Nauka – rizik, tajna i misterija, a ne udoban biznis

Superkompjuter AlphaGo Zero pokazuje kako biznisi gube bitku s inovacijama. Da li je najbolje što čovek može da uradi s veštačkom inteligencijom igranje igara kao što su šah i go, ili je to dalji napredak kroz ključne naučne proboje, pita se Tim Harford u autorskom članku za Fajnenšel tajms.

Teško je ne biti impresioniran – uz to možda i pomalo uznemiren – napretkom. Superračunar “Duboko plavetnilo“ (Deep Blue) kompanije IBM je pre 20 godina (1997) pobedio je tada najvećeg svetskog šahistu, Garija Kasparova. Taj je računar bio astronomski skup hardver, brižno opsluživan i podučavan od strane ljudi.

Kompjuteru je bilo daleko teže da ovlada igrom Go, koja je mnogostruko komplikovanija od šaha. Ipak, kada se program AlphaGo uz fanfare pojavio 2016. godine, nakon nekoliko meseci obuke je lagano potukao najbolje svetske igrače.

Pretprošle nedelje je DeepMind, istraživačka firma za razvoj veštačke inteligencije objavila da je napravila superiornog AI igrača pod imenom AlphaGo Zero. Ovaj unapređeni model je brži, koristi manje hardvera, a „patosirao“ je svog prethodnika AlphaGo u 100 duela, ne dajući mu priliku ni za jednu pobedu. Uz sve to,  AlphaGo Zero je potpuno „samouk“ i uči bez ikakve ljudske asistencije: On je, štaviše, postigao ovakav nesvakidašnji rezultat nakon samo 72 sata prakse.

Neverovatan napredak kompanije AlphaGo Zero doprineo je već prisutnoj grozničavoj uznemirenosti što roboti preuzimaju ljudske poslove, izazivajući masovnu nezaposlenost. Pa ipak, ta anksioznost teško da se uklapa s visokim stopama zaposlenosti i razočaravajućim rastom produktivnosti koju vidimo u Sjedinjenim Državama, a posebno u Britaniji. Postoji veliki broj (ljudskih) poslova i profesija, ali, očigledno, ne i puno inovacija.

Za ovaj paradoks postoje različita moguća objašnjenja, ali najjednostavnije je ovo: AlphaGo Zero je izuzetak. Produktivnost i tehnološki napredak su slabi, jer istraživanje koje stoji iza napretka veštačke inteligencije zapretene u mašinu AlphaGo Zero nije tipičan način na koji pokušavamo da proizvedemo nove ideje.

Gledište Garija Kasparova u vezi veštačke inteligencije upregnute u igranje ljudskih igara je fascinantno. U svojoj nedavno objavljenoj knjizi „Deep Thinking“, on citira pokojnog kompjuterskog naučnika Alana Perlisa: “Optimizacija ometa evoluciju”. U slučaju kompjuterskog šaha, Perlisova maksima dobro opisuje istraživače koji su izabrali pragmatične „kratke rezove“ zarad brzog rezultata. Ipak, jedno dublje, rizičnije istraživanje biva danas zanemareno. IBM-ov prioritet sa Deep Blue mašinom nije bilo sticanje novih saznanja u oblasti AI, već pobeda – a pobeda je, u naučnom smislu, bila ćorskokak.

A ovoga bi se trebalo sramiti. Pioniri računarstva, Alan Tjuring i Klod Šenon (Claude Shannon) verovali su da bi šah mogao predstavljati plodno polje za istraživanje i razvoj veštačke inteligencije u nekim daleko značajnijim oblastima. Ta nada je bila brzo skrajnuta brutalnim pristupom, od kojeg se malo šta naučilo izuzev saznanja da ova mašina dobro igra šah..

Lako je shvatiti zašto bi jedna komercijalna kompanija imala jedva neko zrno interesovanja za tehnike ranog prepoznavanja obrasca, koje su pročišćene, prerađene i „oplemenjene“ u računaru AlphaGo. Gari Kasparov opisuje pokušaj njihovog korišćenja u šahu; posmatrajući kako bi velemajstori odmah osvajali igre u kojima su žrtvovali svoje najjače adute, figuru kraljice, mašina je, shodno njihovom „paternu“ tj obrascu (pogrešno) zaključila da bi morala žrtvovati svoju kraljicu u svakoj prilici.

Pa ipak, na kraju, ove tehnike prepoznavanja obrazaca su se pokazale daleko snažnijim i generalno primenjivim za razliku od metoda koje koriste najbolji šahovski kompjuteri; stoga, pitanje glasi: želimo li da promenimo naš svet ili da samo osvojimo šahovsku igru?

Nije ovo samo opominjuća priča koja se tiče šaha. Korporacije su „protegle“ pipke svojih ambicija i na mnoga druga mesta. Korporativne istraživačke laboratorije nekada su finansirale fundamentalna istraživanja od najvećeg značaja. Leo Esaki, koji je radio u korporacijama Sony i IBM dobitnik je Nobelove nagrade za fiziku, kao i Džek Kilbi iz kompanije Texas Instruments. Irving Lengmjuir (Irving Langmuir) iz Dženeral Elektrika dobitnik je Nobelove nagrade iz oblasti hemije. Laboratorije kompanije Bel (Bell Labs) iznedrile su toliki broj nobelovaca – zajedno sa samim Šenonom. Davno su prohujala vremena kada se kompanije nisu plašile ulaganja u fundamentalne nauke.

To se, vremenom, promenilo, kako pokazuje istraživački rad troje ekonomista – Ašiša Arore, Šeron Belenzon i Andrea Pataconija (Ashish Arora, Sharon Belenzon, Andrea Patacconi). Kompanije još uvek ulažu u inovacije, ali se fokus stavlja na praktične primene a ne na osnovne nauke, dok se rezultati istraživanja često prenose na manje poslovne jedinice, čija se intelektualna svojina može lako kupiti i prodati.

Korporativni istraživači proizvode više patenata, ali ih je teže uočiti na stranicama naučnih časopisa. Kako kaže profesor Arora, istraživanje i razvoj postali su “manje I, više R” (manje istraživanje a više razvoj „Less Research, more Development“). Istraživanje AlphaGo-a, kaže on, predstavlja izuzetak od ovog pravila. A ovo je izuzetno bitno, jer i najosnovnije istraživanje na kraju završi kao komercijalno korisno. Volimo zlatna jaja, ali možda izgladnjujemo zlatnu koku.

Sve ovo ne mora biti katastrofalno ako bi druga istraživačka tela, kao što su univerziteti, popunjavali ovaj jaz između komercijale i ključnih istraživačkih proboja. Ipak, to nije nešto što bi trebalo uzeti zdravo za gotovo. Kao što je dokumentovao ekonomista Bendžamin Džouns (Benjamin Jones), teže je, naravno – pronaći/iznedriti nove ideje. Jedan od znakova ovoga se ogleda u složenosti sastava istraživačkih timova, koji su nikad veći i sačinjeni od enormnog broja sve uže specijalizovanih istraživača… koji su, uzgred, i sve skuplji…

Možda bi bilo naivno kada bismo naprosto podsticali kompanije da potroše više na fundamentalna istraživanja – ali neko mora da ih motiviše i na to podseća. Jedan interesantan pristup je kada bi sama država finansirala nagrade za inovacije koje bi išle u ruke istinski progresivnim rešenjima koje prave značajne naučne skokove i menjaju anticipaciju. Takve nagrade mobilišu javne fondove i javne ciljeve sve dok koriste agilnost i raznolikost pristupa privatnog sektora. Takve nagrade, međutim, funkcionišu samo u određenim situacijama.

Profesionalni sport je popularizovao praksu “marginalnih dobitaka”: brza optimizacija, u potrazi za probojem – tamo gde je sadašnja istraživačka granica „najtanja“. Ispostavilo se da su korporativna istraživanja imala isti obrt pre više decenija. Nema ničeg pogrešnog u marginalnim poboljšanjima i sitnim pomacima, ali se ne sme dozvoliti da ona istiskuju špekulativno istraživanje, koje je u samoj srži svakog istraživanja. Nauka, ona fundamentalna,  ima dublju i zbrkaniju praksu od sporta. Stoga moramo nastaviti da joj posvećujemo vreme, prostor i novac, kako bismo učinili da naučni skokovi budu veći – rizičniji.

Fajnenšel Tajms

Big Data i biznis: Kako izvući smisao i korist  iz gigantskih baza podataka?

Koliko je vremena potrebno da se oporavite od hirurškog zahvata zamene kuka?

Za bolnice širom sveta ovo  nipošto nije akademsko pitanje. Bolnice su imale oko 36 milijardi dolara nekompenzovanih troškova zbrinjavanja u 2015. godini. Najveći deo njih potiče od neplaćenih računa pacijenata.

Jedno rešenje ovog problema je ograničavanje troškova vezanih za operaciju – ali kako? Odgovor: Machine learning („Mašinsko učenje“ je već uvrežen termin u srpskom jeziku, mada je pogrešan; „Učenje mašina“ daleko preciznije pogađa suštinu). Bolnice sada koriste prediktivnu analitiku kako bi prognozirale prosečne boravke i potencijalne komplikacije koje mogu iskrsnuti tokom operacija, poput operacije kičme.

Na primer, podaci od kupaca usluga zdravstvene zaštite pokazuju starosnu dob pacijenta, ustanove koje obezbeđuju osnovne zdravstvene usluge, i sekundarnu dijagnozu. Pomoću mašinskog učenja i prediktivne analize podaci sada mogu predvideti buduće troškove i doprineti identifikovanju pacijenata koji mogu imati probleme u oporavku. Ishod? Bolnice donose bolje kliničke odluke, doživljavaju niže stope readmisije, nudeći kraće bolničke boravke i pružajući bolju negu.

Biznisi ogromnog broja preduzeća pokazuju slične efekte „stvarne situacije na terenu“, dakle, dobijaju realističnije cifre u predikciji, a sve to zahvaljujući upotrebi mašinskog učenja za analiziranje svojih poslovnih podataka. Često je problem u nedovoljnoj količini podataka – potrebnih za što bolju analizu i predikciju – a ti im podaci često nedostaju.

Po rečima Majka Gotjerija (Mike Gaultieri), analitičara kompanije za tehnološku predikciju marketinga i tržišta, Forrester Research, mašinsko učenje nije ni nalik tradicionalnoj poslovnoj inteligenciji u kojoj su garantovani rezultati. “Ukoliko tražite model za mašinsko učenje, možete reći ‘pokušaću’, ali možda nećete uspeti”, rekao je. “Preduzeća i biznisi moraju da razumeju da samo zato što ste želeli da imate model koji predviđa kretanje akcija na berzama ne znači da ćete ga i u stvarnosti imati.”

Rags Raghavendra, rukovodilac analitike u DXC Technology’s Analytics Data Labs, globalnom čvorištu koje analitičari podataka koriste, fokusirao se na konsalting i pronalaženje načina operacionalizacije analitike. On kaže da su “kompanije frustrirane jer često preteruju”. Žele da im big data analitika “odradi” prevelike grupe podataka, “žonglirajući” njima iako nisu dovoljno kvalifikovani za njihovo tumačenje i razumevanje, a i ne shvatajući koliko je taj zalogaj prevelik.  “Klijenti pokušavaju da učine nemoguće u smislu pokušaja da izvuku značenje iz svih mogućih vrsta podataka kojima imaju pristup”, rekao je on. “Ono što preporučujemo je da dobro razmotre podatke koje već poseduju i koji su lako dostupni, a tek potom da pređu na sledeći korak.”

Kompanije koje su pokušale i nisu uspele da proniknu u smisao i praktične aspekte analize velikih skupova podataka pre svega bi trebalo da prihvate da su neuspeh i iteracija tj ponavljanje neizostavni deo procesa analitike. One, ipak, mogu da svoje šanse za uspeh maksimiziraju tako što će postati pametniji kada je reč o korišćenju mašinskog učenja.

Evo osam načina za bolji i efikasniji pristup Big data analitici:

1. Počnite s problemom koji želite da rešite. Uranjati u podatke „skokom sa desetke“ a potom iščekivati da će oni volšebno izroniti pred vas je pogrešan pristup. Sve dobre priče o analitici podataka počinju identifikovanjem odgovarajuće metrike performansi koja povezuje poslovni rezultat sa pitanjima koja se odnose na podatke. Međutim, odabrana metrika ne bi trebalo da bude preširoka ili isuviše “granularna” tj usitnjena. Na primer, kada je DXC nedavno radio s jednom medijskom kompanijom na pojašnjenju razloga zbog kojih je pretplatnici napuštaju, najočiglednija metrika bila je promena u pretplatničkoj bazi. Kao što se ispostavilo, relevantnija metrika bio je Prosečni prihod po korisniku (ARPU), koji je bio direktno povezan sa većim poslovnim ciljevima koje je kompanije preduzimala kako bi povećala prihode.

2. Proces mašinskog učenja trebalo bi ’industrijalizovati’ odnosno razviti u širokom industrijskom obimu. “Čitav ovaj proces analize velikih skupova podataka nije industrijalizovan”, rekao je Raghavendra, čija Laboratorija podržava široku paletu oblasti, uključujući proizvodnju, telekomunikacije, automobilsku industriju, avio-kompaniju, energetiku, finansijske usluge i zdravstvenu zaštitu. “Dešava se da mnogo puta iznova i iznova ponavljate analizu ili je ne možete uvećati tj primeniti u širem obimu.” DXC je snažan zagovornik efikasnog i pojednostavljenog pristupa široko primenjivog mašinskog učenja, koji veruje da bi sve faze analize – od unošenja podataka i njihovog prečišćavanja, do stvaranja namenskih algoritama i njihovog stavljanja u proces aktivne analitike, a potom i generisanju uvida stečenih kroz podatke – trebalo da budu ponovno upotrebljive i raspoređene na kompanijske tehnologije.

3. Nemojte dozvoliti da vas ometaju i koče podaci koje ljubomorno čuva svako odeljenje pojedinačno unutar kompanije (tzv „silosi“:  izolovane grupe podataka koje ne cirkulišu u data analitici jedne kompanije jer uposlenici nekog odeljenja naprosto ne žele da ih dele s drugima, misleći da na taj način „drže prednost“ u odnosu na druga kompanijska odeljenja). Silosi su zbog toga veliko “prokletstvo” brojnih računarskih programa koji rade na korporativnoj analitici, jer sprečavaju pristup jedinstvenoj bazi podataka. Silosi, ipak, nisu toliko velika prepreka, kako neki veruju. “Ukoliko posedujete strategiju za pravilno korišćenje pametnih podataka i platformi, ne bi trebalo da previše brinete o silosima”, kaže Raghavendra. Jednostavno rečeno, ne morate brinuti o silosima sve dok ne predstavljaju problem za zadatak koji ste odabrali da rešite. Međutim, trebalo bi da se pripremite za neki predstojeći skup problema u nizu (tzv pipeline*) tako što ćete obezbediti integraciju različitih izvora podataka. “Postoje fleksibilne i modularne platforme koje vam omogućavaju da integrišete podatke kada je potrebno”, dodao je Raghavendra. (U računarstvu, pajplajn* je skup elemenata za obradu podataka povezanih u niz, pri čemu je autput jednog elementa input sledećeg. Elementi u nizu često se procesiraju paralelno ili kroz sekvence tj „komadiće“; u tom slučaju, određena količina buffer tj pufernog skladišta često se ubacuje između elemenata).

4. Mislite od-spolja-ka-iznutra. Ne morate uvek imati sve informacije, talenat, analitiku i inteligenciju: Ovo je priča o ekosistemu, a pobediće oni koji dodirnu „matricu sposobnosti“ koja se nalazi oko njih. Analitičari podataka kroz kraudsorsing*, kao i kroz „mašinsko učenje-kao-servis“ i eksterne skupove podataka, dobijaju moćan potencijal u poslovoj trci.

Crowdsourcing (angažovanje javnosti) je korišćena i legitimna metoda preuzimanja tuđih ideja, postupak dobijanja potrebnih usluga, ideja ili podataka od neodređenog skupa ljudi (shodno izreci: “Uzeti podatke od pojedinca je krađa, uzeti podatke od većeg broja ljudi je – istraživanje”).

5. Koristite sirove skupove podataka (takozvana „data-jezera“). Jezera podataka su spremišta u kojima možete sačuvati sve vaše postojeće podatke u izvornom obliku, bez obzira na njihov format Jezero podataka je spremište za skladištenje podataka koje sadrži ogromnu količinu sirovih podataka u svom izvornom formatu, sve dok se za njima ne ukaže potreba. I dok hijerarhijski organizovano skladište podataka čuva podatke u fajlovima ili fasciklama (folderima), data-jezero koristi “ravnu”, tj. horizontalnu ili baznu arhitekturu za čuvanje podataka, dakle bez hijerarhije (organizacije) podataka. Svakom elementu podataka u data-jezeru dodeljen je jedinstveni identifikator i označen je skupom proširenih oznaka metapodataka. Kada se pojavi upit od strane biznisa, data jezero se može upitati za relevantne podatke, a zatim se može analizirati manji skup podataka kako bi se odgovorilo na upit).

Raghavendra je mišljenja da kompanije treba da se upuste u praksu stavljanja svih svojih podataka u „data-jezero“. Ovi veliki skupovi sirovih podataka nisu stavljeni u fajlove niti su klasifikovani u foldere po važnosti, već su „u rinfuzu“, iako su svi indeksirani i tagovani kao metadata, spremni da se pojave na upit poslovnog subjekta. “Nemojte razmišljati o strukturiranju (važnosti, smisla i korisnosti podataka) na samom početku”, preporučuje Ragavendra.

6. Vršite istraživačku analizu podataka (exploratory data analysis, EDA) sa ciljem kojeg imate na umu. Prva faza „rudarenja podataka“ je upravo EDA, koja nastoji da rezimira podatke, vizuelno i ne-vizuelno. “Ono što sam često imao prilike da vidim je da je istraživački deo analize podataka potisnut”, rekao je Bharathan Shamasundar, viši analitičar podataka u DXC. “Svrha EDA tj istraživačke analize podataka je da se upoznaju s uzorcima i obrascima koji se u podacima poavljuju i samo na osnovu toga zauzimaju stavove o tome šta da čine nakon toga. Kompanije to često rade površno. “DXC-ovo iskustvo sa kompanijom za energetske usluge naglašava važnost pametne EDA tehnologije.

Jedno privatno komunalno preduzeće tražilo je preciznu prognozu koliko će energije proizvesti njihove vetroelektrane. Zbog toga što je ovo preduzeće primenilo istraživački deo analize (EDA) na svoje algoritme, tim savetodavne firme DXC je uspešno opovrglo već postojeće repere za čak 95% performansi vetro-turbina, uprkos tome što je upotrebljavano manje varijabli kako bi obavili svoje proračune. To iskustvo pokazuje značajne potencijale EDA metoda, naročito ako se sprovedu unapred, što će češće dovesti do algoritama prikladnih raspoloživim podacima.

7. Koristite inteligentno uzorkovanje. Jedan od razloga što kompanije imaju problema s pristupom u prave uvide Big data ishoda je zato što ih – previše koriste. “Uzorkovanje je postalo loša reč”, rekao je Šamasundar. “Uzorkovanje podataka je pametan način baratanja sirovim podacima.” Često se dešava da je ono što izgleda kao “big data” krcato redundantnim tj izlišnim informacijama. Analitičari iz DXC su za jedno robno-trgovačko preduzeće identifikovali  kako im je veliki deo uskladištenih podataka bio, zapravo, suvišan, jer je 94% svih njihovih trgovinskih poslova zasnovano na manjem podskupu podataka. Ovo pokazuje da je vrednovanje kvaliteta i relevantnosti važna komponenta strategije podataka.

8. Ustanovite fleksibilan operativni model za vaš program analitike podataka. Raghavendra vam savetuje da „Nikako ne odustajete od pokretanja programa za analizu podataka samo zato što ne možete da unajmite data-analitičara. Potražnja za ekspertima koji umeju da pravilno i smisleno „pročitaju“ velike hrpe podataka  trenutno je 60 procenata veća od broja stručnjaka, a nema znakova da se ovaj disparitet usporava. Međutim, ukoliko jedno preduzeće nije u stanju da zaposli dovoljno data-analitičara, Raghavendra preporučuje da, u tom slučaju, treba razmisliti o uporednom korišćenju partnerskih organizacija koje pružaju specijalističku analitičku podršku i “analitičara opštih podataka o građanima”. Stručnjak za prekopavanje tj „rudarenje podataka“ o građanima je osoba koja razume domen i poslovanje svojih poslodavaca/organizacija. Oni mogu obaviti razumnu analizu koristeći neke analitičke platforme koje su sada pojednostavile određene zadatke i zahteve u baratanju podacima. Pošto kompanije primenjuju analitiku za rešavanje problema, partnerske organizacije mogu biti od pomoći  kao podrška u uvećanju obima njihovih programa i izgradnji „dubljih“ mogućnosti u još raznovrsnijim oblastima.

I mada praćenje ovih smernica povećava verovatnoću za postizanje uspeha, preduzeća ne smeju smetnuti s uma da je mogućnost neuspeha realna i uvek prisutna. Analitika podataka sprovodi se kao naučni metod koji se zasniva na dokazivanju ili opovrgavanju hipoteze. Upotrebu podataka treba, potom, posmatrati kao istraživačku i razvojnu aktivnost (R&D). “Najbolje je imati pet-šest ili desetak i više ideja, i potom ih voditi paralelno”, opisuje Goltjeri upite zasnovane na podacima, “jer neće svi oni funkcionisati”.

Izazovi će postajati sve teži i teži, kako se količina podataka vremenom bude sve više uvećavala. Sa druge strane, što više podataka imate – to je i veća potencijalna nagrada i uspeh.

Prema Dejvu Aronu (Dave Aron), šefu istraživanja u  londonskoj IT firmi za istraživačko-savetodavne usluge Leading Edge Forum, DXC-ovom partneru za rukovođenje idejnim strategijama, još je uvek previše kompanija koje svojom najvrednijom imovinom smatraju ono što poseduju u fizičkom i finansijskom smislu.

“Preduzeća koja bi trebalo da dožive uspon i uvećanje svojih profita u narednoj deceniji jesu ona koja su prepoznala da su upravo informacije i njihova analiza ta nadasve “vredna imovina”, pa stoga grade i kontinuirano unapređuju svoje platforme za data-analitiku i izučavanje podataka”, kaže Aron. “Internet stvari (IoT), uz sve obimniji i glomazniji pravni okvir za zaštitu podataka čine da data-analitika postane relevantnija nego ikada pre.”

Obezbeđivanje koristi od analize „big date“ – bez obzira da li ste bolnica ili uslužna firma ili bilo koji drugi tip biznisa – zahtevaće promišljen pristup, puno hrabrosti, kao i respekta za naučne metode analize informacija dobijenih u vašem poslovanju.

WIRED Brand Lab, DXC Technology

5 rastućih industrija za pasionirane milenijumovce

Svi smo već čuli kako se generacija bebi-bumera (i, u suštini, svi ostali) žale na milenijumovce. Oni kažu da se milenijumovci, navodno, ponašaju kao da polažu prava na sve, da su lenji, „navučeni“ na svoje mobilne telefone i, što je po njima najgore od svega, da žele nagradu već samim tim što su se pojavili u nekoj trci, bez obzira da li su pobedili ili izgubili.

Ono što često nećete čuti, međutim, jeste da su milenijumovci uglavnom dobro obrazovani i generacija koja je već neko vreme potencijalno najpreduzetnija generacija. Iako nije pametno – a i nemoguće je – da naslikate celu generaciju u jednom ili dva široka poteza, sa sigurnošću se može reći ima i onih koji uspešno traže i pronalaze nove, jedinstvene i zanimljive industrije u kojima mogu naći priliku za razvijanje svog posla.

Milenijumovci, u stvari, brzo menjaju perspektive u pogledu zapošljavanja uopšte. Kako je sve više milenijumovaca koji, nakon što diplomiraju, postaju aktivna radna snaga, dugoročni ideali poput rigidnih rasporeda i čvrsto uspostavljene korporativne hijerarhije gledaju se u jednom novom svetlu.

Napokon, baš kao i svaka nova generacija pre njih, tako će i milenijumovci oblikovati ekonomiju shodno svojim predstavama. To se, zapravo, već dešava. Ako ste milenijumovac u potrazi za novom potencijalnom karijerom, obratite pažnju na sledeće industrije koje bi mogle odgovarati vašim ukusima i strastima.

1. Nekonvencionalno ulaganje

Odrastajući tokom Velike recesije tokom koje su iskusili otpuštanja i finansijska spasavanja od potonuća, milenijumovci su postali veoma skeptični prema tržištu akcijama tj berzi. Ukoliko ste milenijumovac koji bi da nađe načina kako i gde da investirate, ali ste oprezni usled nestabilne prirode berze, na raspolaganju su i neke druge opcije.

Jedna od ovakvih investicionih opcija leži u nekretninama. One obezbeđuju opipljiv izvor rada, dosta lične slobode, a ono što je možda i najzanimljivije za mnoge novopečene diplomce, ne uzima u obzir koliko ste duboko u dugovima, nastalim dizanjem studentske pozajmice kod banaka.

2. Uzrok kapitalizma

Više nego bilo koja druga generacija, milenijumovci izlaze u susret kompanijama koje vraćaju zajednici, ili koje iskreno učestvuju u značajnim dobrovoljnim davanjima. Iz toga proizilazi da milenijumovci traže zaposlenje kod kompanija koje, kao i oni, neguju iste vrednosti, poput dobrotvornih davanja i akcija.

Millenijumovci imaju tendenciju da svoju sreću u zapošljavanju potraže u biznisima koji su posvećeni svojim principima kao i industrijama koje rade na isti način. Sve veći broj kompanija nastoji da učestvuje u dobrotvornom poklanjanju, bilo da se radi kroz dobrotvorne organizacije ili kroz donacije i partnerstva sa spoljnim organizacijama.

3. Snimanje zvezda (bukvalno)

Do pre samo nekoliko godina, izjava da bi svako ko ne radi za NASA (ili neku od njenih stranih ekvivalenata) šetati Mesecom nije ni mogla da se čuje. Ovih dana, i taj „plod mašte“ približio se stvarnosti, a kompanije kao što su SpaceX i Blue Origin ulažu milijarde u privatna kosmička putovanja, koja su rezultat sasvim nove vrste preduzetništva.

Iako takve kompanije neće tek tako zaposliti nekoga sa ulice ko sanjari da postane astronaut, brzorastuća vazduhoplovna industrija bi mogla biti savršeno „sletno mesto“ i „pristajalište“, za posao i preduzetništvo dobro obrazovanog milenijumovca. Ko zna? Možda bi ste, u veoma bliskoj budućnosti, kao milenijumvac mogli postati, recimo, istraživač koji radi na novim konceptima raketnog pogona.

4. Uticaji potekli s vašeg – mobilnog uređaja

Mnogobrojni milenijumovci vični društvenim medijima otkrili su da je najbolji način da zarađuju za život tako što kače na Mrežu svoje selfije ili pročešljavaju internet ne bi li iznašli najposećenije mimove (memes) koje će potom – u svom videu preporučivati drugima. I dok starije generacije može uznemiravati pojam “slavne ličnosti u društvenim medijima”, činjenica je da je danas ovo izvesno uspešan karijerni put za nemali broj milenijumovaca.

Očigledno da nisu svi milenijumovci (a ni ostali, mlađi ili stariji od njih) predodređeni da ih milionske mase zaprate na Instagramu. Zapravo, vaše šanse da postanete senzacija u društvenim medijima verovatno su iste kao i verovatnoća da ćete postati astronaut. Imajući ovo u vidu, kao i prikladne okolnosti i (ne svakom) urođeni talenat za biznis i okretnost, mogli biste se potruditi pa da se izveštite u ovakvom „osvajanju“ društvenih medija; tako ćete uspešno plaćati svoje račune i izdržavati se: sa nekoliko dobro napisanih/snimljenih postova mesečno.

5. Čišćenje planete

Biti ekološki svestan nije više ekskluzivna teritorija onih koje su vaši roditelji verovatno voleli da nazivaju “hipicima koji grle drveće“. Milenijumovci, zapravo, pritiskaju velike korporacije da postanu ekološki svesne na isti način kao što ih pritiskaju na intenzivniji angažman u dobrotvornim aktivnostima.

Nove industrije, ili nove adaptacije starih industrija, usklađuju se danas sa izričitim normama o zaštiti životne sredine. Industrija solarne opreme ima veliki rast, kao i industrija električnih vozila. Zaštita životne sredine i očuvanje prirode, dobrotvorni angažman – sve ovde navedeno jesu ciljevi milenijumovaca – generacije koja u narednih nekoliko godina ne bi trebalo da ima problema s pomanjkanjem mogućnosti zapošljavanja.

Milenijumovci će, napokon, biti pozvani da preuzmu odgovornost za budućnost radne snage na isti način na koji su to nekad činili bejbi bumeri i drugi. Ono čemu sada prisustvujemo jeste otvaranje novog pristupa biznisu, usredsređen na fleksibilnost, slobodu i svest o Zemlji i onima koji je nastanjuju.

I dok pronalaženje dobrog posla nikada neće biti lako, milenijumovci mogu biti sigurni da postoje radna mesta koja su savršena za njih.

The Entrepreneur