르기까지 모든 인간의 업적은 개별적 사람이 아닌 사람이라는 집단의 작업을 필요로 한다는 점이다. 앨버트 아인슈타인Albert Einstein과 같은 개인의 천재성에 의한 획기적인 발견이나 개발조차도 난데없이 나타난 것이 아니다. 즉, 그러한 업적은 모두 타인의 전작들이 수없이 쌓인 곳을 원천으로 한다.


MIT 토마스 W. 말론Thomas W. Malone 교수에 따르면, 이러한 모든 것들을 성취한 인간 집단을 ‘슈퍼마인드’라고 기술할 수 있다. 그가 저술한 명저 《슈퍼마인드: 인간과 컴퓨터가 함께 하는 놀라운 힘 Superminds: The Surprising Power of People and Computers Thinking Together》에서, 말론 교수는 지적으로 보이는 방식들로 함께 행동하는 개인들의 집단이 ‘슈퍼마인드’라고 정의했다.


오늘날 슈퍼마인드는 다음과 같은 것들을 포함하는 다양한 형태를 취한다.


- 대부분의 비즈니스 및 기타 조직의 계층 구조


- 다양한 종류의 상품과 서비스를 창출하고 교환하는 데 도움이 되는 시장


- 여러 전문직, 사회 지리적 그룹의 행동에 지침을 주는 규범과 명성을 사용하는 공동체


- 정부와 기타 다른 조직에서 흔히 볼 수 있는 민주주의


모든 슈퍼마인드는 일종의 집단지성을 지니고 있다. 집단 내 개인들이 홀로 하기가 불가능하지만 집단지성은 이를 수행할 수 있다.


오늘날 새로운 점은 이러한 집단의 지적, 물리적 활동에 기계가 점점 더 많이 참여하고 있다는 것이다. 즉, 사람들과 기계들이 결합하여 지구상의 그 어떤 집단보다 더 똑똑한 슈퍼마인드를 창조할 수 있다는 의미이다.


이를 위해 우리는 사람들과 컴퓨터가 지능을 필요로 하는 일에 보다 더 효과적으로 함께 작업할 수 있는 방법을 이해해야 한다. 따라서 먼저 지능을 정의해야 한다.


말론 교수는 “지능의 개념은 파악하기가 고약하고 사람들은 다양한 방식으로 그것을 정의한다. 따라서 지능의 정의라는 목표를 위해 ‘지능’은 ‘목표를 달성하는 능력’을 포함한다고 가정해 보자.”고 제안한다. 그리고 우리는 개인이나 집단이 달성하고자하는 목표가 무엇인지를 항상 모르기 때문에, 개체가 지능적으로 보이는지 여부는 관찰자가 그 개체의 노력을 어떤 목표에 귀속시키는지에 달려 있다고 가정하자.


이러한 가정을 기반으로 두 종류의 지능을 정의내릴 수 있다. 첫 번째는 특정 환경에서 특정 목표를 효과적으로 달성할 수 있는 전문 지능specialized intelligence이다. 이것은 지능적 개체가 스스로 알고 있는 모든 것을 기반으로 목표를 달성하는 데 도움이 될 가능성이 가장 큰 것을 수행함을 의미한다. 더 간단하게 말하자면, 전문 지능은 특정 목표를 달성하는 데 있어 ‘효율성’을 의미한다. 이러한 점에서, 전문 집단 지성은 ‘집단 효율성’이고, 슈퍼마인드는 ‘효율적인 집단’이 된다.


두 번째는 간혹 더 흥미롭고, 더 포괄적으로 유용한 것이다. 이는 일반 지능general intelligence이라고 한다. 일반 지능은 다양한 환경에서 다양한 목표를 효과적으로 달성할 수 있는 능력이다. 이는 지능적인 활동가가 특정한 종류의 일에 능숙할 뿐만 아니라 넓은 범위에서 일을 수행하는 방법을 학습하는 데도 능숙하다는 것을 의미한다. 즉, 지능에 대한 이러한 정의는 ‘다재다능함’ 혹은 ‘적응력’을 거의 같은 것으로 본다. 이러한 의미에서 일반 집단지성은 ‘집단 다재다능함’ 혹은 ‘집단 적응력’을 의미한다. 여기에서 슈퍼마인드는 다재다능하 거나 적응력 있는 집단으로 정의된다.


이러한 정의를 기반하면, 연이어 질문이 이어질 것이다. ‘컴퓨터가 가지고 있는 지능은 무엇인가?’


전문 지능과 일반 지능의 차이는 오늘날 컴퓨터와 인간의 각 능력 차이를 명확하게 해준다. 일부 인공지능 컴퓨터는 특정 종류의 전문 지능 측면에서는 사람들보다 훨씬 더 ‘똑똑’하다. 오늘날 인공지능에 대해 대부분의 사람들이 인식하지 못하는 가장 중요한 것들 중 하나는 인공지능이 그저 그런 전문이 아닌 (인간은 상상할 수조차 없이) 매우 전문화되어 있다는 것이다.


구글의 검색 엔진은 야구 게임에 대한 뉴스 기사를 검색하는 데 매우 유용하다. 그러나 구글이 누군가의 자녀들의 리틀 리그 게임에 대한 글을 작성할 수는 없다. IBM의 왓슨Watson은 제퍼디Jeopardy! 퀴즈쇼에서 인간을 이겼다. 그러나 퀴즈쇼에 출연한 왓슨 프로그램은 체스보다 훨씬 쉬운 틱택톡tic-tac-toe(삼목게임)을 하지 못한다. 테슬라의 자동차도 마찬가지다. 자율주행 자동차는 인간 운전자 없이 스스로 운전하지만, 창고 선반에서 어떤 특정 상자를 집어 올릴 수는 없다.


물론 이러한 다른 일들을 수행할 수 있는 컴퓨터 시스템들이 있다. 그러나 요점은 그들이 각기 다른 특수한 프로그램이 아니라 각각의 특정 상황에서 무엇을 해야 할지 결정할 수 있는 일반적 인공 지능은 아니라는 것이다. 일반 지능을 가진 인간이 서로 다른 특정 문제를 해결하기 위한 규칙을 포함하는 프로그램을 작성해야 하고, 주어진 상황에서 어떤 프로그램을 실행할지 결정해야 한다.


사실, 오늘날의 어떤 컴퓨터도 보통의 5세 인간의 일반 지능 수준에 가깝지 않다. 즉, 오늘날의 어떤 컴퓨터도 보통의 5세 어린이가 할 수 있는 엄청난 수의 주제에 대해 현명하게 대화할 수 없는 것이다. 아이들은 걸을 수 있고, 이상한 모양의 물체를 들며, 사람들이 언제 행복하고 슬프고 화를 내는지 알 수 있다.


그렇다면 이러한 격차가 얼마나 빨리 변화될 것인가? 1950년대 초기 인공지능이 등장한 이후부터 그랬지만, 인공지능 분야에서의 발전을 예측하기란 너무나 어렵다. 인공지능 연구자 스튜어트 암스트롱Stuart Armstrong과 카이 소탈라Kaj Sotala가 1950년에서 2012년 사이에 일반 지능을 지닌 인공지능(이하 일반 인공지능)이 언제 등장할 것인가에 관한 95건의 예측 자료들을 분석했을 때, 전문가와 비과학자 모두 향후 15년에서 25년 사이에 일어날 것이라고 전망한 사실을 알 수 있다. 즉, 62년 동안 관계자들은 이러한 일반 인공지능이 항상 (그들 시대 기준으로) 평균 20년 정도 후에 나타날 것이라고 봤던 것이다.


더 최근의 설문조사 및 인터뷰 또한 이러한 장기적 패턴과 일치하는 경향이 있다. 2018년 현재 일반인과 인공지능 전문가 모두 여전히 일반 인공지능이 약 15년에서 25년 내에 등장할 것으로 예측한다. 이것은 ‘확실하게 알 수는 없지만 일반 인공지능이 앞으로 수십 년 내에 나타날 것’이라고 자신있게 예측하는 사람들에게 회의적인 이유가 된다. 말론 교수는 일부 중대한 사회적 재해가 없다면, 일반 인공지능이 ‘언젠가(아마도 언젠가)’ 나타나지만, 앞으로 수십 년 동안은 그렇지 않을 것으로 생각한다고 밝혔다.


그때까지 컴퓨터를 활용하는 데 있어 어떤 형태로든 인간이 개입할 필요가 있다. 오늘날 수많은 작업에서 사람들은 기계가 할 수 없는 일부 작업을 수행하고 있다. 그러나 컴퓨터가 자체적으로 완전하게 작업을 수행할 수 있는 경우에도 사람들은 항상 소프트웨어를 개발하고 시간이 지남에 따라 소프트웨어를 수정해야 한다. 또한 그들은 다른 상황에서 다른 프로그램을 사용할 시기와 일이 잘못되었을 때 무엇을 해야 할지를 결정한다.


이렇듯 컴퓨터와 인간의 시너지를 고려할 때, 인간과 컴퓨터는 어떻게 협력하여 가치를 창출 할 수 있을까?


말론 교수에 따르면, 사람들과 컴퓨터가 어떻게 협력할 수 있는지에 대한 가장 흥미로운 가능성 중 하나는 인간의 뇌가 어떻게 구성되어 있는지를 비유하여 나온 것이라는 주장이다. 뇌에는 여러 종류의 프로세싱을 전문으로 하는 많은 부분이 있으며, 이들 부분은 어떻게든 우리가 지능이라고 부르는 전반적인 행동을 생성하기 위해 함께 작동한다. 예를 들어, 뇌의 한 부분은 언어를 만드는 데 많이 관여하고, 또 다른 부분은 언어를 이해하고, 또 다른 부분은 시각 정보를 처리한다. 인공지능의 아버지 중 한 명인 마빈 민스키Marvin Minsky는 뇌의 이러한 구조를 ‘마음의 사회society of mind’라 불렀다.


민스키는 인간의 두뇌가 어떻게 작동하고 인공지능 프로그램이 어떻게 개발될지에 주로 관심을 쏟았다. 그러나 (그가 그러한 의도로 그렇게 언급을 했는지 알 수는 없지만) 그의 비유는 사람들과 컴퓨터로 구성된 슈퍼마인드가 어떻게 작동할지에 대한 굉장히 놀랍도록 중요한 아이디어를 제시한다. 즉 진짜 일반 인공지능이 출현하기까지 기다리는 것보다는, 그보다 훨씬 전에 사람들과 기계가 협력하여 ‘마음의 사회’를 구축하는 것이다. 전체적인 일 중 사람들과 기계가 함께 각각의 부분을 수행하는 것을 포함하는 마음의 사회를 구축함으로써 총체적으로 지능적인 시스템을 만드는 것이다.


즉, 컴퓨터가 스스로 전체 문제를 해결하지 않고, 동일한 문제에 대해 여러 사람과 여러 기계가 함께 작동하는 하이브리드 ‘사이버-인간 시스템’을 만들 수 있다. 몇몇 경우에 참여자들은 그들이 다른 사람들 혹은 어떤 기계와 상호 작용하는지 여부조차 알지 못하거나 아예 신경 쓰지 않을 수도 있다. 사람들은 기계가 가지고 있지 않은 일반 지능과 기타 기술을 제공할 수 있다. 기계는 사람들이 가지고 있지 않은 지식과 기타 기능을 제공할 수 있다. 그리고 이 시스템은 이전에 어떤 사람, 단체, 컴퓨터보다 더 지능적으로 작동할 수 있다.


이것이 인공지능에 대해 현재 일반적으로 생각되는 것과 다른 점은 무엇일까? 오늘날 많은 사람들은 컴퓨터가 궁극적으로 대부분의 일을 혼자 수행할 것이지만, 사람이 필요한 상황에는 여전히 사람이 핵심적으로 배치되어야 한다고 가정한다. 그러나 대부분의 일이 사람 집단에 의해 수행된다는 사실을 깨닫는 것과 도움이 된다면 그 상황에 컴퓨터를 배치하는 것이 훨씬 더 유용할 것이다. 즉, 우리는 사람을 핵심적인 위치에, 그리고 그러한 사람 집단에 컴퓨터를 배치하는 쪽으로 생각을 옮겨야 한다.


그의 저술에서 말론 교수는 묻는다. “기업이나 다른 조직이 컴퓨터를 인간 집단의 일부로 사용하려는 경우 컴퓨터가 해당 집단에서 어떤 역할을 수행해야 하는가?”


오늘날 사람과 기계가 수행하는 역할에 대해 생각할 때 4가지 가능성이 있다. 사람들은 기계가 도구로만 작동할 때 가장 잘 제어한다. 그리고 기계의 역할이 조수, 동료 및 마침내 관리자로 확대됨에 따라 기계는 연속적으로 더 많은 제어권을 가지게 된다. 이 역할들 각각을 살펴보자.


1. 도구
망치나 잔디 깎는 기계와 같은 물리적 도구는 인간이 가지고 있지 않은 능력을 제공한다. 그러나 인간 사용자가 직접적으로 통제권을 갖고, 행동을 지도하고 진행 상황을 모니터링한다. 정보 도구도 비슷하다. 스프레드 시트를 사용하면, 프로그램은 인간 사용자가 시키는 대로 수행한다. 이로 인해 재무 분석과 같은 업무에 대한 사용자의 전문 지능이 향상하곤 한다.


그러나 앞으로 자동화 도구 사용에서 가장 중요한 점은 개별 사용자의 전문 지능을 높이는 데 있는 것이 아니라 사람들이 서로 효과적으로 커뮤니케이션할 수 있도록 도와 집단지성을 높이는 데 있다.


오늘날에도 컴퓨터는 인간의 커뮤니케이션을 향상시키는 도구로 주로 사용된다. 전자메일, 모바일 응용 프로그램, 웹, 페이스북, 구글, 위키피디아, 넷플릭스, 유튜브, 트위터와 같은 사이트를 통해 전 세계에서 가장 대규모로 연결된 집단이 만들어졌다. 이 모든 경우, 컴퓨터는 수많은 ‘지능적’ 처리를 수행하지는 않는다. 그들은 주로 사람에 의해 생성된 정보를 다른 사람에게 전송한다.


우리는 인공지능의 잠재력을 과대평가하는 경우가 있다. 그러나 이미 지구상에 존재하는 ‘인간 두뇌라 불리는 놀랍도록 강력한 70억 개 이상의 정보 프로세서들이 초연결hyperconnectivity됨으로써 지니게 된 잠재력’은 과소평가하는 경우가 있다.


2. 조수
도구와 달리 인간 도우미는 직접적인 주의를 기울이지 않고 작업할 수 있고, 그 외 다른 사람이 지정한 일반 목표를 달성하기 위해 종종 주도권을 쥐기도 한다. 자동화된 보조 도구도 마찬가지지만, 도구와 보조의 경계가 항상 정확한 것은 아니다. 예를 들어 문자 메시지 플랫폼은 대부분 도구이지만 때로는 사용자의 - 명백하게 민망한 - 맞춤법을 자동 수정하는 주도력을 발휘하기도 한다.


자동화 조수의 또 다른 사례는 온라인 의류 소매업 체인 스티치픽스Stitch Fix Inc에서 사용하는 소프트웨어로, 이 자동화 조수는 인간 스타일리스트가 고객에게 옷을 추천하는 데 도움을 준다. 스티치픽스 고객들은 자신들의 스타일, 사이즈, 가격 선호도에 대한 상세한 설문을 작성해주는 데, 이렇게 수집된 데이터는 기계 학습 알고리즘으로 소화되어, 각 고객에게 적합한 옷을 골라주는 데 활용된다.


이러한 파트너십의 알고리즘 조수는 인간 스타일리스트보다 훨씬 많은 정보를 계산할 수 있다. 예를 들어, 청바지는 딱 맞는 것을 고르는 게 쉽지 않은 품목으로 악명 높다. 그러나 이 알고리즘은 비슷한 측정값을 가진 다른 고객이 결정한 다양한 스타일의 청바지를 선별할 수 있다.


인간 스타일리스트가 하는 일은 각 고객들에게 보낼 청바지의 스타일을 최종 결정하는 것이다. 인간 스타일리스트는 스티치픽스 알고리즘 조수가 처리하는 법을 학습하지 않은 정보를 고려할 수 있다. 예를 들어, 인간 스타일리스트는 고객이 원하는 것이 베이비 샤워를 위한 것인지 비즈니스 미팅을 위한 것인지를 알 수 있다. 인간과 컴퓨터의 협력으로 혼자서 할 수 있는 것보다 더 나은 서비스를 제공할 수 있다.


3. 동료
컴퓨터의 가장 흥미로운 사용법 중 일부는 조수나 도구보다는 오히려 인간 동료처럼 역할을 하는 경우를 포함하고 있는데, 인공지능과 관련 없는 경우에도 그렇다. 예를 들어, 주식 트레이더인 경우, 그는 인지하지 못한 채 자동화된 프로그램 트레이딩 시스템과 거래하고 있을 수 있다.


뉴욕에 위치한 레모네이드 보험사Lemonade Insurance Agency, LLC에서 고객의 보험 청구 업무를 하는 경우, 짐AI Jim이라는 인공지능 동료를 만날 수 있다. 짐은 채팅봇으로 레모네이드의 고객 파일은 문자 메시지를 교환하여 청구한다. 청구가 특정 매개 변수를 충족하면 짐은 자동으로 거의 즉시 지불 처리를 한다. 그렇지 않다면, 짐은 그 일을 끝낼 인간 동료에게 미처리 건을 전달한다.


4. 관리자
관리자 역할은 어떨까? 인간 관리자는 업무를 위임하고, 지시를 내리고, 결과를 평가하며, 다른 사람들과의 협력을 조정한다. 기계가 이러한 모든 업무를 수행할 수 있고 실제로 그러할 때, 기계가 자동화된 관리자로서 일을 하는 것이다.


어떤 사람들은 관리자로서의 기계에 대한 아이디어는 매우 위협적이라고 생각하지만, 우리는 이미 기계 관리자와 함께 매일 같이 살고 있다. 교통 신호등은 운전자를 안내한다. 자동 콜 라우터는 콜센터 직원에게 작업을 전달한다. 그리고 대부분의 사람들은 이를 위협적이거나 문제가 되는 상황이라고 하지 않는다.


미래에는 관리자 역할을 수행하는 기계들의 사례가 더 많아질 가능성이 있다. 예를 들어, 크라우드포지CrowdForge 시스템은 문서 작성과 같은 복잡한 업무를 크라우드 소싱 방식으로 해결한다. 한 실험에서, 이 시스템은 백과사전 방식으로 기사를 작성하기 위해, 아마존 매커니컬 터크Amazon Mechanical Turk 온라인 인력시장을 통한 온라인 근무자를 활용했다. 이 시스템은 먼저 온라인 근무자들에게 각 기사의 대한 개요를 제출하도록 요청했다. 그런 다음 다른 근무자들에게 각 개요에 대한 관련 사실을 찾도록 요청했다. 다음으로, 다른 직원들에게 그러한 팩트를 사용하여 일관된 단락을 쓰도록 요청했고, 마지막으로 시스템이 각 단락을 모아 완전한 기사를 작성했다. 흥미롭게도 독자는 평균적으로 한 사람이 쓴 기사보다 이 방법으로 작성된 기사에 더 후한 점수를 줬다.


이제 기계가 수행할 수 있는 역할을 이해했다면, 지능적으로 작동할 수 있는 슈퍼마인드(회사 또는 팀과 같은)의 설계를 알아보자. 이러한 슈퍼마인드를 설계하려는 경우 필요한 프로세스는 5가지이다.


개인이든 집단이든 모든 마인드는 아래의 5가지의 일부 또는 전부를 수행해야 한다.


1. 실행의 가능성을 찾아라
2. 취할 행동을 결정하라
3. 외부 세계를 감지하라
4. 과거를 기억하라
5. 경험을 통해 학습하라


사람, 컴퓨터, 집단에 상관없이 지능적으로 작동하는 개체는 이러한 5가지를 수행해야 한다.


말론 교수는 “컴퓨터는 항상 그런 것은 아니지만 종종 슈퍼마인드를 더 똑똑하게 만드는 새로운 방식으로 이러한 모든 일을 수행할 수 있도록 만든다.”라고 말한다.


말론 교수는 피앤지와 유사한 한 대형 소비재 회사를 대상으로 전략 기획의 사례를 소개한다. 오늘날 대기업에서의 기업 전략 기획에는 상대적으로 소규모의 그룹 - 주로 고위 임원, 담당 직원, 일부 외부 컨설턴트 - 이 참여한다. 그러나 기술을 사용하여 훨씬 더 많은 사람들을 참여시키고 기계가 생각하도록 할 수 있다면 어떨까?


프로세스 1 : 실행의 가능성을 찾아라
컴퓨터의 가장 중요한 역할 중 하나는 그것이 더 많은 사람들이 함께 생산적으로 생각할 수 있는 커뮤니케이션 도구라는 것이다. 전략 기획 프로세스에서 이를 수행하려면 웹을 통해 온라인 콘테스트를 활용하면 된다. 각 조직에 따라 여러 가지 수준에서 별도의 온라인 경연 대회를 열 수도 있다. 예를 들어, 피앤지가 이 접근법을 사용할 경우 팬틴Pantene 샴푸, 헤드앤숄더Head&Shoulders 샴푸, 타이드Tide 세탁 세제와 같은 각 브랜드에 대해 별도로 콘테스트를 개최할 수 있다. 또한 헤어 케어와 섬유 케어 등 각 사업 단위의 브랜드 전략을 결합하는 방법에 대한 별도의 콘테스트도 개최할 수 있다. 그리고 사업 단위 전략을 전체 기업 전략으로 결합하기 위한 또 하나의 콘테스트도 가능하다.


각 콘테스트를 모든 임직원들에게 공개하고, 콘테스트에 참여한 사람은 누구나 전략 옵션을 제안할 수 있으며 다른 사람들은 아이디어에 대해 의견을 더하거나 그 아이디어로부터 도움을 얻을 수도 있다. 결국 각 콘테스트에서 가장 월등한 전략이 선택될 것이다. 그러나 전략을 수립하는 과정에서 여러 가지 다양한 옵션을 고려하는 것이 중요하다.


이 프로세스를 많은 사람들에게 개방하면 놀랍고 새로운 옵션이 발생할 수도 있다. 예를 들어, 전통적인 기업 전략 기획 프로세스에 포함되지 않았던 젊고 최신 기술에 정통한 직원들이, 셀피를 웹 사이트에 올리는 개인 고객을 위해 특별히 고안된 피부 및 눈 화장과 관련된 새로운 화장품 개념을 제안할 수도 있다.


프로세스 2 : 취할 행동을 결정하라
전략적 가능성을 창출하는 데 더 많은 사람들을 참여시킬 때 발생하는 이점들 중 하나는 훨씬 더 많은 가능성을 얻을 수 있다는 것이다. 그러나 어떤 가능성이 가장 유망한지 결정하기 위해 그것들을 모두 평가해야 하며, 새로운 기술은 훨씬 더 많은 사람들과 더 많은 종류의 전문가들이 평가 과정에 쉽게 참여할 수 있도록 해준다. 예를 들어, 피앤지는 제조 엔지니어들이 기술적으로 제품 제조가 가능한지 평가하고, 운영 관리자가 제품 가격을 추정하게, 그리고 외부 시장 조사자들이 다른 가격대의 해당 제품에 대한 수요를 예측하기를 원할 수 있다.


어떤 경우에는 이러한 질문에 많은 사람들의 의견을 조합할 가치가 있다. 예를 들어, 피앤지는 제품 수요를 예측하기 위해 온라인 예측 시장을 활용할 수 있다. 이러한 시장은 이미 영화 흥행 수입, 미국 대통령 선거 승자 및 기타 많은 것들을 성공적으로 예측하는 데 사용되었다. 실제 미래 시장과 마찬가지로 예측 시장에서 사람들은 미래 사건에 대한 예측 분을 사고 팔 수 있다. 예를 들어 팬틴 샴푸의 전 세계 매출액이 연간 18억 달러에서 19억 달러 사이라고 생각하면, 참여자는 그 예측치의 일정분을 살 수 있다. 예측이 맞다면, 소유한 그 일정분에 대해 (말하자면) 1달러씩 얻게 될 것이다. 그러나 예측이 틀리면 아무 것도 얻지 못한다. 즉, 예측 시장을 통한 최종 가격으로 매출의 범위에 대한 확률을 얻을 수 있다.


프로세스 3 : 외부 세계를 감지하라
좋은 전략안을 수립하기 위해 필요한 핵심은 외부 세계에서 벌어지는 일을 효과적으로 감지할 수 있는 능력이다. 고객이 지금 원하는 것은 무엇인가? 경쟁 업체들은 무엇을 하고 있는가? 업계를 변화 시킬 수 있는 새로운 기술은 무엇인가? 오늘날 감지 기능을 향상시키는 데 가장 눈에 띄는 방법은 빅데이터와 데이터 분석이다.


예를 들어, 피앤지는 온라인 소셜 네트워크에서 자사 제품에 대한 긍정적이고 부정적인 의견을 분석하여 제품에 대한 고객의 감성이 어떻게 변하는지 측정할 수 있다. 제품에 대한 여러 가지 가격으로 온라인 실험을 수행할 수도 있다. 또한 고객이 피앤지 제품 대 경쟁업체의 제품을 보는 데 소비한 시간을 분석하기 위해 소매점에 비디오 및 터치 플로어를 설치하여 판매 변경에 대한 조기 경고를 얻을 수도 있다.


피앤지는 아마존이 이미 했던 것을 따라할 수도 있다. 대용량의 데이터를 사용하여 고객의 가격, 광고, 추천에 대한 고객 반응 등 비즈니스의 여러 부분에 대한 상세한 모델을 개발하고 재고 정책, 배송 방법, 창고 위치에 따라 변하는 공급망 비용을 파악할 수 있다. 이러한 도구를 사용하면 컴퓨터가 수를 활용하여 전략 기획의 수많은 양적 업무를 대신 수행할 수 있으며 사람은 일반 지능을 사용하여 보다 정성적 분석을 수행할 수 있다.


프로세스 4 : 과거를 기억하라
슈퍼마인드가 더 나은 전략적 계획을 세우는 데 있어, 기술을 활용하는 또 다른 방법은 다른 상대가 유사한 상황에서 겪었던 좋은 아이디어를 기억하도록 돕는 것이다. 예를 들어, 전략적 제안을 생성하기 위한 응용 프로그램에 내재된 소프트웨어 조수는 다음과 같은 일반적 전략을 자동적으로 제안할 수 있다.


- 고객이나 공급업체가 수행한 업무 중 일부를 통합시키기


- 프리랜서 또는 전문업체에게 내부 업무를 더 많이 아웃소싱하기


- 관련 시장 분야, 인근 지역 또는 고객이 자주 방문하는 다른 시장으로 이동하기


이러한 옵션 중 하나를 선택하면 시스템은 해당 유형의 전략에 필요한 세부 사항을 포함하는 템플릿을 자동으로 제공할 수 있다.


다른 조직이나 설정에서 활용했던 좋은 전략을 기억해서 소프트웨어 조수는 사용자 설정에 대한 새로운 전략을 생성하는 데 도움이 될 수 있다. 예를 들어 셀피를 사용하여 화장품을 사용자에게 맞춰 주는 전략이 성공했다면 소프트웨어 조수는 고객이 스마트폰을 사용하여 피앤지의 다른 제품 - 샴푸, 치약, 세탁 세제, 감자 칩 등 - 을 사용자에게 맞춰주는 유사한 전략을 제안할 수 있다. 물론 이러한 조합의 대부분은 어리석거나 비현실적이어서 매우 빨리 고사될 수도 있지만 일부는 놀랍게도 유용할 수 있다. 어리석은 옵션에서 때로는 좋은 아이디어가 발생하기도 한다!


예를 들어, 2000년대 초 피앤지는 프링글스Pringles 감자칩에 재미있는 그림과 단어를 인쇄하는 프로세스를 개발했다. 이 기술을 사용하면, 고객은 자신이 지정한 이미지로 미리 인쇄된 프링글스를 구입할 수 있다.


프로세스 5 : 경험을 통해 학습하라
시스템이 오랫동안 계속 사용되면, 슈퍼마인드가 경험을 통해 점점 더 효과적이 된다는 것을 알 수 있다. 예를 들어, 대부분의 사람들이 초기 단계에서는 인식하지 못했던 전략적 아이디어를 인식하는 데 슈퍼마인드가 도움이 될 수 있다. 스티브 잡스와 빌 게이츠가 지금 우리가 개인용 컴퓨터라고 불렀던 기계를 개발했던 1970년대 대부분의 사람들은 이 이상하고 어색한 장치가 앞으로 수십 년 동안 가장 혁신적이고 영향력 있는 제품이 되리란 것을 전혀 몰랐다.


진흙에서 다이아몬드를 놓치지 않고 아이디어를 빠르게 필터링하는 것은 쉽지 않다. 그러나 사람들이 기술 발전과 기타 획기적인 돌파구를 얼마나 정확하고 빠르게 예측하는지를 오랜 시간 체계적으로 추적함으로써 이러한 능력을 보유한 비범한 사람들을 식별해내는 것이 가능하다. 이후 우리는 이들에게 우리가 거부할 수도 있지만 그들이 다르게 보는 새로운 아이디어를 살펴달라고 요청할 수 있다.


또 다른 흥미로운 가능성은 학습 루프learning loop를 사용하는 것이다. 이것은 처음에는 인간 전문가가 전략안을 수동으로 평가하기 시작하지만, 이후에는 기계의 예측 능력이 인간보다 좋아지면서 점차 이 작업을 기계가 점점 더 많이 수행하는 것이다. 일반적으로 가격보다는 품질 경쟁을 시도하는 피앤지와 같은 회사에서, 제품을 평가하는 전문가들은 일반적으로 저렴한 가격을 강조하는 전략을 거부한다. 이에 인간 프로그래머들은 저비용 전략을 명시적으로 걸러내는 프로그램을 개발할 것이다. 그러나 기계 학습 프로그램은 전문가들이 이러한 유형의 전략을 거부한다는 것을 인식하여 그러한 전략에 부합되지 않는 행동을 말하기 시작할 것이다. 전문가가 충분한 시간을 가지고 그 말에 동의하면 프로그램은 묻는 것을 멈추고 자동으로 그러한 유사한 행동들을 계속 필터링할 것이다.


비즈니스 전략은 스마트 머신이 인간과 함께 슈퍼마인드를 만들어, 지금까지 인간만으로 구성된 것보다 훨씬 더 월등하게 해결할 수많은 것들 중 하나일 뿐이다. 슈퍼마인드를 통해 우리는 오늘날의 더딘 인구 성장률, 엄청난 실업, 빠른 경제 성장 등의 이슈를 원만하게 해결할 수도 있다. 여기에서 가장 큰 도전 과제는 인간이 기계 지능을 활용하고 인간의 능력을 극대화할 수 있는 기계를 만들 수 있는 기술을 마련하는 것이다. 많은 경우 이것은 미래의 슈퍼마인드들이 일상적으로 인간이나 기계의 어떤 단일 그룹도 불가능했던 일들을 처리할 수 있도록 하는 것이다.


이러한 기술과 비전을 기반으로 우리는 슈퍼마인드에 대한 2가지를 예측할 수 있다.


첫째, 2025년까지 사이버인간의 컨설팅 회사를 통해 서비스로 제공될 것이다.


시스템의 복잡성과 그 시스템이 처리하는 업무의 특성이 일반적인 점을 고려할 때, 기업들이 이 목적을 위해 독자적으로 시스템을 개발할 것 같지는 않다. 대신 오늘날의 컨설팅 회사 또는 향후 이들의 경쟁 업체가 이러한 기능 대부분을 서비스로 제공할 것이다. 이 회사는 다양한 전략적 가능성을 신속하게 추출하고 평가할 수 있는 전문 인력풀을 갖추고 있을 것이다. 이때 프로세스는 일부 업무를 자동화하고 기타 업무도 관리할 것이다. 이러한 ‘전략 시스템’은 인간-컴퓨터의 슈퍼마인드를 활용하여 한 기업에 실행 가능한 수백만 가지의 전략을 생산하고 평가한다. 시간이 지나면서 컴퓨터가 점점 더 많은 업무를 수행하게 되고, 사람은 여전히 이 프로세스의 핵심 부분에 참여하게 될 것이다.


둘째, 인간-컴퓨터 슈퍼마인드는 모든 종류의 어려운 비즈니스 및 사회적 문제를 해결하는 데 활용될 것이다.


컴퓨터는 전문 지능을 사용하여 문제의 일부를 해결하고 문제의 나머지는 사람들이 일반 지능을 활용하여 해결할 것이다. 이 과정 속에서, 컴퓨터는 지금까지 불가능했던 수없이 많은 인간들의 집단을 참여시키고 조정할 수 있다. 새로운 주택, 스마트폰, 공장, 도시, 교육 시스템에서 테러 방지, 의료 처지 계획 수립에 이르기까지 다양한 응용 프로그램들이 등장할 것이다. 사실상 가능성은 거의 무제한이라고 할 수 있다.


* *

References List :
1. MIT Sloan Management Review. Summer 2018. Thomas W. Malone. How Human-Computer ‘Superminds’ are Redefining the Future of Work.
https://sloanreview.mit.edu/article/how-human-computer-superminds-are-redefining-the-future-of-work/


2. Superminds: The Surprising Power of People and Computers Thinking Together (Little Brown & Company, 2018). 2018. Thomas W. Malone.
https://www.amazon.com/Superminds-Surprising-Computers-Thinking-Together/dp/0316349135/ref=tmm_hrd_swatch_0?_encoding=UTF8&qid=


3. Rethink Robotics (blog), November 10, 2014. Rodney Brooks. Artificial Intelligence Is a Tool, Not a Threat.


4. S. Armstrong and K. Sotala. How We’re Predicting AI ? or Failing Toin “Beyond AI: Artificial Dreams,” ed. J. Romportl, P. Ircing, E. Zackova, M. Polak, and R. Schuster (Pilsen, Czech Republic: University of West Bohemia, 2012): 52-75.


5. N. Bostrom, Superintelligence: Paths, Dangers, Strategies(Oxford, U.K.: Oxford University Press, 2014).


6. M. Minsky, “Society of Mind” (New York: Simon and Schuster, 1988).


7. L. Biewald, “Why Human-in-the-Loop Computing Is the Future of Machine Learning,” Data Science (blog), Nov. 13, 2015, www.computerworld.com


8. H.J. Wilson, P. Daugherty, and P. Shukla, “How One Clothing Company Blends AI and Human Expertise,” Nov. 21, 2016, http://hbr.org


9. S. Wininger, “The Secret Behind Lemonade’s Instant Insurance,”Nov. 23, 2016, http://stories.lemonade.com
 
10. A. Kittur, B. Smus, S. Khamkar, and R.E. Kraut, “CrowdForge: Crowdsourcing Complex Work,” in “Proceedings of the 24th Annual ACM Symposium Adjunct on User Interface Software and Technology,” ed. J. Piece, M. Agrawala, and S. Klemmer (New York: ACM Press, 2011).


11. T.W. Malone, J.V. Nickerson, R. Laubacher, L.H. Fisher, P. de Boer, Y. Han, and W.B. Towne, “Putting the Pieces Back Together Again: Contest Webs for Large-Scale Problem Solving,” March 1, 2017, ?https://ssrn.com

12. J. Wolfers and E. Zitzewitz, “Prediction Markets,” Journal of Economic Perspectives 18, no. 2 (2004): 107-126.


13. J. Wolfers and E. Zitzewitz, “Interpreting Prediction Market Prices as Probabilities,” working paper W12200, National Bureau of Economic Research, Cambridge, Massachusetts, May 2006.


14. V. Granville, (blog),  “21 Data Science Systems Used by Amazon to Operate Its Business” Nov. 19, 2015.




이전

목록