В теории игр есть как минимум два игрока, и решения каждого игрока влияют на всех остальных игроков. Напротив, в теории принятия решений — подмножестве теории игр — вы принимаете решения, которые влияют на вас, поэтому технически вы закрываете глаза на влияние на других. Итак, как именно мы принимаем решения? Ответ на этот вопрос принес Даниэлю Канеману Нобелевскую премию, и это настолько широкая тема, что я не могу полностью ответить на нее в этом комментарии. Собственно говоря, я сам все еще учусь мудрости Канемана в этом вопросе; если вам интересно, вы можете взять копию его книги «Думай быстро и медленно».

Этот краткий комментарий предназначен для того, чтобы призвать наш разум осознать, что сложные решения трудно принимать, если только они не относятся к области, в которой вы не являетесь экспертом. Интересно, что даже мозг экспертов не может легко принимать решения на основе статистических данных — это огромный недостаток человеческого мозга. К счастью, машины превосходно справляются со статистическими данными, и именно здесь сходятся человеческий и искусственный интеллект. В конце концов, ИИ не заменит человека!

Как я уже сказал, теория принятия решений широка, поэтому сегодня мы сосредоточимся только на небольшом подмножестве концепции — когда мы должны остановиться? Как бы просто это ни выглядело, этот вопрос может сложно ответить человеческим мозгом; с помощью когнитивной эвристики и предположения, что мы рациональные существа, ваш мозг просто ответит, что мы должны остановиться, когда у нас будет лучшее; когда мы максимизировали наши выгоды и/или минимизировали наши потери. Это действительно так, но тогда возникает следующий вопрос: как узнать точку, в которой мы имеем наилучший результат? В инженерной школе это преподается как проблема оптимизации, поэтому ожидается, что мы получим функцию потерь, а затем применим дифференциальное исчисление, чтобы получить ее максимумы и/или минимумы. Это уже достаточно сложно для вашего мозга, чтобы понять, особенно если вы никогда не посещали занятия по инженерии, статистике или информатике; ваш мозг не может просто ответить на этот вопрос.

Чтобы ответить на этот вопрос, ограничения нашего человеческого мозга вынуждают нас обращаться к машинам, и, в частности, мы просим машины помочь нам вычислить решение уравнения, описывающего «теорию остановки». Теория остановки, ветвь теории принятия решений, занимается определением того, когда остановиться, причем точкой остановки является точка с наименьшими затратами. Возьмем простой пример:

Предположим, что сегодня вы покупаете биткойн по цене 9 425 долларов. Затем биткойн продолжает расти в цене со скоростью 1000 долларов в неделю. Предположим также, что в одно случайное утро вы проснетесь и обнаружите, что стоимость упала до 8000 долларов. Поскольку вы не можете сказать, в какой день стоимость упадет, вы разрываетесь между продажей того немногого, что вы заработали, или ожиданием дальнейшего роста, что также означает, что вы увеличиваете свои шансы потерять все в тот момент, когда стоимость упадет до 8000 долларов. В какой-то момент вы видите, что стоимость достигла 20 000 долларов, и вы удвоили стоимость покупки — должны ли вы продать в этот момент и вернуться домой с огромной прибылью? Помните, что через месяц стоимость увеличится до 24 000 долларов, поэтому вы не хотите продавать, поскольку хотите сделать ее еще выше, но в то же время вы рискуете потерять все, если стоимость упадет до 8 000 долларов. Остается вопрос: продавать или не продавать?

Было придумано множество других задач, чтобы лучше объяснить теорию остановки, среди них самая известная: задача о секретаре, которая заключается в определении из списка претендентов на должность секретаря, кого лучше выбрать. То же самое было применено к выбору лучшего партнера для брака, и этот список бесконечен. Я также не буду обсуждать Теорию остановки, так как этот комментарий — всего лишь краткое изложение, чтобы заставить ваш разум увидеть удивительные вещи, которые могут делать машины, чего не можем мы — оптимизация — одна из таких вещей; Теория остановки была математически рассчитана, и было обнаружено, что значение сходится к 1/e («е» является основанием логарифма Напьера).

Искусственный интеллект не заменит человека; это заставит людей принимать лучшие решения. Он здесь, чтобы помочь нам, работать с нами рука об руку, оптимизируя наши процессы, максимизируя нашу прибыль и минимизируя наши потери. Представьте, что курьер, работающий на Sendy, должен доставить мне товары в мой офис в Килимани, как лучше всего пройти через центральный деловой район и добраться до моего офиса — путь, который займет самое короткое время и в то же время будет стоить им денег. наименьший запас топлива? На этот вопрос наш человеческий разум не может ответить, но благодаря теории графов в машинном обучении компьютеры могут определить оптимальный маршрут за очень короткое время.

В теории графов задача кратчайшего пути — это задача поиска пути между двумя узлами в графе, таком что сумма весов составляющих его ребер минимальна.

Все действия, которые мы совершаем в сети, оставляют след данных, которые лучше всего описывают наше поведение, но эти данные не могут быть легко восприняты человеческим мозгом, который, как мы видели ранее, очень плохо обрабатывает статистические данные. По этой причине машины используются для извлечения данных, обработки данных, вычисления функций и, как правило, для преобразования данных в информацию, идеи и знания. Как сказал мой друг Марк, «люди могут легко использовать эти идеи и превращать их в мудрость».

Машина не может принимать решения, вы; машина — это просто помощник, и именно этот спрос и потребность в взаимодействии человека и машины при принятии решений вдохновили меня на создание Insense Data Technologies.

Я основал Insense Data Technologies с единственной целью — объединить людей и машины, чтобы, работая вместе, люди могли восполнить пробел в своем мозгу (обработка статистических данных) и лучше принимать решения на основе данных.