왜 ‘최고’ 인재들이 창의력 없는 결과를 내놓을까
원 글 : Why hiring the ‘best’ people produces the least creative results
관련 도서 : The Diversity Bonus How Great Teams Pay Off in the Knowledge Economy
창의적인 팀웍을 만들려면 어떻게 해야 할까
나름 재미있는 관점을 제공해주는 글이 있어 소개한다.
한글로 번역한 글을 읽었는데 원 글에 나오는 통계학적 기법이나 마르코프 프로세스를 이해못해서 핵심을 잘못 전달했기에 원 글을 읽어보길 추천한다.
글은 수학 전공한 교수님이 논리학 수업 시간에 교통 체증을 컴퓨터로 모델링하는 방법에 대해 설명하는 것으로 시작한다.
교통 체증 상태의 차량의 흐름을 추적하는 건 엄청난 메모리와 연산량을 필요로 하게 된다.
교수님은 이런 경우엔 빈 도로를 추적하면 된다고 아이디어를 제시한다. 교통 체증 상황에서 빈 도로의 흐름을 추적하도록 모델을 만드는 아이디어이다.
이러한 아이디어 이야기들은 몇 가지 공통점이 있다.
1. 복잡한 문제이다. 차원이 높은 문맥을 다루기 때문에 설명하기도, 엔지니어링하기도, 개선하거나 예측하기도 까다롭다.
2. 획기적인 아이디어는 마법처럼 떠오르거나 완전히 새롭게 만들어지지 않는다.
기존의 아이디어, 직관, 기교나 룰에서 출발하며 이것들을 참신하게 적용을 한 것이거나 결합한 것이다.
앞의 교통 체증 사례는 정보 이론의 최소 서술 길이minimum description length 즉, 같은 정보를 가장 짧게 기술하는 기법 개념을 참신하게 적용한 사례라고 볼수 있다.
이러한 아이디어들은 조금의 이득을 가져온다. 하지만 이런 아이디어들이 모이게 되면 커다란 반향을 가져올 수가 있다. 진보는 거대한 도약 만큼이나 작은 걸음들의 누적을 통해서도 크게 이루어진다.
3. 이런 아이디어들은 그룹 환경에서 태어난다.
한 사람이 어떤 문제에 대해 자신의 관점을 얘기하고 해결에 대한 접근법을 설명하거나 해결에 집중하고 있는 부분을 명확히 하면 다른 사람이 의견을 주거나 알고 회피법을 알려주는 식이다.
작고한 존 홀랜드는 늘 다음과 같이 물었다. “마르코프 프로세스로 바꿔서 생각해보았나요? 관련된 여러 개의 상태와 그 상태들간의 전이 경로를 식별해서 생각해보았나요? ” 이러한 질문은 발표자가 문제에 관련된 상태를 정의하도록 강제한다. 이 단순한 행위가 곧잘 어떤 직관으로 이어지기도 한다.
현대 문제들의 복잡성은 종종 개인이 모든 문제를 충분히 잘 이해할 수가 없도록 한다.
복잡한 문제들의 다차원성과 중층성은 실력주의 즉, 최고의 인재를 채용해야 한다는 생각의 근거를 약화시키는 경향이 있다.
최고의 실력자는 없는 것이다. 여러 면에서 최고의 점수를 받은 사람을 뽑는 게 아니라 다양성을 추구하게 된다. 다양한 지식 기반, 도구, 분석 기술을 가진 일련의 사람들을 팀으로 구축하게 된다.
종종 수학자를 포함할 것이며 그 수학자들은 미분 방정식 뿐만 아니라 동적 시스템을 공부했을 것이다.
이렇게 팀은 ‘최고’의 수학자, ‘최고’의 종양학자, ‘최고’의 통계학자 등을 인재 풀에서 선택한 사람들로 구성될 것이다.
이러한 다양성에 대한 주장의 증거는 다양한 아이디어를 결합하는 것이 더 나은 결과를 만드는 경향이 있다는 여러 논문들과 특허 등에서 확인된다.
랜덤 포레스트에서 활용하고 있는 기법인 boostrap aggregation 즉, bagging 기법에서 다양성의 유용성은 확인될 수 있다.
(Bagging은 분산을 감소시키는 앙상블 기법이며 결과적으로 여러 개로 나뉘어진 트레이닝 셋을 통해서 각각 만들어진 결과들의 평균이나 투표를 통해 최종 결과물을 내는데 일반적으로 분산이 줄어들고 accuracy가 좋아지게 된다. 부트스트랩은 외부에 의존하지 않고 자신의 힘으로 여러 단계를 거쳐 무언가를 이루는 과정을 뜻하는 표현인데 통계적으로는 동일한 데이터 셋을 여러 개의 데이터 셋으로 나눠서 샘플링하는 방법을 뜻한다. 즉, 동일한 데이터 셋 중 일부를 무작위로 샘플링해서 교체하는 방식으로 여러 벌의 데이터 셋을 만드는 기법이다.)
또다른 앙상블 기법인 boost 기법은 가장 어려운 부분에 집중해서 (boost는 여러 학습자들 중 정확도가 가장 낮은 학습자들의 비중을 높여 학습시키는 방법) 학습하여 결과적으로 더 많은 다양성을 거치면서 정확도가 높아지게 한다.
단순히 공통된 기준에 따른 고득점자를 채용하는 방식은 다양성이 아니라 동질성을 높이는 방식이다.
알파벳 자회사인 X의 CEO인 아스트로 텔러는 다음과 같이 말한다.
“중요한 건 서로 다른 지적 관점을 가진 사람들을 보유하는 것입니다. 지금까지 탐험해보지 못한 영역을 탐험하고자 한다면 자신과 닮고 자신과 비슷하게 사고하는 사람을 뽑는 것은 최선의 방법이 아닙니다.”
글쓴이는 다양성이 팀웍의 핵심이라고 생각하고 다양한 전문가를 채용하고 이를 팀웍을 통해 부트스트랩이나 부스팅 등 협업적(앙상블)으로 아이디어를 만들어내는 팀을 구성하는이 최선이라고 얘기하고 있다.
그룹 창의성의 가능성을 보여주는 적절한 비유라고 생각된다.
서로 협업하고 의사 소통할 수 있으며 아이디어를 만들어낼 수 있는 문화, 그 기반은 다양한 아이디어를 만들고 의견을 제시하는 학습하는 개인들이기도 하다.
관련 도서 : The Diversity Bonus How Great Teams Pay Off in the Knowledge Economy
창의적인 팀웍을 만들려면 어떻게 해야 할까
나름 재미있는 관점을 제공해주는 글이 있어 소개한다.
한글로 번역한 글을 읽었는데 원 글에 나오는 통계학적 기법이나 마르코프 프로세스를 이해못해서 핵심을 잘못 전달했기에 원 글을 읽어보길 추천한다.
글은 수학 전공한 교수님이 논리학 수업 시간에 교통 체증을 컴퓨터로 모델링하는 방법에 대해 설명하는 것으로 시작한다.
교통 체증 상태의 차량의 흐름을 추적하는 건 엄청난 메모리와 연산량을 필요로 하게 된다.
교수님은 이런 경우엔 빈 도로를 추적하면 된다고 아이디어를 제시한다. 교통 체증 상황에서 빈 도로의 흐름을 추적하도록 모델을 만드는 아이디어이다.
이러한 아이디어 이야기들은 몇 가지 공통점이 있다.
1. 복잡한 문제이다. 차원이 높은 문맥을 다루기 때문에 설명하기도, 엔지니어링하기도, 개선하거나 예측하기도 까다롭다.
2. 획기적인 아이디어는 마법처럼 떠오르거나 완전히 새롭게 만들어지지 않는다.
기존의 아이디어, 직관, 기교나 룰에서 출발하며 이것들을 참신하게 적용을 한 것이거나 결합한 것이다.
앞의 교통 체증 사례는 정보 이론의 최소 서술 길이minimum description length 즉, 같은 정보를 가장 짧게 기술하는 기법 개념을 참신하게 적용한 사례라고 볼수 있다.
이러한 아이디어들은 조금의 이득을 가져온다. 하지만 이런 아이디어들이 모이게 되면 커다란 반향을 가져올 수가 있다. 진보는 거대한 도약 만큼이나 작은 걸음들의 누적을 통해서도 크게 이루어진다.
3. 이런 아이디어들은 그룹 환경에서 태어난다.
한 사람이 어떤 문제에 대해 자신의 관점을 얘기하고 해결에 대한 접근법을 설명하거나 해결에 집중하고 있는 부분을 명확히 하면 다른 사람이 의견을 주거나 알고 회피법을 알려주는 식이다.
작고한 존 홀랜드는 늘 다음과 같이 물었다. “마르코프 프로세스로 바꿔서 생각해보았나요? 관련된 여러 개의 상태와 그 상태들간의 전이 경로를 식별해서 생각해보았나요? ” 이러한 질문은 발표자가 문제에 관련된 상태를 정의하도록 강제한다. 이 단순한 행위가 곧잘 어떤 직관으로 이어지기도 한다.
현대 문제들의 복잡성은 종종 개인이 모든 문제를 충분히 잘 이해할 수가 없도록 한다.
복잡한 문제들의 다차원성과 중층성은 실력주의 즉, 최고의 인재를 채용해야 한다는 생각의 근거를 약화시키는 경향이 있다.
최고의 실력자는 없는 것이다. 여러 면에서 최고의 점수를 받은 사람을 뽑는 게 아니라 다양성을 추구하게 된다. 다양한 지식 기반, 도구, 분석 기술을 가진 일련의 사람들을 팀으로 구축하게 된다.
종종 수학자를 포함할 것이며 그 수학자들은 미분 방정식 뿐만 아니라 동적 시스템을 공부했을 것이다.
이렇게 팀은 ‘최고’의 수학자, ‘최고’의 종양학자, ‘최고’의 통계학자 등을 인재 풀에서 선택한 사람들로 구성될 것이다.
이러한 다양성에 대한 주장의 증거는 다양한 아이디어를 결합하는 것이 더 나은 결과를 만드는 경향이 있다는 여러 논문들과 특허 등에서 확인된다.
랜덤 포레스트에서 활용하고 있는 기법인 boostrap aggregation 즉, bagging 기법에서 다양성의 유용성은 확인될 수 있다.
(Bagging은 분산을 감소시키는 앙상블 기법이며 결과적으로 여러 개로 나뉘어진 트레이닝 셋을 통해서 각각 만들어진 결과들의 평균이나 투표를 통해 최종 결과물을 내는데 일반적으로 분산이 줄어들고 accuracy가 좋아지게 된다. 부트스트랩은 외부에 의존하지 않고 자신의 힘으로 여러 단계를 거쳐 무언가를 이루는 과정을 뜻하는 표현인데 통계적으로는 동일한 데이터 셋을 여러 개의 데이터 셋으로 나눠서 샘플링하는 방법을 뜻한다. 즉, 동일한 데이터 셋 중 일부를 무작위로 샘플링해서 교체하는 방식으로 여러 벌의 데이터 셋을 만드는 기법이다.)
또다른 앙상블 기법인 boost 기법은 가장 어려운 부분에 집중해서 (boost는 여러 학습자들 중 정확도가 가장 낮은 학습자들의 비중을 높여 학습시키는 방법) 학습하여 결과적으로 더 많은 다양성을 거치면서 정확도가 높아지게 한다.
단순히 공통된 기준에 따른 고득점자를 채용하는 방식은 다양성이 아니라 동질성을 높이는 방식이다.
알파벳 자회사인 X의 CEO인 아스트로 텔러는 다음과 같이 말한다.
“중요한 건 서로 다른 지적 관점을 가진 사람들을 보유하는 것입니다. 지금까지 탐험해보지 못한 영역을 탐험하고자 한다면 자신과 닮고 자신과 비슷하게 사고하는 사람을 뽑는 것은 최선의 방법이 아닙니다.”
글쓴이는 다양성이 팀웍의 핵심이라고 생각하고 다양한 전문가를 채용하고 이를 팀웍을 통해 부트스트랩이나 부스팅 등 협업적(앙상블)으로 아이디어를 만들어내는 팀을 구성하는이 최선이라고 얘기하고 있다.
그룹 창의성의 가능성을 보여주는 적절한 비유라고 생각된다.
서로 협업하고 의사 소통할 수 있으며 아이디어를 만들어낼 수 있는 문화, 그 기반은 다양한 아이디어를 만들고 의견을 제시하는 학습하는 개인들이기도 하다.
댓글