ИИ – вызов для человечества
Во вчерашнем выступлении на Гайдаровском форуме Т.В.Черниговская касается ряда тем, основных для моего канала: важность междисциплинарных исследований, куда идет ИИ, интеллект и сознание, когнитивные системы, антропоцен, прогнозы Римского клуба, риски большой войны.
И поскольку ее соображения по этим темам весьма мне близки, я с двойным удовольствием рекомендую вам послушать ее презентацию (57 мин плюс 60 мин – ответы на вопросы).
Можете для удобства воспользоваться слайдами презентации
А также «сухим остатком» наиболее важных моментов презентации (в моем понимании и изложении на 1 мин.)
#КудаИдетИИ #Сознание #КогнитивныеСистемы #Антропоцен #РимскийКлуб #БольшаяВойна
Во вчерашнем выступлении на Гайдаровском форуме Т.В.Черниговская касается ряда тем, основных для моего канала: важность междисциплинарных исследований, куда идет ИИ, интеллект и сознание, когнитивные системы, антропоцен, прогнозы Римского клуба, риски большой войны.
И поскольку ее соображения по этим темам весьма мне близки, я с двойным удовольствием рекомендую вам послушать ее презентацию (57 мин плюс 60 мин – ответы на вопросы).
Можете для удобства воспользоваться слайдами презентации
А также «сухим остатком» наиболее важных моментов презентации (в моем понимании и изложении на 1 мин.)
#КудаИдетИИ #Сознание #КогнитивныеСистемы #Антропоцен #РимскийКлуб #БольшаяВойна
YouTube
Гайдаровский форум – 2018. Искусственный интеллект – вызов для человечества
Модератор: Анатолий Чубайс, председатель Правления ООО «УК «РОСНАНО»
Лектор: Татьяна Черниговская, заведующая кафедрой проблем конвергенции естественных и гуманитарных
наук, заведующая Лабораторией когнитивных исследований, доктор биологических наук, профессор…
Лектор: Татьяна Черниговская, заведующая кафедрой проблем конвергенции естественных и гуманитарных
наук, заведующая Лабораторией когнитивных исследований, доктор биологических наук, профессор…
Почему Европа отказалась от многоженства.
Новая матмодель решает «загадку полигинии» и позволяет предположить наличие в культуре более высокоуровневых и более мощных механизмов развития человечества, чем главный механизм эволюции - естественный отбор.
Авторы междисциплинарного международного исследования «Отказ от многоженства: объяснение» не только построили матмодель, объясняющую, почему Европа отказалась от многоженства, но и проверили точность ее работы в полевых условиях на проживающей в Кении аграрно-скотоводческой народности Кипсигов.
В данном исследовании полигиния (в простонародье – многоженство) определяется, как форма долгосрочных отношений мужчин и женщин, при которой мужчина одновременно состоит в долгосрочных союзах более чем с одной женщиной, а дети от каждого такого союза имеют право наследования богатства отца.
За многие десятилетия исследований полигинии ученые так и не смогли толком решить загадку, почему Европа отказалась от некогда весьма распространенного здесь многоженства задолго до того, как возникли социально-юридические и религиозные факторы в пользу моногамии. Ведь полигиния, с точки зрения эволюции и естественного отбора – оптимальная форма отношений полов, максимизирующая репродукционный успех родителей.
Единственное, что нужно для полигинии – чтобы мужчина был достаточно обеспечен, дабы содержать много жен и детей.
Так почему же при неуклонном росте обеспеченности и имущественного расслоения, народы отказывались от полигинии в пользу моногамии?
Причем делали это, в первую очередь, самые обеспеченные и технологически продвинутые народы – Европа?
Для решения «загадки полигинии» (другое название - «загадка моногамии») предлагались все новые объяснения. Однако построить объясняющую матмодель и проверить ее на практике пока никому не удавалось. И вот прорыв.
Авторы нового исследования построили модель, основанную на теории игр и равновесии Нэша (так называется набор стратегий в игре для двух и более игроков, в котором ни один участник не может увеличить выигрыш, изменив свою стратегию, если другие участники своих стратегий не меняют).
Выигрышем в модельной игре, как для мужчин, так и для женщин, считался такой брачный выбор, который бы максимизировал ожидаемый репродуктивный успех.
При этом в модели рассматривались 2 вида «наследуемых богатств»: конкурирующие и неконкурирующие. 2й тип богатств – например, генофонд родителей, - так или иначе достается всем детям. 1й тип – например, деньги и земля – на всех не поделишь, и потому они достаются одному или узкой группе наследников (вспомните Кота в сапогах, Майорат и т.д.)
Не вдаваясь в детали (желающие читайте статью), оказывается, что «конкурирующие богатства» (назовем их для краткости Бабло) становятся главным фактором выбора формы союза мужчины и женщины. И если они оба стремятся к максимизации ожидаемого репродуктивного успеха, то они согласованно выбирают моногамию.
✔️ Т.е. если Бабла у народа нет или его совсем мало, то эволюцию народа определяет естественный отбор на фоне торжествующего многоженства.
✔️ Если же Бабла становится много (особенно у богатого меньшинства, присоединиться к которому мечтает любой представитель бедного большинства), то факторы биоэволюции уступают первенство культурному бабло-фактору, и торжествует моногамия.
Т.о. новое исследование представило подтвержденное экспериментом математическое объяснения «загадки полигинии» и, что самое важное, подводит нас к гипотезе о наличии в культуре более высокоуровневых и более мощных механизмов развития человечества, чем даже самый важный механизм эволюции - естественный отбор.
Т.е. есть что-то и посильнее естественного отбора. И возможно, это Бабло-фактор.
Исследование «Отказ от многоженства: объяснение» https://goo.gl/a4XuiZ
Еще пара интересных исследований по теме https://goo.gl/b3ZS9f https://goo.gl/uQfYhM
#ЭкономическаяАнтропология #ЭкономическаяИстория #КомпаративныйАнализЭкономСистем #ТеорияИгр
Новая матмодель решает «загадку полигинии» и позволяет предположить наличие в культуре более высокоуровневых и более мощных механизмов развития человечества, чем главный механизм эволюции - естественный отбор.
Авторы междисциплинарного международного исследования «Отказ от многоженства: объяснение» не только построили матмодель, объясняющую, почему Европа отказалась от многоженства, но и проверили точность ее работы в полевых условиях на проживающей в Кении аграрно-скотоводческой народности Кипсигов.
В данном исследовании полигиния (в простонародье – многоженство) определяется, как форма долгосрочных отношений мужчин и женщин, при которой мужчина одновременно состоит в долгосрочных союзах более чем с одной женщиной, а дети от каждого такого союза имеют право наследования богатства отца.
За многие десятилетия исследований полигинии ученые так и не смогли толком решить загадку, почему Европа отказалась от некогда весьма распространенного здесь многоженства задолго до того, как возникли социально-юридические и религиозные факторы в пользу моногамии. Ведь полигиния, с точки зрения эволюции и естественного отбора – оптимальная форма отношений полов, максимизирующая репродукционный успех родителей.
Единственное, что нужно для полигинии – чтобы мужчина был достаточно обеспечен, дабы содержать много жен и детей.
Так почему же при неуклонном росте обеспеченности и имущественного расслоения, народы отказывались от полигинии в пользу моногамии?
Причем делали это, в первую очередь, самые обеспеченные и технологически продвинутые народы – Европа?
Для решения «загадки полигинии» (другое название - «загадка моногамии») предлагались все новые объяснения. Однако построить объясняющую матмодель и проверить ее на практике пока никому не удавалось. И вот прорыв.
Авторы нового исследования построили модель, основанную на теории игр и равновесии Нэша (так называется набор стратегий в игре для двух и более игроков, в котором ни один участник не может увеличить выигрыш, изменив свою стратегию, если другие участники своих стратегий не меняют).
Выигрышем в модельной игре, как для мужчин, так и для женщин, считался такой брачный выбор, который бы максимизировал ожидаемый репродуктивный успех.
При этом в модели рассматривались 2 вида «наследуемых богатств»: конкурирующие и неконкурирующие. 2й тип богатств – например, генофонд родителей, - так или иначе достается всем детям. 1й тип – например, деньги и земля – на всех не поделишь, и потому они достаются одному или узкой группе наследников (вспомните Кота в сапогах, Майорат и т.д.)
Не вдаваясь в детали (желающие читайте статью), оказывается, что «конкурирующие богатства» (назовем их для краткости Бабло) становятся главным фактором выбора формы союза мужчины и женщины. И если они оба стремятся к максимизации ожидаемого репродуктивного успеха, то они согласованно выбирают моногамию.
✔️ Т.е. если Бабла у народа нет или его совсем мало, то эволюцию народа определяет естественный отбор на фоне торжествующего многоженства.
✔️ Если же Бабла становится много (особенно у богатого меньшинства, присоединиться к которому мечтает любой представитель бедного большинства), то факторы биоэволюции уступают первенство культурному бабло-фактору, и торжествует моногамия.
Т.о. новое исследование представило подтвержденное экспериментом математическое объяснения «загадки полигинии» и, что самое важное, подводит нас к гипотезе о наличии в культуре более высокоуровневых и более мощных механизмов развития человечества, чем даже самый важный механизм эволюции - естественный отбор.
Т.е. есть что-то и посильнее естественного отбора. И возможно, это Бабло-фактор.
Исследование «Отказ от многоженства: объяснение» https://goo.gl/a4XuiZ
Еще пара интересных исследований по теме https://goo.gl/b3ZS9f https://goo.gl/uQfYhM
#ЭкономическаяАнтропология #ЭкономическаяИстория #КомпаративныйАнализЭкономСистем #ТеорияИгр
Создан 1й информационный двигатель.
Он преобразует информацию в работу с эффективностью, превышающей (и нарушающей) 2й закон термодинамики, и является продуктом материализации демонов – а именно, демона Максвелла.
С 1850 г. известно, что максимальная эффективность, с которой тепловой двигатель может преобразовывать энергию в работу, ограничивается 2ым законом термодинамики.
Этот закон, декларирующий также неотвратимое возрастание беспорядка (энтропии) в замкнутых системах, стал незыблемым столпом научного мироздания.
Однако уже в 1871 г. был придуман провокационный мысленный эксперимент с демоном Максвелла, суть которого так описана в восхитительно-незабываемом романе братьев Стругацких "Понедельник начинается в субботу" (если кто не читал, бросьте все и немедленно читайте).
«Демон Максвелла – важный элемент мысленного эксперимента крупного английского физика Максвелла. Предназначался для нападения на второй принцип термодинамики. В мысленном эксперименте Максвелла демон располагается рядом с отверстием в переборке, разделяющей сосуд, наполненный движущимися молекулами. Работа демона состоит в том, чтобы выпускать из одной половины сосуда в другую быстрые молекулы и закрывать отверстие перед носом медленных. Идеальный демон способен таким образом без затраты труда создать очень высокую температуру в одной половине сосуда и очень низкую – в другой, осуществляя вечный двигатель второго рода. Однако только сравнительно недавно и только в нашем институте (имеется в виду НИИЧАВО — Научно-Исследовательский Институт ЧАродейства иВОлшебства) удалось найти и приспособить к работе таких демонов».
Т.е. демон обладает информацией о скоростях молекул и, за счет манипулирования заслонкой, преобразует информацию в работу, нарушая 2й закон термодинамики и снижая энтропию (поскольку упорядоченность молекул в сосуде возрастает).
К сожалению, материализовать демона Максвелла за пределами НИИЧАВО никому не удавалось. Однако, прогресс все же не стоял на месте.
На стыке физики и теории информации недавно появился т.н. Обобщенный 2й закон термодинамики, устанавливающий фундаментальную связь между информацией и термодинамикой.
Согласно этому закону, не только энергию, но и информацию можно преобразовать в работу. Максимальная работа, которую может выполнять информационный двигатель состоит из 2х частей.
1я часть – максимальная работа от преобразования энергии (это т.н. теоретический предел эффективности или максимально достижимый КПД двигателя, открытый Сади Карно еще в 1824 г.)
2я часть – устанавливает верхнюю границу дополнительной работы, извлекаемой уже не из энергии, а из информации (т.е. надбавка, привносимая демоном Максвелла).
Считалось, что достигнуть теоретического предела эффективности Карно может только идеальный тепловой двигатель. Однако, 2 года назад удалось создать на практике такой нано-двигатель, состоящий из единственной броуновской частицы.
Казалось бы, чудо! Смогли достичь эффективности идеального двигателя. Но и на этом не остановились. Уж больно заманчиво было превзойти предел Карно, материализовав демона Максвелла и тем самым получив добавку к пределу Карно за счет преобразования информации в работу.
И вот-таки свершилось! Информационный двигатель из одной броуновской частицы усовершенствовали, оснастив фотодиодом и световой ловушкой.
Фотодиод отслеживает направление движения частицы в результате случайных тепловых флуктуаций, а ловушка быстро перемещается в направлении движения частицы.
Полученный информационный двигатель превысил теоретический предел Карно, преобразуя информацию в энергию и достигая примерно 98,5% от суммы, установленной Обобщенным 2м законом термодинамики.
Эти результаты открывают дорогу новой индустрии нанодвигателестроения для искусственных нанороботов.
Популярно https://goo.gl/SxPHXS
Первоисточник https://goo.gl/WWUoH1
На русском о созданном 2 года назад нано-двигателе https://goo.gl/u7szx4
#ИнформационныеДвигатели
Он преобразует информацию в работу с эффективностью, превышающей (и нарушающей) 2й закон термодинамики, и является продуктом материализации демонов – а именно, демона Максвелла.
С 1850 г. известно, что максимальная эффективность, с которой тепловой двигатель может преобразовывать энергию в работу, ограничивается 2ым законом термодинамики.
Этот закон, декларирующий также неотвратимое возрастание беспорядка (энтропии) в замкнутых системах, стал незыблемым столпом научного мироздания.
Однако уже в 1871 г. был придуман провокационный мысленный эксперимент с демоном Максвелла, суть которого так описана в восхитительно-незабываемом романе братьев Стругацких "Понедельник начинается в субботу" (если кто не читал, бросьте все и немедленно читайте).
«Демон Максвелла – важный элемент мысленного эксперимента крупного английского физика Максвелла. Предназначался для нападения на второй принцип термодинамики. В мысленном эксперименте Максвелла демон располагается рядом с отверстием в переборке, разделяющей сосуд, наполненный движущимися молекулами. Работа демона состоит в том, чтобы выпускать из одной половины сосуда в другую быстрые молекулы и закрывать отверстие перед носом медленных. Идеальный демон способен таким образом без затраты труда создать очень высокую температуру в одной половине сосуда и очень низкую – в другой, осуществляя вечный двигатель второго рода. Однако только сравнительно недавно и только в нашем институте (имеется в виду НИИЧАВО — Научно-Исследовательский Институт ЧАродейства иВОлшебства) удалось найти и приспособить к работе таких демонов».
Т.е. демон обладает информацией о скоростях молекул и, за счет манипулирования заслонкой, преобразует информацию в работу, нарушая 2й закон термодинамики и снижая энтропию (поскольку упорядоченность молекул в сосуде возрастает).
К сожалению, материализовать демона Максвелла за пределами НИИЧАВО никому не удавалось. Однако, прогресс все же не стоял на месте.
На стыке физики и теории информации недавно появился т.н. Обобщенный 2й закон термодинамики, устанавливающий фундаментальную связь между информацией и термодинамикой.
Согласно этому закону, не только энергию, но и информацию можно преобразовать в работу. Максимальная работа, которую может выполнять информационный двигатель состоит из 2х частей.
1я часть – максимальная работа от преобразования энергии (это т.н. теоретический предел эффективности или максимально достижимый КПД двигателя, открытый Сади Карно еще в 1824 г.)
2я часть – устанавливает верхнюю границу дополнительной работы, извлекаемой уже не из энергии, а из информации (т.е. надбавка, привносимая демоном Максвелла).
Считалось, что достигнуть теоретического предела эффективности Карно может только идеальный тепловой двигатель. Однако, 2 года назад удалось создать на практике такой нано-двигатель, состоящий из единственной броуновской частицы.
Казалось бы, чудо! Смогли достичь эффективности идеального двигателя. Но и на этом не остановились. Уж больно заманчиво было превзойти предел Карно, материализовав демона Максвелла и тем самым получив добавку к пределу Карно за счет преобразования информации в работу.
И вот-таки свершилось! Информационный двигатель из одной броуновской частицы усовершенствовали, оснастив фотодиодом и световой ловушкой.
Фотодиод отслеживает направление движения частицы в результате случайных тепловых флуктуаций, а ловушка быстро перемещается в направлении движения частицы.
Полученный информационный двигатель превысил теоретический предел Карно, преобразуя информацию в энергию и достигая примерно 98,5% от суммы, установленной Обобщенным 2м законом термодинамики.
Эти результаты открывают дорогу новой индустрии нанодвигателестроения для искусственных нанороботов.
Популярно https://goo.gl/SxPHXS
Первоисточник https://goo.gl/WWUoH1
На русском о созданном 2 года назад нано-двигателе https://goo.gl/u7szx4
#ИнформационныеДвигатели
phys.org
Information engine operates with nearly perfect efficiency
Physicists have experimentally demonstrated an information engine—a device that converts information into work—with an efficiency that exceeds the conventional second law of thermodynamics. Instead, ...
Упертые несогласные кардинально повышают качество коллективных решений.
Этот 3й за полгода удивительный научный прорыв https://goo.gl/eqdpo6 подводит нас все ближе к открытию нового класса законов природы.
1) В июльском посте «Найден оптимальный способ принятия решений» https://t.me/theworldisnoteasy/282 я рассказал о прорывном открытии на стыке нейронауки, теории информации, теории коллективного поведения и статистической физики.
Исследователям Центра Биосоциальных Сложных Систем (С4) удалось построить и верифицировать на большом объеме экспериментальных данных динамическую, стохастическую, распределенную модель принятия решений.
С помощью этой модели была выявлена схема организации процесса принятия решений в мозге огромной сетью коммуницирующих нейронов, названная авторами «кодирующая двойственность».
2) А в ноябре состоялся другой научный прорыв, о котором я писал в посте «На пороге открытия нового класса законов природы» https://t.me/theworldisnoteasy/357.
Центр С4 опубликовал революционные результаты нового исследования, объясняющего, зачем адаптивные системы организуются во все более сложные укрупняющиеся структуры (от колоний бактерий до государств у людей).
Было показано, что создание иерархических многоуровневых структур – это закон природы, типа 2го закона термодинамики для живых систем. Это происходит для повышения эффективности обработки информации при коллективных вычислениях, осуществляемых элементами системы в условиях большой информационной зашумленности и разброса мнений.
Цель всего этого – улучшение предсказаний будущего, обеспечивающее максимальную адаптационную способность системы.
3) 1ое прорывное исследование открыло общую схему организации процесса принятия коллективных решений в сетях нейронов.
2й революционный прорыв распространил эту схему на принятие коллективных решений во всей живой природе (стая, племя, общество) и выявил ключевой механизм, отличающий процесс коллективного взаимодействия элементов в био-социальных (живых) и физических (неживых) системах. Этот механизм - создание иерархической многоуровневой структуры обработки информации, принятия решений и управления.
Только что опубликованное 3е исследование, с помощью еще более сложной и точной модели, выявило основной модельный фактор, повышающий качество коллективных решений, вырабатываемых вышеупомянутым механизмом, реализующим вышеупомянутую схему. После чего выявленный модельный фактор был проверен в полевых условиях на процессах принятия решений в сообществах обезьян (в этом смысле, жутко похожих на нас).
Выявленным ключевым фактором оказалась численность упертых несогласных, - имеющих собственное мнение, не вписывающееся в агрегированный итог иерархического сбора мнений, и не готовых от него быстро отказаться даже под угрозой трепки от более сильных вожаков, признаваемых большинством за власть.
Чем больше упертых несогласных – тем выше качество коллективных решений. И похоже, это новый закон природы.
P.S. Снаряды ложатся все кучнее. Революционное открытие прошлого года в области эффективности краудсорсинга говорит, по сути, о том же - наибольшее вознаграждение в краудсорсинге должно выдаваться упертым несогласным, оказавшимся в итоге правыми (см. «Особое мнение – 2я революция в краудсорсинге» https://t.me/theworldisnoteasy/243)
Новое исследование https://goo.gl/6C7xB8 (сложно и за пейволом; кому нужен текст, пишите)
Популярно о нем: https://goo.gl/EN3J2u и https://goo.gl/pWdtVJ (оба по 1 мин)
Эссе об этом направлении работ С4 «Как природа решает проблемы с помощью вычислений» https://goo.gl/3b71TR (5 мин)
#ЭволюционнаяБиология #КоллективныеВычисления #Нейронаука #ПринятиеРешений #Краудсорсинг
Этот 3й за полгода удивительный научный прорыв https://goo.gl/eqdpo6 подводит нас все ближе к открытию нового класса законов природы.
1) В июльском посте «Найден оптимальный способ принятия решений» https://t.me/theworldisnoteasy/282 я рассказал о прорывном открытии на стыке нейронауки, теории информации, теории коллективного поведения и статистической физики.
Исследователям Центра Биосоциальных Сложных Систем (С4) удалось построить и верифицировать на большом объеме экспериментальных данных динамическую, стохастическую, распределенную модель принятия решений.
С помощью этой модели была выявлена схема организации процесса принятия решений в мозге огромной сетью коммуницирующих нейронов, названная авторами «кодирующая двойственность».
2) А в ноябре состоялся другой научный прорыв, о котором я писал в посте «На пороге открытия нового класса законов природы» https://t.me/theworldisnoteasy/357.
Центр С4 опубликовал революционные результаты нового исследования, объясняющего, зачем адаптивные системы организуются во все более сложные укрупняющиеся структуры (от колоний бактерий до государств у людей).
Было показано, что создание иерархических многоуровневых структур – это закон природы, типа 2го закона термодинамики для живых систем. Это происходит для повышения эффективности обработки информации при коллективных вычислениях, осуществляемых элементами системы в условиях большой информационной зашумленности и разброса мнений.
Цель всего этого – улучшение предсказаний будущего, обеспечивающее максимальную адаптационную способность системы.
3) 1ое прорывное исследование открыло общую схему организации процесса принятия коллективных решений в сетях нейронов.
2й революционный прорыв распространил эту схему на принятие коллективных решений во всей живой природе (стая, племя, общество) и выявил ключевой механизм, отличающий процесс коллективного взаимодействия элементов в био-социальных (живых) и физических (неживых) системах. Этот механизм - создание иерархической многоуровневой структуры обработки информации, принятия решений и управления.
Только что опубликованное 3е исследование, с помощью еще более сложной и точной модели, выявило основной модельный фактор, повышающий качество коллективных решений, вырабатываемых вышеупомянутым механизмом, реализующим вышеупомянутую схему. После чего выявленный модельный фактор был проверен в полевых условиях на процессах принятия решений в сообществах обезьян (в этом смысле, жутко похожих на нас).
Выявленным ключевым фактором оказалась численность упертых несогласных, - имеющих собственное мнение, не вписывающееся в агрегированный итог иерархического сбора мнений, и не готовых от него быстро отказаться даже под угрозой трепки от более сильных вожаков, признаваемых большинством за власть.
Чем больше упертых несогласных – тем выше качество коллективных решений. И похоже, это новый закон природы.
P.S. Снаряды ложатся все кучнее. Революционное открытие прошлого года в области эффективности краудсорсинга говорит, по сути, о том же - наибольшее вознаграждение в краудсорсинге должно выдаваться упертым несогласным, оказавшимся в итоге правыми (см. «Особое мнение – 2я революция в краудсорсинге» https://t.me/theworldisnoteasy/243)
Новое исследование https://goo.gl/6C7xB8 (сложно и за пейволом; кому нужен текст, пишите)
Популярно о нем: https://goo.gl/EN3J2u и https://goo.gl/pWdtVJ (оба по 1 мин)
Эссе об этом направлении работ С4 «Как природа решает проблемы с помощью вычислений» https://goo.gl/3b71TR (5 мин)
#ЭволюционнаяБиология #КоллективныеВычисления #Нейронаука #ПринятиеРешений #Краудсорсинг
phys.org
How living systems compute solutions to problems
How do decisions get made in the natural world? One possibility is that the individuals or components in biological systems collectively compute solutions to challenges they face in their environments. ...
Черные лебеди, как новый закон природы.
Важнейшим последствием продолжения прорывной серии открытий центра С4 (о чем я писал вчера), может стать выработка стратегий предотвращения «Черных лебедей».
И поскольку у вас могут не дойти руки:
— до рекомендованного мною вчера эссе https://goo.gl/3b71TR
— до научных статей C4 https://goo.gl/DMjYRg
— до превосходных публичных лекций С4 https://goo.gl/mXaM8q , —
попробую выжать «сухой остаток» из этих сотен страниц и десятков часов видео на 2 мин. вашего чтения.
I) О «Черных лебедях» и коллективном поведении.
«Черные лебеди» возникают в результате коллективного поведения людей в предкритических ситуациях. Это относится к любым «Черным лебедям», - непредвиденные глобальные обвалы финансовых рынков, национальные и глобальные экономические кризисы, эпидемии схлопывания политических режимов, типа «Арабской весны».
Ключевых факторов того, взлетит ли новый «Черный лебедь» или все как-то утрясется без катастроф, два:
1) насколько близко подошла система к критической (переломной) точке - фазовому переходу системы;
2) в какую сторону: к критической точке или от нее подталкивает систему коллективное поведение.
Это похоже на толпу у обрыва над пропастью.
— Как поведет себя толпа?
— Будет ли она в результате сотен индивидуальных действий еще ближе приближаться к краю, а потом и просто выдавливать в пропасть людей?
— Или сумеет самоорганизоваться, начнет пятиться от края и тем самым предотвратит катастрофу?
Понять степень близости системы к критической точке – задача междисциплинарных исследований в соответствующей области: финансы и т.д. Этим занимаются в исследовательских центрах типа NECSI.
Понимание того, по каким схемам и с помощью каких механизмов формируются коллективные: поведение, действия, принятие решений – это задача исследований центра С4.
II) О большой войне, как новом законе природы
Исследования на матмоделях с проверкой на обезьянах позволило понять, как социальные и другие био-системы переходят из состояния А в Б. Например:
— Коллективное вычисление, выясняющее, кто в обезьяньей стае власть, требует множества драк с участием от 2х до 30+ особей.
— Маленькие драки часты, большие - редки.
— На модели с проверкой на практике удалось собрать данные о решениях отдельных особей присоединиться к драке.
— На основе этого определили число обезьян, чья склонность присоединиться к драке должна увеличиться, чтобы приблизить систему к критической точке (тотальная потасовка с непредсказуемым для стаи результатом).
— Оказалось, что требуется всего 3-5 особей, чтобы подтолкнуть систему к краю пропасти.
— Дальше определили, как самые статусные индивиды способны чуть ли ни в одиночку довести до тотальной драки.
И вот тут откровение!
Выяснилось, что катастрофа тотального боя как бы притягивает участников. А его последствия, при всей катастрофичности, позволяют решить иначе не решаемую задачу:
✔️ полностью переконфигурировать стаю в ситуации, когда окружающая среда меняется от известной до неизвестной.
Т.е. вот она причина того, что большой войны оказывается не миновать.
Оказывается, что «Черные лебеди» прилетают к нам не по собственной воле.
Это наше коллективное рассогласование с кардинально изменившейся средой так меняет наше поведение, что мы сами толкаем ситуацию в пропасть.
И это, похоже, еще один новый закон природы.
#ЭволюционнаяБиология #КоллективныеВычисления #Нейронаука #ПринятиеРешений #Краудсорсинг #ЧерныйЛебедь
Важнейшим последствием продолжения прорывной серии открытий центра С4 (о чем я писал вчера), может стать выработка стратегий предотвращения «Черных лебедей».
И поскольку у вас могут не дойти руки:
— до рекомендованного мною вчера эссе https://goo.gl/3b71TR
— до научных статей C4 https://goo.gl/DMjYRg
— до превосходных публичных лекций С4 https://goo.gl/mXaM8q , —
попробую выжать «сухой остаток» из этих сотен страниц и десятков часов видео на 2 мин. вашего чтения.
I) О «Черных лебедях» и коллективном поведении.
«Черные лебеди» возникают в результате коллективного поведения людей в предкритических ситуациях. Это относится к любым «Черным лебедям», - непредвиденные глобальные обвалы финансовых рынков, национальные и глобальные экономические кризисы, эпидемии схлопывания политических режимов, типа «Арабской весны».
Ключевых факторов того, взлетит ли новый «Черный лебедь» или все как-то утрясется без катастроф, два:
1) насколько близко подошла система к критической (переломной) точке - фазовому переходу системы;
2) в какую сторону: к критической точке или от нее подталкивает систему коллективное поведение.
Это похоже на толпу у обрыва над пропастью.
— Как поведет себя толпа?
— Будет ли она в результате сотен индивидуальных действий еще ближе приближаться к краю, а потом и просто выдавливать в пропасть людей?
— Или сумеет самоорганизоваться, начнет пятиться от края и тем самым предотвратит катастрофу?
Понять степень близости системы к критической точке – задача междисциплинарных исследований в соответствующей области: финансы и т.д. Этим занимаются в исследовательских центрах типа NECSI.
Понимание того, по каким схемам и с помощью каких механизмов формируются коллективные: поведение, действия, принятие решений – это задача исследований центра С4.
II) О большой войне, как новом законе природы
Исследования на матмоделях с проверкой на обезьянах позволило понять, как социальные и другие био-системы переходят из состояния А в Б. Например:
— Коллективное вычисление, выясняющее, кто в обезьяньей стае власть, требует множества драк с участием от 2х до 30+ особей.
— Маленькие драки часты, большие - редки.
— На модели с проверкой на практике удалось собрать данные о решениях отдельных особей присоединиться к драке.
— На основе этого определили число обезьян, чья склонность присоединиться к драке должна увеличиться, чтобы приблизить систему к критической точке (тотальная потасовка с непредсказуемым для стаи результатом).
— Оказалось, что требуется всего 3-5 особей, чтобы подтолкнуть систему к краю пропасти.
— Дальше определили, как самые статусные индивиды способны чуть ли ни в одиночку довести до тотальной драки.
И вот тут откровение!
Выяснилось, что катастрофа тотального боя как бы притягивает участников. А его последствия, при всей катастрофичности, позволяют решить иначе не решаемую задачу:
✔️ полностью переконфигурировать стаю в ситуации, когда окружающая среда меняется от известной до неизвестной.
Т.е. вот она причина того, что большой войны оказывается не миновать.
Оказывается, что «Черные лебеди» прилетают к нам не по собственной воле.
Это наше коллективное рассогласование с кардинально изменившейся средой так меняет наше поведение, что мы сами толкаем ситуацию в пропасть.
И это, похоже, еще один новый закон природы.
#ЭволюционнаяБиология #КоллективныеВычисления #Нейронаука #ПринятиеРешений #Краудсорсинг #ЧерныйЛебедь
Quanta Magazine
How Nature Solves Problems Through Computation
The evolutionary biologist Jessica Flack seeks the computational rules that groups of organisms use to solve problems.
70 лет человечество бредет по худшему из лабиринтов.
С 1948 г. доминирующей интерпретацией понятия «информация» стала «бессмысленная информация»
Этот пост - не закос под эзотерику и не плод биполярного расстройства (хотя «Звездная ночь» Ван Гога одна из моих любимых картин). Все абсолютно серьезно, что подтверждается научным весом инициатора этой истории Dan Dennett и примкнувших к нему ученых высшего калибра, типа David Wolpert.
Вот уже 70 лет человечество бредет по самому худшему из возможных лабиринтов, описанному в одном из рассказов Борхеса. Он писал, что худший лабиринт - это не какая-то сложная и запутанная форма, по которой можно плутать бесконечно, а лабиринт, состоящий из одного единственного абсолютно прямого пути.
Таким путем стала для человечества единая трактовка понятия информация, доминировавшая около 60 лет, а с началом тотальной цифровизации мира где-то лет 10 назад, превращающаяся из единой в практически единственную.
В 1948 году Клод Шэннон, с головой погруженный в решение инженерных задач кодирования, передачи и декодирования электронных сигналов, предпринял радикальный шаг в определении информации таким образом, что полностью исключил из определения смысл информации. В определении Шеннона игнорировался любой потенциальный смысл, который мог бы содержаться в передаваемом сигнале. Для Шеннона информацией были статистические свойства сигналов, отправленных от отправителя к получателю.
С тех пор такое определение стало доминирующим и вот уже 70 лет широко применяется в физических, биологических и социальных науках, не говоря уж об инженерных приложениях.
Между тем, лингвисты и философы продолжили бороться за определение информации в контексте ее связи со смыслом и его интерпретацией, фокусируясь, в основном, на изучении разума и языка.
70 лет они думали прежде всего о семантике высказываний, - о том, что они называют суждениями.
Таких исследователей не удовлетворяла абсолютно бессмысленная трактовка двоичной последовательности «010001010011110101001101010000110101111000110010», поскольку ее смысл «E=MC^2» ускользает в определении Шеннона.
Теория Шеннона и ее акцент на статистических свойствах информации были полезны во многих научных и технических контекстах. Но в других контекстах, и не только применительно к людям, информация без смысла кажется ограниченной и непродуктивной.
Два фундаментальных вопроса так и остаются пока без ответа:
— Является ли извлечение смысла источником разума?
— Может ли машина генерировать смысл из информации на ее входе?
Чтобы начать преодоление 70-летнего разрыва между информацией Шеннона и семантической информацией, знаменитый ученый Дэниел Деннетт организовал рабочую группу «Смысл информации», объединившую физиков, инженеров, эволюционных биологов, лингвистов, философов и нейроисследователей https://goo.gl/7bfACc .
Их подход состоит в том, чтобы определить наиболее фундаментальные случаи семантики смысла и изучить их свойства и последствия:
— в физике и инжиниринге;
— в биологии;
— в семантике естественных языков.
Цель этого – выработка альтернативной интерпретации информации посредством ее значения (смысла).
Первый семинар рабочей группы «Смысл информации» состоялся на прошлой неделе. Отправной точкой обсуждения на нем стало новое эссе гарвардского биолога проф. Дэвида Хейга https://goo.gl/om4dE9 .
Он предложил определить смысл, как результат интерпретирующего процесса, на входе которого информация.
Например.
Представьте простое устройство, способное порождать искру. Если в воздухе присутствует только кислород, ничего не происходит, но если присутствует водород, происходит взрыв.
А теперь рассмотрим другую конструкцию устройства, с одним ключевым отличием: датчик водорода. Если водород не обнаружен, система поражает искру. Если же водород обнаружен, искра не вырабатывается.
Система с датчиком действует по-разному, извлекая смысл из информации об окружающей среды. Можно ли сказать, что система интерпретирует среду? Если да, каков смысл этой интерпретации?
#Информация
С 1948 г. доминирующей интерпретацией понятия «информация» стала «бессмысленная информация»
Этот пост - не закос под эзотерику и не плод биполярного расстройства (хотя «Звездная ночь» Ван Гога одна из моих любимых картин). Все абсолютно серьезно, что подтверждается научным весом инициатора этой истории Dan Dennett и примкнувших к нему ученых высшего калибра, типа David Wolpert.
Вот уже 70 лет человечество бредет по самому худшему из возможных лабиринтов, описанному в одном из рассказов Борхеса. Он писал, что худший лабиринт - это не какая-то сложная и запутанная форма, по которой можно плутать бесконечно, а лабиринт, состоящий из одного единственного абсолютно прямого пути.
Таким путем стала для человечества единая трактовка понятия информация, доминировавшая около 60 лет, а с началом тотальной цифровизации мира где-то лет 10 назад, превращающаяся из единой в практически единственную.
В 1948 году Клод Шэннон, с головой погруженный в решение инженерных задач кодирования, передачи и декодирования электронных сигналов, предпринял радикальный шаг в определении информации таким образом, что полностью исключил из определения смысл информации. В определении Шеннона игнорировался любой потенциальный смысл, который мог бы содержаться в передаваемом сигнале. Для Шеннона информацией были статистические свойства сигналов, отправленных от отправителя к получателю.
С тех пор такое определение стало доминирующим и вот уже 70 лет широко применяется в физических, биологических и социальных науках, не говоря уж об инженерных приложениях.
Между тем, лингвисты и философы продолжили бороться за определение информации в контексте ее связи со смыслом и его интерпретацией, фокусируясь, в основном, на изучении разума и языка.
70 лет они думали прежде всего о семантике высказываний, - о том, что они называют суждениями.
Таких исследователей не удовлетворяла абсолютно бессмысленная трактовка двоичной последовательности «010001010011110101001101010000110101111000110010», поскольку ее смысл «E=MC^2» ускользает в определении Шеннона.
Теория Шеннона и ее акцент на статистических свойствах информации были полезны во многих научных и технических контекстах. Но в других контекстах, и не только применительно к людям, информация без смысла кажется ограниченной и непродуктивной.
Два фундаментальных вопроса так и остаются пока без ответа:
— Является ли извлечение смысла источником разума?
— Может ли машина генерировать смысл из информации на ее входе?
Чтобы начать преодоление 70-летнего разрыва между информацией Шеннона и семантической информацией, знаменитый ученый Дэниел Деннетт организовал рабочую группу «Смысл информации», объединившую физиков, инженеров, эволюционных биологов, лингвистов, философов и нейроисследователей https://goo.gl/7bfACc .
Их подход состоит в том, чтобы определить наиболее фундаментальные случаи семантики смысла и изучить их свойства и последствия:
— в физике и инжиниринге;
— в биологии;
— в семантике естественных языков.
Цель этого – выработка альтернативной интерпретации информации посредством ее значения (смысла).
Первый семинар рабочей группы «Смысл информации» состоялся на прошлой неделе. Отправной точкой обсуждения на нем стало новое эссе гарвардского биолога проф. Дэвида Хейга https://goo.gl/om4dE9 .
Он предложил определить смысл, как результат интерпретирующего процесса, на входе которого информация.
Например.
Представьте простое устройство, способное порождать искру. Если в воздухе присутствует только кислород, ничего не происходит, но если присутствует водород, происходит взрыв.
А теперь рассмотрим другую конструкцию устройства, с одним ключевым отличием: датчик водорода. Если водород не обнаружен, система поражает искру. Если же водород обнаружен, искра не вырабатывается.
Система с датчиком действует по-разному, извлекая смысл из информации об окружающей среды. Можно ли сказать, что система интерпретирует среду? Если да, каков смысл этой интерпретации?
#Информация
www.santafe.edu
Reconciling two views of information
<p>The Meaning of Information working group meets to reconcile two different definitions of "information."</p>
Этот пост о втором из трех открытий 2017 года, способных перевернуть понимание интеллекта (человека, компьютера и животных).
Брошен вызов общепринятым представлениям о том, что ключевой целью и функцией памяти является способность живых существ сохранять информацию в мозге. На основе анализа новейших нейробиологических исследований, предложена и обоснована альтернативная гипотеза. Ее суть в том, что ключевой целью и функцией памяти является способность забывать информацию - способность, без которой живые существа просто не могли бы, не то что эволюционировать, но и просто жить.
Читать 4 мин.
#Память #МашинноеОбучение #Эволюция #КогнитивныеСистемы
Брошен вызов общепринятым представлениям о том, что ключевой целью и функцией памяти является способность живых существ сохранять информацию в мозге. На основе анализа новейших нейробиологических исследований, предложена и обоснована альтернативная гипотеза. Ее суть в том, что ключевой целью и функцией памяти является способность забывать информацию - способность, без которой живые существа просто не могли бы, не то что эволюционировать, но и просто жить.
Читать 4 мин.
#Память #МашинноеОбучение #Эволюция #КогнитивныеСистемы
Medium
Сверхзадача памяти — не помнить, а забыть
Этот пост о втором из трех открытий 2017 года, способных перевернуть понимание интеллекта (человека, компьютера и животных)
ИИ обладающий эмпатией и сознанием
Шоумо Банерджи из Математического института Оксфордского университета не перестает меня удивлять. И похоже, что уже в этом году его вместе со всеми его работами купит какой-нибудь Google или IBM, после чего все эти работы засекретят.
Но пока нам раздолье, и можем свободно читать.
Только что Банерджи передал на рецензирование научной общественности новую революционную работу на стыке ИИ и двух теорий: Адаптивных самоорганизующихся и Мультиагентных систем.
Работа называется «A framework for designing compassionate and ethical artificial intelligence and artificial consciousness» (Основа для разработки способного к состраданию и этике ИИ, а также искусственного сознания) https://goo.gl/BnTres
Революционность этой работы в том, что это 1я в мире попытка, если не примирить, то хотя бы сблизить две полярные точки зрения на сознание.
Несколько упрощая, эти 2 полярные точки зрения таковы.
1) все элементы сознания так или иначе сводимы к вычислительным процессам (и, следовательно, могут быть воспроизведены компьютером);
2) есть нечто большее в человеческом осознанном поведении, что невозможно описать вычислительным процессом (например, творчество или чувство свободы, которыми обладают люди, похоже, не связаны с логикой или расчетами).
Что стоит за каждой из этих 2х точек зрения, я, пожалуй, напишу поподробней в отдельном посте. Здесь же лишь отмечу, каким образом Шоумо Банерджи предлагает решение на стыке 2х полярных подходов.
Это – «гибридный интеллект», обладающий верхним уровнем сознания.
По сути, подход Банерджи продолжает и расширяет подход IBM, реализуемый в IBM Watson.
Но если Watson основан на глубоком обучении компьютера с использованием обширного корпуса сетевых текстов, подход Банерджи предусматривает включение в контур глубокого обучения еще и человека-оператора.
Описывать здесь детали подхода Банерджи не вижу смысла. Это будет длинное и не простое переложение текста статьи Банерджи. Кому интересно – прочтет сам в оригинале.
Но если будете читать, обратите внимание, что ключом к переходу от моделирования интеллекта к моделированию сознания, Банерджи называет способностью компьютера сопереживать и сострадать. И не только другому человеку, но и другому компьютеру.
О предыдущей работе Шоумо Банерджи - революционной теории преступности и насилия в городах, построенной по аналогии с иммунной системой человека, где преступность (и сами преступники) уподобляется патогенным инфекциям, а ответ на нее со стороны общества (полиция, суд и тд) – иммунным ответам организма - см. https://t.me/theworldisnoteasy/292 . Фантастический сплав современной теории городов, как биологических организмов, вычислительной социобиологии и теории искусственных иммунных систем.
#ИИ #АдаптивныеСамоорганизующиесяСистемы #МультиагентныеСистемы
Шоумо Банерджи из Математического института Оксфордского университета не перестает меня удивлять. И похоже, что уже в этом году его вместе со всеми его работами купит какой-нибудь Google или IBM, после чего все эти работы засекретят.
Но пока нам раздолье, и можем свободно читать.
Только что Банерджи передал на рецензирование научной общественности новую революционную работу на стыке ИИ и двух теорий: Адаптивных самоорганизующихся и Мультиагентных систем.
Работа называется «A framework for designing compassionate and ethical artificial intelligence and artificial consciousness» (Основа для разработки способного к состраданию и этике ИИ, а также искусственного сознания) https://goo.gl/BnTres
Революционность этой работы в том, что это 1я в мире попытка, если не примирить, то хотя бы сблизить две полярные точки зрения на сознание.
Несколько упрощая, эти 2 полярные точки зрения таковы.
1) все элементы сознания так или иначе сводимы к вычислительным процессам (и, следовательно, могут быть воспроизведены компьютером);
2) есть нечто большее в человеческом осознанном поведении, что невозможно описать вычислительным процессом (например, творчество или чувство свободы, которыми обладают люди, похоже, не связаны с логикой или расчетами).
Что стоит за каждой из этих 2х точек зрения, я, пожалуй, напишу поподробней в отдельном посте. Здесь же лишь отмечу, каким образом Шоумо Банерджи предлагает решение на стыке 2х полярных подходов.
Это – «гибридный интеллект», обладающий верхним уровнем сознания.
По сути, подход Банерджи продолжает и расширяет подход IBM, реализуемый в IBM Watson.
Но если Watson основан на глубоком обучении компьютера с использованием обширного корпуса сетевых текстов, подход Банерджи предусматривает включение в контур глубокого обучения еще и человека-оператора.
Описывать здесь детали подхода Банерджи не вижу смысла. Это будет длинное и не простое переложение текста статьи Банерджи. Кому интересно – прочтет сам в оригинале.
Но если будете читать, обратите внимание, что ключом к переходу от моделирования интеллекта к моделированию сознания, Банерджи называет способностью компьютера сопереживать и сострадать. И не только другому человеку, но и другому компьютеру.
О предыдущей работе Шоумо Банерджи - революционной теории преступности и насилия в городах, построенной по аналогии с иммунной системой человека, где преступность (и сами преступники) уподобляется патогенным инфекциям, а ответ на нее со стороны общества (полиция, суд и тд) – иммунным ответам организма - см. https://t.me/theworldisnoteasy/292 . Фантастический сплав современной теории городов, как биологических организмов, вычислительной социобиологии и теории искусственных иммунных систем.
#ИИ #АдаптивныеСамоорганизующиесяСистемы #МультиагентныеСистемы
PeerJ Preprints
A framework for designing compassionate and ethical artificial intelligence and artificial consciousness
Intelligence and consciousness have fascinated humanity for a long time and we have long sought to replicate this in machines. In this work we show some design principles for a compassionate and conscious artificial intelligence. We present a computational…
Открыт «закон Дарвина» об эволюции общества.
Фундаментальность цели этой работы поражает.
Найти единый структурированный измеритель, позволяющий оценить сложность социальной организации общества, вне зависимости от его уровня развития, места в истории (современное или жившее тысячи лет назад), культурной и эволюционной специфики … и т.д. и т.п.
И потому столь фундаментален и состав участников работы: 53 исследователя (включая 3их российских) из 30+ университетов и научных центров 20+ стран.
Проведенный ими детальный анализ 414 обществ, живших и живущих в 30 регионах мира за последние 10 тыс. лет, позволил решить доселе нерешаемую задачу.
Открытый в результате этого исследования универсальный метод оценки сложности социальной организации общества основан на сети из 51 параметра, структурированных по 9 связанным (и коррелирующим) характеристикам сложности - “complexity characteristics” (CCs) (см. рисунок https://goo.gl/LPzvZx).
Эти 9 характеристик сложности:
1 – территория государства,
2 – население государства,
3 – население столицы,
4 – иерархичность,
5 – правительство,
6 - деньги,
7 – инфраструктура,
8 – информационная система,
9 – тексты.
Цвет и толщина связей в сети на рисунке характеризуют корреляцию между характеристиками сложности.
Авторам удалось не только систематизировать и измерить сложность социальной организации человечества, но и:
- систематизировать и изучить динамику изменения этой сложности,
- и установить типовые траектории, по которым усложняются общества,
за 10 тыс. лет истории человечества (см. пример графика https://goo.gl/bQi1qs )
Главный вывод исследования таков.
Ключевые аспекты социальной организации людей имеют тенденцию коэволюции предсказуемым образом. Этот результат подтверждает гипотезу о том, что существуют существенные общие черты в том, как развиваются человеческие общества. Таким образом, общества могут быть осмысленно сопоставлены по одному измерению, названному социальной сложностью.
Полный текст результатов исследования https://goo.gl/Vqeenh
#Эволюция #Общество
Фундаментальность цели этой работы поражает.
Найти единый структурированный измеритель, позволяющий оценить сложность социальной организации общества, вне зависимости от его уровня развития, места в истории (современное или жившее тысячи лет назад), культурной и эволюционной специфики … и т.д. и т.п.
И потому столь фундаментален и состав участников работы: 53 исследователя (включая 3их российских) из 30+ университетов и научных центров 20+ стран.
Проведенный ими детальный анализ 414 обществ, живших и живущих в 30 регионах мира за последние 10 тыс. лет, позволил решить доселе нерешаемую задачу.
Открытый в результате этого исследования универсальный метод оценки сложности социальной организации общества основан на сети из 51 параметра, структурированных по 9 связанным (и коррелирующим) характеристикам сложности - “complexity characteristics” (CCs) (см. рисунок https://goo.gl/LPzvZx).
Эти 9 характеристик сложности:
1 – территория государства,
2 – население государства,
3 – население столицы,
4 – иерархичность,
5 – правительство,
6 - деньги,
7 – инфраструктура,
8 – информационная система,
9 – тексты.
Цвет и толщина связей в сети на рисунке характеризуют корреляцию между характеристиками сложности.
Авторам удалось не только систематизировать и измерить сложность социальной организации человечества, но и:
- систематизировать и изучить динамику изменения этой сложности,
- и установить типовые траектории, по которым усложняются общества,
за 10 тыс. лет истории человечества (см. пример графика https://goo.gl/bQi1qs )
Главный вывод исследования таков.
Ключевые аспекты социальной организации людей имеют тенденцию коэволюции предсказуемым образом. Этот результат подтверждает гипотезу о том, что существуют существенные общие черты в том, как развиваются человеческие общества. Таким образом, общества могут быть осмысленно сопоставлены по одному измерению, названному социальной сложностью.
Полный текст результатов исследования https://goo.gl/Vqeenh
#Эволюция #Общество
Выявлен самый простой способ потерять друга или френда.
Все мы живем в соцсетях наших физических, телефонных и Интернет взаимоотношений и коммуникаций с родственниками, друзьями, знакомыми, сослуживцами и т.д. Но что мы знаем о закономерностях сохранения и разрыва существующих прочных связей?
Ни_че_го! Поскольку классификация сетевых взаимодействий на сильные и слабые связи со времен Марка Грановеттера (1973) об этом ничего не говорит. А новых прорывов в данном вопросе с тех пор так и не случалось.
И вот, наконец, есть продвижение.
Новое исследование дает ответ на важнейший вопрос - какие особенности человеческих коммуникаций создают и удерживают прочную связь.
Найдены факторы, делающие связи более стойкими и, следовательно, более вероятными для поддержания социальных коммуникаций в будущем.
Оказалось, что сила связей определяется далеко не только топологией (с кем общаетесь) и интенсивностью коммуникации (как часто), но также и тем, как люди распределяют свое время и внимание между всеми своими коммуникациями.
Обнаружены темпоральные (временные) паттерны (типовые закономерности), имеющие колоссальное влияние на укрепление или ослабление стойкости взаимоотношений.
Например, поддержание постоянства ритма коммуникаций.
Допустим, среди ваших существующих друзей, знакомых, френдов есть некто Х, с которым установлена стойкая двухсторонняя социальная связь. Он может жить в том же городе или в тысячах километров от вас. Вы можете с ним регулярно встречаться и пить пиво. Или видеться только по Скайпу. Или только созваниваться. Или общаться в Фейсбуке …
НО!
1) В любом случае, у вас установлен некий усредненный ритм коммуникаций (средняя частота общения).
2) И если вдруг так случится, что установившаяся периодичность ваших коммуникаций (неважно, раз в день или в неделю, или в месяц) будет нарушена более, чем в 8 раз, ваша социальная связь, с высокой вероятностью, будет разорвана. И шиш ее потом восстановишь.
3) Т.е. если не хотите потерять друга или френда, но требуется снизить частоту общения – делайте это постепенно.
И это вам не банальная житейская мудрость, типа «позвоните родителям» или «надо чаще встречаться», - это закономерность, однозначно следующая из анализа гигантской базы динамических социо-географических данных (Longitudinal Social Networks).
О других выявленных закономерностях читайте новый номер EPJ Data Science со статьей о результатах исследования «Temporal patterns behind the strength of persistent ties» https://goo.gl/aNsNzR
Кто пропустил предыдущий прорыв в анализе динамических социо-географических сетей – распространение по ним «ментальной заразы» - читайте мой пост «Хочешь похудеть? Скорректируй окружающую реальность» https://goo.gl/qUyk1h
#СоциальныеСети #СтойкостьСвязей #ТемпоральныеПаттерны
Все мы живем в соцсетях наших физических, телефонных и Интернет взаимоотношений и коммуникаций с родственниками, друзьями, знакомыми, сослуживцами и т.д. Но что мы знаем о закономерностях сохранения и разрыва существующих прочных связей?
Ни_че_го! Поскольку классификация сетевых взаимодействий на сильные и слабые связи со времен Марка Грановеттера (1973) об этом ничего не говорит. А новых прорывов в данном вопросе с тех пор так и не случалось.
И вот, наконец, есть продвижение.
Новое исследование дает ответ на важнейший вопрос - какие особенности человеческих коммуникаций создают и удерживают прочную связь.
Найдены факторы, делающие связи более стойкими и, следовательно, более вероятными для поддержания социальных коммуникаций в будущем.
Оказалось, что сила связей определяется далеко не только топологией (с кем общаетесь) и интенсивностью коммуникации (как часто), но также и тем, как люди распределяют свое время и внимание между всеми своими коммуникациями.
Обнаружены темпоральные (временные) паттерны (типовые закономерности), имеющие колоссальное влияние на укрепление или ослабление стойкости взаимоотношений.
Например, поддержание постоянства ритма коммуникаций.
Допустим, среди ваших существующих друзей, знакомых, френдов есть некто Х, с которым установлена стойкая двухсторонняя социальная связь. Он может жить в том же городе или в тысячах километров от вас. Вы можете с ним регулярно встречаться и пить пиво. Или видеться только по Скайпу. Или только созваниваться. Или общаться в Фейсбуке …
НО!
1) В любом случае, у вас установлен некий усредненный ритм коммуникаций (средняя частота общения).
2) И если вдруг так случится, что установившаяся периодичность ваших коммуникаций (неважно, раз в день или в неделю, или в месяц) будет нарушена более, чем в 8 раз, ваша социальная связь, с высокой вероятностью, будет разорвана. И шиш ее потом восстановишь.
3) Т.е. если не хотите потерять друга или френда, но требуется снизить частоту общения – делайте это постепенно.
И это вам не банальная житейская мудрость, типа «позвоните родителям» или «надо чаще встречаться», - это закономерность, однозначно следующая из анализа гигантской базы динамических социо-географических данных (Longitudinal Social Networks).
О других выявленных закономерностях читайте новый номер EPJ Data Science со статьей о результатах исследования «Temporal patterns behind the strength of persistent ties» https://goo.gl/aNsNzR
Кто пропустил предыдущий прорыв в анализе динамических социо-географических сетей – распространение по ним «ментальной заразы» - читайте мой пост «Хочешь похудеть? Скорректируй окружающую реальность» https://goo.gl/qUyk1h
#СоциальныеСети #СтойкостьСвязей #ТемпоральныеПаттерны
SpringerOpen
Temporal patterns behind the strength of persistent ties - EPJ Data Science
Social networks are made out of strong and weak ties having very different structural and dynamical properties. But what features of human interaction build a strong tie? Here we approach this question from a practical way by finding what are the properties…
Почему одним все, а другим ничего?
Почему одни становятся гениями, а другие аутсайдерами? Ответить на эти вопросы пытались уже не раз.
И сегодня есть 2 разных и примерно одинаково хорошо обоснованных варианта ответов.
✔️ Малкольм Гладуэлл написал про это целую книгу «Outliers: The Story of Success» и пришел к выводу, что к успеху могут привести только:
(1) тщательный, долгий труд и
(2) удачно сложившиеся обстоятельства, - нужно оказаться в нужном месте, поймать волну удачи, увидеть свой шанс.
✔️ Знаменитое 45 летнее исследование жизненных успехов вундеркиндов SMPY (Study of Mathematically Precocious Youth) пришло к иному выводу - гены (природные способности) гораздо важнее, чем трудолюбие и тренировки (в случае спортсменов) – ссылки в конце поста.
Какой же из вариантов ближе к истине: Гладуэлла или исследователей проекта SMPY?
Чтобы понять это, нужно проверить значимость 2го фактора в гипотезе Гладуэлла – роль случайности.
Дот сих пор ни одно исследование даже не пыталось этого сделать.
И вот 1я и довольно эффектная попытка.
Трое исследователей (датасцаентист, биостатистик и спортивный статистик) подошли к вопросу фундаментально. Они справедливо решили, что гораздо продуктивней искать ответ на вопрос «что важнее – талант или случайность (удача)?» не в области бизнеса или науки – черт их там поймет этих ученых, инвесторов и топ-менеджеров.
Гораздо продуктивней попытаться ответить на этот вопрос в спорте.
— Ведь, во-первых, здесь гораздо меньше влияющих и непредсказуемых факторов, а также субъективности.
— И во-вторых, - здесь есть прогноз на деньги – тотализатор (а как уверен Нассим Талеб, прогноз, в котором не поставлена на кон шкура прогнозиста, стоит не много 😎).
В итоге трое исследователей разработали модель очистки показателей результативности спортсмена (команды) от шума случайностей, выделяя в приоритет уровень спортивного таланта спортсмена (команды), достигнутый на момент конкретных соревнований.
О результатах проверки модели на американском футболе, хоккее и баскетболе читайте в отчете об исследовании «How often does the best team win? A unified approach to understanding randomness in North American sport» - видео 26 мин https://goo.gl/t4jF7g , слайды https://goo.gl/oJj74S
Этот результат интересен далеко не только профессиональным игрокам на тотализаторе. Ведь похоже, что фактор таланта все же можно очистить от шума случайностей. И если так, то скоро мы увидим подобные исследования для талантов в бизнесе, науке и искусстве, позволяющие очистить данные о топ-менеджерах, ученых и артистах от шума случайностей их карьер.
И тогда мы, наконец, узнаем, что важнее для таланта – трудолюбие или гены.
PS Правда есть еще третья интересная теория в этой области, - попадание человека в т.н. «Кластер миллиардеров». Лонгрид про это желающие могут прочесть здесь https://goo.gl/8riNiC
PPS Об исследовании SMPY см. здесь: по-русски https://goo.gl/X16CMk), по-английски https://goo.gl/1fF2hL , видео на 14 мин https://goo.gl/sybgLB
#Талант #Случайность
Почему одни становятся гениями, а другие аутсайдерами? Ответить на эти вопросы пытались уже не раз.
И сегодня есть 2 разных и примерно одинаково хорошо обоснованных варианта ответов.
✔️ Малкольм Гладуэлл написал про это целую книгу «Outliers: The Story of Success» и пришел к выводу, что к успеху могут привести только:
(1) тщательный, долгий труд и
(2) удачно сложившиеся обстоятельства, - нужно оказаться в нужном месте, поймать волну удачи, увидеть свой шанс.
✔️ Знаменитое 45 летнее исследование жизненных успехов вундеркиндов SMPY (Study of Mathematically Precocious Youth) пришло к иному выводу - гены (природные способности) гораздо важнее, чем трудолюбие и тренировки (в случае спортсменов) – ссылки в конце поста.
Какой же из вариантов ближе к истине: Гладуэлла или исследователей проекта SMPY?
Чтобы понять это, нужно проверить значимость 2го фактора в гипотезе Гладуэлла – роль случайности.
Дот сих пор ни одно исследование даже не пыталось этого сделать.
И вот 1я и довольно эффектная попытка.
Трое исследователей (датасцаентист, биостатистик и спортивный статистик) подошли к вопросу фундаментально. Они справедливо решили, что гораздо продуктивней искать ответ на вопрос «что важнее – талант или случайность (удача)?» не в области бизнеса или науки – черт их там поймет этих ученых, инвесторов и топ-менеджеров.
Гораздо продуктивней попытаться ответить на этот вопрос в спорте.
— Ведь, во-первых, здесь гораздо меньше влияющих и непредсказуемых факторов, а также субъективности.
— И во-вторых, - здесь есть прогноз на деньги – тотализатор (а как уверен Нассим Талеб, прогноз, в котором не поставлена на кон шкура прогнозиста, стоит не много 😎).
В итоге трое исследователей разработали модель очистки показателей результативности спортсмена (команды) от шума случайностей, выделяя в приоритет уровень спортивного таланта спортсмена (команды), достигнутый на момент конкретных соревнований.
О результатах проверки модели на американском футболе, хоккее и баскетболе читайте в отчете об исследовании «How often does the best team win? A unified approach to understanding randomness in North American sport» - видео 26 мин https://goo.gl/t4jF7g , слайды https://goo.gl/oJj74S
Этот результат интересен далеко не только профессиональным игрокам на тотализаторе. Ведь похоже, что фактор таланта все же можно очистить от шума случайностей. И если так, то скоро мы увидим подобные исследования для талантов в бизнесе, науке и искусстве, позволяющие очистить данные о топ-менеджерах, ученых и артистах от шума случайностей их карьер.
И тогда мы, наконец, узнаем, что важнее для таланта – трудолюбие или гены.
PS Правда есть еще третья интересная теория в этой области, - попадание человека в т.н. «Кластер миллиардеров». Лонгрид про это желающие могут прочесть здесь https://goo.gl/8riNiC
PPS Об исследовании SMPY см. здесь: по-русски https://goo.gl/X16CMk), по-английски https://goo.gl/1fF2hL , видео на 14 мин https://goo.gl/sybgLB
#Талант #Случайность
YouTube
2017 NESSIS - Talk by Ben Baumer and Michael Lopez
"How often does the best team win? A unified approach to understanding randomness in North American sport" presented by Ben Baumer and Michael Lopez at the 2017 New England Symposium on Statistics in Sports, held on Sept 23, 2017, at the Harvard University…
Почему наем «лучших» людей ошибочен.
Сегодняшние наука и бизнес сильно отличаются от тех, что были лет 30 назад – они кардинально усложнились.
Сложные системы и проблемы существовали всегда. Но сегодня:
— они стали гораздо распространенней;
— уровень их сложности зашкалил.
Виной тому информационно-технологическая революция. Самостоятельные прежде системы теперь взаимосвязаны и взаимозависимы, а значит более сложны. Раньше строили дорогу от А до Б. Теперь строят транспортную инфраструктуру с экологическими, социальными, экономическими и политическими последствиями.
Скотт Пейдж — известный ученый и автор бестселлера The Difference о разнообразии в обществе, науке и бизнесе — на основе матмодели наглядно показал, что при решении сложных проблем «разнообразие берет верх над способностями».
Если в решении сложной проблемы заняты несколько профессионалов в этой области, даже 1 посредственный специалист из смежной области может оказаться полезней, чем еще 5 превосходных спецов из той же области.
Совсем простой пример. Если хотите улучшить уровень игры в теннис, вам не нужны 2, 3 или 5 тренеров. Вполне достаточно и одного. Возможно, далеко не самого лучшего. Но зато в команде с диетологом и фитнес-инструктором. А если добавить психолога и статистика – дело пойдет еще лучше.
Более сложный пример. На конференцию по моделированию траффика случайно занесло логика, которому там, казалось бы, делать нечего. Но он неожиданно поднял руку после 1го же доклада и задал вопрос, поразивший своей неожиданностью.
А почему, собственно, моделируется движение машин, тогда как проще и продуктивней моделировать движение «не-машин», - т.е. пространственных дырок, в которых машин нет?
Ведь при плотном трафике (а именно он интересен) «не-машин» куда меньше чем машин, и выч. ресурсов на моделирование будет тратиться меньше. Более того, динамика «не-машин», скорее всего, лучше поддается анализу.
Этот логик на автомате применил принцип минимальной длины описания. Как меньшим числом слов определить такую последовательность ABCDEFGHIJKMNOPQRSTUVWXYZ?
«Нет L». Вот и логик рассуждал так же. Но кто же знал, что здесь нужен логик!
По мере повышения сложности, фактор разнообразия команды все более берет верх над способностями ее участников. А эта сложность все более растет.
Так стоит ли тогда пытаться нанимать «лучших»?
А именно на этом стоит весь современный рекрутинг: фильтры, тесты, отбор.
Увы, это прошлый век!
XXI век – это век команд, обладающих максимальным когнитивным разнообразием. Они видят и мыслят по-разному, используют разнообразные базы знаний, инструменты и аналитику.
Более того! Даже если наниматель понял, что для решения его задачи нужны, например, не 3 «лучших» онколога, а онколог + математик + биостатистик, важно не допустить другую ошибку
- ему не нужны «лучшие» онколог, математик и биостатистик.
В инфо-мире, где в каждой из этих специальностей в год выходит примерно 50 тыс. заслуживающих внимания статей, не существует тестов для выявления «лучших».
Но есть возможность выявить разных. И именно в этом таится успех и выигрыш в конкурентной борьбе.
В общем, рекомендую новейшую книгу Пейджа The Diversity Bonus https://goo.gl/wSRt3y
Заодно рекомендую:
— о матмоделировании когнитивного разнообразия https://goo.gl/zinJVD
— почему США самая креативная https://goo.gl/Tuh2vv
— как сложность преобразует бизнес-экосистемы https://goo.gl/jY7T6t
#Разнообразие
Сегодняшние наука и бизнес сильно отличаются от тех, что были лет 30 назад – они кардинально усложнились.
Сложные системы и проблемы существовали всегда. Но сегодня:
— они стали гораздо распространенней;
— уровень их сложности зашкалил.
Виной тому информационно-технологическая революция. Самостоятельные прежде системы теперь взаимосвязаны и взаимозависимы, а значит более сложны. Раньше строили дорогу от А до Б. Теперь строят транспортную инфраструктуру с экологическими, социальными, экономическими и политическими последствиями.
Скотт Пейдж — известный ученый и автор бестселлера The Difference о разнообразии в обществе, науке и бизнесе — на основе матмодели наглядно показал, что при решении сложных проблем «разнообразие берет верх над способностями».
Если в решении сложной проблемы заняты несколько профессионалов в этой области, даже 1 посредственный специалист из смежной области может оказаться полезней, чем еще 5 превосходных спецов из той же области.
Совсем простой пример. Если хотите улучшить уровень игры в теннис, вам не нужны 2, 3 или 5 тренеров. Вполне достаточно и одного. Возможно, далеко не самого лучшего. Но зато в команде с диетологом и фитнес-инструктором. А если добавить психолога и статистика – дело пойдет еще лучше.
Более сложный пример. На конференцию по моделированию траффика случайно занесло логика, которому там, казалось бы, делать нечего. Но он неожиданно поднял руку после 1го же доклада и задал вопрос, поразивший своей неожиданностью.
А почему, собственно, моделируется движение машин, тогда как проще и продуктивней моделировать движение «не-машин», - т.е. пространственных дырок, в которых машин нет?
Ведь при плотном трафике (а именно он интересен) «не-машин» куда меньше чем машин, и выч. ресурсов на моделирование будет тратиться меньше. Более того, динамика «не-машин», скорее всего, лучше поддается анализу.
Этот логик на автомате применил принцип минимальной длины описания. Как меньшим числом слов определить такую последовательность ABCDEFGHIJKMNOPQRSTUVWXYZ?
«Нет L». Вот и логик рассуждал так же. Но кто же знал, что здесь нужен логик!
По мере повышения сложности, фактор разнообразия команды все более берет верх над способностями ее участников. А эта сложность все более растет.
Так стоит ли тогда пытаться нанимать «лучших»?
А именно на этом стоит весь современный рекрутинг: фильтры, тесты, отбор.
Увы, это прошлый век!
XXI век – это век команд, обладающих максимальным когнитивным разнообразием. Они видят и мыслят по-разному, используют разнообразные базы знаний, инструменты и аналитику.
Более того! Даже если наниматель понял, что для решения его задачи нужны, например, не 3 «лучших» онколога, а онколог + математик + биостатистик, важно не допустить другую ошибку
- ему не нужны «лучшие» онколог, математик и биостатистик.
В инфо-мире, где в каждой из этих специальностей в год выходит примерно 50 тыс. заслуживающих внимания статей, не существует тестов для выявления «лучших».
Но есть возможность выявить разных. И именно в этом таится успех и выигрыш в конкурентной борьбе.
В общем, рекомендую новейшую книгу Пейджа The Diversity Bonus https://goo.gl/wSRt3y
Заодно рекомендую:
— о матмоделировании когнитивного разнообразия https://goo.gl/zinJVD
— почему США самая креативная https://goo.gl/Tuh2vv
— как сложность преобразует бизнес-экосистемы https://goo.gl/jY7T6t
#Разнообразие
press.princeton.edu
The Diversity Bonus
How businesses and other organizations can improve their performance by tapping the power of differences in how people think
Открыты «законы Кирхгофа» современного сетевого мира.
Мир состоит из сетей: биологических и техногенных, инфраструктурных и социальных, …
По сути, любая сложная, комплексная система (от сигналов нейронов до регуляции генов) представляется в виде сети, обеспечивающей движение потоков информации между ее узлами.
Однако, несмотря на несомненные успехи сетевой науки и технологий, мы по-прежнему довольно плохо понимаем, как работает информационный обмен в сетях.
Настолько плохо, что, даже имея полную информацию о топологии сети - например, социальной – мы и по сей день умеем весьма плохо предсказывать распространение влияния какой-то информации через социальные связи.
Проблема в том, что до сих пор мы не знаем эффективного способа перевода топологии сети в динамический поток информации между ее узлами. При этом мы лишь знаем, что аналогичные сети демонстрируют принципиально разные модели инфопотоков, обусловленные различными механизмами взаимодействия между узлами.
Вот наглядный пример того, как знание запутанной топологии сети ничего не дает для понимания функционирования описываемой ею сложной системы.
Это https://goo.gl/ug3MkG диаграмма причинно-следственных связей, американской стратегии в Афганистане.
Эту провалившуюся стратегию, ставшую вопиющим примером неэффективности из-за своей запутанности, просто невозможно понять.
Но если бы знать, как выделить в этой запутанной топологии главные инфопотоки (ключевые причинно-следственные связи), можно было привести запутанную схему американской стратегии к нескольким элементарным и понятным пунктам (пример этого см. на 3:30 м. видео «Как сложность приводит к простоте» https://goo.gl/EwpLe1 )
Сегодня выявлены десятки структурных сетевых характеристик, определяющих сетевые потоки: «маленький мир», «толстый хвост» и т.д. Но у нас все еще нет единой теоретической базы, чтобы перевести эти структурные характеристики в функциональные предсказания, относящиеся к динамическому поведению системы (всю сложность сети мы видим, а как она себя поведет не понимаем)
Точнее, не было такой теории. А теперь появилась.
Известный израильский физик и прикладной математик, коллега и соавтор «сетевого Эйнштейна» Барабаши, создатель и руководитель лаборатории комплексных динамических сетей Барух Барзель, - предложил теоретическую базу описания нелинейной динамики потоков информации между узлами сетей https://goo.gl/Q1dJW3 .
Понимание правил, регулирующих эти потоки, является решающим шагом на пути к созданию теории сетевой динамики.
Чтобы выявить шаблоны инфопотока в сети, в работе Барзеля и его аспиранта Узи Харуша использован формализм теории возмущений, аналитически отслеживающий вклад всех узлов / путей в поток информации, раскрывая правила, связывающие структуру и динамический поток информации для широкого спектра нелинейных систем.
#КомплексныеСети #СтатистическаяФизика
Мир состоит из сетей: биологических и техногенных, инфраструктурных и социальных, …
По сути, любая сложная, комплексная система (от сигналов нейронов до регуляции генов) представляется в виде сети, обеспечивающей движение потоков информации между ее узлами.
Однако, несмотря на несомненные успехи сетевой науки и технологий, мы по-прежнему довольно плохо понимаем, как работает информационный обмен в сетях.
Настолько плохо, что, даже имея полную информацию о топологии сети - например, социальной – мы и по сей день умеем весьма плохо предсказывать распространение влияния какой-то информации через социальные связи.
Проблема в том, что до сих пор мы не знаем эффективного способа перевода топологии сети в динамический поток информации между ее узлами. При этом мы лишь знаем, что аналогичные сети демонстрируют принципиально разные модели инфопотоков, обусловленные различными механизмами взаимодействия между узлами.
Вот наглядный пример того, как знание запутанной топологии сети ничего не дает для понимания функционирования описываемой ею сложной системы.
Это https://goo.gl/ug3MkG диаграмма причинно-следственных связей, американской стратегии в Афганистане.
Эту провалившуюся стратегию, ставшую вопиющим примером неэффективности из-за своей запутанности, просто невозможно понять.
Но если бы знать, как выделить в этой запутанной топологии главные инфопотоки (ключевые причинно-следственные связи), можно было привести запутанную схему американской стратегии к нескольким элементарным и понятным пунктам (пример этого см. на 3:30 м. видео «Как сложность приводит к простоте» https://goo.gl/EwpLe1 )
Сегодня выявлены десятки структурных сетевых характеристик, определяющих сетевые потоки: «маленький мир», «толстый хвост» и т.д. Но у нас все еще нет единой теоретической базы, чтобы перевести эти структурные характеристики в функциональные предсказания, относящиеся к динамическому поведению системы (всю сложность сети мы видим, а как она себя поведет не понимаем)
Точнее, не было такой теории. А теперь появилась.
Известный израильский физик и прикладной математик, коллега и соавтор «сетевого Эйнштейна» Барабаши, создатель и руководитель лаборатории комплексных динамических сетей Барух Барзель, - предложил теоретическую базу описания нелинейной динамики потоков информации между узлами сетей https://goo.gl/Q1dJW3 .
Понимание правил, регулирующих эти потоки, является решающим шагом на пути к созданию теории сетевой динамики.
Чтобы выявить шаблоны инфопотока в сети, в работе Барзеля и его аспиранта Узи Харуша использован формализм теории возмущений, аналитически отслеживающий вклад всех узлов / путей в поток информации, раскрывая правила, связывающие структуру и динамический поток информации для широкого спектра нелинейных систем.
#КомплексныеСети #СтатистическаяФизика
Почему существуют везунчики.
На свете есть много красивых, противоречащих интуиции понятий и ситуаций, когда люди думают, что они их понимают, а на самом деле, - совсем не так.
Лучший пример таких понятий - случайность и вероятность.
Представьте, что вы играете в азартную игру, угадывая орел или решка. Угадали – выиграли. Не угадали – проиграли. Монета подбрасывается примерно каждые 5 сек в течение рабочего дня, давая в итоге 10 тыс. испытаний.
А можете теперь представить, какова вероятность, что вы окажитесь в выигрыше 9930 раз при всего 70 проигрышах?
Интуитивно нам кажется, что такой вариант крайне маловероятен. Хотя на самом деле, эта вероятность больше 10%. Т.е. стоит вам поиграть в эту игру на работе в течение всего 2х недель, и этот вариант случится.
Потому что здесь действует 1й Закон арксинуса для случайных блужданий – «Закон везунчика» – в ходе отдельно взятой серии испытаний, сколь бы продолжительной она ни была, могут происходить даже са-мые маловероятные события
Везунчиком, например, запросто может быть игрок казино. Или трейдер, играющий против рынка. Причем даже если будет всего 20 испытаний, то все равно, в результате одна из сторон (трейдер или рынок) окажется везунчиком, а другая – неудачником. И чем больше число испытаний, тем вероятность этого выше.
А есть еще и 2й Закон арксинуса для случайных блужданий, математически описывающий две, казалось бы, противоречащие народные мудрости «новичкам везет» и «первый блин – комом» (и заодно, объясняющий «закон бутерброда».
Согласно 2му Закону арксинуса, существует сильная тенденция к расположению максимумов вблизи начальной или конечной точек пути блуждания.
Т.е. новичкам, действительно везет. Но не всем новичкам, а только удачливым. Иначе говоря, везет тем, «кого случай везет». А всем остальным новичкам гарантирован первый блин комом.
Почему так, и как этим воспользоваться. А также о том:
— что случайность лежит в основе событий, с которыми мы сталкиваемся каждый день, от взлетов и падений цен на акции до вероятности выигрыша в азартных играх;
— что понимание случайности может помочь нам понять наш опыт и решить кажущиеся парадоксы.
— что теория случайных блужданий и ее законы, описывающие некоторые из ее интригующих последствий, помогают строить выигрышные стратегии в экономике и финансах, физике и медицине и т.д. и т.п.
Обо всем этом расскажет знаменитый физик и крупнейший специалист в данной области Сидни Реднер в своей лекции 27 февраля https://goo.gl/uCdxRS , которая будет онлайн транслироваться на ютуб-канале «Института сумасшедших идей» Санта-Фе https://goo.gl/EL7rf3 .
Ну а особо заинтересовавшиеся могут даже записаться и пройти онлайн-туториал Сидни Реднера по теории случайных блужданий https://goo.gl/YPtWQY .
Математическое пояснение законов арксинуса на русском см. здесь https://goo.gl/GtkhfS
#CлучайныеБлуждания
На свете есть много красивых, противоречащих интуиции понятий и ситуаций, когда люди думают, что они их понимают, а на самом деле, - совсем не так.
Лучший пример таких понятий - случайность и вероятность.
Представьте, что вы играете в азартную игру, угадывая орел или решка. Угадали – выиграли. Не угадали – проиграли. Монета подбрасывается примерно каждые 5 сек в течение рабочего дня, давая в итоге 10 тыс. испытаний.
А можете теперь представить, какова вероятность, что вы окажитесь в выигрыше 9930 раз при всего 70 проигрышах?
Интуитивно нам кажется, что такой вариант крайне маловероятен. Хотя на самом деле, эта вероятность больше 10%. Т.е. стоит вам поиграть в эту игру на работе в течение всего 2х недель, и этот вариант случится.
Потому что здесь действует 1й Закон арксинуса для случайных блужданий – «Закон везунчика» – в ходе отдельно взятой серии испытаний, сколь бы продолжительной она ни была, могут происходить даже са-мые маловероятные события
Везунчиком, например, запросто может быть игрок казино. Или трейдер, играющий против рынка. Причем даже если будет всего 20 испытаний, то все равно, в результате одна из сторон (трейдер или рынок) окажется везунчиком, а другая – неудачником. И чем больше число испытаний, тем вероятность этого выше.
А есть еще и 2й Закон арксинуса для случайных блужданий, математически описывающий две, казалось бы, противоречащие народные мудрости «новичкам везет» и «первый блин – комом» (и заодно, объясняющий «закон бутерброда».
Согласно 2му Закону арксинуса, существует сильная тенденция к расположению максимумов вблизи начальной или конечной точек пути блуждания.
Т.е. новичкам, действительно везет. Но не всем новичкам, а только удачливым. Иначе говоря, везет тем, «кого случай везет». А всем остальным новичкам гарантирован первый блин комом.
Почему так, и как этим воспользоваться. А также о том:
— что случайность лежит в основе событий, с которыми мы сталкиваемся каждый день, от взлетов и падений цен на акции до вероятности выигрыша в азартных играх;
— что понимание случайности может помочь нам понять наш опыт и решить кажущиеся парадоксы.
— что теория случайных блужданий и ее законы, описывающие некоторые из ее интригующих последствий, помогают строить выигрышные стратегии в экономике и финансах, физике и медицине и т.д. и т.п.
Обо всем этом расскажет знаменитый физик и крупнейший специалист в данной области Сидни Реднер в своей лекции 27 февраля https://goo.gl/uCdxRS , которая будет онлайн транслироваться на ютуб-канале «Института сумасшедших идей» Санта-Фе https://goo.gl/EL7rf3 .
Ну а особо заинтересовавшиеся могут даже записаться и пройти онлайн-туториал Сидни Реднера по теории случайных блужданий https://goo.gl/YPtWQY .
Математическое пояснение законов арксинуса на русском см. здесь https://goo.gl/GtkhfS
#CлучайныеБлуждания
www.santafe.edu
Video: Sidney Redner on Randomness Everywhere
<p>Physicist Sidney Redner presents an SFI Community Lecture on the role of randomness in our daily lives. Watch his talk <a href="https://www.youtube.com/watch?v=RKlmeELXVi4&t=454s">here</a>.</p>
Лучший техно-фейк года 2017:
как выявить покупателя по одному его лайку, а гея по одному фото.
Среди современных актеров только Том Хэнкс сумел стать лучшим актером Оскара два года подряд - Филадельфия (1993) и Форрест Гамп (1994).
Полагаю, что если бы существовал Оскар за лучший техно-фейк года, то его в 2016 и 2017 получал бы Михал Косински (Michal Kosinski). Запомните лицо этого человека https://goo.gl/LLLp2S, т.к. вы о нем еще наверняка услышите .
О главной высокотехнологической «утке» 2016 года - разработанном Михалом Косински новом «страшном оружии управления массами», основанном на применении подхода Big Data при построении психометрических моделей для таргетированной рекламы, - я писал год назад (см. «Утка года» https://goo.gl/ZYXztc ).
В 2017 Косински, развивая эту же технологию, продвинулся еще дальше, скооперировавшись с очаровательной (не правда ли https://goo.gl/bRc51r ?) Сандрой Матц (Sandra Matz), называющей себя Computational Social Scientist и обладающей пробивной силой крепостного тарана.
Силами этого тарана в конце 2017 в PNAS вышла новая статья Матц и Косински (и еще с 2 соавторами 2го ряда) «Психологический таргетинг как эффективный подход к цифровому массовому убеждению» https://goo.gl/snraAo .
Описанная авторами технология «цифрового массового убеждения» позволяет «осуществлять таргетирование рекламы в зависимости от психотипа».
По открытым данным «лайков» в Facebook определяется, насколько экстравертен и открыт человек. А затем ему показывается вариант рекламы, заточенный под его психотип.
По результатам проведенных авторами испытаний на 3,5 млн пользователей Facebook, они пишут о 40% повышении кликабельность рекламы и 50% увеличении вероятности, что пользователь купит рекламируемый товар или услугу.
Кроме того, Косински сообщил, что по лайкам Facebook, эта технология может прогнозировать:
— употребление наркотиков с 65% точностью,
— политическую принадлежность с 85%,
— сексуальную ориентацию с 80% точностью.
Авторы также подчеркивают двойное назначение этой технологии: «Если использовать это в попытках манипулировать людьми, вы можете заставить их поступать вопреки их собственным интересам — например, не пойти на выборы».
Ссылки на восторженные статьи об этой работе можно найти на сайте Сандры Матц https://goo.gl/rUr2yg . Из их заголовков:
- Онлайн-реклама узнает психотип пользователя по одному «лайку».
- Это открывает возможности для широкомасштабного манипулирования обществом.
Особо я бы рекомендовал интервью Матц, данное для Рsychologytoday. В частности, ее изумительный ответ на вопрос:
«Общеизвестно, что всевозможное тестирование типологии личности оказалось не продуктивно и тем самым себя полностью дискредитировало. Определение же типов личности из данных Facebook кажется еще более проблематичным. Как вы это решаете?»
Не важно, как решают. Они уже движутся дальше и с помощью методов глубокого обучения Косинский натренеровал нейросеть распознавать сексуальную ориентацию мужчин и женщин. Всего по одному фото гей определяется с вероятностью 81%. По пяти – с 91%. Тогда как точность такого же распознавания человеком, как пишут авторы, не превышает 61% https://goo.gl/YBFxPm .
Полагаю, технологии Косинский & Матц ждет в России большое будущее.
#УткаГода
как выявить покупателя по одному его лайку, а гея по одному фото.
Среди современных актеров только Том Хэнкс сумел стать лучшим актером Оскара два года подряд - Филадельфия (1993) и Форрест Гамп (1994).
Полагаю, что если бы существовал Оскар за лучший техно-фейк года, то его в 2016 и 2017 получал бы Михал Косински (Michal Kosinski). Запомните лицо этого человека https://goo.gl/LLLp2S, т.к. вы о нем еще наверняка услышите .
О главной высокотехнологической «утке» 2016 года - разработанном Михалом Косински новом «страшном оружии управления массами», основанном на применении подхода Big Data при построении психометрических моделей для таргетированной рекламы, - я писал год назад (см. «Утка года» https://goo.gl/ZYXztc ).
В 2017 Косински, развивая эту же технологию, продвинулся еще дальше, скооперировавшись с очаровательной (не правда ли https://goo.gl/bRc51r ?) Сандрой Матц (Sandra Matz), называющей себя Computational Social Scientist и обладающей пробивной силой крепостного тарана.
Силами этого тарана в конце 2017 в PNAS вышла новая статья Матц и Косински (и еще с 2 соавторами 2го ряда) «Психологический таргетинг как эффективный подход к цифровому массовому убеждению» https://goo.gl/snraAo .
Описанная авторами технология «цифрового массового убеждения» позволяет «осуществлять таргетирование рекламы в зависимости от психотипа».
По открытым данным «лайков» в Facebook определяется, насколько экстравертен и открыт человек. А затем ему показывается вариант рекламы, заточенный под его психотип.
По результатам проведенных авторами испытаний на 3,5 млн пользователей Facebook, они пишут о 40% повышении кликабельность рекламы и 50% увеличении вероятности, что пользователь купит рекламируемый товар или услугу.
Кроме того, Косински сообщил, что по лайкам Facebook, эта технология может прогнозировать:
— употребление наркотиков с 65% точностью,
— политическую принадлежность с 85%,
— сексуальную ориентацию с 80% точностью.
Авторы также подчеркивают двойное назначение этой технологии: «Если использовать это в попытках манипулировать людьми, вы можете заставить их поступать вопреки их собственным интересам — например, не пойти на выборы».
Ссылки на восторженные статьи об этой работе можно найти на сайте Сандры Матц https://goo.gl/rUr2yg . Из их заголовков:
- Онлайн-реклама узнает психотип пользователя по одному «лайку».
- Это открывает возможности для широкомасштабного манипулирования обществом.
Особо я бы рекомендовал интервью Матц, данное для Рsychologytoday. В частности, ее изумительный ответ на вопрос:
«Общеизвестно, что всевозможное тестирование типологии личности оказалось не продуктивно и тем самым себя полностью дискредитировало. Определение же типов личности из данных Facebook кажется еще более проблематичным. Как вы это решаете?»
Не важно, как решают. Они уже движутся дальше и с помощью методов глубокого обучения Косинский натренеровал нейросеть распознавать сексуальную ориентацию мужчин и женщин. Всего по одному фото гей определяется с вероятностью 81%. По пяти – с 91%. Тогда как точность такого же распознавания человеком, как пишут авторы, не превышает 61% https://goo.gl/YBFxPm .
Полагаю, технологии Косинский & Матц ждет в России большое будущее.
#УткаГода
Модель Изинга раскрывает тайну синхронности природных процессов.
В результате может появиться новый универсальный закон природы на стыке физики, биологии и экологии.
Человечество знает, как сделать адронный коллайдер и новый айфон. И даже умеет забросить на орбиту красный кабриолет. Обо всем этом пишут, как о сенсациях, все СМИ и блогосфера.
Но в то же время, человечество не понимает и даже ни имеет более-менее продуктивных идей, объясняющих тайну, каким образом происходит синхронное цветение растений и прочие синхронные био-процессы в природе.
А когда, вдруг, появляется возможность раскрыть эту тайну, она остается малоизвестной, забиваемая медиа-шумом о красном кабриолете…
Попробую исправить эту несправедливость.
Проходя по усыпанному цветами саду, вы, возможно, задумывались и поражались, как синхронно деревья «узнают», что им нужно расцвести.
Профессор Джон Махта (Массачусетский универ) и его коллеги из Калифорнийского универа попытались разгадать механизм такой синхронности, разработав уникальную компьютерную модель. Она построена на основе одной из самых известных моделей статистической физики - модель Изинга - и может быть использована для понимания того, почему события происходят одновременно на больших расстояниях.
В новом исследовании (опубликованном синхронно с запуском красного кабриолета) в журнале «Труды Национальной академии наук», они рассказали о проверке своей компьютерной модели с использованием 6500 настоящих фисташковых деревьев, посаженных регулярной решеткой в саду.
В результате было показано, что экологические системы могут управляться моделью Изинга, используемой в статистической физике для описания намагничивания материала.
В магнитных материалах силы между соседними атомами стремятся удержать электроны так, чтобы их магнитные силы складывались. Модель Изинга делает количественные прогнозы того, как взаимодействия между соседями могут создавать «силовые» выравнивания на больших расстояниях.
Если соседние деревья синхронизированы, это означает, что они каким-то образом общаются. И хотя авторы не идентифицируют средства такого общения, они предполагают, что это может быть следствием корневой трансплантации, где корни переплетаются. Прививка может помочь одному дереву «рассказать» другому, что пришло время разцвести, а это может помочь соседним деревьям также синхронизироваться. Модель Изинга помогает предсказать, как взаимодействие между соседними деревьями распространяется по всему саду.
Случаи синхронного поведения, когда все происходит сразу, далеко не исчерпываются в природе цветением фруктовых и ореховых деревьев в садах.
Понимание этой динамики необходимо не только для объяснения поведения экологических систем, но и для управления ими.
Статья « Пространственные закономерности урожайности деревьев, объясняемые эндогенными силами через соответствие между моделью Изинга и экологией» https://goo.gl/nHmTFa
#УниверсальныеЗаконыПрироды
В результате может появиться новый универсальный закон природы на стыке физики, биологии и экологии.
Человечество знает, как сделать адронный коллайдер и новый айфон. И даже умеет забросить на орбиту красный кабриолет. Обо всем этом пишут, как о сенсациях, все СМИ и блогосфера.
Но в то же время, человечество не понимает и даже ни имеет более-менее продуктивных идей, объясняющих тайну, каким образом происходит синхронное цветение растений и прочие синхронные био-процессы в природе.
А когда, вдруг, появляется возможность раскрыть эту тайну, она остается малоизвестной, забиваемая медиа-шумом о красном кабриолете…
Попробую исправить эту несправедливость.
Проходя по усыпанному цветами саду, вы, возможно, задумывались и поражались, как синхронно деревья «узнают», что им нужно расцвести.
Профессор Джон Махта (Массачусетский универ) и его коллеги из Калифорнийского универа попытались разгадать механизм такой синхронности, разработав уникальную компьютерную модель. Она построена на основе одной из самых известных моделей статистической физики - модель Изинга - и может быть использована для понимания того, почему события происходят одновременно на больших расстояниях.
В новом исследовании (опубликованном синхронно с запуском красного кабриолета) в журнале «Труды Национальной академии наук», они рассказали о проверке своей компьютерной модели с использованием 6500 настоящих фисташковых деревьев, посаженных регулярной решеткой в саду.
В результате было показано, что экологические системы могут управляться моделью Изинга, используемой в статистической физике для описания намагничивания материала.
В магнитных материалах силы между соседними атомами стремятся удержать электроны так, чтобы их магнитные силы складывались. Модель Изинга делает количественные прогнозы того, как взаимодействия между соседями могут создавать «силовые» выравнивания на больших расстояниях.
Если соседние деревья синхронизированы, это означает, что они каким-то образом общаются. И хотя авторы не идентифицируют средства такого общения, они предполагают, что это может быть следствием корневой трансплантации, где корни переплетаются. Прививка может помочь одному дереву «рассказать» другому, что пришло время разцвести, а это может помочь соседним деревьям также синхронизироваться. Модель Изинга помогает предсказать, как взаимодействие между соседними деревьями распространяется по всему саду.
Случаи синхронного поведения, когда все происходит сразу, далеко не исчерпываются в природе цветением фруктовых и ореховых деревьев в садах.
Понимание этой динамики необходимо не только для объяснения поведения экологических систем, но и для управления ими.
Статья « Пространственные закономерности урожайности деревьев, объясняемые эндогенными силами через соответствие между моделью Изинга и экологией» https://goo.gl/nHmTFa
#УниверсальныеЗаконыПрироды
Proceedings of the National Academy of Sciences
Spatial patterns of tree yield explained by endogenous forces through a correspondence between the Ising model and ecology
Explaining correlations across space of cyclic dynamics in ecology is a fundamental challenge. We apply ideas from statistical physics, originally used to explain the behavior of magnets, to a dataset on yield from pistachio trees, obtaining a robust description…
Сейчас главный тормоз роста производительности – переход к цифровой экономике и, особенно, внедрение ИИ.
Этот поразительный вывод – не очередная страшилка СМИ. Это главный вывод отчета Национального бюро экономических исследований (NBER), озаглавленного «Искусственный интеллект и современной парадокс производительности: столкновение ожиданий и статистики» https://goo.gl/zAsZkp .
Авторы отчета отмечают, что «среднегодовой совокупный рост производительности труда в США с 2005 по 2016 год составил всего 1,3%, что в 2+ раза меньше, чем среднегодовые 2,8% в период с 1995 по 2004 год ... Более того, реальные медианные доходы застопорились с конца 1990-х годов».
Этот таинственный феномен называется «головоломка (или парадокс) производительности». Первыми, кто назвал в качестве возможного решения головоломки переход к цифровой экономике, были консультанты компании McKinsey. В своем прошлогоднем отчете https://goo.gl/wX6o9f они написали: «В США рост производительности труда начал резко замедляться с 2004 года на фоне активизации внедрений ИТ технологий ... Ответ на головоломку (почему так произошло – СК) является ключом к будущему процветанию, … но экономисты пока так и не смогли прийти к консенсусу о причинах».
Новый отчет NBER предлагает такой вариант консенсуса.
Проанализировав 4 основных объяснения «парадокса производительности» («Ложные ожидания», «Некорректное измерение», «Концентрация дистрибуции» и «Задержка в получении отдачи от технологий»), авторы отчета пришли к следующим выводам:
✔️ Ключевым в замедлении темпов роста производительности является 4е объяснение - «Задержка в получении отдачи от технологий»
✔️ На самом деле, никакого парадоксаздесь нет. Рост производительность и должен сейчас снижаться.
Задержка в получении отдачи от технологии зависит от 2х ее характеристик:
А) Степень Трансформационности (СТ) – масштаб экономической трансформации и институциональной рекомпозиции, необходимых для широкого внедрения технологии.
Б) Степень Глобальности (СГ) – широта ее потенциального использования в разных индустриях и областях.
Переход к цифровой экономике основан на тотальной цифровизации за счет технологий с высочайшими в истории СТ и СГ: Интернет, смартфоны, облака, Интернет вещей и ИИ.
СТ и СГ этих технологий столь высоки (а высочайшие показатели у ИИ), что даже сейчас, спустя 45 лет после начала «цифровой революции», эти технологии все еще находятся на 1й стадии -«Пробы и ошибки внедрения», для которой характерны колоссальные издержки на эксперименты с новыми бизнес-моделями и спекуляция на новых схемах монетизации. Это делает возможным лишь рост капитализации «новых монополистов», слабо влияя на повышение производительности всей экономики.
Именно об этом, на примере «новых монополистов» Amazon, Apple, Facebook и Google, только что написал Скотт Галлоуэй в «Silicon valley’s tax-avoiding, job-killing, soul-sucking machine» https://goo.gl/GvdwTE .
Метафорически 1я стадия внедрений технологии похожа на разгон двигателя авто – топлива жрет немерено, а скорость пока что не высокая. С переходом на 2ю стадию – «Реальное массовое внедрение» - все наоборот: топлива есть существенно меньше, а скорость – будь здоров.
Резюмируя, можно сказать:
— Фантастический потенциал технологий цифровой экономики с высочайшими в истории СТ и СГ начнет проявляться лишь через десятки лет. С переходом на 2ю стадию.
— Только тогда (и никак не раньше) снова начнется ускоренный рост производительности труда. И он будет нешуточным.
В заключение, интересное соображение о России:
— Если переход на цифровую экономику вдруг не окажется очередным ля-ля, а власти инициируют и поддержат попытки такого перехода, - рост российской экономики, в силу названных причин, станет отрицательным.
Слайды доклада https://goo.gl/rvPwdm на конференции «Экономика ИИ» и видео доклада https://goo.gl/4cvZQq (50 мин)
#Производительность #ЦифроваяЭкономика
Этот поразительный вывод – не очередная страшилка СМИ. Это главный вывод отчета Национального бюро экономических исследований (NBER), озаглавленного «Искусственный интеллект и современной парадокс производительности: столкновение ожиданий и статистики» https://goo.gl/zAsZkp .
Авторы отчета отмечают, что «среднегодовой совокупный рост производительности труда в США с 2005 по 2016 год составил всего 1,3%, что в 2+ раза меньше, чем среднегодовые 2,8% в период с 1995 по 2004 год ... Более того, реальные медианные доходы застопорились с конца 1990-х годов».
Этот таинственный феномен называется «головоломка (или парадокс) производительности». Первыми, кто назвал в качестве возможного решения головоломки переход к цифровой экономике, были консультанты компании McKinsey. В своем прошлогоднем отчете https://goo.gl/wX6o9f они написали: «В США рост производительности труда начал резко замедляться с 2004 года на фоне активизации внедрений ИТ технологий ... Ответ на головоломку (почему так произошло – СК) является ключом к будущему процветанию, … но экономисты пока так и не смогли прийти к консенсусу о причинах».
Новый отчет NBER предлагает такой вариант консенсуса.
Проанализировав 4 основных объяснения «парадокса производительности» («Ложные ожидания», «Некорректное измерение», «Концентрация дистрибуции» и «Задержка в получении отдачи от технологий»), авторы отчета пришли к следующим выводам:
✔️ Ключевым в замедлении темпов роста производительности является 4е объяснение - «Задержка в получении отдачи от технологий»
✔️ На самом деле, никакого парадоксаздесь нет. Рост производительность и должен сейчас снижаться.
Задержка в получении отдачи от технологии зависит от 2х ее характеристик:
А) Степень Трансформационности (СТ) – масштаб экономической трансформации и институциональной рекомпозиции, необходимых для широкого внедрения технологии.
Б) Степень Глобальности (СГ) – широта ее потенциального использования в разных индустриях и областях.
Переход к цифровой экономике основан на тотальной цифровизации за счет технологий с высочайшими в истории СТ и СГ: Интернет, смартфоны, облака, Интернет вещей и ИИ.
СТ и СГ этих технологий столь высоки (а высочайшие показатели у ИИ), что даже сейчас, спустя 45 лет после начала «цифровой революции», эти технологии все еще находятся на 1й стадии -«Пробы и ошибки внедрения», для которой характерны колоссальные издержки на эксперименты с новыми бизнес-моделями и спекуляция на новых схемах монетизации. Это делает возможным лишь рост капитализации «новых монополистов», слабо влияя на повышение производительности всей экономики.
Именно об этом, на примере «новых монополистов» Amazon, Apple, Facebook и Google, только что написал Скотт Галлоуэй в «Silicon valley’s tax-avoiding, job-killing, soul-sucking machine» https://goo.gl/GvdwTE .
Метафорически 1я стадия внедрений технологии похожа на разгон двигателя авто – топлива жрет немерено, а скорость пока что не высокая. С переходом на 2ю стадию – «Реальное массовое внедрение» - все наоборот: топлива есть существенно меньше, а скорость – будь здоров.
Резюмируя, можно сказать:
— Фантастический потенциал технологий цифровой экономики с высочайшими в истории СТ и СГ начнет проявляться лишь через десятки лет. С переходом на 2ю стадию.
— Только тогда (и никак не раньше) снова начнется ускоренный рост производительности труда. И он будет нешуточным.
В заключение, интересное соображение о России:
— Если переход на цифровую экономику вдруг не окажется очередным ля-ля, а власти инициируют и поддержат попытки такого перехода, - рост российской экономики, в силу названных причин, станет отрицательным.
Слайды доклада https://goo.gl/rvPwdm на конференции «Экономика ИИ» и видео доклада https://goo.gl/4cvZQq (50 мин)
#Производительность #ЦифроваяЭкономика
«Убийство путем машинного обучения» или «Святой Грааль инноваций»?
О двух важных, но малоизвестных потенциальных последствиях машинного обучения и, в целом, ИИ.
Как говорится, есть 2 новости: плохая и хорошая.
О плохой недавно написал в Harvard Business Review Майкл Шраге из MIT – “Является ли «Убийство путем машинного обучения» новой «Смертью от PowerPoint»?” https://goo.gl/4tDFvr
Сухой остаток таков.
1) IT далеко не всегда ведут к повышению производительности (привет вчерашнему посту 😳). Зачастую их внедрение лишь усиливает уже имеющиеся дисфункции (автоматизация бардака лишь усиливает бардак). Например:
— Перегрузка эл-почтовых ящиков явно ухудшает управленческую производительность, моральный дух и настрой на продуктивную работу;
— Электронные таблицы изобилуют глубоко упрятанными ошибками и макро просчетами.
2) В результате этого, затраты на технологию часто конкурируют с ее преимуществами.
3) Однако, при внедрении IT обратного хода уже нет.
— Многие слышали о "Смерти от PowerPoint" https://goo.gl/XvrfKy – колоссальных отрицательных последствиях применения этого приложения, которых мало кому удается избежать https://goo.gl/XETYEC
— Но несмотря на наличие десятков альтернативных приложений (Keynote, Slides, Prezi, SlideRocket, Easel.ly, Emaze, Slidedog …), PowerPoint с 1990 г. занимает 95%+ рынка, имея более 1.2 млрд. пользователей, делающих ежедневно много миллионов скучных и бездарных презентаций, убивающий у их читателей интерес к теме, а у их авторов, - элементарные навыки сторителинга (важнейшего качества для любого бизнеса).
4) С машинным обучением (МО) запросто может получиться, как с PowerPoint.
— МО создает новые сложные организационные риски, поскольку решения на основе МО склонны внушать ложную и / или неуместную уверенность в своих выводах; усиливать и / или укреплять привязку к данным; укреплять или даже усугублять недостатки людей, которые это ПО обучают и / или им пользуются.
— Никто ведь не хочет создавать скучные презентации, лишь убивающие кучу времени их авторов и слушателей… но они это все же делают.
— Аналогично, никто не захочет тренировать алгоритмы МО, чтобы они порождали ошибочные прогнозы, … но люди все равно будут это делать.
Подробней читайте у Майкла Шраге.
О хорошей новости читайте https://goo.gl/kNwpUa (27 слайдов) и смотрите https://goo.gl/NNcR3H (46 мин) совместный доклад NBER и MIT о том, что глубокое обучение может оказаться Изобретением кардинально нового способа изобретательства.
Сухой остаток здесь формулируется предельно лаконично.
Глубокое обучение (равно как и Машинное обучение, равно как весь спектр технологий ИИ):
1) Суть междисциплинарное явление – см. эффектный слайд 20, где показано почти равномерное распределение числа статей по ИИ между дюжиной областей
2) Это «Технология общего назначения» (вроде астролябии у Остапа Бендера - "Сама меряет. Было бы что мерять" и, одновременно с этим, средство поиска инноваций – см. слайд 11.
3) Это единственный известный человечеству способ извлечения информации (а потом и знаний) о т.н. «4ом квадранте» или «Неизвестном неизвестном» - крупнейшей и самой неисследованной области знаний об окружающей нас реальности (о которой, к слову, только и пишет Нассим Талеб) – см. что это такое https://yadi.sk/i/-EXXDPBJ3JqoUj
#МО #ИИ #Инновации #НеизвестноеНеизвестное #Производительность
О двух важных, но малоизвестных потенциальных последствиях машинного обучения и, в целом, ИИ.
Как говорится, есть 2 новости: плохая и хорошая.
О плохой недавно написал в Harvard Business Review Майкл Шраге из MIT – “Является ли «Убийство путем машинного обучения» новой «Смертью от PowerPoint»?” https://goo.gl/4tDFvr
Сухой остаток таков.
1) IT далеко не всегда ведут к повышению производительности (привет вчерашнему посту 😳). Зачастую их внедрение лишь усиливает уже имеющиеся дисфункции (автоматизация бардака лишь усиливает бардак). Например:
— Перегрузка эл-почтовых ящиков явно ухудшает управленческую производительность, моральный дух и настрой на продуктивную работу;
— Электронные таблицы изобилуют глубоко упрятанными ошибками и макро просчетами.
2) В результате этого, затраты на технологию часто конкурируют с ее преимуществами.
3) Однако, при внедрении IT обратного хода уже нет.
— Многие слышали о "Смерти от PowerPoint" https://goo.gl/XvrfKy – колоссальных отрицательных последствиях применения этого приложения, которых мало кому удается избежать https://goo.gl/XETYEC
— Но несмотря на наличие десятков альтернативных приложений (Keynote, Slides, Prezi, SlideRocket, Easel.ly, Emaze, Slidedog …), PowerPoint с 1990 г. занимает 95%+ рынка, имея более 1.2 млрд. пользователей, делающих ежедневно много миллионов скучных и бездарных презентаций, убивающий у их читателей интерес к теме, а у их авторов, - элементарные навыки сторителинга (важнейшего качества для любого бизнеса).
4) С машинным обучением (МО) запросто может получиться, как с PowerPoint.
— МО создает новые сложные организационные риски, поскольку решения на основе МО склонны внушать ложную и / или неуместную уверенность в своих выводах; усиливать и / или укреплять привязку к данным; укреплять или даже усугублять недостатки людей, которые это ПО обучают и / или им пользуются.
— Никто ведь не хочет создавать скучные презентации, лишь убивающие кучу времени их авторов и слушателей… но они это все же делают.
— Аналогично, никто не захочет тренировать алгоритмы МО, чтобы они порождали ошибочные прогнозы, … но люди все равно будут это делать.
Подробней читайте у Майкла Шраге.
О хорошей новости читайте https://goo.gl/kNwpUa (27 слайдов) и смотрите https://goo.gl/NNcR3H (46 мин) совместный доклад NBER и MIT о том, что глубокое обучение может оказаться Изобретением кардинально нового способа изобретательства.
Сухой остаток здесь формулируется предельно лаконично.
Глубокое обучение (равно как и Машинное обучение, равно как весь спектр технологий ИИ):
1) Суть междисциплинарное явление – см. эффектный слайд 20, где показано почти равномерное распределение числа статей по ИИ между дюжиной областей
2) Это «Технология общего назначения» (вроде астролябии у Остапа Бендера - "Сама меряет. Было бы что мерять" и, одновременно с этим, средство поиска инноваций – см. слайд 11.
3) Это единственный известный человечеству способ извлечения информации (а потом и знаний) о т.н. «4ом квадранте» или «Неизвестном неизвестном» - крупнейшей и самой неисследованной области знаний об окружающей нас реальности (о которой, к слову, только и пишет Нассим Талеб) – см. что это такое https://yadi.sk/i/-EXXDPBJ3JqoUj
#МО #ИИ #Инновации #НеизвестноеНеизвестное #Производительность
Harvard Business Review
Is “Murder by Machine Learning” the New “Death by PowerPoint”?
New tools don’t always promote efficiency.
Цифровая экономика – это новый золотой век? И для кого?
Реакция читателей на пост о «парадоксе производительности» при переходе к цифровой экономике показала – нужны пояснения:
1. Что за модель технологических революций (каждая с двумя длительными стадиями) упомянута в посте?
2. Когда, согласно этой модели, замедление роста производительности сменится на ускорение?
3. Ждет ли продвинутое человечество (развитые страны) «золотой век» с торжеством цифровой экономики?
Попробую предельно кратко это пояснить.
1) Речь идет о современной трактовке Циклов Кондратьева (волн Кондратьева или К-волн - Kondratiev waves, К-waves), увязываемых со сменой технологических укладов (технологическими революциями). Современное название этой теории - парадигма «Шумпетера - Фримана - Перес» (см. Carlota Perez «Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages» - есть перевод).
В двух словах речь вот о чем.
— С начала промышленной революции в развитых странах было 5 основных технологических циклов, каждый из которых длится примерно 50-60 лет https://goo.gl/fG683b
Каждый экономический цикл состоит из двух сильно разных периодов, длительностью, примерно, 20-30 лет.
— Период Становления (или период проб и ошибок внедрения) - время творческого разрушения, когда новые технологии выходят из лабораторий на рынок, предприниматели запускают много стартапов на основе новых технологий, венчурный капитал сфокусирован на экспериментах с бизнес-моделями, а новые предприятия приманивают значительные инвестиции и спекулятивный капитал. Все это неизбежно ведет к финансовому пузырю, который в конечном итоге с треском взрывается, что приводит к кризису.
— После кризиса наступает период Развертывания (или период реального массового внедрения) - время экономических преобразований и институциональной рекомпозиции. Теперь, еще недавно «новейшие и прорывные» технологии и бизнес-парадигмы становятся нормой, инфраструктуры и индустрии качественно улучшаются и становятся стабильными, производственный капитал стимулирует долгосрочный рост и расширение путем тиражирования и масштабирования успешных бизнес-моделей.
— Нынешняя (5я) техно-революция (цифровая) основана на инфо-коммуникационных технологиях и началась с 1971 г. Это самая глубокая трансформация повседневной жизни человечества за всю историю.
2) Развитые страны сейчас в этой точке цикла https://goo.gl/FGGZHH - окончание кризиса, после которого замедление роста производительности сменится на ускорение.
3) В результате, через несколько десятков лет может начаться «золотой век» цифровой экономики. Но в том-то и фокус, что этот «золотой век» может состояться в 2х вариантах:
— Устойчивый Глобальный Золотой Век для Всех (жителей развитых стран)
или
— Неустойчивый Золотой Век для Избранных (элит развитых стран)
Подробней о двух вариантах «золотого века» см. в материалах проекта BTTR (Beyond the Tech Revolution) https://goo.gl/GWH4AY
И в материале strategy+business (s+b) о круглом столе с Carlota Perez и партнером PwC UK Leo Johnson «Are We on the Verge of a New Golden Age?» https://goo.gl/cFegi8
PS На вопрос, в какой точке цикла сейчас находится Россия – есть 2 варианта ответа:
— Carlota Perez считает так: в России кризис 5го («цифрового») цикла еще даже не начался (отстаем на 10-20 лет);
— Перец из «Улитки на склоне», полагаю, сказал бы иначе: в России свой собственный четырехтактный цикл развития - реформа (революция) - заморозок - оттепель - застой (маразм).
#ЦифроваяЭкономика
Реакция читателей на пост о «парадоксе производительности» при переходе к цифровой экономике показала – нужны пояснения:
1. Что за модель технологических революций (каждая с двумя длительными стадиями) упомянута в посте?
2. Когда, согласно этой модели, замедление роста производительности сменится на ускорение?
3. Ждет ли продвинутое человечество (развитые страны) «золотой век» с торжеством цифровой экономики?
Попробую предельно кратко это пояснить.
1) Речь идет о современной трактовке Циклов Кондратьева (волн Кондратьева или К-волн - Kondratiev waves, К-waves), увязываемых со сменой технологических укладов (технологическими революциями). Современное название этой теории - парадигма «Шумпетера - Фримана - Перес» (см. Carlota Perez «Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages» - есть перевод).
В двух словах речь вот о чем.
— С начала промышленной революции в развитых странах было 5 основных технологических циклов, каждый из которых длится примерно 50-60 лет https://goo.gl/fG683b
Каждый экономический цикл состоит из двух сильно разных периодов, длительностью, примерно, 20-30 лет.
— Период Становления (или период проб и ошибок внедрения) - время творческого разрушения, когда новые технологии выходят из лабораторий на рынок, предприниматели запускают много стартапов на основе новых технологий, венчурный капитал сфокусирован на экспериментах с бизнес-моделями, а новые предприятия приманивают значительные инвестиции и спекулятивный капитал. Все это неизбежно ведет к финансовому пузырю, который в конечном итоге с треском взрывается, что приводит к кризису.
— После кризиса наступает период Развертывания (или период реального массового внедрения) - время экономических преобразований и институциональной рекомпозиции. Теперь, еще недавно «новейшие и прорывные» технологии и бизнес-парадигмы становятся нормой, инфраструктуры и индустрии качественно улучшаются и становятся стабильными, производственный капитал стимулирует долгосрочный рост и расширение путем тиражирования и масштабирования успешных бизнес-моделей.
— Нынешняя (5я) техно-революция (цифровая) основана на инфо-коммуникационных технологиях и началась с 1971 г. Это самая глубокая трансформация повседневной жизни человечества за всю историю.
2) Развитые страны сейчас в этой точке цикла https://goo.gl/FGGZHH - окончание кризиса, после которого замедление роста производительности сменится на ускорение.
3) В результате, через несколько десятков лет может начаться «золотой век» цифровой экономики. Но в том-то и фокус, что этот «золотой век» может состояться в 2х вариантах:
— Устойчивый Глобальный Золотой Век для Всех (жителей развитых стран)
или
— Неустойчивый Золотой Век для Избранных (элит развитых стран)
Подробней о двух вариантах «золотого века» см. в материалах проекта BTTR (Beyond the Tech Revolution) https://goo.gl/GWH4AY
И в материале strategy+business (s+b) о круглом столе с Carlota Perez и партнером PwC UK Leo Johnson «Are We on the Verge of a New Golden Age?» https://goo.gl/cFegi8
PS На вопрос, в какой точке цикла сейчас находится Россия – есть 2 варианта ответа:
— Carlota Perez считает так: в России кризис 5го («цифрового») цикла еще даже не начался (отстаем на 10-20 лет);
— Перец из «Улитки на склоне», полагаю, сказал бы иначе: в России свой собственный четырехтактный цикл развития - реформа (революция) - заморозок - оттепель - застой (маразм).
#ЦифроваяЭкономика
Голодные игры эволюции.
Матмодель «пока толстый сохнет, худой сдохнет» предсказывает риск вымирания и математически воспроизводит закон Дамута и правило Коупа.
Чтобы вымереть, много не надо - достаточно недоедать. Следствием будет недополучение энергии, похудание и ослабление репродуктивных функций. Ну а если эти «голодные игры» будут продолжаться на уровне всего вида, этот вид вымрет.
Существующие модели расчета риска исчезновения вида весьма просты и сводятся к моделированию комплексной экологической системы с линейной взаимосвязью между плотностью ресурсов и приростом населения. Такие модели широко используются для определения того, сколько ресурсов необходимо для выживания вида.
Новая и куда более продвинутая модель https://goo.gl/gMonBd только что опубликована междисциплинарной группой ученых с участием отрекламированного мною на прошлой неделе «мастера случайных блужданий» Сидни Реднера. Новая модель не только существенно точнее. Она также позволяет ответить на сакраментальный вопрос - почему виды животных, как правило, развиваются в сторону более крупных размеров тела.
Новизна этой модели сущностная. В отличие от предыдущих моделей, она учитывает размер тела и метаболическое масштабирование - изменение скорости обмена веществ при изменении размеров тела (подробней о «формуле жизни» и фрактальной геометрии всего живого см. мой пост https://goo.gl/bocG5L). В результате учета потребляемой энергии, размеров тела и скорости метаболизма, эту модель населяют не просто живые существа определенного вида, а «сытые» и «голодные» существа.
На 1й взгляд, новая модель кажется простой, если не примитивной: «голодные» существа склонны к вымиранию, поскольку только «сытые» способны к размножению.
Но т.к. энергетические потребности живых существ изменяются с размером тела, исследователи пришли, в итоге, к интереснейшему открытию - виды разных размеров тяготеют к наиболее устойчивым от вымирания популяционным состояниям.
Это открытие воспроизводит и математически описывает две часто наблюдаемые биологические закономерности.
Первая, закон Дамута об обратной зависимости между размером тела и плотностью населения: чем крупнее вид, тем меньше существ проживают в данной области.
Второе соотношение, правило Коупа, утверждает, что наземные млекопитающие имеют тенденцию развиваться к более крупным размерам тела. Новая модель математически описывает, что более крупные животные с более медленным метаболизмом наиболее устойчивы к вымиранию из-за голода. Эта модель даже предсказывает энергетически «идеальное» с точки зрения выживания в условиях недоедания млекопитающее. По размерам оно должно быть в 2,5 раза больше африканского слона.
Ну а поскольку эволюция таких существ не создала, значит есть для нее факторы посильнее, чем вымирание вида от голода.
Осталось лишь только эти факторы открыть и проверить на матмоделях.
#ТеорияЭволюции
Матмодель «пока толстый сохнет, худой сдохнет» предсказывает риск вымирания и математически воспроизводит закон Дамута и правило Коупа.
Чтобы вымереть, много не надо - достаточно недоедать. Следствием будет недополучение энергии, похудание и ослабление репродуктивных функций. Ну а если эти «голодные игры» будут продолжаться на уровне всего вида, этот вид вымрет.
Существующие модели расчета риска исчезновения вида весьма просты и сводятся к моделированию комплексной экологической системы с линейной взаимосвязью между плотностью ресурсов и приростом населения. Такие модели широко используются для определения того, сколько ресурсов необходимо для выживания вида.
Новая и куда более продвинутая модель https://goo.gl/gMonBd только что опубликована междисциплинарной группой ученых с участием отрекламированного мною на прошлой неделе «мастера случайных блужданий» Сидни Реднера. Новая модель не только существенно точнее. Она также позволяет ответить на сакраментальный вопрос - почему виды животных, как правило, развиваются в сторону более крупных размеров тела.
Новизна этой модели сущностная. В отличие от предыдущих моделей, она учитывает размер тела и метаболическое масштабирование - изменение скорости обмена веществ при изменении размеров тела (подробней о «формуле жизни» и фрактальной геометрии всего живого см. мой пост https://goo.gl/bocG5L). В результате учета потребляемой энергии, размеров тела и скорости метаболизма, эту модель населяют не просто живые существа определенного вида, а «сытые» и «голодные» существа.
На 1й взгляд, новая модель кажется простой, если не примитивной: «голодные» существа склонны к вымиранию, поскольку только «сытые» способны к размножению.
Но т.к. энергетические потребности живых существ изменяются с размером тела, исследователи пришли, в итоге, к интереснейшему открытию - виды разных размеров тяготеют к наиболее устойчивым от вымирания популяционным состояниям.
Это открытие воспроизводит и математически описывает две часто наблюдаемые биологические закономерности.
Первая, закон Дамута об обратной зависимости между размером тела и плотностью населения: чем крупнее вид, тем меньше существ проживают в данной области.
Второе соотношение, правило Коупа, утверждает, что наземные млекопитающие имеют тенденцию развиваться к более крупным размерам тела. Новая модель математически описывает, что более крупные животные с более медленным метаболизмом наиболее устойчивы к вымиранию из-за голода. Эта модель даже предсказывает энергетически «идеальное» с точки зрения выживания в условиях недоедания млекопитающее. По размерам оно должно быть в 2,5 раза больше африканского слона.
Ну а поскольку эволюция таких существ не создала, значит есть для нее факторы посильнее, чем вымирание вида от голода.
Осталось лишь только эти факторы открыть и проверить на матмоделях.
#ТеорияЭволюции
Nature Communications
Dynamics of starvation and recovery predict extinction risk and both Damuth’s law and Cope’s rule
Energetic constraints produce a fundamental tradeoff in starvation and recovery rates, impacting eco-evolutionary dynamics. Here, Yeakel et al. develop a nutritional state-structured model that predicts population size as a function of body mass known as…