被算法安排得明明白白

编者按

       软件算法正在改变人们在越来越多的领域工作的方式,并在很大程度上进行着人员的管理。在这些工作设置中,通过算法和跟踪数据分配、优化和评估人们的工作。

        在Uber和Lyft这两种新型拼车服务的背景下,本文探讨了这种算法驱动、数据驱动的管理对员工和工作实践的影响。

这是社论前沿第S1465次推送

微信号:shelunqianyan

500

软件算法越来越多地分配、优化和评估不同人群的工作,从地铁工程师、仓库工人、星巴克咖啡师和UPS快递员等传统员工,到优步、TaskRabbit和亚马逊mTurk等平台上的新众包员工。员工是如何应对这些算法扮演的角色,就像人类管理者过去所扮演的角色一样吗?

本文探讨了算法管理在Uber和Lyft等新型拼车服务中的影响。算法管理是支持这些服务的核心创新之一。独立的、分散的司机和他们自己的车在几秒或几分钟内通过算法与乘客匹配,而且票价会根据乘客需求激增的地方而动态变化,这一切都是通过他们手机上的应用程序实现的。司机的表现是通过乘客对其服务质量的评分和司机与算法分配的合作程度来评估的。算法管理使得每个城市的少数人力管理人员便可监督全球范围内成百上千的司机。司机与公司代表几乎没有直接接触,但可以通过在线论坛相互交流,以获得有关拼车系统的知识。员工是否与算法分配的工作合作?人们在多大程度上受到算法优化的激励或打击?算法、数据驱动的评估有多有效?员工对此有何看法?

优步和Lyft是目前最大的点对点拼车公司。Uber和Lyft分别成立于2009年和2012年,在37个国家的100多个城市开展业务。Lyft试图创造一种社会文化,鼓励乘客坐在前排,友好地和司机“碰一下”。优步创造了一个更专业的司机环境,与司机的社交体验不再受到压力。任何年满21岁的人,只要持有有效的驾驶执照和状况良好的私家车,都可以申请成为一名司机。公司会对申请人进行背景审查,新司机会接受简短的视频在线培训。一旦被接受,新司机将成为“独立的承包商”,而不是雇员,并完全控制开车的地点、时间和频率。

本文对Uber和Lyft的算法管理进行了定性研究。为了了解司机的经验和观点,作者采访了21名司机,通过采访12名乘客,分析了128名司机在网上论坛上发表的帖子,以及来自两家公司的132篇官方博客帖子和交流材料。

       本文描述了当算法分配工作、提供信息支持和评估工作绩效时,司机是如何做出反应的,以及司机如何利用在线论坛在社会上理解系统的算法特性。

       司机们表示,在拼车平台工作的一个主要优势是,该系统在何时何地工作方面提供的灵活性。以及签约所需的低承诺水平。有些人是全职开车,但也有很多人是出于兴趣、好奇或兼职开车。很多司机在自己的日常生活中使用拼车应用来赚取额外的收入,比如在每天上下班时打开司机应用,或者在等待乘车请求时做家务。除了拼车工作带来的经济灵活性外,我们采访的许多司机提到了拼车的社会动机。例如,有几位司机认为,与陌生人见面和交谈的乐趣,以及帮助社区的愿望,比他们赚取额外收入的动机更大,或与之相当。

      本文在结论部分讨论如何使用研究的发现来改进算法和数据驱动管理的设计。

     优步和Lyft的乘客分配算法会在几秒钟内自动向司机分发无数的乘车请求。司机迅速而频繁地接受任务,确保了服务的效率,最大限度地提高了乘客的乘坐效率。本研究发现表明,在算法工作分配中,不仅是分配的来源,还有分配是如何提交和管理的,都影响员工与任务的合作。选择哪些信息显示在屏幕上,接受搭车的时间限制较短,以及接受率共同加强了驾驶员与我们研究任务的合作。

       虽然该公司解释说,他们的任务是基于接近度,但除了乘客和司机之间的距离之外,算法还考虑了其他各种因素。这有时会导致乘客没有被分配给最近的司机。此外,该研究强调了透明度的新含义,这在以前的智能系统研究中相对较少受到关注:算法分配的透明性如何帮助人们创建更好的工作策略和工作区。

       供需控制算法最初是为了解决涉及非人类实体的数学优化问题而设计的。然而,在Uber和Lyft,它们被用来激励和控制人类行为。这导致了一些问题,因为供求控制算法没有考虑司机的工作速度。与之前对一个试图鼓励可持续行为的智能代理的研究一致,该算法未能考虑人们对峰时价格的不公平感受,并且忽略了司机的社会和利他动机。这突出了使算法管理适应的重要性:a)人类工作的速度和方式,b)不同类型的动机而不仅仅是经济动机,c)人们对算法做出的决策的情感。此外,一些司机不相信收费高的区域,因为他们更相信自己的经验。实时计算飙升价格区域的透明度可以提高员工对算法信息的信任。

       本研究表明,社会感知是另一个重要的活动,需要更好地理解和支持智能系统的成功采用。驾驶员论坛上的社会意义表达活动遵循了“分散的社会意义表达”的形式,其中有许多活跃的贡献者,但没有中央权威人物将不同的想法和叙述合成为一个连贯的故事。在没有正确或错误答案的情况下,这种意义表达对于讨论评级改进策略是有效的,并且工人的经验、学习和即兴策略起到了关键作用。另一方面,碎片化的社会意义表达在只有权威人物拥有正确信息的主题上存在不足。这突出了设计结构化的在线社会感知算法特性的机会,在这些算法特性中,个体可以建立在彼此的知识之上。

       和其他研究一样,本研究也有一些局限性。研究结果来自对一小部分司机、乘客的采访和档案数据分析。不能采访开发商或公司的官方代表,因为这违反了公司的政策。作者希望本研究可以得到未来研究使用不同的研究方法,如人种学、调查或实验的补充。并且本研究是在专车共享的特定环境下进行的(按需的、独立的承包商工作),因此需要在不同的组织环境下进行进一步的工作,例如全职或异地雇员。

       越来越多的软件算法分配、优化和评估工作。在本文中作者探讨了这种算法驱动的管理在Uber和Lyft等新型拼车服务中的影响。本研究的定性研究结果强调了在设计以人为中心的算法工作分配、信息和评估方面的机遇和挑战,以及围绕算法系统支持社会意义表达的重要性。讨论了其对人机交互、CSCW和智能系统研究的意义。作者希望这项研究能够对未来的工作有所启发,使我们能够以一种有效的、令人满意的、有意义的方式支持人类工人与智能机器一起工作。

500

最近更新的专栏

全部专栏