�ݺ�ߣ

Editor's Notes

• #3: Sosiaalista sovittamista tapahtuu jatkuvasti ihmisten toimesta, usein opportunistisesti ja vahvasti intuitioon perustuen. Kompleksisuus kasvaa kun ajatellaan, että minkälaisia henkilöitä tai organisaatioita ja näiden kyvykkyyksiä pitää yhteensovittaa. Epäonnistuneen valinnan kustannus kasvaa kun yhteistyön aikajänne pitenee ja intensiteetti kasvaa: huono mätsi voi olla turmiollinen paitsi yhteistyön tuottavuudelle ja viihtyvyydelle, myös koko organisaation kulttuurille ja resilienssille kestää ympäristön vaihteluja
• #4: Sosiaalinen sovittaminen on melko tuntematon käsite, joka kuitenkin viittaa asioihin, jotka ovat hyvin tuttuja meille kaikille. Perusfunktiot: 1) toimijoista datan kerääminen, 2) toimijoiden eri piirteiden mallintaminen ja profilointi, 3) keskinäisen sopivuuden ja relevanssin analysointi, ja 4) vaihtoehtojen tai suositusten esittäminen käyttäjälle AI (ja digitalisaatio yleensä) on vasta tekemässä tuloaan: - esim. rekrytoinnissa ensin kone laatii shortlistin yksinkertaisen hakijan profiilin ja haetun profiilin mätsäyksellä, ja rekrytoijatiimi tekee lopullisen valinnan
• #5: Erityisesti ns. kohtaanto-ongelmaan on toteutettu lukuisia palveluja: yksinkertaista profiilipohjaista asiasanojen yhteensovittamista Universaalia ratkaisua erilaisiin edellämainittuihin tilanteisiin ja tarpeisiin ei ole
• #6: First you select some keywords to represent you, then you browse through a selected list of others (globally or in an event) and if both of you got interested in each other the system notifies of a match. Ihan kivoja sovelluksia opportunistiseen ihmisten selailuun (vähän samanlaista kuin LinkedInin suositusten selailu)
• #7: nopeaan selailuun perustuva logiikka manuaalista, laskettu “match score”
• #9: Homofilia: birds of a feather Ihmisten valintoja sanelee luontainen tendenssi suosia itsensäkaltaisia ja samanmielisiä henkilöitä; Samanmielisyys synnyttää kaikukammioita, joita nykyään nähdään sosiaalisessa mediassa valitettavan usein: kuullaan kaiutettuna samaa signaalia, jonka on itse lähettänyt. Tällä on taipumus vähentää kriittistä ajattelua ja mahdollisuutta ymmärtää muita mahdollisia lähestymistapoja. Esim. organisaatiossa, jossa on tarve uusiutua, liiallinen homogeenisyys on usein haitallista. Monet työelämän haasteet peräänkuuluttavat tarvetta diversiteetille eli heterogeenisyydelle: erilaisille, komplementaarisille tiedoille, taidoille ja verkostoille sekä yhteistyön kautta syntyville uusille ratkaisuille esim. luova tiimityö, uuden yrityksen perustaminen, uuden tuotteen tai palvelun kehittäminen, uusia uria uurtava tutkimus Tarvitaan siis keinoja lisätä ideoiden ja näkökulmien ristiin pölyttymistä
• #10: Samaan hengenvetoon pitää kuitenkin todeta, että toisaalta sekään ei toimi, että toimijat olisivat maksimaalisen erilaisia eli heterogeenisiä. Valinnoissa on tasapainoteltava tällä dimensiolla. Luottamuksen syntymiseksi ja ns. samalle sivulle pääsemistä varten tarvitaan yhteistä maaperää, kuten yhteisiä tavoitteita ja yhteinen kieli. Samankaltaisuutta kaivataan esim. nykyisen toiminnan skaalaamisessa ja yhteistyön alulle saattamisessa, erilaisuutta kun haetaan disruptiota (startupit, uudet näkökulmat) Optimaalinen samankaltaisuuden – erilaisuuden taso on erittäin vaikea määrittää ja riippuu paitsi henkilöiden valmiuksista ja persoonallisuuksista, myös yhteistyön muodosta, johon mätsäämistä oltaisiin tekemässä.
• #11: Ihmisen päätöksenteko perustuu yllättävän vahvasti automaattisiin heuristiikkoihin ja kognitiivisiin vinoumiin Profiili on erittäin pinnallinen, joten digitaaliset mätsit harvoin johtavat kasvokkaisiin tapaamisiin. Selailua ei jaksa tehdä määräänsä enempää, vaikka mahdollisia yhteistyökumppaneita on lähes rajattomasti. Selailu tapahtuu vain kun on tiedostettu tarve yhteistyölle tai mahdollisuus verkostoitua opportunistisesti. Monia tehtäviä, jotka hyötyisivät ulkopuolisista näkökulmista, ei tunnisteta sellaisiksi: päädytään tekemään tehtävä yksin. Piilaakso vs. Tampere Keskeinen kysymys on, että miten yksittäisen tapaamisen relevanssia voisi lisätä. Voisiko kiltti keinoäly ratkaista ongelmani? Voisiko data-analytiikka auttaa löytämään lähtökohtaisesti otollisempia mätsejä, jotta osumatarkkuus lisääntyisi? Ja voisiko teknologia proaktiivisesti tuoda esille mahdollisuuksia, esim. huomauttaa kun sopiva mätsi olisi osallistumassa samaan seminaariin Hieno ajatus, mutta em. kompleksisuuden vuoksi yllättävän vaikeaa toteuttaa
• #12: Profiilit eri palveluissa: viestintä, ystäväverkostot, mielipiteet, työprofiilit Verkostoanalyysillä voidaan tunnistaa alirakenteita, keskeisiä rakenteita koossapitäviä toimijoita, osajoukkoja siltaavia toimijoita Weak tie: voiko piilevänä heikkona siteenä toimia esim. yhteinen intressi, niché osaaminen, tai jopa harrastushistoria? https://projects.invisionapp.com/share/C99YPF14U#/screens
• #13: Tästä muodostuu hyvin monitieteinen kenttä, jossa pitää yhtäältä ymmärtää ihmisten ja organisaatioiden toimintaa ja vuorovaikutusta, toisaalta pystyä siirtämään tätä ymmärrystä uusimman teknologian kehittämiseen, kuten koneoppimisalgoritmeihin, analytiikkaan ja verkostojen mallintamiseen; ja lopulta yhdistää eri maailmat tarkastelemalla ihmisen ja teknologian vuorovaikutusta ja yhteistoimintaa. Tämä on hyvin epätriviaalia sekä tieteen tekemisen näkökulmasta että älykkäämpien palvelujen tuottamisen näkökulmasta. Pitää käytännössä keksiä aivan uusia sääntöjä ja jopa matemaattisia malleja, joiden perusteella järjestelmä voi toteuttaa ennusteita ja suosituksia. Mahdollisuudet ovat kuitenkin suuret: luoda aivan uudenlaisia suosittelujärjestelmiä, päätöksenteontukijärjestelmiä, ja ennen kaikkea edesauttaa yksilöiden ja organisaatioiden innovatiivisuutta ja menestymistä.
• #14: Keskeistä on pohtia miten ihmisen ja algoritmien erilaisten vahvuuksien ja heikkouksien kanssa voi parhaiten operoida. Human-in-the-loop
• #15: Filtteröitiin pois: Instituutioita ja organisaatioita edustavat käyttäjätunnukset Suomenkieliset twiitit Henkilöt, joilla vähemmän kuin 50 twiittiä
• #19: Data on siiloutunutta organisaatioiden välillä, joten kukaan ei voi tehdä kovin fiksuja mätsäysratkaisuita itsenäisesti. 1: Data yksilöillä: LinkedIn, eri verkkopalvelut, youtube, julkaisut 2: Data organisaatioilla: rekrytointiyritykset, TE-toimistot, verkkoportaalit kuten Monster 3: Data julkisemmilla toimijoilla: Yliopistot, Business Finland, Demola, Digile 4: Data siellä sun täällä: GitHub, Quora, Mentoripalvelut, aihepiirin aktivistit