Одно фото из старых рабочих чатов я нашёл.

Я так часто в руках держал этот автомат что все утренние синки начинал с ним в руках.

Задумался тут на днях: а вам интересна тема принятия решений в условиях неопределенности?

Это крутое направление, которое стоит на стыке нескольких дисциплин. Именно на этих принципах строятся статистические науки и обучается искусственный интеллект. По сути, это база, которая помогает делать сильные выборы и снижать риски в любой жизненной ситуации.

Рассказать об этом подробнее? Ставьте 🔥 или пишите в комментарии!

Парадокс, который ломает мозг даже математикам. (Парадокс Монти Холла)

Вы на шоу. Перед вами 3 двери: за одной машина, за двумя другими — козы.

1. Вы выбираете дверь №1.Ведущий знает секрет.
2. Он открывает дверь №3 — там коза.
3. И спрашивает: «Меняете выбор на дверь №2?»

Вопрос: стоит ли менять решение?

Ваша интуиция кричит: «Осталось две двери, шансы 50 на 50, разницы нет!»

И интуиция… абсолютно не права. Математика доказывает: если вы измените свой выбор, ваши шансы выиграть машину вырастут ровно в два раза (с 33% до 66%).

Как это возможно? Простая логика:
В самом начале вероятность угадать машину была малой — всего 1 из 3. А вероятность промахнуться — 2 из 3.

- Стратегия «Не менять выбор»: вы выиграете машину только в том случае, если сразу угадали её в самом начале. Ваши шансы так и остались мизерными — 1/3.
- Стратегия «Изменить выбор»: ведущий СВОИМИ РУКАМИ убирает козу из игры. Это значит, что если вначале вы промахнулись (а это происходило в 2 случаях из 3!), то оставшаяся закрытая дверь автоматически становится выигрышной.

Изменяя выбор, вы превращаете каждый свой первоначальный промах в победу.

Для чего вообще нужен был этот пример?

Парадокс Монти Холла наглядно доказывает: наш мозг не умеет нативно вычислять вероятности. Он постоянно спотыкается, пытаясь опереться на привычную логику или прошлый опыт там, где они не работают.

Именно поэтому в бизнесе, инвестициях и управлении рисками сильные решения никогда не принимаются «из головы» или по наитию. Там правит сухой расчет вероятностей. Когда меняются вводные данные, профи не держатся за старое мнение — они просто пересчитывают математику.

Обсудим один из инструментов.

Confusion Matrix (Матрица ошибок)

История появления: Как радары спасли Великобританию

Инструмент появился во время Второй мировой войны в Великобритании.

- Проблема: Британцы изобрели радар, чтобы видеть немецкие самолеты. Но операторы на экранах постоянно путали сигналы: они принимали стаи птиц за бомбардировщики (Ложная тревога), или пропускали реальные самолеты (Пропуск удара).

- Решение: Ученые создали систему оценки точности радаров. Они назвали её «Матрица конфузов/ошибок» (Confusion Matrix).

- Результат: Инструмент создавался не для математики, а для выживания, чтобы понять: верить экрану радара в тумане или нет. В 1950-х годах этот метод перекочевал в авиацию, медицину, а затем в Machine Learning.

В этом посте мы просто познакомились с этим термином и его историей. В дальнейшем мы разберём на практике как именно это можно использовать.

Оооооо, нас наконец 160 человек

Спасибо тому человеку кто подписался. ❤️‍🔥

Кредиты под 30%, курсы в IT и «Матрица ошибок»: как нас разводят на неопределенности 📉

Давайте честно: сейчас всех волнует один главный туман — отсутствие стабильной работы, падение доходов и полное непонимание, что учить, чтобы завтра было на что кормить семью.

Этим страхом идеально пользуются онлайн-школы. Они обещают «гарантированный доход в IT от 200 тысяч через три месяца». Люди в панике отдают последние деньги, влезают в рассрочки и кредиты под дикие 30% годовых, а на выходе пополняют армию безработных джунов, которые никому не нужны.

Почему так происходит? Потому что люди принимают решения на эмоциях. А математики в таких ситуациях включают Confusion Matrix (Матрицу ошибок).

Давайте разложим покупку дорогого курса по этой матрице, где Реальность — это то, станете ли вы востребованным профи, а Ваше решение — покупать ли обучение.

Посмотрите на эту матрицу холодным взглядом. Онлайн-школы продают вам только один квадрат — TP (Истинный успех): вы заплатили, отучились, устроились. Но в текущих реалиях этот квадрат стал самым маленьким.

Давайте посмотрим на зоны ошибок, за которые вы платите своими деньгами:

🟥 FP (False Positive) — Ложное вложение (Ошибка I рода)

* Что происходит: Вы поверили рекламе, взяли кредит под 30%, отсидели сотни часов за лекциями. Но на рынке кризис, вакансий нет, а у вас нет предрасположенности к кодингу.
* Цена ошибки: Вы остались на той же точке, работы нет, но теперь вы торчите банку огромную сумму с конскими процентами. Это самая опасная ошибка сегодня.

🟥 FN (False Negative) — Упущенный шанс (Ошибка II рода)

* Что происходит: Вы испугались, решили сэкономить, не купили курс. А на самом деле у вас был скрытый талант к аналитике данных, и вы могли бы пробиться, несмотря на кризис.
* Цена ошибки: Вы упустили шанс изменить жизнь, но остались при своих деньгах. Ваши потери — только упущенное время.

🟩 TN (True Negative) — Разумный отказ

* Что происходит: Вы трезво оценили рынок, поняли, что обещания «200к через месяц» — это развод. Закрыли вкладку, сохранили деньги, пошли учиться бесплатно по ютубу и учебникам.
* Итог: Вы не загнали себя в кабалу. Вы победили.

Как это помогает в жизни?

Когда у вас в стране ключевая ставка зашкаливает, а рынок труда штормит, цена ошибки FP (Ложной тревоги) становится фатальной. Онлайн-школы давят на ваш страх упущенного шанса (FN): «Успей, иначе останешься за бортом!».

Но «Матрица ошибок» учит: если цена ошибки FP (кредит под 30% без работы) несоизмеримо выше, чем цена ошибки FN (вы просто поучитесь сами бесплатно чуть дольше), то система обязана блокировать покупку.

Прежде чем отдать деньги за очередные курсы, посмотрите на эту матрицу. Если вы не готовы платить 30% годовых за риск оказаться в квадрате FP — закрывайте сайт. Начинайте бесплатно.

Хотя думаю такой пример будет понятнее 🙃

Разбираем Confusion Matrix на примере умной сортировки 🧠🍅
Представьте конвейер, по которому летят помидоры. Камера с ML-моделью должна мгновенно решить: это хороший помидор или гнилой (брак), который нужно скинуть в корзину механической рукой.

Разбираем 4 сценария, которые определяют прибыль производства:

🟩 TP (True Positive) — Робот распознал гнилой помидор и выкинул его. Гниль не попала в общую коробку. Модель права.

🟩 TN (True Negative) — Робот видит идеальный помидор и не трогает его. Он едет дальше на продажу. Модель права.

А теперь зоны ошибок, которые напрямую бьют по карману бизнеса:

🟥 FP (False Positive) — Ложная тревога (Ошибка I рода)

* Что произошло: На хорошем помидоре была просто капля воды или тень, но робот запаниковал, назвал его «гнилым» и выкинул в мусорку.
* Ущерб: Компания теряет деньги на ровном месте, выбрасывая качественный товар из-за слишком «пугливого» алгоритма.

🟥 FN (False Negative) — Пропуск цели (Ошибка II рода)

* Что произошло: Робот моргнул и пропустил откровенно гнилой помидор, посчитав его хорошим.
* Ущерб: Самый опасный провал. Один гнилой овощ в коробке испортит всю партию при транспортировке. Покупатель вернет товар, а магазин получит огромный штраф и удар по репутации.

В чем суть баланса?
Дата-сайентист настраивает эту сортировку под конкретные цели бизнеса:

* Если мы везем товар далеко и штрафы огромные — мы настраиваем модель так, чтобы она выкидывала всё подозрительное (FN стремится к нулю, но растет FP — выбрасываем часть хорошего).
* Если товар дешевый и продается прямо у завода — можно расслабить алгоритм (FP стремится к нулю, но растет FN).

Но, что делать если у нас классификация не такая простая, не 2x2, а например 4x4?

Когда классов больше двух, матрица ошибок из бинарной превращается в квадратную таблицу N x N.

Давайте разберем матрицу 4х4 на примере нейросети, которая сортирует фотографии транспорта по четырем категориям:

Легковые (Car), Грузовики (Truck), Мотоциклы (Bike), Автобусы (Bus).

РЕАЛЬНОСТЬ (Истинный класс)

Car | Truck | Bike | Bus
______________________________________
Car | 45 | 3 | 1 | 0
Truck| 2 | 30 | 0 | 5
Bike | 4 | 0 | 22 | 0
Bus | 1 | 5 | 0 | 18

Как это читать за 3 секунды?

1. Главное правило: Все правильные ответы модели лежат строго на главной диагонали (слева направо, сверху вниз).
* Модель угадала 45 легковых, 30 грузовиков, 22 мотоцикла и 18 автобусов. Чтобы посчитать общую Accuracy, мы просто складываем эти числа и делим на сумму вообще всех чисел в таблице.

2. Всё, что вне диагонали — это ошибки. И матрица детально показывает, как именно путается нейросеть.

Анатомия ошибок в матрице 4х4:

* Взгляд по горизонтали (Строка Truck): Модель сказала «Грузовик» 37 раз. Но из них 30 раз это был реальный грузовик, 2 раза она перепутала его с легковой, а 5 раз — приняла автобус за грузовик (ведь они оба большие). Это ошибки False Positive для класса Truck.

* Взгляд по вертикали (Столбец Bus): В выборке было 23 реальных автобуса (складываем столбец: 0+5+0+18). Модель нашла только 18. Куда делись еще 5? Смотрим строку Truck — нейросеть отправила 5 автобусов в категорию грузовиков. Это ошибки False Negative для класса Bus.

Зачем дата-сайентисту матрица 4х4?

Просто цифра Accuracy (например, 85%) ни о чем не говорит. А матрица ошибок сразу подсвечивает проблему:

* Мы видим, что мотоциклы (Bike) и легковушки (Car) модель разделяет почти идеально (всего 1 ошибка).
* Но нейросеть жестко «конфузится» между Автобусами и Грузовиками (аж 10 взаимных ошибок).

Решение для инженера: Не нужно переобучать всю модель целиком. Нужно просто докинуть в датасет больше специфических фото автобусов и грузовиков с разных ракурсов, чтобы сеть научилась их различать.

Зачем нам чаще всего это нужно?

Да всё просто, что бы локализовать проблему.

Что бы не чинить всё, а лишь только сломанные места.

Это один из самых популярных вопросов на собеседование.

Как не просто выживать в кризисы, а становиться сильнее? Концепция антихрупкости 🧱🚀

В прошлых постах мы говорили о рисках, а сегодня разберем понятие, которое ввел философ Нассим Талеб. Оно идеально описывает, как принимать решения в нашем непредсказуемом мире.
Представьте три материала:

1. Хрупкий (Стекло) — боится ударов. При малейшем хаосе или кризисе оно разбивается.

2. Неуязвимый / Стойкий (Гранит) — держит удар. Кризис никак на него не влияет, он остается прежним.

3. Антихрупкий (Гидра / Мышцы) — от ударов становится только сильнее. Когда мы тренируемся, мы повреждаем мышцы, но в ответ организм делает их крепче.

Антихрупкость — это свойство систем не просто сопротивляться стрессу и неопределенности, а извлекать из них выгоду.
Как перенести это в жизнь и решения?

- В карьере: Хрупкость — это один источник дохода (одна работа). Антихрупкость — это иметь востребованный навык, портфолио и подработки. Если уволят, вы не пропадете, а найдете место лучше.

- В бизнесе: Хрупкость — продавать один товар одному клиенту. Антихрупкость — постоянно тестировать мелкие дешевые гипотезы. Девять прогорят (не страшно), а одна выстрелит и окупит всё.

- В мышлении: Не пытаться предсказать будущее и построить идеальный план. Вместо этого — создавать условия, где при любом раскладе вы остаетесь в плюсе.

Главный вывод: Хрупкие люди молятся, чтобы шторм утих. Антихрупкие — учатся строить ветряные мельницы.

Полной ясности не будет никогда.

Однажды я наткнулся в интернете на табличку с этой фразой:

Полной ясности не будет никогда.
Учись действовать в условиях частичной неопределённости

И для меня это было почти откровением.

Потому что я много лет пытался сделать ровно обратное. Пытался предугадать будущее. Выбрать правильную профессию. Правильную дисциплину. Правильные навыки. Правильное направление.

Я старался смотреть хотя бы на один шаг вперёд.
Нет, лучше на три.
А потом ещё дальше.

Мне казалось, что если я достаточно много читаю, учусь, анализирую рынок и слежу за технологиями, то смогу подготовиться заранее. Смогу обогнать изменения. Смогу не оказаться застигнутым врасплох.

В 2016 году, когда я начал изучать ИИ, мне казалось, что я иду в ногу со временем. Даже с запасом. Что я заранее забрался туда, куда остальные придут только потом.

Но время оказалось быстрее.

Сначала будущее ускорилось на месяцы.
Потом на недели.
Потом на дни.
А потом на часы.

И то, что я вроде бы видел впереди, очень быстро меня догнало. А потом обогнало.

Я продолжал бежать, но в какой-то момент уже перестал понимать:
я бегу вперёд к чему-то — или убегаю от чего-то?

Я читал, учился, смотрел лекции, разбирал новые инструменты, жадно поглощал информацию. Но чем больше я узнавал, тем сильнее чувствовал не уверенность, а усталость.

Потому что информации становилось всё больше.
А ясности — нет.

И вот спустя время я увидел эту табличку.

Полной ясности не будет никогда.

Она будто сказала мне то, что я долго не хотел признавать:

ты не сможешь быть готовым ко всему.
ты не сможешь заранее просчитать все варианты.
ты не сможешь переиграть эту игру только за счёт знаний.

Неважно, насколько ты умён.
Неважно, сколько книг ты прочитал.
Неважно, насколько рано ты заметил тренд.

Правила всё равно меняются быстрее, чем ты успеваешь построить идеальный план.

И через грусть, усталость и принятие ко мне пришла простая мысль:

делать ставку нужно не только на знания, а на стратегии.

Знать всё невозможно.
Но можно научиться действовать, когда знаешь не всё.

Можно учиться не угадывать будущее, а адаптироваться к нему.
Не искать единственно правильный ответ, а строить систему принятия решений.
Не ждать полной уверенности, а двигаться в условиях частичной неопределённости.

И именно поэтому меня так сильно потянуло в тему принятия решений.

Потому что в реальной жизни часто нет задачи с заранее известным правильным ответом.
Есть неполные данные.
Есть риск.
Есть ограничения.
Есть время.
Есть цена ошибки.
И есть необходимость всё равно что-то выбрать.

И вот здесь важнее не «знать будущее», а уметь мыслить системно.

Не где финальная точка.
А как ты выбираешь направление, когда финальной точки не видно.

Наверное, это и есть один из главных навыков нашего времени:

не ждать полной ясности, а учиться действовать без неё.

Такс, судя по реакциям, а точнее по их отсутствиям видно что вам не интересна тема "принятия решений в условиях неопределенности"

Хммм, я подумаю ещё, что может вам быть полезным и интересным.

Иногда мой беспокойный ум что-то хочет спроектировать или попробовать.

И так как играть мне скучно иногда я делаю быстренько игры. Вот так мне попался набор из RimWorld и я его воспроизвёл на движке Godot.

Ну и шутки ради добавил ИИ агентов что бы следить за их действиями, общением и как они смогли бы выжить в этом странном агрессивном мире.

Всё будет хорошо!

Главное наберись терпения!