Восемь правил эффективности - Страница 116

116

227

В ответ на электронное письмо, призванное исключить фактические ошибки, Говард Ледерер писал: «Я бы сказал, что в этой ситуации шансы, что пара семерок будет лучшей до флопа, приближаются к 90 %. Согласен, эту руку все сыграют одинаково: все деньги в банк до флопа. После того как мы поставили все деньги, я становлюсь явным фаворитом, причем с большим отрывом. В этом [и кроется] уникальная особенность холдема. Если ваша рука чуть лучше, чем рука соперника, вы получаете огромное преимущество. В 81 % случаев 7–7 бьет 6–6».

228

В ответ на электронное письмо, призванное исключить фактические ошибки, Говард Ледерер писал: «Не очень-то просто выбрать профессию, которая предполагает, что вы будете проигрывать чаще, чем выигрывать. Сосредоточьтесь на долгосрочной перспективе. Если вместо 5 к 1 вам несколько раз предложат 10 к 1, то в конечном итоге вы останетесь в плюсе. Правда, вы должны понимать, что при этом проиграете 5 раз из 6».

229

В электронном письме, полученном в ответ на заданные вопросы, Тененбаум описал свои исследования следующим образом: «Довольно часто все начинается с кажущейся пропасти между человеком и компьютером. Люди превосходят стандартные компьютеры благодаря интуитивным догадкам, которые на первый взгляд не имеют ничего общего с вычислениями… Мы стараемся устранить эту пропасть. Для этого мы должны доказать, что в основе интуитивных догадок лежат те же вычисления. Поняв, как это происходит, мы сможем реализовать аналогичные механизмы в машине и сделать ее более умной, более человекоподобной».

230

Joshua B. Tenenbaum et al., «How to Grow a Mind: Statistics, Structure, and Abstraction», Science 331, № 6022 (2011): 1279-85.

231

Там же.

232

В электронном письме, полученном в ответ на заданные вопросы, Тененбаум подчеркнул, что многие их примеры носили достаточно сложный характер. «Форму кривой прогнозов, – писал он, – определяет сочетание четырех факторов: 1) априорное распределение вероятностей плюс 2) определенное предположение о времени выборки („вероятность“), 3) байесовские корректировки апостериорного распределения с учетом априорного распределения и 4) использование 50-го процентиля апостериорного распределения в качестве основы для прогноза. В нашей простой модели только (1) варьирует в зависимости от области – фильмы, палата представителей, продолжительность жизни и т. д. – тогда как (2–4) одинаковы для всех задач. Но именно этим причинным процессам (которые изменяются в разных областях) вкупе с остальными статистическими вычислениями (которые всегда одинаковы) кривые прогнозов и обязаны своей формой».

233

Выше приведено краткое изложение вопросов. Точные формулировки таковы: «Представьте, что вам рассказывают о фильме, который собрал 60 миллионов долларов в прокате, но вы не знаете, как долго он шел в кинотеатрах. Каков будет ваш прогноз относительно общих кассовых сборов этого фильма?»; «Страховые агентства пользуются услугами актуариев, которые составляют прогнозы о продолжительности жизни людей – возрасте, в котором они умрут, – на основании демографических данных. Если вы оцениваете страховку для 39-летнего мужчины, каков будет ваш прогноз относительно его продолжительности жизни?»; «Представьте, что вы находитесь в чужой кухне и замечаете, что в духовке стоит пирог. Таймер показывает, что пирог печется уже 14 минут. Каков ваш прогноз относительно общего времени, в течение которого нужно печь пирог?»; «Если вам говорят, что член палаты представителей занимает свое место 11 лет, каков будет ваш прогноз относительно общего срока его полномочий?».

234

В электронном письме, полученном в ответ на заданные вопросы, Тененбаум пишет: «С точки зрения компьютера самый естественный способ сделать данные виды предсказаний – это применить алгоритмы, которые эффективно реализуют логику байесовского правила. Обычно компьютеры не „используют“ правило Байеса в явном виде, поскольку непосредственные вычисления возможны только для самых простых случаев. Вместо этого программисты задают компьютерам алгоритмы, чьи прогнозы приблизительно соответствуют правилу Байеса в широком диапазоне случаев, в том числе и этих».

235

Правило Байеса, сформулированное преподобным Байесом в посмертно изданном манускрипте 1763 года, предполагает настолько сложные вычисления, что большинство статистиков веками были вынуждены игнорировать его работы, поскольку не располагали инструментами, которые могли бы произвести необходимые расчеты. Только в 1950-х годах, с появлением более мощных компьютеров, ученые наконец смогли воспользоваться байесовским подходом для прогнозирования событий, которые ранее считались непредсказуемыми, – например, вероятности возникновения войны или шансов на универсальную эффективность лекарства, испытанного лишь на небольшой группе пациентов. Впрочем, даже современному компьютеру порой требуется несколько часов, чтобы вычислить кривую байесовской вероятности. – Примеч. автора.

236

Sheldon M. Ross, Introduction to Probability and Statistics for Engineers and Scientists (San Diego: Academic Press, 2004).

237

Термин «базовая оценка» обычно употребляют, когда речь идет о вопросах «да-нет». В эксперименте Тененбаума участников просили сделать количественные прогнозы, а не ответить на закрытый вопрос. Следовательно, в данном случае лучше сказать «априорное распределение».

238

В электронном письме, полученном в ответ на заданные вопросы, Тененбаум писал, что «на основании результатов наших исследований мы пока не можем сказать, действительно ли более богатый опыт знакомства с событиями определенного класса способствует постепенному повышению точности прогнозов, касающихся событий этого типа. Иногда – вроде бы да, иногда – нет. В любом случае это не единственный способ узнать априорную вероятность. Как показывает пример с фараонами, а также исследования, проведенные и нами, и другими учеными, люди узнают априорную вероятность не только через непосредственный контакт с определенным классом событий – они могут услышать необходимую информацию от окружающих, провести аналогии с другими классами и т. д.».

116