В этой статье анализируются некоторые ключевые эмпирические и теоретические исследования основных архитекторов распределенного лидерства (DL). В статье рассматривается ключевая область интересов о распределенном руководстве, а именно ее текущее состояние.
Представленные ученые требуют дальнейшего изучения практического обоснования развития DL, включая такие вопросы, как рост различных концепций распределенного лидерства, подотчетность лидеров и нахождение четкого и согласованного понимания перспектив DL. Самым критичным является понимание проблем вокруг распределения власти, которые в значительной степени игнорируются или упоминаются мимоходом. Предполагается, что возможности для содействия лидерству не равны в образовании, и что DL остается до сих пор неясным. Статья завершается рекомендациями для дальнейших исследований.
В этой статье основное внимание уделяется ключевой области, представляющей интерес для сферы управления/руководства современным образованием в странах Запада, Европы, Америки и Канады и др. DL, distributed leadership — распределенное руководство/распределенное лидерство является текущей практикой в образовании. Нам повезло, что у нас есть вклад/contribution, доказательства/evidence ученых, которые были главными архитекторами распределенного руководства, формируя ее концептуальное развитие и применение на практике на протяжении многих лет.
😂🤣DL- нарезка | Игорь Потов — Однажды в России
Распределенное лидерство было описано как ‘the normatively preferred leadership model in the twenty-first century’, «нормально предпочтительная модель лидерства в двадцать первом веке» [1, р.559-560]. C тех пор, как DL стало распространяться в образовании с 1990-х годов, оно стало мощным инструментом для развития нашего понимания того, как лидерство происходит в образовательных организациях. DL предоставила объектив для изучения лидерства как коллективной деятельности всех членов организации, давая контекстуализированную и тонкую картину лидерства, происходящего во взаимодействиях между людьми, и опосредуемую артефактами и другими ситуационными факторами.
Некоторые комментаторы предложили практическое обоснование роста DL. Т.Буш (2008), М.Преди (2015), П.Гронн (2016) отмечают: руководить сейчас большими школами, колледжами слишком сложно для одного человека [3; 12;6]. Значит, понятие один руководитель или индивидуальный лидер, устарело, как говорит Буш [2].
Многие считают, что DL имеет сильное моральное измерение, [12] где оно рассматривается как средство более справедливого распределения лидерских задач и принятия совместных решений [5; 13]. Различные исследовательские исследования указывают на инструментальные преимущества DL, обнаружив, что оно может сыграть важную роль в улучшении организационной структуры, включая повышение результатов учащихся, профессиональное развитие учителей и наращивание потенциала [4;7]. В контексте потенциала ясно, что речь идет о наращивании таланта, знаний, умений и навыков каждого лидера.
C другой стороны, критики DL сомневаются относительно того, насколько эта форма руководства может быть практичной на практике, учитывая, что лидеры в образовательных секторах остаются формально и юридически подотчетными [8;2]. Другими словами, любая форма совместного руководства находится под их контролем, а именно распределять лидерские роли/практики или воздерживаться от распределения. Поэтому можно утверждать, что DL это простое делегирование. Критически настроенные теоретики изображали DL как форму надуманной коллегиальности, управленческого инструмента для распределения работы и контроля персонала. Другие комментаторы отметили, что DL игнорирует реалии дифференциального распределения власти в образовательных организациях и обществе, в более широком смысле, управленческую власть и государственную власть, отмечает Хатчер (2012)/ (Hatcher, 2012) [7].
Из бизнеса в Data Science, из DS в DL. Андрей Лукьяненко о своих победах
Таким образом, существует многократное использование термина в западной литературе и важные дискуссии о преимуществах и недостатках практики DL[9;10]. Эти проблемы и призывают на сегодняшний день ученых, политиков и руководителей образования к четкому и согласованному пониманию практики и инструментариев DL.
В начале 2000-х годов, литературный обзор ученого/исследователя Бенетт и др. (2003)/ (Bennettetal.,2003) [4] пришел к выводу, что было мало согласия между ученым сообществом относительно значения этого термина, и очень мало эмпирических исследований DL в действии. Кроме того, совсем недавно в ходе последующего обзора утверждалось, что ситуацияне сильно изменилась, несмотря на огромное увеличение теоретической и эмпирической литературы по DL за прошедшие годы. Бенетт (2015) задается вопросом, утверждая, что возможно разные интерпретации концепции DL не имеют значения? Она также добавляет, что разные концепции могут сосуществовать друг с другом, обеспечивая пространство для разных перспектив и голосов лидеров. Такая широкая перспектива позволит взаимодействовать, перекрещивая идеи.
C другой стороны, если DL является нашей предпочтительной версией руководства, как предлагают Тони Буш и Дерек Гловер/T.Bush and D.Glover [1], возможно, было бы полезно иметь какую-то форму широкого соглашения о том, что мы имеем в виду, — иначе как сказал Мэйровец (2008)/ (Mayrowetz, 2008) [10], мы рискуем просто «разговаривать» друг с другом.
Поэтому, кажется, сегодня самое подходящее время, чтобы оценить ситуацию руководства образованием в этой статье. Литература показывает, что у крупных ученых в области DL уже была задана перспектива в отношении понятия DL и ее роли в исследованиях лидерства и практике. Они взяли два основных подхода: первые три статьи исследуют вклад DL и наше понимание учебной практики руководства, в то время как две последние статьи критичны к DL, ставя под сомнение ее теоретическую и практическую полезность.
В первой статье Альмы Харриси Джона Де Фламиниса (2016)/ A.Harris and D de De Flaminis (2016) [8]: Distributed leadership in practice: Evidence, misconceptions and possibilities, ученые оспаривают упомянутые выше претензии ученого Тияна и др. (2016)/ (Tian et al., 2016) [11], выдвигая, что DL не имеет четкой теоретической и эмпирической базы. Статья опирается на пример крупномасштабного исследования США, которое было разработано для создания потенциальных возможностей практики DL, и дает фактические данные о характере и результатах DL на практике, включая его влияние на улучшение и изменение самих школ. Авторы также рассматривают некоторые общие и насущные заблуждения: например, что DL является сильной практикой для выведения положительных результатов [2;3]. DL — это когда все лидируют в практике, и что для успешного руководства существует определенная модель или план, которые и позволяют достичь успеха. Ученые завершают свои мысли призывом к эмпирическим исследованиям и участию практиков в следующем этапе развития DL, подчеркивая, что она не является панацеей. Это видно из следующих мыслей авторов:
«In short, distributed Ieadershipis not a panacea; it depends on how it is shared, received and enacted» (c.143). Unquestionably, more empiricairesearch work is needed, and here researchers will maketheir contribution, but evidence about the actual practice of distributed leadership is also urgently needed. (p.144).
В другой статье» School leadership and management from a distributed perspective: A 2016 retrospective and prospective», Джон Даймонд и Джим Спиллейн (2016)/ John Diamond and Jim Spillane (2016) [5] объясняют DL как концептуальную или аналитическую перспективу — практик преподавания и обучения в школах.
«И/е are committed to work that improves all students’ learning opportunities — especially students who by virtue of race, class, gender, sexual orientation, or first language, have traditionally been disenfranchisede by school systems»(p. 147).
Во-первых, оглядываясь назад, они объясняют, как с помощью DL можно работать над лишением гражданских прав обучающихся. Также они подчеркивают, как и почему их концептуализация о DL развивается. Критики выделяют три важные темы или уроки предыдущей работы по DL, включая отношения власти и авторитета к практике руководства. Затем, авторы излагают некоторые плодотворные области для будущего направления DL: дальнейшая работа по внедрению ключевых конструкций, развитие нашего понимания инфраструктуры образования (структуры, которые поддерживают и ограничивают — обучение и преподавание) и исследование последствий различий во власти и статусе в практике лидерства, включая влияние расы, пола и других категорий различий.
Темы упомянутой выше власти или ‘авторитета’, ‘полномочия’,’влияния’ рассматриваются в критической статье Филипа Вудса (2016)/ Phillip Woods (2016) [13],: «Authority, power and distributed leadership».
«One of the critiques of distributed leadership (DL) is that, although it sounds as if it may be more fair, even democratic, in practice this is not necessarily the case. Many accounts and investigations of DL lack a critical, questioning approach to power. Lumby (2013:583) concludes that the ‘central issue of power surfaces only superficially, if at all, in much of the literature»..(p.155).
Вудс утверждает, что наши подсчеты о DL нуждаются в более глубоком понимании власти, и это может быть достигнуто путем включения анализа различных типов полномочий, проводимых специалистами в образовательных организациях. Основываясь на классическую типологию власти Вебера/Weber, Вудс предлагает разработать более реалистичную и тонкую картину DL, а именно изучение взаимосвязи между различными формами и как они играют во взаимодействиях между людьми. В статье раскрывается целый ряд органов, которые постоянно участвуют в процессе строительства и развития в деятельности отдельных лиц и групп — все они играют определенную роль в продолжающемся строительстве и обсуждении полномочий, хотя это может быть ограниченным и реактивным, например, в удержании согласия или соответствия.
Последние два научных вклада имеют решающее значение для DL как фокуса для исследований и практики лидерства в области образования. Джеки Ламби (2016)/ Jacky Lumby (2016) [9] в статье» Distributed leader ship as fashon or fad» утверждает, что, не смотря на огромный рост литературы по DL, запоследние годы концепция не имеет согласованного определения.
Например, ученый Тьянидр. (2016) обнаружили: Tian et al. (2016) found that» over 720,000 articles on DL were published from 2002 to 2013, of which over 800 were in journals on educational leadership of the sociology of education» (p.161). Принимая во внимание такой рост публикаций, возникает вопрос: что делает DL отличительной от других практик?
Джеки Ламби подчеркивает также, что нет надежной основы для применения DL на практике или оценки ее воздействия на успех организаций. В статье также утверждается, что DL можно рассматривать как модный или причудливый подход, а не психологический подход или нерациональный выбор. При этом, прослеживаются эмоциональные, инструментальные и этические аргументы, выдвинутые для DL другими зарубежными исследователями. Например, говорится, что гибридизация DL, включающая ряд подходов лидерства, и означает само существование практики взаимодействия людей, но кажется, что в такой природе работы лидеров, укоренившиеся неравенства становятся невидимыми. В статье есть также и другие выводы относительно того, что продолжение сосредоточения внимания на DL является деятельностью по перемещению, которая пропускает большую картину, а именно основную цель руководства: увеличить равенство как для студентов, так и для персонала. И последнее в этой цитате:
«Further questions merit consideration, such as accounting for the geographic spread of DL as a fashion or fad. Distributed leadership research tends to focus on improvement, or otherwise, in a single school or small group of schools»(p. 165).
В заключительной критической статье Питера Гронна (2016)/ Peter Gronn (2016) [6], «Fit for purpose no more?», ученый спрашивает: подходит ли понятие DL для цели? В контексте цели, он
подразумевает не только результаты учащихся, но и правильность применения самой практики лидерства. Питер Гронн прослеживает эволюцию своего мышления о DL, утверждая, что единица анализа лидерства должна охватывать не только индивидуальное или коллективное лидерство, но и комбинации обеих форм.
Он предполагает, что вместо того, чтобы быть распределенной, практика лидерства должна быть ‘настроенной’. Необходимо включить соглашения отдельных лиц и коллективные наборы лидерства, а не только одно или другое. Обращаясь к вопросам власти, статья указывает на путаницу вокруг главенствующих ролей.
Полномочия организационных руководителей сильно ограничены, хотя они также являются лидерами. Подставляя «лидеров» для «лидера», DL не продвигает знания поля. DL предоставляет только часть истории того, что происходит в образовательном руководстве. Гронн в конце заключает:
«I summarized and what they promise to open up by way of longitudinal perspectives and questions. But from my point of view, because DL provides merely part of the story of what goes on in educational organizations such as universities, departments, faculties and schools, it has lost the analytical gloss that once it may have had»(p. 172).
Итак, как мы видим из основных, ключевых статей и представленных серьезных доказательств западных ученых, дебаты о DL все еще продолжаются. Хочется надеяться, что читатели, политики в области образования, и исследователи распределенного руководства рассмотрят проблемы, выдвинутые авторами вышеупомянутых статей, с тем, что бы внести свой вклад в продолжающиеся дискуссии о роли и важности DL. Вместе с тем, очень важно внести другой значительный вклад продвигая исследования по улучшению практических навыков, приобретаемых лидерами посредством DLb образования, а также перспективы практикующих ее инструментов, независимо от того, каким образом DL ими настраивается.
Список литературы:
- Bush, T., Management, 34(5), 553-571
- Bush, T. (2014). Applying distributed leadership across contexts. Educational ManagementAdministration Leadership, 36 (2), 271-288
- Bennett, N.C.Wise, С. SpiIIanezJ. (2016). School leadership and management from a distributed perspective: A 2016 retrospective and prospective. Management in Education, 30(4) 147-154
- Gronn, P. (2016). Fit for purpose no more?. Management in Education, 30(4), 168-172
- HatcherzR. (2012). Leadership, participation and power in theschoolsystem. In: Preedy M, Bennett N and C.Wise (eds). Educational Leadership: Context, Strategy and Collaboration. London: SAGE.
- Harris, A. CoIIinzK. (2016). A meta-analysis Ofdistributed leadership from 2002 to 2013. Educational Management Administration https://articlekz.com/article/32674″ target=»_blank»]articlekz.com[/mask_link]
Глубокие изменения
Машинное обучение (Machine Learning; ML) в целом и глубокое обучение нейронных сетей (Deep Learning; DL) в частности — весьма популярные темы сегодня. В начале года компания ARK Invest выпустила отчет Big Ideas 2021, в котором поставила Deep Learning на первое место в списке самых перспективных секторов для инвестирования. По мнению аналитиков, глубокое обучение может стать самым важным прорывом нашего времени. В массовом сознании оно тесно связано с неким «очеловечиванием» машин: роботов, голосовых помощников, ботов, которые вроде бы должны становиться умнее и самостоятельнее. На самом же деле DL сегодня применяется практически во всех областях, где есть возможность собирать и использовать данные.
Выйти из полноэкранного режима
Развернуть на весь экран
Фото: РИА Новости
Больше, чем весь интернет
В настоящее время Deep Learning — это уже не про науку и эксперименты, а про решение прикладных задач. Простой и наглядный пример — популярная соцсеть коротких видео TikTok, от и до построенная на глубоком обучении. «Умные» алгоритмы создают рекомендации для каждого пользователя исходя из его поведения. Наиболее часто примеры использования DL встречаются в области обработки текстов и изображений, в рекомендательных сервисах, беспилотных авто. С помощью нейронных сетей «автоматизируется» создание ПО, текстов, музыки и пр.
Выйти из полноэкранного режима
Развернуть на весь экран
По оценке ARK, DL может добавить $30 трлн к рыночной капитализации фондового рынка за следующие 15–20 лет — это больше, чем сделал весь интернет за свою историю. В течение следующего десятилетия наиболее важные программные продукты будут создаваться с помощью DL. Прорывы ожидаются в области создания беспилотников (self-driving cars), в разработке новых лекарств и во многих других направлениях. В ближайшие пять-десять лет DL будет демократизироваться благодаря платформам для разработки ПО. Но уже сейчас эти инструменты используются довольно широко.
Применение на деле
По словам директора по развитию технологий искусственного интеллекта «Яндекса» Александра Крайнова, Deep Learning применяется в продуктах компании практически повсеместно: «В «Поиске», в «Алисе», в беспилотных автомобилях, в «Переводчике», в «умной» камере безопасности, в рекламных продуктах, в «Картах», в «Маркете», в «Музыке» и других сервисах «Яндекса». DL используется для анализа текстов, изображений, звуков, для ранжирования и рекомендаций, для поиска и генерации контента и так далее».
Из стремительно развивающихся направлений применения Deep Learning Александр Крайнов выделяет беспилотный транспорт и анализ текста. «Наши беспилотные автомобили активно тестируются в разных странах, а беспилотные роботы-доставщики уже доставляют заказы пользователям в Москве в реальных условиях большого города,— продолжает он.— Что же касается текста, то это не только системы машинного перевода и персональные ассистенты. Уже начинают внедряться решения, которые, например, позволяют суммировать различные тексты и делать компактный пересказ».
DL применяется и в большинстве решений ABBYY для бизнеса, рассказала “Ъ” вице-президент по управлению проектами ABBYY Татьяна Даниэлян. «Мы используем такие алгоритмы для обработки и распознавания изображений: улучшаем качество исходных файлов, определяем тип данных, выявляем на документах печати, подписи, логотипы, распознаем документы на различных языках и штрих-коды,— перечисляет она.— Глубокое обучение также играет значимую роль в проектах ABBYY с извлечением данных из неструктурированных, полуструктурированных и структурированных документов: договоров, писем, счетов, счетов-фактур, отчетов, актов и многих других».
В ABBYY указывают на активное развитие DL в трех областях: бизнес-документы, медицина и самоуправляемые механизмы. В первом случае технологии помогают извлекать факты и выявлять связи между ними. Например, в банках DL используют для принятия решений о кредите. Из пакета документов выделяется информация о заемщике, рассчитывается рейтинг и определяется предложение.
По словам Татьяны Даниэлян, такой проект реализован в «Сбере» для выдачи кредитов бизнесу. Еще один пример, который приводит эксперт,— письменные запросы от государственных ведомств в организации. Deep learning позволяет классифицировать такие запросы и готовить автоматический ответ.
В медицине глубокое обучение применяется в обработке историй болезни, медицинских научных статей и документации. «Нейросети, к примеру, составляют обобщенные профили пациентов, что позволяет выявлять неочевидные закономерности и помогать медикам ставить диагнозы. Алгоритмы глубокого обучения также помогают диагностировать коронавирус и отслеживать прогресс лечения пациента по рентгеновским снимкам легких. Третья область — это самодвижущиеся средства: квадрокоптеры, дроны, автомобили, роботы-доставщики и ассистенты. К примеру, DL используют для обнаружения и распознавания объектов, окружающих беспилотники, и для определения маршрута их движения»,— рассуждает вице-президент ABBYY.
Выйти из полноэкранного режима
Развернуть на весь экран
Deep Learning широко применяется в областях, где есть много обучающих данных, или где датасеты уже собраны. Примеры, приведенные выше, уже считаются «классическими» для использования глубокого обучения. Более экзотический пример — автоматическое раскрашивание старых черно-белых фильмов, рассуждает старший эксперт Microsoft в области искусственного интеллекта и машинного обучения, кандидат физико-математических наук Дмитрий Сошников. «Глубокая нейросеть на множестве реальных примеров может «научиться» понимать, какого цвета должны быть предметы окружающего мира, и автоматически наносить соответствующие цвета на изображения. Похожий прием может использоваться и для повышения четкости фильмов и фотографий — так называемый super-resolution»,— говорит эксперт.
По словам Дмитрия Сошникова, интересные проекты с DL сейчас ведутся в области разговорного ИИ, поскольку появились очень мощные предобученные модели на базе сетей BERT и GPT. В России много исследований в этом направлении проводят в МФТИ — к примеру, Лаборатория нейронных систем и глубокого обучения Физтеха создала открытую программную библиотеку разговорного ИИ для создания виртуальных диалоговых ассистентов и анализа текста в рамках проекта DeepPavlov.
В декабре прошлого года Microsoft со «Сбером» представили совместно разработанную систему управления роботами. «Она дает возможность обучить роботов манипулировать физическими объектами непостоянной формы практически так, как это делает человек. В процессе ее создания были применены методы глубокого обучения и обучения с подкреплением»,— говорит эксперт Microsoft.
Еще один интересный пример — проект на стыке технологий и искусства, реализованный в Массачусетском технологическом институте. Исследователи разработали систему MosAIc для поиска взаимосвязей между предметами искусства из различных культур и эпох. Для анализа базы изображений предметов искусства система использует глубокое обучение.
Перспективные направления
В работе с DL главное преимущество — это наличие датасетов, на которых можно обучить модели для решения какой-то задачи. Крупные компании нередко предоставляют желающим доступ к уже предобученным моделям в виде готовых сервисов. На их базе работают стартапы и создаются интересные студенческие проекты, поделился Дмитрий Сошников.
Так, одним из призеров международного конкурса студенческих проектов Imagine Cup этого года стала команда из Таиланда, которая сделала автоматического переводчика видео с YouTube на язык жестов. С помощью Deep Learning речь переводится сначала в текст, а затем в жестовый язык, который показывается на экране с помощью анимированного 3D-персонажа. Сам анимированный персонаж был создан с помощью ИИ, который распознавал положение суставов людей на изображении.
Если вернуться к использованию глубокого обучения для бизнес-целей, то тут работают решения на стыке Big Data и DL. «Наиболее развитое и, наверное, прибыльное направление — это в первую очередь персонификация и предсказание customer journey клиента,— полагает директор по анализу данных и моделирования «Платформы больших данных» Сергей Голицын.— Вся индустрия рекламы и услуг старается сопровождать клиента практически в каждой временной точке, советуя различные сервисы и тем самым зачастую формируя интересы и потребности самого клиента. Методы построения подобных моделей могут быть различны, но даже не самая сложная нейронная сеть может принести массу пользы бизнесу».
Еще одно перспективное направление для DL — это системы детектирования, контроля и безопасности на основании компьютерного зрения. «Сейчас уже фактически доказано, что компьютерное зрение работает существенно точнее в большинстве случаев, а главное — в автоматическом режиме. Сюда относятся и self driving cars, и персонификация клиента в отделении банка, и поиск злоумышленника в метро, и даже контроль за выгулом рогатого скота, где система различает каждую буренку и ее местоположение на лугу»,— продолжает Сергей Голицын.
Выйти из полноэкранного режима
Развернуть на весь экран
Третье важное направление — генеративные состязательные сети и векторные представления объектов, продолжает перечислять он. Сейчас ввиду относительной дешевизны вычислительных ресурсов можно генерировать молекулы, имеющие похожий состав и пространственные параметры, что в сотни раз удешевляет проведение экспериментов по поиску лекарств и предсказание их свойств.
В России, да и в мире, к основным игрокам рынка Deep Learning можно отнести IT-компании, банки, ритейлеров, а также представителей «традиционных» секторов экономики, например нефтегазовые компании. Последние в некоторых случаях являются разработчиками, в других — крупнейшими заказчиками решений на базе DL. При этом развитию технологий глубокого обучения препятствуют два фактора: нехватка данных и непрозрачность работы алгоритмов.
«Решить первую проблему помогают технологии transfer learning — механизмы, которые позволяют дообучить нейросети, используя небольшой набор данных из новой предметной области. Для решения второй проблемы разработчики создают пользовательские интерфейсы, которые подсвечивают информацию, на основе которой нейросети делают те или иные выводы»,— резюмирует Татьяна Даниэлян.
- «Информационные технологии». Приложение №91/П от 31.05.2021, стр. 1
Источник: www.kommersant.ru
Искусственный интеллект в маркетинге: примеры, ограничения, проблемы и мнение Click.ru
Есть такая шутка: хорошая автоматизация – это когда юзер не делает вообще ничего. Шутка она потому, что так не бывает. Все равно часть работы нужно сделать руками либо до, либо во время использования сервиса. Но мы искренне надеемся, что когда-нибудь так будет, в том числе и благодаря ИИ. В этой статье хотим поделиться своими мыслями на тему ИИ и узнать про ваш опыт.
Сегодня мы хотим поговорить о том, чем не является ИИ, как он реально используется в маркетинге сегодня и как его хотим использовать мы (мечты, мечты).
AI, ML и DL
Часто публикации в сети на тему ИИ сопровождаются картинкой вроде той, что ниже. На ней изображено существо-андроид, обладающее разумом, который быстрее-выше-сильнее человеческого. Например, существо может лучше человека играть в шахматы.
