مقالهی اندازهگیری را برای یک دوست خارجی فرستادم و بطرز جالبی با این جملهی من که: اندازهگیری مشکل است، مشکل داشت. هرچند من بسطش داده بودم اما گفت ابهام برانگیزست و ویرایشش کرد؛ او نیز شبیه دوست دیگری پرسید، اگر اندازهگیری مشکل است پس این دقت هوشمصنوعی از چه سنجههایی است؟ بعبارتی پرسید چطور از جهانی کاملاً عددی، چیزی با دقت و ظرافت AI بیرون آمده که با معنا، استعاره، ابهام، سبک، طنز و حتی کلیتهای مفهومی سروکار دارد؟
×××
بگمانم کلید حل معمای آن، این است که بایستی بین دو نوع عددی کردن فرق بگذاریم. آن چیزی که از ما از عدد استفاده میکنیم اغلب تقلیل یک پدیده به چند سنجه است: این سازمان چقدر بزرگ است؟ پاسخ: تعداد کارکنان. این اقتصاد چقدر موفق است؟ پاسخ: GDP و این دانشآموز چقدر خوب است؟ پاسخ: نمره.
اما شبکهی عصبی بزرگ مثل هوشمصنوعی تقریباً برعکس این کار را میکند. وقتی مثلاً واژهی خانه وارد یک مدل زبانی میشود، مدل نمیگوید: خانه = فلان عدد.
بلکه آن را در فضایی با صدها یا هزاران بُعد قرار میدهد. جایگاه خانه حاصل روابط آن با مادر، خانواده، سرپناه، وطن، اجاره، قسط، حاملگی، معماری، تنهایی، بازگشت و ... هزاران مفهوم دیگر است. یعنی عدد هنوز همهجا حضور دارد، اما دیگر عددها بهمعنای یک مقیاس یا سنجه نیستند؛ عدد تبدیل شده به مختصاتِ رابطه.
و این تفاوت بسیار مهمی است.
هوش مصنوعی حاصل پیروزی اندازهگیریها و برتری عدد نیست؛ حاصل کشف این نکته است که میتوان رابطه را نیز عددی کرد و این همان کلید کیفیت است! این همان جایی است که LLMها با اندیشه سیستمی بهطرز جالبی به هم نزدیک میشوند.
×××
شگفتی مدلهای زبانی شاید بواقع در این نیست که عدد توانسته جای معنا را بگیرد؛ شگفتی این است که وقتی تعداد و پیچیدگیِ روابط عددی از حدی میگذرد، معنا دوباره در سطحی بالاتر ظاهر میشود.
اینگونه بگویم بهترست: اگر ما به روابط عدد بدهیم کیفیت اندازه گیری حتی در حالت معمول هم بالا میرود.
مسئله شاید اصلاً عدد نیست بل این است که به چه چیزی عدد میدهیم؟ اگر فقط به خودِ اشیا و ویژگیهای منفردشان عدد دهیم، سنجش میتواند تقلیلگرایانه شود. اما اگر الگوی هوشمصنوعی را لااقل کمی برای خودمان شبیهسازی کنیم و به روابط میان اشیا، شدت رابطه، جهت رابطه، وابستگی، فاصله، تأثیر متقابل و الگوهای تغییر هم عدد بدهیم، کیفیت سنجش بهطور چشمگیری بالا میرود.
مثلاً برای سنجش عملکرد یک تیم، اگر فقط اینها را اندازه بگیریم:
تعداد کارکنان، ساعات کار، تعداد پروژهها، درآمد.
این یک نگاه کمّی اما نسبتاً تخت است.
اما اگر روابط را هم اندازه بگیریم:
چه کسی با چه کسی همکاری میکند؟ اطلاعات با چه سرعتی منتقل میشود؟، گلوگاه تصمیمگیری کجاست؟، اعتماد میان واحدها چقدر است؟، وابستگی وظایف چگونه است؟، حذف یک فرد چه اثری بر کل شبکه دارد؟ در این هنگام عدد، دیگر دشمن کلنگری نیست؛ خودش ابزار کلنگری میشود.
×××
این یعنی کمیتگرایی کلاسیک میپرسد: هر چیز چقدر است؟
نگاه سیستمیِ کمی میپرسد: هر چیز با چه چیزهایی، چگونه و با چه شدتی مرتبط است؟
و در مدیریت زمان این مبحث ارزشمندتر میشود. مثلاً میگوییم: ۸ ساعت کار، ۲ ساعت جلسه،
۱ ساعت مطالعه، ۳۰ دقیقه ورزش.
این سنجش مفید است، اما فقط میگوید چقدر.
ولی اگر رابطهمحور قلمدادش کنیم اینگونه میشود: کدام کار قبل از کدام باید انجام شود؟ کدام کار انرژی ذهنی زیادی میخواهد؟ کدام جلسه تمرکز را میشکند؟ کدام وظیفه به پاسخ یک نفر دیگر وابسته است؟ کدام کار اثر چندبرابری روی چند کار بعدی دارد؟ و کدام فعالیت فقط زمان نمیگیرد بلکه کیفیت ساعتهای بعدی را هم پایین میآورد؟
در نتیجه، مدیریت زمان بهتر را میشود اینطور دید:
زمان را مدیریت نکن؛ روابط میان کارها، انرژی، توجه، وابستگیها و پیامدها را مدیریت کن. همین سبب می شود زمان خودبخود مدیریت شود.
مثلاً دو کار هر کدام ۶۰ دقیقه ممکن است طول بکشند اما ارزش زمانیشان برابر نیست. یکی ممکن است سه کار بعدی را باز کند؛ دیگری ممکن است ۶۰ دقیقه وقت بگیرد و بعد هم ۴۵ دقیقه هزینه بازگشت به تمرکز ایجاد کند.
پس یک مدل بهتر برای مدیریت زمان فقط این نیست که مدت انجام مساویاست با ۶۰ دقیقه
بلکه چیزی شبیه این است: ارزش واقعی یک کار = زمان + انرژی + وابستگی + اثر روی کارهای بعدی + هزینه جابهجایی + فرصت از دسترفته و الی آخر...
×××
اینجا همان بحث قبلی برمیگردد: وقتی فقط خودِ کار را اندازه میگیریم، مدیریت زمان سطحی میشود. وقتی رابطهی کار با بقیهی سیستم را هم میسنجیم، کیفیت تصمیم بالا میرود.
به همین دلیل روشهای ساده مدیریت زمان گاهی شکست میخورند. تقویم ممکن است کاملاً پر و منظم باشد، ولی روز بدی داشته باشیم؛ چون رابطههای پنهان، بدجوری چیده شدهاند.
×××
من فکر میکنم اکثر اندازهگیریها برای مدیریت زمان است. به اشکال مختلف. ولی شاید چیزی به نام مدیریت زمان اساساً وجود نداشته باشد. زمان مستقل از ما میگذرد؛ آنچه واقعاً مدیریت میکنیم توالی، توجه، انرژی و وابستگیهاست.
Soroushane.ir
×××
بگمانم کلید حل معمای آن، این است که بایستی بین دو نوع عددی کردن فرق بگذاریم. آن چیزی که از ما از عدد استفاده میکنیم اغلب تقلیل یک پدیده به چند سنجه است: این سازمان چقدر بزرگ است؟ پاسخ: تعداد کارکنان. این اقتصاد چقدر موفق است؟ پاسخ: GDP و این دانشآموز چقدر خوب است؟ پاسخ: نمره.
اما شبکهی عصبی بزرگ مثل هوشمصنوعی تقریباً برعکس این کار را میکند. وقتی مثلاً واژهی خانه وارد یک مدل زبانی میشود، مدل نمیگوید: خانه = فلان عدد.
بلکه آن را در فضایی با صدها یا هزاران بُعد قرار میدهد. جایگاه خانه حاصل روابط آن با مادر، خانواده، سرپناه، وطن، اجاره، قسط، حاملگی، معماری، تنهایی، بازگشت و ... هزاران مفهوم دیگر است. یعنی عدد هنوز همهجا حضور دارد، اما دیگر عددها بهمعنای یک مقیاس یا سنجه نیستند؛ عدد تبدیل شده به مختصاتِ رابطه.
و این تفاوت بسیار مهمی است.
هوش مصنوعی حاصل پیروزی اندازهگیریها و برتری عدد نیست؛ حاصل کشف این نکته است که میتوان رابطه را نیز عددی کرد و این همان کلید کیفیت است! این همان جایی است که LLMها با اندیشه سیستمی بهطرز جالبی به هم نزدیک میشوند.
×××
شگفتی مدلهای زبانی شاید بواقع در این نیست که عدد توانسته جای معنا را بگیرد؛ شگفتی این است که وقتی تعداد و پیچیدگیِ روابط عددی از حدی میگذرد، معنا دوباره در سطحی بالاتر ظاهر میشود.
اینگونه بگویم بهترست: اگر ما به روابط عدد بدهیم کیفیت اندازه گیری حتی در حالت معمول هم بالا میرود.
مسئله شاید اصلاً عدد نیست بل این است که به چه چیزی عدد میدهیم؟ اگر فقط به خودِ اشیا و ویژگیهای منفردشان عدد دهیم، سنجش میتواند تقلیلگرایانه شود. اما اگر الگوی هوشمصنوعی را لااقل کمی برای خودمان شبیهسازی کنیم و به روابط میان اشیا، شدت رابطه، جهت رابطه، وابستگی، فاصله، تأثیر متقابل و الگوهای تغییر هم عدد بدهیم، کیفیت سنجش بهطور چشمگیری بالا میرود.
مثلاً برای سنجش عملکرد یک تیم، اگر فقط اینها را اندازه بگیریم:
تعداد کارکنان، ساعات کار، تعداد پروژهها، درآمد.
این یک نگاه کمّی اما نسبتاً تخت است.
اما اگر روابط را هم اندازه بگیریم:
چه کسی با چه کسی همکاری میکند؟ اطلاعات با چه سرعتی منتقل میشود؟، گلوگاه تصمیمگیری کجاست؟، اعتماد میان واحدها چقدر است؟، وابستگی وظایف چگونه است؟، حذف یک فرد چه اثری بر کل شبکه دارد؟ در این هنگام عدد، دیگر دشمن کلنگری نیست؛ خودش ابزار کلنگری میشود.
×××
این یعنی کمیتگرایی کلاسیک میپرسد: هر چیز چقدر است؟
نگاه سیستمیِ کمی میپرسد: هر چیز با چه چیزهایی، چگونه و با چه شدتی مرتبط است؟
و در مدیریت زمان این مبحث ارزشمندتر میشود. مثلاً میگوییم: ۸ ساعت کار، ۲ ساعت جلسه،
۱ ساعت مطالعه، ۳۰ دقیقه ورزش.
این سنجش مفید است، اما فقط میگوید چقدر.
ولی اگر رابطهمحور قلمدادش کنیم اینگونه میشود: کدام کار قبل از کدام باید انجام شود؟ کدام کار انرژی ذهنی زیادی میخواهد؟ کدام جلسه تمرکز را میشکند؟ کدام وظیفه به پاسخ یک نفر دیگر وابسته است؟ کدام کار اثر چندبرابری روی چند کار بعدی دارد؟ و کدام فعالیت فقط زمان نمیگیرد بلکه کیفیت ساعتهای بعدی را هم پایین میآورد؟
در نتیجه، مدیریت زمان بهتر را میشود اینطور دید:
زمان را مدیریت نکن؛ روابط میان کارها، انرژی، توجه، وابستگیها و پیامدها را مدیریت کن. همین سبب می شود زمان خودبخود مدیریت شود.
مثلاً دو کار هر کدام ۶۰ دقیقه ممکن است طول بکشند اما ارزش زمانیشان برابر نیست. یکی ممکن است سه کار بعدی را باز کند؛ دیگری ممکن است ۶۰ دقیقه وقت بگیرد و بعد هم ۴۵ دقیقه هزینه بازگشت به تمرکز ایجاد کند.
پس یک مدل بهتر برای مدیریت زمان فقط این نیست که مدت انجام مساویاست با ۶۰ دقیقه
بلکه چیزی شبیه این است: ارزش واقعی یک کار = زمان + انرژی + وابستگی + اثر روی کارهای بعدی + هزینه جابهجایی + فرصت از دسترفته و الی آخر...
×××
اینجا همان بحث قبلی برمیگردد: وقتی فقط خودِ کار را اندازه میگیریم، مدیریت زمان سطحی میشود. وقتی رابطهی کار با بقیهی سیستم را هم میسنجیم، کیفیت تصمیم بالا میرود.
به همین دلیل روشهای ساده مدیریت زمان گاهی شکست میخورند. تقویم ممکن است کاملاً پر و منظم باشد، ولی روز بدی داشته باشیم؛ چون رابطههای پنهان، بدجوری چیده شدهاند.
×××
من فکر میکنم اکثر اندازهگیریها برای مدیریت زمان است. به اشکال مختلف. ولی شاید چیزی به نام مدیریت زمان اساساً وجود نداشته باشد. زمان مستقل از ما میگذرد؛ آنچه واقعاً مدیریت میکنیم توالی، توجه، انرژی و وابستگیهاست.
Soroushane.ir