专栏首页technewsworld翻译专栏利用技术修复有缺陷的弹劾程序(Technology)

利用技术修复有缺陷的弹劾程序(Technology)

美国总统上周被弹劾时,人们发现弹劾,特别是撤换美国总统,是一个行不通的过程。纵观美国历史,有45位总统,而且鉴于没有人为该职位提供培训,您会认为其中有几位会被撤职。然而,弹劾已经三次未获解除。

如果一个已经实施了200多年的过程从来没有成功过,那就是一个非常糟糕的过程。因此,与其关注特朗普总统是否应该被弹劾,还不如建议一个技术驱动的过程以提高公平和有效性。

我还认为,争论弹劾程序,而不是特朗普总统弹劾本身,将是一种更安全的处理方式。

最后,我将介绍本周的最后一款产品:Nvidia的新产品,它可以大大简化圣诞购物,带来更好的消费结果,让摩托罗拉等公司更有效地竞争。

因故撤职

每家公司都有一个因故罢免员工的流程,从初级员工到首席执行官。当然,你可以争辩说,许多流程都是不公平的。尽管不可接受,但员工对不安全的环境、上级的骚扰、滥用职权、不当或非法行为提出合理的抱怨,仍有可能被解雇,这绝非罕见。

同样,被解雇的首席执行官可能会得到一个巨大的黄金降落伞,而被解雇的普通员工往往幸运地拿到回家的出租车费。在零工经济中,一个工人最初是否就承担雇员的角色还不清楚。

关于这最后一点,我已经看到YouTube和Amazon对贡献者的虐待,他们似乎不明白他们在与人们的生计作斗争,而这往往成为工会组织的基础。如果这种情况发生,两家公司都将学习集体谈判的奥妙,而这通常与日常乐趣相反。

人力资源本应是员工的拥护者,至少在科技公司,人力资源是工会的一个不那么令人恼火的替代方案,但后来却演变成了管理工具,这也是我们在谷歌等地观察到工会化迹象的原因之一。

我敢肯定我们都有经理人,这些人把我们的工作搞砸了。有个家伙直到我做了年度评估才给我年度目标,然后鼓起勇气对我首次给予不良评估,因为我无法实现自己从未知道的目标。

在这种情况下,我成功地升级,但随后不得不调离部门,以摆脱长期的报复。最终我离开了公司,因为使用人力资源有效地让我成为了一位出名的“问题”员工。

像许多人一样,你可能在一家公司工作,该公司有一个“随意雇佣”原则,允许以任何理由解雇你(这可能是工会活动上升的另一个原因)。在劳动力市场紧张的情况下,这一政策可能不利于招募合格员工,特别是在数据科学家(data scientist)这样供不应求的领域。

掩盖员工发现的问题并不是政府内外的明智策略,因为社交媒体是另一码事,而这些故事现在有可能成为全国性甚至全球性的丑闻。这些丑闻损害了公司的品牌声誉,降低了公司的竞争力,损害了公司的收入和估值,使公司董事会备受关注。

因此,一些公司正在开发人工智能驱动的程序,以更公平地管理此过程,更好地确保资产的员工得到妥善照顾,及时发现和处理问题,并迅速对问题员工(和问题经理)进行再次培训或迅速撤职。

对于首席执行官来说,有一个非常不同的过程。董事会必须投票选出CEO首席执行官,考虑到首席执行官经常选拔董事会成员,而且往往是执行主席负责制定议程,此流程可能会产生问题。

这一过程是我们聘请CEO的原因之一,他们凭炒鱿鱼行为而闻名,这也是CEO在被解雇前会给公司造成难以置信损失的原因。尽管如此,即使在损害了公司利益之后,他们仍然经常获得数百万美元的遣散费,这在员工,客户(尤其是投资者)中通常处于劣势。

不过,我们确实会罢免CEO,而且我们还没有弄清楚该如何罢免一位国家元首。

弹劾程序

弹劾与大陪审团程序类似。众议院(像下议院一样)代表美国人民(以民众投票为由),起诉此案。

问题是,如果反对党占多数,不管有没有证据,这看起来都像是党派攻击,这让总统所在的政党感到受到不公平对待。如果总统的政党占多数,弹劾是不太可能的,因为弹劾会实质性地削弱总统的权力,而我们是被权力和影响力驱动的种族。

一旦发生弹劾,类似于检察官在大陪审团听证会后提出指控,这一过程随后会进入代表各州的美国参议院(如上议院)(例如选举人团)。然后,参议院举行由最高法院大法官主持的审判,该法官已被精疲力尽(具有普通法官程序能力的一小部分)。

参议院充当某种陪审团的角色。罢免需要三分之二的参议员投票。这一百分比是一个过高的门槛;在前两次尝试中没有实现,这次也不太可能实现。

同样,假设按照政党的路线投票,该过程似乎是腐败的。总统政党的参议员受到罢免将导致的权力下降的影响,而反对党的参议员则被获得更多政权的欲望所腐败。

简言之,这一过程本身不仅不公平,而且无效。它并没有阻止内战或行为不端的总统继续执政,反而似乎强化其中一个结果(幸运的是后者比前者更为重要)。

人工智能的混合修复

首先,身份识别是AI越来越擅长的,而且从语音到文本方面也有了巨大突破。英伟达上周在其亚洲GTC会议上宣布了此重大进展

总统所做的大部分事情都被记录在案。使用机器学习的AI将经过训练以寻找不良行为。如果听到任何声音越界,它会首先警告总统及其核心顾问(根据总统的喜好),这样他们就可以避免一开始就犯错误。

简言之,人工智能的首要任务是为总统和他的直接下属提供培训工具,确保他们了解自身无法跨越和无法克服的界限。

如果收集到足够的不良行为证据,则AI会根据问题和频率发出建议,其中可能包括其他培训,谴责或免职。

这项建议绕过了国会,国会已经表明自己有偏袒立场,无法执行这一进程。最高法院全体成员(终身任职,不存在国会的改选和权力问题)决定结果,可能是培训、谴责或免职。可能有第四种或第五种选择,其中可能包括罚款和监禁,视犯罪情况而定。

总结:创造公平

无论我们是在谈论雇员,CEO还是美国总统,围绕这些人中的任何一个解雇过程都没有得到优化或公平。关于弹劾,鉴于国会的偏见,这一点尤其正确,其动机是更忠于政党而不是忠于国家,作为一个机构,它使弹劾过程腐朽化了。

所有这些组织都需要更好的监督和警告,以在第一时间避免问题的发生,并在选择终止合同的情况下采取更公平的程序。一个训练有素的人工智能程序当然可以履行警告和公平补救的职责。

最高法院是完成美国总统选举程序的理想机构,但公司没有类似的机构,做出决定的人不会从属于CEO,而CEO可能在某个时候不得不被撤职。

最接近该情况的可能是内部审计,通常经过CFO向董事会报告,但这需要进行更改。目前,内部审计实际上既隶属于CFO(向CEO报告),也隶属于董事会(董事会也可能隶属于CEO)。

将职业置于危险中去完成应尽职责是应该避免的冲突。这种冲突表明内部审计还应该向可以保护其独立性的外部组织进行报告。

另一个想法是建立一个被任命为最高法院终身法官的平行组织,该组织将承担调查责任,并可以对三个政府部门中的任何人提起诉讼。

由顶尖的职业调查人员组成,这可以提供一种更好,更公正的方法来免去任何人的职务。他们可以得到一个AI帮助,从而不需要另一个大规模政府机构作为靠山。

顺便说一句,本周讨论如何解决弹劾程序可能比讨论总统是否应该被解雇更好(因为这样做不太可能导致你提前离开家庭聚会)。

上周,英伟达(Nvidia)在亚洲推出了几款有趣的产品,包括对其自动驾驶平台的改进,我之前提到的实时对话AI,以及Orin,它代表着世界领先的机器人处理器(在看过最新的《终结者》电影后),我敢肯定会得到好评。考虑到每年的时间,对我来说最重要的消息是基于人工智能平台的新推荐引擎

这个引擎对百度和阿里巴巴都产生了巨大的积极影响,点击率提高了10倍,吞吐量提高了100倍。更重要的是,它似乎也在提高客户满意度,因为客户正在寻找更好地满足其独特需求的产品。

考虑到像亚马逊这样的在线零售商和像Facebook这样的社交网络正在收集大量关于我们和我们亲人、爱人、友人的信息,为什么不使用这些信息提出更好的建议呢?

如果做得好,他们不仅知道我们喜欢什么,而且知道我们喜欢的配置。这一过程在挑选汽车时尤其有用,它可以让摩托罗拉等公司的广泛产品线充分发挥其潜力,允许该公司推荐最适合潜在客户的手机和配置。

该结果应克服简化线(如iPhone)所具有的优势,即简化选择和消除销售摩擦。

有了这个工具,像亚马逊这样的大供应商就可以根据你提供的预算,提供一个与你经常有购买互动的推荐人列表,并将其与你所知道的个人喜好联系起来。

然后你为每一个选择点击“接受”,包裹就会自动包装并发送(人工智能甚至可以推荐包装盒里面的卡片内容)。

当黑色星期五的销售开始时,该过程便会开始,并针对那些折扣很大的产品进行优化,以使您获得最大的收益。如果它属于像Prime服务的一部分,将会有更多的人注册。

我认为英伟达(Nvidia)的这个推荐引擎可能会改变零售业,因此它是我2019年本周的最终产品。下周我将命名我的年度产品和十年产品。您可能会对削减幅度感到惊讶。

原文链接:https://www.technewsworld.com/story/86426.html

原文作者:Rob Enderle

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 垃圾进出? 社交计算中的机器学习应用论文是否报告了人为训练数据的来源?

    原文题目: Garbage In, Garbage Out? Do Machine Learning Application Papers in Social ...

    吴亚芳
  • 推断期刊引文的因果效应

    原文题目: Inferring the causal effect of journals on citations

    吴亚芳
  • 不完整数据库上的计数问题

    原文题目: Counting Problems over Incomplete Databases

    吴亚芳
  • 院长手把手教学---DaemonSet实验

    [root@k8s-master ~]# kubectl apply -f daemonset.yaml

    院长技术
  • 【综述】深度学习SLAM综述!牛津大学团队——深度学习领域用于定位和制图的相关方法整理

    本文全面介绍了深度学习领域用于定位和制图,涵盖机器人技术、计算机视觉和机器学习等现有相关方法,并提供了一个新的分类法。在本文中,还讨论了当前模型的局限性,并指出...

    CNNer
  • 大数据技术之_19_Spark学习_04_Spark Streaming 应用解析 + Spark Streaming 概述、运行、解析 + DStream 的输入、转换、输出 + 优化

      Spark Streaming 类似于 Apache Storm,用于流式数据的处理。根据其官方文档介绍,Spark Streaming 有高吞吐量和容错...

    黑泽君
  • MySQL字段null和not null学习思考

    版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。 ...

  • Python3入门机器学习(一)- 机器学习基本概念

    给机器的训练数据拥有“标记”或者“答案”,人类已经给机器对数据进行了正确答案的划分,这个答案的划分本身就是监督的信息

    Meet相识
  • ES6 函数参数(默认参数、结构)

    ZY_FlyWay
  • 加密就加密呗,为什么要加盐?

    大家都知道,不管什么系统,只要有用户登录模块的,必然在系统数据库中会存有用户的用户名和密码。用户名明文存储完全没有问题,这里我们就谈谈如何正确地来存储用户的密码...

    后端码匠

扫码关注云+社区

领取腾讯云代金券