第一章之七：挖掘文科畢業生的潛能
就在科技把機器變得更聰明，物聯網（Internet of Things）逐步占據人類生活，蒐集和分析我們生活裡的各種數據資料，從人類行為中挖出更多新發現之際，審慎思考該如何打造新產品服務來提升人類生活以及社區、職場和政府的本質，就成了關鍵課題。若能一針見血，戳中人性需求並配合人類的才能，以此為著眼點所開發出來的產品服務，必定擁有獨特的競爭優勢。
這也是線上約會服務Tinder為何能快速成長的原因。該公司延攬社會學家暨加州大學洛杉磯分校博士潔西卡・卡比諾（Jessica Carbino），協助它們了解配對的模式。有些人或許認為Tinder是無聊的配對手機app，用戶都是根據對象的外貌來決定往左或往右翻牌。不過對這位很愛追根究柢的社會科學家來說，該網站卻是個大寶庫，裡面匯集了大量與人類魅力、社會學和心理學有關的數據資料。舉例來說，卡比諾可以從Tinder好幾億筆的資料當中找出「薄片擷取」（thin slicing），這個詞彙是指人類用來快速做判斷的非語言線索。比方說，資料顯示女性發現下巴線條柔和的男性比較善良，男性則認為有化妝的女性較有魅力。15%的美國成人用過約會手機app，從他們身上確實可以發現不少人類在評估某對象魅力時所用的方法以及約會這件事的奧妙之處。Tinder自然不是唯一一家借重文科生才華，把產品變得更誘人又有效益的公司。
新創公司Slack推出的企業溝通平台，該軟體讓團隊成員之間的溝通比電子郵件更有效率，因而引起轟動。該公司特別僱用主修戲劇系的員工，把Slack傳給用戶的訊息變得更討喜。Slack的聊天機器人會給予用戶別出心裁的回應，設法「讓用戶感受到額外的驚喜和小確幸」，就像你千方百計要Siri給你特別不一樣的回應，結果它最後說出爆笑或俏皮的答案一樣，譬如它用平板的語調告訴你「也許你說得沒錯啦」這類的話。如此奇妙的設計就是出自編輯總監安娜・皮卡德（Anna Pickard）之手，她畢業於英國曼徹斯特都會大學戲劇系。當使用者註冊為新用戶時，不必在欄位中填入個人資料，親切的聊天機器人會詢問你的個人資料，你只要跟它「聊一聊」就一切搞定。Wade&Wendy的模式也很類似，這家公司打造了以人工智慧驅動的聊天機器人，目的是讓求職者與企業招募單位之間的招聘過程更有效率。湯米‧戴爾（Tommy Dyer）是該公司內部的組織心理學家，在馬里蘭州安納波利斯聖約翰學院受過人文教育訓練，Wade&Wendy的程式設計人員試圖根據他的研究與分析，將動態的聊天對話撰寫成靜態的程式碼。
在抨擊人文學科的聲浪當中，有不少人誤以為文科生跟那些鑽研STEM學科的學生比起來就是不夠嚴謹，再來就是文科生不但「弱」又很不科學，而STEM領域出身的學生學的才是正宗科學方法。事實上，人文學科傳授了很多嚴謹的探究與分析方法，比方說密切觀察及訪談方式等等，但挺硬科學的那一派未必懂得欣賞。人文領域當中也有不少學科早就融入了科學方法，以及其他以資料為取向的科學探究和問題解決途徑。以發展經濟學為例，學生必須學習如何進行隨機控制實驗來檢測政策介入，其嚴謹程度就不亞於臨床醫療實驗，而率先在此領域耕耘的包括MIT貧窮行動實驗室（Poverty Action Lab）和耶魯大學扶貧運動創新組織（Innovations for Poverty Action）這類團體。
社會學家製作出精密的社會網絡數學模型。歷史學家蒐集數百年來有關家庭支出、結婚與離婚率以及世界貿易的龐大資料，再用這些資料做統計分析，辨識其中的趨勢並找出某些現象的背後成因。多虧了語言學家開發出高科技語言進化模式，使自然語言處理這門技術的發展往前邁進一大步，帶動自動化快速進展，讓電腦能夠化身為Siri和Alexa，用精準又有個性的方式進行溝通。創投資本家維諾德‧柯斯拉2016年在部落格發布平台Medium上發表一篇名為〈學生主修人文學科是大錯特錯嗎？〉（Is Majoring in Liberal Arts a Mistake for Students?）的文章，這篇文章後來廣為流傳。他在文中宣稱，人文教育限制了「你的思考維度，原因就出在你對數學模型所知甚少⋯⋯又沒有統計方面的概念」，想來他忽略了人文學科的主修生其實在這些探究方法上受過廣泛的訓練。
另外，沒學過量化分析方法的文科生就等同於沒有「硬」技能或相關能力這種謬論，也必須加以破除。為此我們得回頭探討芮德‧札卡瑞亞（Fareed Zakaria）等眾多人士對人文教育所傳授的思考、探究、問題解決及溝通這些基本方法所提出的論據。這些技能的養成之所以被誤以為不夠嚴謹，其癥結點之一有可能是曲解了人文科目，以為這些學科都很冷僻或過於深奧。譬如批評者就很愛用《紐約時報》（New York Times）記者查爾斯‧麥格拉斯（Charles McGrath）所謂「擅長解讀第一次世界大戰前克羅地亞民族歌舞中暗藏之情慾」、那些「舌粲蓮花」的學生，來形容文科生。我父親以前常告誡我和姐姐，念「可有可無」的學系會有什麼下場，幸好我們姊弟倆改選比較文學和政治科學。事實上，人文教育有一個特色，就是即使並非必要，也會鼓勵學生修習各類型的科目，不管是以必修的基本科目形式，要求每位學生都要修習，或是較為常見的做法，透過選修方式來補強學生的主修。
專業科目是人文學科研究所的特色，並不是大學部的重點。這種批評有一個很諷刺的地方，那就是專業科目在STEM領域反而成了問題，因為很多科系由於課程量太重，導致學生沒有餘裕去滿足自己更廣泛的求知慾或單純的好奇心。此外，電腦科學課程所栽培出來的新鮮人濫竽充數，對現今一名能幹的工程師應該要掌握的程式語言其實並不拿手。開發產品所必備的程式語言變化得非常快，這些沒辦法掌握程式語言的畢業生，往往需要另外接受線上培訓課程。事實上，畢業於哥倫比亞大學政治科學系的札克‧西姆斯（Zach Sims），之所以會共同創辦編程學院（Codecademy），提供線上編程課程，正是因為傳統課程在程式語言方面很失敗。「我們發現，主修電腦科學的學生是很出色，但未必是出色的程式設計師，所以我們早先在訪談哈佛和MIT的學生時，就發現他們可能不是馬上就能上手的程式設計師。」他在2013年表示。俄亥俄州前伍斯特學院院長，同時也是獨立院校理事會（The Council of Independent Colleges）資深理事喬治亞‧紐珍（Georgia Nugent），在《快速企業》雜誌（Fast Company）一篇名為〈為何一流的科技公司執行長僱用文科畢業生〉（Why Top Tech CEOs Want Employees with Liberal Arts Degrees）的文章中指出，科技日新月異，商業需求也隨之產生無法預測的變化，「最諷刺的是，周遭形勢亦趨複雜，我們卻鼓勵年輕人專心在某個一技之長上好好下功夫。我們對年輕人諄諄教誨，告訴他們人生就是一條筆直向前的路，這根本是在害他們。人文教育依然切身重要，原因就在於這些學科把學生栽培得更靈活，使學生有能力適應不斷變遷的環境。」想在這個快速變遷的世界開拓新領域，需要尤甚於以往的反應力、創造力和好奇心。
更懂得應變與溝通，更有創造與思考力
人文教育的主要目標，是允許學生追求自己的愛好，並培養他們挖掘愛好的能力。這項使命的重點任務，就是鼓勵學生接觸新領域的學問和其他文化、信念體系、調查論證的方法。理想境界是，多多接觸人文學科可以鍛鍊學生的心智，強迫他們思考各種立場與想法，進而使他們對某些觀點及偏見提出挑戰，同學之間為此辯論到三更半夜變成家常便飯。學校歡迎學生逕自按照志趣來選擇主修，這一點甚至比清楚了解自己未來要從事何種職業更為重要。學生入學時本來打算主修經濟或英國文學，但選修了一門都市社會學之後，發現自己對都市規劃有強烈興趣，或許便決定要走都市研究路線，以城市規劃或治理為職志。這名學生也許有朝一日會學以致用，與技術專家合作，開發出有效率的的都市運輸系統，將無人駕駛車輛導入其中，或是從人口統計分析來思考如何為房地產訂出更合理的價格。
唯有廣泛接觸各種知識和思考方法，深入研究周遭環境的本質，懂得如何解決問題，才有機會去發掘自己最有興趣的東西、將來要投身於何種工作，這便是人文教育的治學核心。人文教育傳授給學生的是學會學習和熱愛學習，而不是教學生學習怎麼工作。這是一場思想上的冒險，也是在培養學生基本的智識技能，讓他們做好準備，繼續在接下來的人生當中追求別的志趣，無論他們在新方向上是否受過相關的正式訓練都能遊刃有餘。這些基本的技能包括了批判思考、閱讀理解、邏輯分析、論證、清晰且有力的溝通能力，也都是在為學生做好進入職場的準備。
敏捷的思考力對公司的重要性不亞於技術專業，這也是當今公司用來在創新之路上保持領先的要素。本書會一再提出例證，探討畢業於人文領域的「文科人」究竟如何大膽一躍，跳入完全未知的領域中，將各種領域的線索串連起來，去感知連專家也忽略的問題，並且對自己的能力充滿信心，去掌握他們所需要的任何知識，以利推動他們的創新構想。這並不是說只有人文教育才能鍛鍊敏捷度，許多技術領域出身的人也非常有創意。這裡的重點在於，人文教育會積極鼓勵學子培養這些能力，其重要性跟理工科不相上下。
近幾年來，矽谷有不少首屈一指的公司僱用了很多沒有技術背景或對技術知識所知甚少的員工，這些員工也多半沒有在科技公司待過的經歷，而公司卻在設計、銷售、品牌建立、顧客關係管理及產品開發行銷上借重他們的專業。從當前最新的現況可以看到，文科生在許多最具創意又成功的商業新點子上扮演關鍵性角色，同時也是推動核心產品開發不可或缺的人物。其中有人把他們從經濟學、社會學、語言學或心理學這類主修科系學到的特殊調查分析技巧應用在工作上，也有人從事不曾為此受過特殊訓練的職業，凱特琳・葛利森就是一個例子。文科人協助消弭各種專業的隔閡，以巧妙的方式運用技術途徑來解決各種問題，並建立必要的跨職能團隊，開拓大有可為的創新版圖。他們正在將自身對如何考量人性因素，以及如何充分發揮新科技的力量以改善人類生活的重大見地，與世界分享。
第四章：演算法是用來服務人類而非統治人類
卡特莉娜‧雷克（Katrina Lake）是一位以開創性手法運用新一代技術的創新文科人。她與擅長「推薦演算法」的頂尖程式設計師艾瑞克‧柯爾森（Eric Colson）攜手合作，打造了Stitch Fix這家公司。所謂的推薦演算法是指一種資料探勘數學，可以向亞馬遜網站的消費者提供建議品項，或是在音樂服務平台Pandora上推薦你或許會喜歡的歌曲。卡特莉娜的公司被《富比士》雜誌形容為掌握了「時尚界的魔球」。
這個網站不會用一頁又一頁的商品資訊來轟炸訪客，也不會提供相互矛盾的評鑑給顧客參考。這裡沒有購物車，也沒有「購買」按鈕。卡特琳娜所憧憬的Stitch Fix，是一個透過強大的推薦演算法，從各家品牌、各種風格都有的大宗服飾產品做篩選，再初步挑出符合某顧客個人品味的商品。這些商品建議接著會轉給私人造型師員工，由他們負責評鑑並選出最後要寄給客戶的精選商品。
公司最後會將一個內含五樣商品的盒子宅配到客戶家中，它們幫這些包裹取了很潮的名字「fix」。客戶可以在任何方便的時間點，舒舒服服地在家裡試穿這些衣服，就像太陽眼鏡公司瓦比派克（Warby Parker）首創的模式一樣，若有不想購買的商品，也可以退回，Stitch Fix會自行吸收退貨的郵資費。這種商業模式若想奏效，網站提供的商品建議就一定要深得顧客的心，否則在沒有強勢推銷的情況下，庫存管理、僱用私人造型師和宅配所需的成本很快就會壓垮這家新創公司。
卡特琳娜的憧憬很大膽，大膽到20家左右的創投公司在她尋求金援時拒絕了她，因為她的方案要成功，就必須有推薦演算法技術，可是她並沒有這方面的技術能力。然而，這個憧憬也十分誘人，其商業模式的潛力看起來非常強大，因此她總算說服了三位不可或缺的重要人士，加入她一圓夢想的行列。
Baseline Ventures投資公司的史蒂夫・安德森（Steve Anderson）是Instagram首位投資人，他也對Stitch Fix這個構想感到非常興奮。2011年，他投資75萬美元，有了這筆資金之後，卡特琳娜就能搞定商業和技術方面的重要人事布局。接著她又聯繫沃爾瑪（Walmart.com）營運長麥可・史密斯（Michael Smith），替Stitch Fix建立傳統零售架構。卡特琳娜的野心當然沒那麼小；史密斯在沃爾瑪將近十年時間，營運長任內負責監督公司所有營運狀況，從供應鏈管理到顧客服務都在他的管理範圍。以商業物流的專業人士來說，沒有比史密斯更夠資格的合作對象了。史密斯對這家新創公司很感興趣，順理成章加入卡特琳娜的團隊。
最後，卡特琳娜延攬了網飛推薦演算法的幕後推手，也就是網飛的資料科學暨工程副理艾瑞克‧柯爾森。當然要找他，畢竟她要打造的是購物版的網飛！柯爾森在網飛組了一個18人的團隊，打造出外界普遍認為是黃金標準的推薦演算法。他也在Stitch Fix組了旗鼓相當的團隊，不過是以卡特琳娜所憧憬的私人採購服務演算為準，這個資料團隊要支援超過2500位造型師的工作。以文科人與理科人攜手合作這件事來看，柯爾森絕對是理想的搭檔，因為他也完全能體會人的投入是Stitch Fix掌握競爭優勢、大鳴大放的重要關鍵。
柯爾森跟卡特琳娜一樣，大學時主修經濟，同時又接觸到資訊系統和管理科學領域，而且對這些領域十分著迷。他後來繼續深造，拿到兩個碩士學位，一個是加州舊金山金門大學資訊系統碩士，另一個是史丹佛大學統計學習碩士。統計學習學的就是跟推薦引擎的核心有關的數學。柯爾森一邊攻讀學位，一邊著手研究各種開發方法，把人類特有的能力與新一代人工智慧機器所擅長的功能加以整合。他與卡特琳娜合作擴大Stitch Fix的規模之際，也讓他有機會能夠證明自己的主張，正如他和共同作者在一篇研究論文中所指出的：「人機結合的推薦系統，可以將大規模機器學習與人類專業判斷的優勢整合在一起。」
對一個熱衷於打造推薦引擎的資料科學家而言，Stitch Fix的商業模式無疑是個讓人蠢蠢欲動的挑戰。一般而言，採用推薦演算法的線上零售商，多半只期待推薦商品承擔一部分的銷售量，比方說亞馬遜網站提供的建議承擔公司三成五的銷售量，但Stitch Fix卻百分之百靠推薦商品來銷售。柯爾森當然樂意加入這家公司，況且他覺得「演算技術長」這個職位，大概是最新潮的「長」字輩頭銜了。
精準推算最貼近顧客喜好的商品，還能減少造型師的判斷偏誤
為了推算出能搔到客戶癢處的最佳推薦商品，Stitch Fix先請購物者以客戶身分註冊系統，並回答一系列約60題以上的提問，抓出他們對服飾與配件的喜好，和個人生理上的一些特徵，包括身高、體重、衣服尺寸和年齡等等。Stitch Fix充分利用應用程式介面（Application Programming Interface，簡稱API，是一種可以讓資料庫互連的介面），尤其是Pinterest的API，讓客戶能夠在Pinterest平台上選取他們喜歡的各種商品及穿搭，或者是通常能反映出個人審美觀的頁面，藉此對客戶的喜好有更深層的了解。結果這個功能選項大受歡迎，四成六的Stitch Fix用戶都透過這個方法建立釘選畫面區塊，而Stitch Fix就是從這些區塊來了解客戶的喜好。
這些資料全數送入電腦系統之後，演算法會把客戶資料和Stitch Fix所輸入的所有庫存商品資料一起進行分析，找出貼近客戶喜好的服飾配件。每一件庫存商品，都已經精心標註了50到150個獨一無二的描述符（descriptor），從基本的材質種類到顏色和版型，比方說緊身牛仔褲或靴型牛仔褲，以及更細微的款式特徵，像是某件服飾屬於波希米亞風還是經典款式。接著演算法會依計算所得的客戶喜好機率來評比，列出要宅配給客戶的五件一組初步商品清單。柯爾森把這個環節稱為「機器演算」，仰賴的正是他的機器學習系統。隨後則會進入「人類演算」步驟，也就是由造型師來做最後的定奪。
每一份清單連同機器推算的客戶喜好機率，和購物者所填寫的品味風格相關資訊，都會傳給造型師過目。為了挑出最後的五樣商品，造型師會運用他們對時尚美感與文化因素的微妙認知來進行挑選，比方說這位購物者的所在地區最近流行何種造型，哪種款式又最適合某購物者的「年齡」。2016年柯爾森在FirstMark資本公司舉辦的資料科學系列演講活動「紐約資料驅動」例會（Data Driven NYC）中指出：「我們不會試圖讓機器像人類一樣思考，機器也不該像人類那樣思考，我們希望機器和人類各自善用其獨一無二的強項⋯⋯我們有這兩種美妙又具有互補作用的重要資源可以善加利用。」但柯爾森的腳步並沒有停下來，他已經先一步採取行動，著手增強人類的技能。
他的團隊甚至使用演算學習，設法減少造型師的判斷偏誤，這種存在於潛意識的偏誤可以藉由精密的資料分析偵測出來。舉例來說，每位造型師都有自己偏好的風格，而且對於某個款式屬於現代感還是傳統風、是非主流還是前衛也有個人的看法。對於哪些商品穿在購物者身上可能最好看，造型師不免也會有個人偏見，而造型師的偏見又可能跟購物者想要的風格產生衝突。因此柯爾森特別編寫演算法，從每位造型師一段時間以來寄給購物者的精選商品組合中抓出這種偏誤。接著他又持續修正了購物者到造型師之間的流程，也把要提供給造型師挑選的商品組合適切度提高，以便組合出更貼切消費者需求的商品。比方說，假設造型師只注意客戶的年齡資訊，那麼這種造型師的偏見跟注意年齡又看照片的造型師可能會有所不同。同時注意到客戶年齡又看到照片的造型師，或許可以看出客戶年紀較成熟，但想看起來年輕一點，又或許是年輕客戶希望自己看起來成熟一點。造型師的行為會隨著各種不同程度的偏見而有所不同。柯爾森的團隊將造型師的行為視為資料科學中的「分類問題」，他們認為造型師是不可改變的，有其根深柢固的做法，因此轉而利用演算法來修正那些傳送給造型師的商品選項，將造型師的偏誤承擔下來，並協助他們減少偏誤。換句話說，Stitch Fix從不曾想要改變造型師的想法，而是利用技術讓造型師做出更棒的成果。
Stitch Fix以這種做法整合人類與機器的長才，進而成為目前39%的購物者最主要的購物方式，公司業績也年年快速成長。這種成長力道又促使一些備受敬重的矽谷投資人，對該公司投注更多額外金援，包括Uber董事暨Benchmark Capital合夥人比爾・格里（Bill Gurley）在內。格里發現他的助理都把她的可支配收入花在Uber和當時仍名不見經傳的造型服務上，後來格里才明白那就是Stitch Fix。他坦言：「卡特莉娜‧雷克是我合作過最優秀的人才之一。」有了格里的支持，卡特莉娜也能聘請時尚業的頂尖專業人士擔任公司的高級主管，比方說前絲芙蘭（Sephora）行銷長和千禧世代最愛的機能性服飾品牌Urban Outfitters電子商務負責人茱莉・邦斯坦（Julie Bornstein）。
創立網路公司必須面對技術方面的挑戰，但這並沒有嚇跑卡特莉娜‧雷克。她發現矽谷其實有很多資源可以使用，也就是說，科技界並不是封閉的生態系統，只容技術專家通行，其他人不得其門而入。她同時也體認到，有技術能力的人其實很需要她這種文科人才有的能力，而這種能力不但可為科技注入人性，也能巧妙地串連線索，比方說把網飛的訂閱服務模式應用在零售時尚業。網飛已經馳騁商場十年，就拿賈伯斯的名言來引申，仍有人帶著渴求和愚傻，努力將網飛的核心模式運用於時尚業。現在，被《財富》雜誌選入「40位40歲以下最具影響力的商場人士」名單的卡特琳娜，已經是一家有4000名員工的公司老闆，她只不過才募集5000萬美元的創投資金，就締造了2.5億美元的營收。
