یکی از الگوها و آرکتایپ هایی که پیتر سنگه در کتاب پنجمین فرمان معرفی میکنه، آرکتایپ Success to the successful یعنی موفقیت برای موفق هاست! این آرکتایپ به این الگو و روند آشنا اشاره میکنه که چطور یک انتخاب تصادفی اولیه، میتونه باعث شه موفقیت به سمت محصولات، کارها، افراد یا بیزینیس لاینهای خاصی جهت دار و منحرف شه. این حقیقت بدیهی که " ما احتمال میدیم افراد موفق به سنبت سایر افراد احتمال بیشتری برای موفقیت داشته باشند" باعث میشه منابع رشد، به صورت معناداری به سمت افرادی که به دلایل واقعی یا تصادفی، در شرایط ابتدایی بهتری قرار داشتند متمایل شه و در ازای موفق تر شدن نمونه های موفق اولیه، سایر نمونه ها با فقر منابع و کمتر شدن فرصت رشد روبرو بشن.
ماجرا خیلی شبیه به این میمونه که ما چندین بذر در زمین بکاریم و بذری که به دلایل واقعی یا تصادفی اول از زمین بیرون بزنه رو به باغ منتقل کنیم و از آب مناسب برخوردار کنیم و گلدونی که بذرهای دیگه درونش باقی موندن رو بخاطر محدودیت زمان کمتر آب بدیم. ممکنه بذری که در ابتدا از خاک بیرون میاد سرعت جوانه زنی بالاتر اما در ادامه سرعت رشد پایین تری داشته باشه و بذرهای زیادی توی گلدون باشن که علیرغم دیر جوانه زدن گیاه های مقاوم تری در برابر شرایط سخت باشن. افزایش توجه به بذری که در ابتدا موفق تر عمل کرده به معنی کاهش توجه به بذرهای بهتر و از بین بردن اون ها خواهد بود . روز به روز فرصتی که میشه به بذرهای رشد نکرده برای ابراز توانمندیهاشون داد خود به خود کمتر میشه. منابع بیشتر در اختیار واحد، محصول، راه حل یا فرد A خود به خود منابع کمتر در اختیار B قرار میده و احتمال رشد اون رو کاهش میده جوری که به صورت اتوماتیک طبق فرایند تخصیص منبع، نتیجه شکست به B تحمیل میشه. از طرفی A به خاطر منابعی که در اختیار داره، بیشتر رشد میکنه و فرض غلط اولیه در ذهن ما روز به روز منطقی تر جلوه میکنه.
بیایید از هوش واقعی خودمون فاصله بگیریم و سری به هوش مصنوعی بزنیم تا ببینیم این مسئله واقعیِ دنیای انسان ها داخل دنیای صفر و یک های هوشمند هم پیش میاد؟ اگر آره ، چطور باهاش مواجه میشن؟
یکی از الگوریتم های هوش مصنوعی به اسم الگوریتم ژنتیک با همین مسئله دست و پنجه نرم کرده! الگوریتم ژنتیک از دسته الگوریتمهای تکاملی هست که از تکنیکهای زیستشناسی مثل وراثت، جهش زیستشناسی و اصول انتخابی داروین استفاده میکنه تا بهترین راه حل برای یک سوال یا سازگارترین پاسخ برای یک سیستم رو پیدا کنه، برای اینکار سعی میکنه چنیدن نمونه تصادفی از راه حل ها رو در مسئله امتحان کنه و بعد بهترین جواب ها رو انتخاب کنه، حالا از ترکیب و تغییر بهترین جواب ها سعی کنه بهترین جواب نهایی رو بدست بیاره. به عبارتی مسئله همون مسئله ژن های خوب ه! این باور عمومی که حکیمِ خردمندی به نام "رشد"، بیشتر ژن های خوب رو برای ماموریت انتخاب میکنه چون معتقده با تلاش و صرف انرژی روی اون ها به نتایج بهتری میرسه.
مسئله اما اینجاست که ممکنه خوب بودن یک ژن نسبت به ژن دیگه صرفا تصادفی باشه یا بخاطر فرصت های بیشتر و بهتر اتفاق افتاده باشه نه برتری ذاتی و یا اینکه برتری میتونه ذاتی نباشه و در اثر ترکیب تصادفی راه حل ها بدست بیاد. اگر به این نکات توجه نشه به مرور، سیستم به جمعیت اولیه موفق ها گرایش غیر طبیعی پیدا میکنه و یه جهت گیری خاص بر اساس فرضیه غلطی که هر بار تایید میشه توی الگوریتم رخ میده، فرصتهای رشد همه در اختیار جمعیت موفق اولیه قرار میگیرن و همزمان بقیه جمعیت فقیر و فقیرتر میشن. مسئله آشناییه درست میگم؟
الگوریتم ژنتیک به این مسئله برخورد کرد . بنابراین کمی نشست تا فکر کنه چه راهی باید انجام بده؟ یجورایی باید حواس الگوریتم رو پرت میکرد تا بقیه نمونه ها رو هر از چندگاهی ببینه، شاید اتفاقی چشمش به یه ژن فراموش شده که تشنه ی فرصته بیفته.
برای همین دو نرخ crossover rate و mutation rate خلق شد ، که از قدرت وقایع تصادفی برای متعادل کردن جهت گیری و دادن شانس بیشتر به اعضای دیگه جامعه اولیه استفاده می کرد. میشه اینطور تصور کرد که هر از چند گاهی به جای منطق " حتما موفق ها موفق تر عمل میکنن" و منطق " بهتره موفق ها هم گروهی باشن" از منطق "شاید موفق ها بین معمولی ها پنهان شده باشن" و "شاید موفق های شناخته شده با غریبه ها تیم بهتری بسازن" استفاده کنیم. مثلا اگر یک تیم ده نفره از بهرین پاسخ ها نیاز داریم، هر بار 9 نفر از تیم موفق های اولیه انتخاب شن و یک نفر رو به صورت تصادفی انتخاب کنیم یا سعی می کنیم دسته ی موفق های اولیه رو با بزرگ کردن جمعیت کسایی که میتونن آزمایش اولیه بدن تا وضع اولیشونو بسنجیم بزرگتر کنیم تا احتمال از دست دادن موفق های گمشده کمتر شه.
پس میشه گفت در مسائل دنیای واقعی ، جایی که باور داریم:
یک محصول اولیه که بازخوردهای مثبت بیشتری گرفته و تا آخر موفق تر جلو میره، یا یک نفر از اعضای تیم که بخاطر بازخورهای خوب روز اول با اعتماد به نفس تر شده، یا یک نفر از متخصص ها که بخاطر تحصیلات بهتر از اول از جایگاه بالاتری شروع کرد ، یا حتی یکی از راهکارها که بخاطر اینکه چند بار جواب داده از راهکارهای نوی تست نشده همیشه برتره، انتخاب های درست تری موقع تصمیم گیری هستن. چون موفق های اولیه احتمالا موفق تر باقی میمونن . اینجا میشه با الهام از الگوریتم ژنتیک ورود کرد و با یک رفتار تعادلی، باعث ملایم تر شدن این شیب تند منابع به سمت موفق های اولیه شد تا فرصت برای آزمایش شانس بقیه جمعیت ایجاد بشه.
با ورود مقادیر تصادفی در تصمیم گیری کسب و کارها میشه جلوی حرکت جهت دار به سمت جمعیت موفق های اولیه رو گرفت. هر از چند گاهی در تصمیم گیری ها باید به جای استفاده از منطق های معمول "بهترها، بهتر خواهند بود" از قرعه کشی استفاده کرد و به بعضی از بهتر ها استراحت داد. قرار دادن تعمدی وقایع و نمونه های تصادفی در آزمایش های جدید میتونه اثر این خطر جهت گیری رو کم کنه. شاید محبوبیت یه محصول، راهکار، فرد یا هر چیز دیگه به دلایل تصادفی یا خارج از کنترل مرتبط بوده باشه و بشه موقعیت های بهتری خلق کرد.
حالا از نمونه های تصادفی در ترکیب با نمونه های موفق استفاده می کنیم و نتایج رو می سنجیم، اگر نتیجه رضایت بخش بود، این تصادف باعث رشد بیشتر و دوری از جهت گیری میشه و علاوه بر کمک به رشد سیستم، حس تبعیض و نارضایتی رو هم کاهش میده.
این مفاهیم خیلی ساده در اطراف ما زیاد رخ میدن، آیا واقعا میشه گفت نوآوری ها تصادفی نیستند؟ شاید بله. اما با استفاده آگاهانه از "عوامل تصادفی".
نوآوری ها، حاصل همین فکر هستند که "ممکنه ناشناس ها از شناخته شده های موفق بهتر عمل کنن و ممکنه ترکیب ناشناخته ها و شناخته ها یه معجون خلق کنه" ، اگر این باور وجود نداشت ژله های میوه ای بخاطر خوب بودن طعم میوه ها سراغ امتحان طعم کوکاکولا برای ژله نمیرفتن. چیپس های نمکی خوشمزه بخاطر اینکه چیپس نمکی راه خوبی بوده و جواب پس داده، طعم محشر موسیر، پیاز و جعفری، کچاب و فلفلی رو وارد بازار نمیکردن.
یا از ترکیب هواپیماها و ماشین ها، مفهوم تله کابین ها خلق نمیشد و گوشی های جدید با ترکیب بعضی ویژگی های موفق قبلی و ویژگی های جدید به بازار نمیومدن. نوآوری مدیون مجوز ورود وقایع تصادفی به فرایند تصمیم گیریه.
در این مسیر ممکنه، مدیران و مسئولان کسب و کارها احساس کنند که صرف انرژی و منابع برای عوامل ناشناخته تلف کردن وقت به حساب میاد و ریسکی برای موفقیته . این ممکنه تا حدی بتونه کسب و کارهای محتاط رو درون محدوده امن خودشون نگه داره و از خطر انحراف و اتلاف منبع مدتی دور کنه اما امکان رشد از حدی بالاتر رو هرگز در اختیار کسب و کار قرار نمیده که در دنیای رقابتی برابر با سقوط میتونه تلقی شه. کسب و کارها باید به این نکته توجه کنن که هزینه ورودِ گاه به گاه بعضی عوامل تصادفی و آزمایش در فضای کم خطر خیلی کمتر از گیر کردن در یک فضای مطمئن از محصولات، راه حل ها، افراد و تیم های تست شده و موفقه که بعد از مدتی بالاخره تکراری و قدیمی و برای دنیای رقابتی خارج از رده خواهند شد یا توسط رقبا توسعه پیدا خواهند کرد.
البته نباید فراموش کنیم که سیستم های انسانی خیلی پیچیده تر از نودهای بی احساس الگوریتم ژنتیک هستن. اون ها ممکنه احساس حسودی، بی عدالتی و ظلم کنن، با هم همکاری یا تبانی کنن و یا سعی کنن خودشون موفق ها رو بزرگ کنن یا زمین بزنن! بنابراین این خیلی میتونه به عنوان یه چالش خوب و تازه در حوزه رشد منابع و استعدادهای انسانی مورد توجه قرار بگیره.