Представьте, что вы поднялись на холм рано утром, и вдруг погода изменилась! Уже не солнечно и ясно, зато над головой окутал густой туман. Вы напуганы, у вас заканчивается вода, и вам нужно найти способ вернуться вниз. Вы абсолютно не представляете, где находитесь, и можете только осматриваться в непосредственной близости, может быть, на 3–4 фута вокруг себя. Вы также потеряли телефонный сигнал, который в любом случае был бы бесполезен, поскольку вы не могли никому сказать, где находитесь. Единственное, что вы знаете наверняка, - это то, что холм никогда не бывает крутым, и вы знаете, что туман, вероятно, уляжется, и ваш телефонный сигнал вернется, когда вы достигнете где-то близко к уровню земли. Что бы вы сделали? Как бы вы спустились и благополучно добрались до дома?

Один из очевидных способов справиться с этой проблемой - осмотреться в непосредственной близости и попытаться найти направление, которое быстрее всего приведет вас под гору. Вы не упадете (холм не крутой!), И даже если будет несколько неправильных поворотов и несколько откатов, вы в конечном итоге доберетесь где-то на уровне земли. Оказавшись на земле, вы, вероятно, сможете заставить свой GPS или телефон работать и позвать кого-нибудь на помощь.

Обсуждаемый выше метод - это, по сути, суть градиентного спуска. Градиентный спуск - это, по сути, алгоритм оптимизации, который широко используется в машинном обучении и глубоком обучении. С технической точки зрения, любая многомерная функция F, которая определена и дифференцируема в точке p,, тогда функция уменьшается быстрее всего, если она переходит от p в направление отрицательного градиента F в точке p. Это аналогично тому, как вы пытаетесь спуститься по крутому склону в приведенном выше примере. Существует также дополнительный параметр, который определяет, насколько большой шаг алгоритм делает в каждом раунде, и общепринятая мудрость заключается в том, чтобы не устанавливать этот параметр слишком высоким или слишком низким.

Хотя градиентный спуск сам по себе является удивительным алгоритмом оптимизации, эта статья представляет собой скорее философское размышление о том, какие уроки мы можем извлечь из градиентного спуска о принятии решений в условиях неопределенности в целом. Одно действительно интересное наблюдение состоит в том, что можно легко смоделировать большинство жизненных ситуаций как попытку найти локальный оптимум в многомерном ландшафте.

По сути, думайте о любом моменте своей жизни. Вы находитесь в состоянии X и, вероятно, хотите улучшить это состояние. Может быть, вы хотите улучшить свое финансовое положение, или, может быть, вы хотите изучить новый навык, или, может быть, вы хотите избавиться от своей зависимости от мороженого (или чего-то еще). По сути, вы можете думать о жизни как о сценарии, в котором вы как бы хотите постоянно улучшать свое состояние, основываясь на вашем личном определении «улучшения».

В основном вы можете определить свое текущее состояние X на основе n различных параметров (например, упомянутых выше, представленных в виде n-мерного вектора) и следующего состояния Y как аналогичный n-мерный вектор. Наконец, у вас будет своего рода «оценка» вашей успеваемости на основе этих параметров (скажем, S (X) и S (Y)), и обычно вы хотите, чтобы S (Y) было строго больше, чем S (X ).

Теперь я знаю, что некоторые из читателей могут съежиться при мысли о попытке вычислить функцию оценки для действительно абстрактной вещи, такой как «личная жизненная ситуация». Но дело в том, что не нужно слишком конкретизировать оценку как фактическое число, скорее можно сопоставить ее с интуитивным пониманием «где я нахожусь», которое, как правило, имеет большинство самосознательных людей. И нет необходимости в действительной числовой оценке, пока есть интуитивное ощущение того, лучше или хуже, чем в предыдущем состоянии.

И с этой точки зрения мы можем подходить к неопределенным жизненным ситуациям очень похожими способами, особенно в сценариях, в которых человек может не иметь хорошего представления об окружающем ландшафте (одно отличие состоит в том, что это скорее подъем, чем спуск, но это просто техническая сторона вопроса. ). Несмотря на то, что это может показаться довольно нелогичным для людей, которым сложно принимать решения с неполной информацией, часто просто предпринять любой шаг, который локально улучшает ваше текущее состояние, само по себе очень хороший способ действовать против неуверенность. При неполном понимании ситуации, в которой вы находитесь, это часто самый оптимальный способ добиться конструктивного прогресса, не совершая серьезных ошибок и не принимая на себя больших и ненужных рисков.