Как вы принимаете решения?
Как часто вы подбрасываете монету или кубик, чтобы решить, каким будет ваше следующее действие? Или вы оставляете все на волю случая и вместо этого используете свою интуицию, эмоции и логические рассуждения?
В процессе разработки нейронной сети для механизма предписывающей аналитики Mirador Health меня поразило прозрение. Крещение, возможно, не лучшее использование этого слова здесь, но я начал спрашивать себя, может ли машинное обучение помочь нам принимать лучшие решения, чем наш собственный человеческий мыслительный процесс (или его отсутствие). Таким образом, я отправился в путешествие по открытию человеческих и машинных ограничений при принятии решений, руководствуясь следующими вопросами:
- Как мы (люди и машины) принимаем решения?
- Какова цель принятия решений и что нам мешает принимать лучшие / лучшие решения?
- Что может сделать человек такого, чего не может сделать машина (и наоборот)?
Бытие / Корень
Как люди, мы заинтересованы в прогрессе, постоянно ищем способы улучшить и усовершенствовать свою жизнь (если вы не согласны с этим утверждением, согласитесь ли вы с этим по-другому?).
Изучение принятия решений является относительно новым в области социальных наук, которое началось в середине 1990-х с изучения того, как организации принимают решения. Несмотря на молодое начало, известные ученые, такие как Даниэль Канеман и Ричард Талер, получили Нобелевские премии за свои исследования в области принятия решений и поведенческой экономики. Для непосвященных эта область исследований в первую очередь заинтересована в понимании того, как и почему мы принимаем определенные решения и как улучшить наши процессы принятия решений.
Отправная точка
Основа для принятия решения зависит от доступности информации, а также от того, как мы ее воспринимаем и понимаем. Для целей этой статьи «информация» включает наш прошлый опыт, интуицию, знания и самосознание.
Мы не можем принимать «хорошие» решения без информации, потому что тогда нам приходится иметь дело с неизвестным и сталкиваться с неопределенностью, которая заставляет нас делать дикие догадки, подбрасывать монеты или кости. Знания, опыт или основные ценности в конкретной ситуации помогают нам иметь четкое представление о том, какими могут быть результаты и как мы можем достичь / избежать этих результатов. Однако принятие решений, основанных на знаниях и опыте из аналогичных ситуаций, может быть опасным, как указано в книге Даниэля Канемана Мышление, быстро и медленно, которую мы обсудим позже.
Поскольку информация помогает нам лучше принимать решения, обязательно ли увеличение объема доступной нам информации помогает нам принимать более правильные решения?
Большие данные = лучшие решения? Размер имеет значение?
Компании очень сильно увлекаются большими данными (по крайней мере, так кажется), собирая как можно больше информации о своих клиентах с целью понимания и прогнозирования поведения своих клиентов для эффективного достижения своих бизнес-целей. Дополнительная информация помогает нам принимать более обоснованные решения, но только до определенного момента. Чтобы информация была полезной при принятии решений, она также должна быть актуальной, а также развивать отношения и понимание. Качество информации так же важно, как и количество.
Но на самом деле самый большой барьер на пути к оригинальности - это не генерация идеи, а ее отбор.
Приведенная выше цитата взята из книги Оригиналы Адама Гранта, научно-популярного бестселлера о том, как генерировать, идентифицировать и продвигать оригинальные идеи. Замените слово идея на данные или информация, и мы увидим, как выбор и анализ правильных данных приводит к пониманию.
Важно иметь правильную информацию для контекста, в котором мы принимаем наши решения, потому что, поскольку мир взаимосвязан, не все связи коррелированы и создают (статистически) значимые отношения для данной ситуации. Было бы пустой тратой времени и энергии смотреть на данные, которые не влияют на результат наших решений. Даже с нейронными сетями, которые способны изучать и обнаруживать закономерности, выходящие за рамки умственных способностей человеческого мозга, обязательно будут точки данных, которые вообще не связаны. Мы также должны помнить, что даже простая корреляция между двумя точками данных не подразумевает причинно-следственной связи. Затем это приводит к выбору точек данных.
Как мы выбираем правильную информацию?
На момент написания ни одна система ИИ не могла выбирать свои собственные точки данных для принятия решений. По крайней мере, пока. Они обрабатывают только те данные, которые были запрограммированы их создателями-людьми.
При выборе точек данных мы должны учитывать, насколько вариативны в контексте принятия решений. Есть ли закономерность или ситуации и результаты случаются случайно? Можем ли мы четко установить причинно-следственную связь решения? Некоторые ситуации сильно различаются, в то время как другие в некоторой степени жесткие, постоянные и предсказуемые. Когда ситуация время от времени не сильно меняется, мы можем использовать предположения, чтобы помочь нам контролировать определенные факторы / точки данных и более эффективно использовать время при обучении нашему машинному обучению.
Я кратко упоминал шаблоны ранее, и чтобы человеческие создатели могли выбрать правильную информацию и точки данных и передать их в ИИ, им необходимо распознавать шаблоны, которые иногда выходят за рамки их собственного человеческого понимания. Большинство людей думают только о последствиях первого порядка, как подчеркивается в книге Рэя Далио Принципы, где по умолчанию они думают только о немедленных последствиях действия. Это ограничение человеческого разума. Нам сложно представить себе, как действие оказывает дальнейшее воздействие, особенно нематериальные воздействия, которые не обнаруживаются нашими органами чувств (читай: непредсказуемо).
Способ преодолеть это человеческое ограничение - использовать вычислительные мощности и память компьютеров, что позволяет нам обрабатывать большие объемы данных. Это дорого и требует много времени, но вы можете выгрузить каждую точку данных, установить коэффициенты и позволить машинному обучению творить чудеса. Результаты не гарантированы, но в этом преимущество компьютеров перед людьми. Люди могут возразить, что мы не понимаем, как ИИ пришел к решению, но разве люди лучше? Я предполагаю, что наше человеческое поведение заключается в поиске логики и рассуждений, хотя у нас самих есть предубеждения и предположения, чтобы прийти к решению.
Цель принятия решения: удовлетворение
Цель принятия решений - максимизировать наше удовлетворение (не путать со счастьем) или полезность, как бы их назвали экономисты. Я заимствую экономическую модель максимизации полезности, которая гласит:
Потребители решают распределить свои денежные доходы [выбор / свобода воли] так, чтобы последний доллар [решение], потраченный на каждый приобретенный продукт [вариант], давал такое же количество дополнительной предельной полезности.
Если бы люди не заботились о том, чтобы добиться наилучшего результата от своих решений, каждый бы просто подбросил монетку и согласился бы с любой полезностью, которую им оказали. Представьте себе мир, в котором никто не несет ответственности за свои действия. Победа будет менее сладкой на вкус, а неудача - чрезвычайно горькой (зависит от того, как вы ее видите). Однако, как и во всех моделях, есть несколько предположений. Мы предполагаем, что:
а. Люди действуют на основе рационального поведения
б. Все наши предпочтения [желания / потребности] известны и измеримы
c. У нас есть цены [стоимость каждого варианта]
d. У нас ограниченный бюджет [ограниченное количество попыток]
На протяжении большей части нашей жизни эти четыре предположения редко применяются при принятии решений.
а. Люди, как известно, принимают иррациональные решения на основе эмоций и когнитивных предубеждений.
б. Мы не всегда знаем, чего хотим и когда. , мы плохо понимаем, насколько сильно мы хотим их и сколько удовлетворения / полезности мы получим от этого (гедонистическая адаптация).
c. Мы не всегда узнаем истинную цену наших действий до тех пор, пока не произойдет их выяснение.
d. Одно можно сказать наверняка: у нас есть ограниченное количество попыток в игре жизни.
Почему мы не принимаем оптимальных решений
Сможете угадать, сколько решений вы принимаете за день?
.
.
.
Консенсус Google (этот термин следует придумать как законный, если более 10 источников цитируют один и тот же факт) гласит, что средний человек принимает 35 000 решений в день.
Из этого числа многие решения принимаются быстро интуицией или подсознанием в результате многих часов практики или воздействия, в то время как оставшиеся немногие требуют внимательного и сосредоточенного обдумывания. Даниэль Канеман классифицировал эти два «способа мышления» как Систему 1 и Систему 2.
В своей книге Думай, быстро и медленно Канеман описывает роль Системы 1 и ее взаимосвязь с Системой 2:
Система 1 [создает] без особых усилий впечатления и чувства, которые являются основными источниками явных убеждений и преднамеренного выбора Системы 2. Автоматические операции Системы 1 генерируют удивительно сложные шаблоны идей, но только более медленная Система 2 может создавать мысли в упорядоченная серия шагов
Наша Система 1 является причиной того, что мы принимаем не самые лучшие решения.
Природа всегда ищет путь меньшего сопротивления. Мы, когда это возможно, делаем умственные сокращения с помощью предубеждений и эвристики (как это определено в поведенческой экономике и психологии) и склонны позволять эмоциям преобладать над нашей рациональностью. Это унаследованная биологическая характеристика, которая помогала нашим предкам выжить и избежать опасности, но теперь она является помехой в сегодняшнем мире, где решения требуют трудоемкого рационального мышления.
Как мы оказались с этими когнитивными искажениями, всего их 188? Эти предубеждения развиваются на основе нашего опыта и понимания мира (обычно формируются нашими родителями, сверстниками, средствами массовой информации и образовательными учреждениями), а также могут быть обнаружены в нашем генетическом коде (выброс нейрохимических веществ, таких как эндорфины, серотонин, дофамин, и т. д. при ответе на раздражители).
По этой логике, не должны ли мы создавать машины, лишенные когнитивных предубеждений и Системы 1, чтобы принимать более правильные решения и повышать нашу полезность (удовлетворение)?
Возможно. Основываясь на четырех предположениях модели максимизации полезности, машины могут устранять иррациональное поведение и эмоции, четко понимают, чего они пытаются достичь, имеют практически неограниченное количество попыток с помощью моделирования и даже знают истинную стоимость каждого решения. Однако все это зависит от доступности и качества данных, используемых для обучения / сборки этих машин.
Противостояние: люди против машин
Теперь, когда мы рассмотрели основы принятия решений, давайте исследуем и сравним ограничения и возможности людей и машин в принятии решений.
Что делает нас людьми
При сравнении себя с другими видами / машинами неизбежно возникает вопрос о том, что делает нас людьми.
По моему скромному мнению, то, что делает нас уникальными людьми, - это стойкий дух, позволяющий адаптироваться перед лицом неопределенности и невзгод. Как бы нам ни хотелось думать о себе как о «экспертах» в прогнозировании будущего (погода, экономика и т. Д.), Правда такова:
Мы не знаем того, чего не знаем. - Дональд Рамсфельд
Единственный способ выжить и продолжить выживать в этом нестабильном мире, где все меняется все более быстрыми темпами, - это быстро адаптироваться. В современном мире не применяется выживание наиболее приспособленных, а скорее выживание тех, кто быстрее всего адаптируется.
Машины обычно нуждаются в более чем одном событии, чтобы узнать и изменить свое решение. Есть китайская поговорка 一朝 被 蛇咬 ， 十年 怕 草绳, которая означает, что люди научатся избегать змей и всего, что напоминает змею (когнитивное предубеждение), сразу после одного укуса змеи. Людям не нужно (или позволить себе такую роскошь) повторять ошибки несколько раз, чтобы учиться и принимать более правильные решения. Нам нужно быстро адаптироваться.
Это не самый сильный из видов, который выживает, но самый адаптируемый - Леон К. Меггинсон.
Люди также обладают интеллектуальными способностями к развитию этики, морали и ценностей, которых нет у машин (по крайней мере, пока нет. Никогда не исключайте невозможное).
Большинство алгоритмов машинного обучения в настоящее время запрограммированы на принятие решений на основе последствий, а не этики или ценностей. Философы и психологи (люди) по-прежнему нужны для разработки этического ИИ. В Originals Адам Грант обнаружил, что оригиналы (творцы, отвергающие статус-кво) склонны принимать решения, основанные на логике целесообразности, а не логике последствий. Смогут ли машины делать то, что правильно / целесообразно, и рисковать, чтобы противостоять несправедливому авторитету?
Тогда возникает вопрос: как преобразовать наши ценности и принципы в последствия, чтобы машины могли их обрабатывать? (Я использую слово «процесс», потому что машины не могут понимать и извлекать значение) Возможно ли или необходимо ли это вообще?
Преимущество машины (дис)
Может ли машинное обучение помочь нам принимать лучшие решения? Возможно, для любого результата, который обычно распределяется, например, рост, вес, количество пройденных миль. Машинное обучение может предсказывать (неслучайные) результаты и предлагать решения, но возникает вопрос, насколько предсказуемым является мир? Мы не предсказывали 11 сентября или бума доткомов. Смогут ли алгоритмы предсказать следующее событие, которое изменит жизнь, и принять решение об изменении хода истории?
Есть факторы, которые находятся вне нашего контроля после принятия решения, то есть то, что происходит между причиной и следствием, что повлияет на результат. Причина и следствие не являются линейными отношениями, если мы не проводим эксперименты в контролируемой среде, а реальность такова, что Вселенная случайна и хаотична (смотрите: энтропия). Я готов рискнуть и сказать, что алгоритмы машинного обучения, возможно, не смогут предсказать следующее случайное событие с большей точностью, чем это мог бы сделать человек. Тем не менее, когда дело доходит до неслучайных и повторяющихся событий, машины превосходят нас, людей, по скорости и точности.
Кроме того, машины лучше (и быстрее) в повторяющихся играх. Компания Google Deep Mind смогла победить лучшего игрока в го, проанализировав сотни тысяч игр в настольной стратегической игре го, чтобы узнать, какой ход сделать в той или иной ситуации. Людям потребуются годы обучения и практики (возможно, около 10 000 часов, согласно Малкому Гладуэллу в его книге Outliers), чтобы изучить такой объем материала.
Это ни в коем случае не исчерпывающее сравнение, и вы можете добавить больше в комментариях.
Что я узнал?
Цель этой статьи не в том, чтобы сделать вывод, лучше ли люди или машины в принятии решений, а в исследовании подходов к принятию решений.
При написании этой статьи я столкнулся с большим количеством вопросов, чем ответов, и получил удовольствие от всего процесса открытия того, как работает мозг. Я не могу сказать, что буду принимать правильные решения после написания этой статьи, но я нашел способ найти способы принимать более правильные решения, а именно: часто задавать сложные вопросы, которые бросают вызов моей существующей системе принятия решений.
Пробуждение вашего мышления помогает вам адаптироваться к различным ситуациям и подавлять когнитивные предубеждения (особенно предвзятость подтверждения). Конечно, не бросайте вызов своему мышлению, когда вас преследует находящийся под угрозой исчезновения суматранский носорог. Доберитесь до безопасности, а затем подумайте о своем процессе принятия решений.
Вот как я планирую бросить вызов своему собственному мышлению: быть открытым для конфликтов и разногласий, искать случайности и дискомфорта, быть готовым доказать свою неправоту и находить удовлетворение в процессе принятия решений, а не в результате.
Вот несколько книг, которые я прочитал и настоятельно рекомендую всем, чтобы улучшить их принятие решений:
- Мыслить, быстро и медленно, Даниэль Канеман
- Достоверность, Ханс Рослинг
- Черный лебедь, Николас Нассим Талеб
- Искусство ясно мыслить, Рольф Добелли
Спасибо, что дочитали до конца! Если вы узнали что-то новое, у вас возник сложный вопрос или вы хотите оставить свои 2 цента, поделитесь ими со мной в комментариях.
Всегда совершенствуется,
Мин Сян Ли
