Чарлз Дахигг – Восемь правил эффективности (страница 39)
Говард выбывает из игры.
Энни вскакивает со стула и обнимает брата.
– Мне очень жаль, Говард, – шепчет она и, всхлипывая, выбегает из студии.
– Все нормально, – говорит Говард, найдя ее в холле. – Просто побей Фила.
«Вы должны научиться жить с этим, – позже сказал мне Говард. – Я только что прошел через это с собственным сыном. Он подал заявления в несколько колледжей и страшно нервничал. В итоге мы составили список из двенадцати школ, разделив их на три группы. В школы из первой группы он попадал наверняка, из второй группы – 50 на 50, а из третьей группы – с большой натяжкой. Потом мы сели и начали рассчитывать вероятности».
Проанализировав статистику, которую эти школы публиковали в интернете, Говард и его сын рассчитали вероятность попадания в каждый из колледжей. Затем они сложили все вероятности вместе. Это была довольно простая математика, доступная даже магистру английского языка, при условии, конечно, что он умеет пользоваться Гуглом. Они выяснили, что шанс попадания по меньшей мере в одну школу равнялся 99,5 %, а шанс попадания в хорошую школу превышал 50 %. К сожалению, вероятность того, что сын Говарда попадет в одну из престижных школ, которые ему так понравились, оказалась весьма невелика. «Это было печально, но, посмотрев на цифры, он немного успокоился, – сказал Говард. – Возможно, он не попадет туда, куда хочет, но уж куда-нибудь его точно возьмут».
«Вероятности ближе всего к предсказаниям, – пояснил Говард. –
Глава 3
В конце 1990-х годов профессор когнитивистики из Массачусетского технологического института по имени Джошуа Тененбаум приступил к масштабным исследованиям: ученый хотел знать, каким образом обыкновенные люди делают повседневные прогнозы. Каждый день мы сталкиваемся с десятками вопросов, ответить на которые невозможно без той или иной степени прогнозирования. Допустим, нам нужно прикинуть, как долго продлится собрание, или выбрать маршрут с минимальным количеством пробок, или решить, куда поехать отдыхать всей семьей: на океан или в «Диснейленд». Размышляя о подобном, мы делаем прогнозы, приписывая вероятности различным исходам. Возможно, мы этого не осознаем, но мы мыслим сквозь призму вероятностей. Как наш мозг это делает?
Специальностью Тененбаума была вычислительная когнитивистика – в частности, сходства в процессах обработки информации, свойственных компьютеру и человеку[229]. По сути, компьютер представляет собой детерминированный автомат. Он, конечно, может спрогнозировать, что предпочтет ваша семья (пляж или «Диснейленд»), но только при одном условии: если вы дадите ему четкую формулу для сравнения достоинств пляжных забав и парков развлечений. Человек, напротив, может принять решение даже в том случае, если он никогда раньше не ездил ни на океан, ни в Волшебное Королевство. Основываясь на предыдущем опыте, наш мозг, скорее всего, сделает примерно такой вывод: раз дети вечно ноют «на лоне природы» и обожают смотреть мультфильмы, все получат больше удовольствия от встречи с Микки и Гуфи.
«Каким же образом наш мозг извлекает столь многое из столь малого? – пишет Тененбаум в статье, опубликованной в журнале „Science“ в 2011 году. – Любой родитель знает, и ученые это подтвердили, что типичные двухлетние дети понимают, как правильно употреблять новое слово, например „лошадь“ или „расческа“, увидев всего несколько примеров»[230]. Для двухлетнего ребенка лошадь и щетка для волос имеют много общего. На картинках у обеих длинное тело с серией прямых линий, торчащих наружу – в одном случае это ноги, во втором – щетинки. И те, и другие бывают разных цветов. И все же, несмотря на то, что ребенок, возможно, видел только одну фотографию лошади и пользовался только одной расческой, он может быстро понять разницу между этими словами.
Компьютер, напротив, нуждается в подробных инструкциях, когда следует употреблять «лошадь», а когда «расческа». Ему требуется особая программа, в которой будет четко оговорено, что четыре ноги увеличивают шансы на лошадиность, а сто щетинок повышают вероятность расчески. Ребенок производит такие расчеты раньше, чем строит предложения. «С точки зрения оперирования сенсорной информацией это подвиг, –
Другими словами, почему мы так хорошо умеем прогнозировать определенные типы событий – и, таким образом, принимать оптимальные решения, – если мы практически ничего не знаем о всех потенциальных обстоятельствах?
Чтобы ответить на этот вопрос, Тененбаум и его коллега Томас Гриффитс провели любопытный эксперимент. Они прочесывали интернет, собирая данные по различным категориям предсказуемых событий, – например, сколько денег соберет фильм в прокате, какова продолжительность жизни среднего человека, сколько времени печется пирог. Интерес к такого рода вопросам объяснялся просто: если для каждого из них построить свой график, то он будет иметь строго определенный вид. Кассовые сборы, например, обычно подчиняются базовому правилу: каждый год выпускают несколько блокбастеров, которые приносят огромную прибыль, и множество фильмов, которые оказываются убыточными.
В математике это называется «степенным распределением». Если доходы от всех кинофильмов, выпущенных в том или ином году, представить на одном графике, то он будет выглядеть так:
Сборы в прокате
Графики других типов событий выглядят иначе. Возьмем продолжительность жизни. Шансы умереть достаточно высоки в момент рождения – некоторые младенцы погибают, едва появившись на свет, – но если ребенок благополучно прожил первый год, то, скорее всего, он проживет еще несколько десятков лет. После 40 лет шансы умереть начинают повышаться. После 50 лет вероятность смерти резко возрастает с каждым годом, достигая максимума примерно в 82 года. Это и есть средний возраст смерти.
Продолжительность жизни придерживается нормальной, или гауссовой, кривой распределения. График выглядит так:
Продолжительность жизни
Большинство людей интуитивно понимают: для прогнозирования различных видов событий нужны разные виды рассуждений. Мы знаем, что кассовые сборы и продолжительность жизни требуют разных типов оценок, даже если нам ничего не известно о медицинской статистике или тенденциях в индустрии развлечений. Тененбаум и Гриффитс хотели выяснить, откуда берутся эти интуитивные знания. Поэтому они выбрали события с четкими закономерностями: от кассовых сборов и продолжительности жизни до средней длины стихотворений, продолжительности карьеры конгрессмена (которая придерживается распределения Эрланга) и времени пребывания пирога в духовке (которое лишено четко выраженных закономерностей)[232].
Затем они попросили сотни студентов предсказать будущее на основании одного фрагмента данных:
Вы читаете о фильме, который собрал на сегодняшний день 60 миллионов долларов. Сколько он соберет в итоге?
Вы встречаете человека, которому 39 лет. Как долго он или она будет жить?
Пирог печется уже 14 минут. Сколько времени он должен оставаться в духовке?
Вы встречаете американца, который является членом конгресса уже 11 лет. Сколько лет он прослужит в конгрессе в общей сложности?[233]
Никакой дополнительной информацией студенты не располагали. Им ничего не рассказали ни о степенном распределении, ни о кривых Эрланга. Их просто попросили сделать прогноз, основанный на одном фрагменте данных без каких-либо подсказок касательно типов вероятностей.
И все же прогнозы участников оказались поразительно точны. Они знали, что фильм, который собрал 60 миллионов, – это блокбастер, который, скорее всего, соберет еще 30 миллионов. Интуиция подсказывала им, что человек, которому стукнул четвертый десяток, вероятно, проживет еще лет 50. Они догадывались, что конгрессмен, который находился у власти в течение 11 лет, наверняка прослужит еще лет шесть или около того: несмотря на то, что длительный срок пребывания в должности дает свои преимущества, даже видные законодатели могут пострадать от новых политических веяний.
В ответ на заданные вопросы лишь немногие из участников сумели описать логику, которой они пользовались при прогнозировании. Они просто давали те ответы, которые казались правильными. В среднем их прогнозы зачастую отличались от правильного ответа менее чем на 10 %. На самом деле, когда Тененбаум и Гриффитс графически представили все предсказания студентов по каждому вопросу, полученные кривые распределения почти идеально соответствовали реальным закономерностям, которые обнаружили профессоры в данных из интернета.
Кроме того, каждый студент интуитивно понимал, что различные виды предсказаний требовали различных видов рассуждений. Это было очень важно. Они понимали – хотя и не обязательно осознавали почему, – что продолжительность жизни имеет форму нормальной кривой, тогда как кассовые сборы, как правило, подчиняются степенному закону.
Некоторые исследователи называют эту способность интуитивно улавливать закономерности «байесовским мышлением» или «байесовской психологией». Дело в том, что для подобных прогнозов компьютер использует ту или иную