Часть II. Принятие решений

Под принятием решений обычно подразумевают нечто важное: покупать ли дом, куда пойти учиться, вступать ли в брак. Несомненно, что такие шаги играют в жизни важную роль, но раздумывать над ними приходится нечасто.

Мы постоянно совершаем менее значимый выбор: остаться ли сидеть в кресле, продолжать ли идти вперед по улице, оплачивать ли ежемесячный счет. Как утверждала популярная канадская группа Rush в гимне свободе воли, «если отказываешься принимать решения, это тоже решение». Большинство мелких решений принимаются автоматически, как правило, по умолчанию, чтобы сохранить ресурсы для важного выбора. При этом решить ничего не решать – тоже решение.

Принятие решений лежит в основе любой деятельности. Школьные учителя решают, как учить детей, каждый из которых обладает собственной индивидуальностью. Менеджеры решают, кого нанимать в команду и кого повышать. Работники жилищно-эксплуатационных контор решают, как поступать в случае протечки канализации или угрозы безопасности жильцов дома. Водители грузовиков решают, что делать, если перекрыта трасса или произошло ДТП. Полицейские выбирают, как действовать по отношению к подозрительным личностям или при поступлении сигнала об опасности. Врачи решают, какое лекарство прописать, когда и как его назначать, какие необходимы медицинские обследования. Родители решают, сколько часов в день дети могут проводить за компьютером.

Такие решения, как правило, приходится принимать в условиях неопределенности. Учитель не знает наверняка, станет конкретный ребенок учиться лучше по одной или другой методике. Менеджер не уверен, насколько хорошо будет работать нанятый им сотрудник. Доктор неточно знает, необходимо ли дорогостоящее обследование. Все люди вынуждены прогнозировать.

Но прогноз – не решение. Чтобы принять решение, следует вынести суждение о прогнозе последующих действий. До недавнего прогресса машинного интеллекта данное разделение этапов интересовало только ученых, потому что люди всегда прогнозировали и судили одновременно, но сегодня развитие машинного прогнозирования привело нас к необходимости выяснить анатомию решений.

Влияние прогностических машин ощутимее всего на уровне решений. Но у них еще шесть ключевых составляющих (рис. 5.1). Когда кто-то (или что-то) принимает решение, то использует входные данные из окружающей обстановки, позволяющие сделать прогноз. Этот прогноз стал возможным вследствие обучения, из которого известно об отношениях между разными типами данных и о том, какой из них ближе всего к рассматриваемой ситуации. Объединив суждение о ней с прогнозом, принимающий решение выбирает действие. Оно ведет к результату (положительному или отрицательному). Результат есть следствие решения, он необходим для завершения картины. Также результат дает обратную связь, полезную для улучшения последующих решений.

Рис. 5.1. Анатомия решений

Представьте, что у вас заболела нога и вы пошли к врачу. Он осмотрел вас, сделал рентген, взял анализ крови, задал несколько вопросов – собрал входные данные. С их учетом, а также опираясь на полученные во время обучения знания и опыт лечения пациентов с похожими симптомами (обучающие данные и данные обратной связи), врач делает прогноз: «Скорее всего, у вас мышечные судороги, хотя есть и небольшая вероятность тромба».

Суждение осуществляется одновременно с анализом. Врач принимает во внимание и другие данные (в том числе интуицию и опыт). Если предположить мышечные судороги, то для выздоровления вам нужен покой. Если же симптомы указывают на тромбоз, необходимо другое лекарство без долговременных побочных эффектов, но у большинства пациентов его прием сопровождается незначительным недомоганием. Если врач ошибется и предложит лечить мышечные судороги лекарством от тромбоза, то вы зря пострадаете от несущественных побочных эффектов. Если же у вас тромб, а доктор пропишет вам отдых, вас могут ждать более серьезные последствия вплоть до фатальных. В суждении сопоставляются положительные и отрицательные стороны всех возможных результатов, являющихся следствием как верных, так и ошибочных решений (в данном случае это исцеление, побочные эффекты и серьезные осложнения). Определение положительных и отрицательных сторон всех возможных результатов необходимо, чтобы выбрать между медикаментозным лечением (которое принесет временный дискомфорт, зато снизит риск серьезных осложнений) и покоем.

Применив суждение к прогнозу, врач решает, вероятно с учетом вашего возраста и исходя из возможных рисков, назначить вам покой для лечения мышечной судороги, несмотря на минимальную вероятность тромбоза.

Далее следует действие – назначение лекарства и отслеживание результата: ушла ли боль в ноге, и не появились ли другие симптомы. Свои наблюдения врач сможет использовать для последующих прогнозов.

Разбивая решение на составляющие, мы получаем четкое представление о том, ценность какой деятельности человека снизится, а какой – повысится в результате внедрения машинных прогнозов. Что касается собственно прогнозов, то очевидно, что машины в целом справляются с ними лучше человека. И поскольку машины все чаще делают прогноз вместо людей, ценность человеческих прогнозов снижается. Но главный вывод в том, что прогноз представляет собой ключевой, но не единственный компонент любого решения, в остальных (суждение, данные и действие) уверенное преимущество остается за человеком. Составляющие решения дополняют прогноз, то есть их ценность повышается с его удешевлением. Например, мы готовы приложить усилия к вынесению суждения в случаях, когда раньше предпочитали не решать что-либо (то есть принимали все по умолчанию), потому что прогностические машины делают прогноз лучше, быстрее и дешевле. Вот почему спрос на суждения человека растет и продолжит расти.

Чтобы стать водителем знаменитых лондонских черных такси (Black Cab), претенденты проходят тест. Проверяется их знание тысяч мест и улиц города и – самое сложное – умение прогнозировать кратчайший или быстрейший путь между любыми двумя точками в любое время суток. Трудно представить себе объем такой информации даже для маленького города, а Лондон огромен. Он состоит из множества районов, которые раньше были отдельными городами и деревнями, но за последние две тысячи лет срослись в гигантский мегаполис. Чтобы пройти тест, будущий водитель должен правильно ответить на все вопросы. Неудивительно, что в среднем для этого требуется три года, и все это время необходимо не только изучать карты, но еще и кататься по городу и все запоминать. Пройдя тест и получив зеленый значок, таксист становится кладезем знаний.

Уже понятно, к чему мы клоним. Десять лет назад знания лондонских таксистов были их конкурентным преимуществом, никто не мог сравниться с ними по качеству услуг. Даже если можно было дойти пешком, люди садились в такси, потому что водители знали дорогу лучше. Но пять лет назад простейшие мобильные GPS-устройства (или спутниковые навигационные системы) дали всем водителям доступ к данным и прогнозам, которыми раньше владели только таксисты. Сейчас любой получает эти преимущества бесплатно в мобильном телефоне. Заблудиться просто невозможно, каждый знает кратчайший путь. А телефоны обошли преимущества такси, потому что в реальном времени обновляют информацию о загруженности дорог.

Таксисты три года корпели над сдачей теста, не подозревая, что им придется состязаться с прогностическими машинами. Они «загрузили» карты в собственную память и протестировали маршруты, а если чего-то не знали, такие проблемы компенсировались смекалкой. Сейчас у навигаторов есть доступ к тем же картам, а алгоритмы и прогностическое обучение позволяют им в любой момент выбрать оптимальный маршрут с учетом прежде недоступных таксистам данных по обстановке на дорогах.

Судьба лондонских таксистов зависит не только от способности навигаторов прогнозировать, но и от других элементов, необходимых для выбора оптимального пути из пункта А в пункт Б. Во-первых, таксист полностью контролирует автомобиль. Во-вторых, у него есть свои «датчики» – глаза и уши, – через которые в мозг поступают контекстные данные, благодаря чему он правильно применяет свои знания. Но все это есть и у других людей. Ни один таксист не стал хуже водить из-за навигаторов – наоборот, непрофессиональные водители стали ездить лучше. Знания таксистов перестали принадлежать только им, и у них появились конкуренты на таких платформах, как Uber.

Обычные водители обрели знания с помощью мобильных телефонов, а с прогнозом кратчайших путей смогли предоставлять услуги аналогичного уровня. Качественный машинный прогноз недорог, а человеческий упал в цене, поэтому таксисты пострадали. Количество поездок на лондонских такси снизилось из-за наплыва конкурентов. Они тоже обладали навыками вождения и человеческими «датчиками» – дополнительные ресурсы, поднявшиеся в цене с удешевлением прогнозов.

Разумеется, вероятно, что в конце концов на смену всем придут беспилотные автомобили, но к этому мы еще вернемся. Суть в том, что для понимания последствий распространения машинного прогноза требуется знать различные аспекты принятия решений, описанные в их анатомии.

До этого момента мы не совсем точно определяли суждение. Попробуем объяснить его с помощью инструмента для принятия решений – дерева решений. Оно особенно пригодится для условий неопределенности, когда вы не уверены в последствиях своего выбора.

Для примера рассмотрим привычную ситуацию. Взять ли зонтик, отправляясь на прогулку? Все знают, что такое зонтик – штука, которую держат над головой, чтобы не промокнуть, но в данном случае это еще и своего рода страховка от дождя. Итак, для всех касающихся страховки решений для снижения риска применяется следующая схема.

Рис. 5.2. Брать ли зонтик?

Конечно, если вы уверены, что дождь не пойдет, то оставите зонтик дома. Если же точно знаете, что пойдет, то возьмете с собой. На рис. 5.2 этот процесс представлен в древовидной диаграмме. У основания дерево расходится на ветви: «взять зонтик» и «оставить зонтик». От них отходят еще две ветви, описывающие то, в чем вы не уверены: «дождь» и «ясно». Без прогноза погоды вы об этом не узнаете, но, возможно, заметили, что в это время года вероятность ясной погоды в три раза выше дождя. Мы готовы приложить усилия к вынесению суждения в случаях, когда раньше предпочитали не решать (то есть принимали все по умолчанию).

В трех случаях из четырех будет ясно, а в одном – дождь. Это ваш прогноз. И, наконец, последствия представлены на кончиках ветвей. Если не взять зонт и пойдет дождь, вы промокнете и т. д.

Какое решение принять? Здесь поможет суждение, то есть процесс определения вознаграждения за конкретное действие в конкретных обстоятельствах. Нужно выяснить, какую цель вы преследуете. Для вынесения суждения следует задать так называемую функцию вознаграждения, сопоставить положительные и отрицательные результаты конкретных действий, приводящих к конкретным исходам. Промокнуть или нет? Обременять себя тяжелым зонтом или нет?

Предположим, вы хотите не промокнуть и не брать зонт (присваиваете этому варианту рейтинг 10 из 10), а не просто не промокнуть, но лучше возьмете зонт (8 из 10), чем промокнете (однозначно 0; рис. 5.3). Этих данных достаточно для выбора действия.

Рис. 5.3. Брать или не брать зонтик: средняя отдача

С вероятностью дождя 1:4 и суждением о том, чтобы промокнуть или нести зонтик, вы можете просчитать усредненную отдачу от двух вариантов – брать или не брать зонтик. Исходя из этого получается, что лучше его взять (средняя отдача 8), чем оставить (средняя отдача 7,5).

Если таскать с собой зонт совсем неохота (6 из 10), все равно можно вынести суждение о предпочтениях. В случае если вы не захватите с собой зонт, средняя отдача останется прежней (7,5), но, если возьмете, она составит уже 6. Ненавистники зонтиков оставят их дома.

Пример, конечно, пустяковый: понятно, что люди, предпочитающие промокнуть, лишь бы не тащить с собой зонт, оставят его дома. Но такое дерево решений пригодится и для расчета средней отдачи для нетривиальных решений, поскольку суждение в них особенно важно. Здесь действие – взять зонтик, прогноз – дождь или ясно, исход – промокнуть или нет, а суждение – насколько вы будете довольны («отдача») промокнуть или не промокнуть, с зонтиком или без него.

Прогнозы становятся лучше, быстрее и дешевле, мы чаще будем пользоваться ими для принятия решений, поэтому нам понадобится больше человеческих суждений, и, следовательно, их ценность возрастет.

• Прогностические машины представляют собой ценность:

• потому что почти всегда дают более точный, быстрый и дешевый прогноз, чем люди;

• прогноз есть ключевая составляющая принятия решений в неопределенности;

• решения принимаются повсеместно в экономической и частной жизни.

• Однако сам по себе прогноз – не решение, а только одна из его составляющих; остальные – суждение, действие, исход и три типа данных (входные, обучающие и обратной связи).

• Разбив решение на составляющие, мы можем проследить влияние прогностических машин на ценность человека и других ресурсов. Ценность аналогов прогностических машин, а именно человеческих прогнозов, будет снижаться. При этом ценность других составляющих, таких как навыки человека в сборе данных, вынесении суждения и совершении действий, будет расти. Лондонские таксисты вложили три года в получение знаний – необходимых для прогноза кратчайшего пути из одной точки в другую в конкретное время суток, – и их профессионализм с появлением прогностических машин никуда не делся. Но и другие водители теперь могут выбирать оптимальный маршрут с помощью прогностических машин. Прогностические навыки таксистов больше не являются дефицитным ресурсом. А навыки вождения и человеческие «датчики» (глаза и уши) были и у других водителей, а сейчас стали эффективнее благодаря прогностическим машинам, что привело к росту конкуренции.

• Суждение заключается в определении относительной отдачи для всех возможных исходов решений, как «верных», так и ошибочных. Суждение представляет собой необходимый этап принятия решений и требует уточнения преследуемой цели. Поскольку прогностические машины выдают все более точные, быстрые и дешевые прогнозы, ценность человеческих суждений будет расти вследствие повышения спроса.