Head ja halvad mudelid

Kalev teavitas hiljuti avalikkust, et mingi muudatuse tõttu tootmisliinides võivad teatud tooted hakata sisaldama maapähklite jääke. Firma pani teavituse üles ka oma Facebooki lehele, mille all siis mõned pettunud inimesed kommenteerisid stiilis “Kalev kaotab nüüd palju kliente” ja “miks kõik asjad peavad olema ära rikutud”.

USA-s on pähklitele allergilised 0.6% inimestest; eeldatavasti Eestis umbes samapalju. Oletame, et 2017. aastal on Kalevil kaks varianti: a) teha kõik tooted pähklijääkidevabaks ja sihtida 100% turust või b) kasutada samu liine pähkliga ja pähklita maiuste tootmiseks ning sihtida 99.4% turust.

Kui eeldada, et Kalev on nagu vastutustundlik ja hooliv vanem, kes tahab kogu riigile head, valib ta ilmselgelt variandi a. Me ei tohiks ju jätta kõrvale inimesi lihtsalt sellepärast, et neil on (tahtlikule kontrollile allumatu) allergia?

Proovime teistsugust mudelit: Kalev on külmalt kalkuleeriv agent, kes puhtalt maksimeerib oma pikaajalist sissetulekut. Kui pähkliga määritud liinide kasutamine säästab kasvõi paar protsenti tootmiskuludelt, on selge, et Kalev valib variandi b.

Ma arvan, et mudel “külm ja kalkuleeriv Kalev” kirjeldab tänast olukorda paremini (üks tõend: Kalev valiski variandi b). See ei tähenda, et ma arvaks, et allergiate ignoreerimine on parem või et majandusliku kasu nimel on alati okei ohverdada väike osa ühiskonnast. Ma üritan leida seletust, mis kõige täpsemalt kirjeldab praegust olukorda.

See vastandus — kuidas ma tahan, et asjad oleks vs kuidas asjad tegelikult on — on oluline ja samal ajal harvaesinev mõttemuster. Meie ideaalse maailma nägemus kallutab tegeliku maailma nägemist. See on maailmamuutjatele eriti halb, sest mingi süsteemi (nt kommitootmise) muutmiseks meile sobivas suunas (allergiavabamaks) on oluline saada aru, kuidas süsteem toimib (mis on tootjate kaalutlused — nii raha kui maine osas) ja siis seda soovi korral muuta (näiteks teha pähklivabadele toodetele maksusoodustusi). Edukalt millegi muutmiseks on kriitiline saada aru, kuidas see töötab; suvaliselt surkimine on halb lähenemine.

Muidugi jätab mudel “külm-ja-kalkuleeriv-Kalev” arvestamata hunniku detaile. Esiteks on Kalevil inimtöötajad ja inimesed on soojad märjad emotsionaalsed olendid. Teiseks arvestab iga firma lisaks rahale ka muud kapitali, näiteks mainet töötajate, partnerite ja tarbijate silmis. Kolmandaks ei ole Kalev üldse iseseisev agent: ta on osa ühest Norra kontsernist, mis omakorda kuulub paljudele aktsionäridele. Aga vähem detaile ei ole tingimata halvem. Parim mudel on piisavalt detailne, et meie soovitud käitumisi reprodutseerida, ja mitte keerulisem. Taevast kukkuva tiibklaveri kahjulikkust allajäävale inimesele saab piisavalt hästi modelleerida ka siis, kui teeme lähenduse “klaver on 1m raadiusega 250kg massiga kera”, ja kui meid ei huvita, kuhu täpselt klaveri ja inimese jalad lendavad, siis sellest detailsuse tasemest piisab.

Masinõpe viib äärmuseni idee, et mudeleid tuleb hinnata nende ennustusvõime põhjal. Just seetõttu olen nimetanud masinõpet inseneride lähenemiseks statistikale: kuigi nii tänapäevane masinõpe kui mitukümmend aastat vanem statistika üritavad leida mudeleid maailma kohta, hoolib masinõppeinsener palju vähem mudeli matemaatilisest korrektsusest või põhjendatusest. Loeb ainult lõpptulemus, s.t. ennustustäpsus. Ma ei taha sellega masinõppe empiirilist lähenemist halvustada, vastupidi: viimaste aastate jooksul on see andnud meile kõnetuvastuse (Google Assistant, Siri), pildituvastuse (FB automaatne näotuvastus, Google Photos’ pildiotsing sisu järgi), muusikatuvastuse (Shazam), soovitusmootorid (Spotify Discover Weekly, Amazoni soovitused, Netflixi soovitused) jpm.

* * *

Lühike kõrvalepõige: tihti mõeldakse sõna “ratsionaalne” all stereotüüpset otsustajat (nagu Star Treki Spock), kes võtab arvesse numbreid ja fakte, aga jätab kõrvale kõik emotsioonid ja inimliku. See definitsioon on õlgmehike, mida on kerge ümber lükata. Kui keegi on päriselt ratsionaalne, võtab ta arvesse numbreid ja fakte ja raskemini tõlgendatavaid infoallikaid nagu emotsioonid.

Teine valearusaam ratsionaalsest mõtlemisest on, et see peaks alati andma õige otsuse, kusjuures “õige” on defineeritud tagantjärele. Kui su sõber Martin võidab loto, siis võib tunduda, et tema poolt oli mõistlik otsus lotopilet osta — aga see tundub nii ainult juba teades, et ta võidab. Seda teadmata on lotopileti ostmine ebamõistlik, sest kulutatud euro toob tagasi keskmiselt 50 senti. Ratsionaalne otsus ei ole tingimata kõige parem võimalik. See on parim võimalik otsus hetkel saadaoleva info põhjal. (Seotud idee on piiratud ratsionaalsus ehk bounded rationality.)

LessWrongis jagatakse ratsionaalne otsustusprotsess kaheks osaks: võimalikult täpse maailmamudeli koostamine (episteemiline ratsionaalsus) ja selle põhjal võimalikult heade otsuste tegemine ja elluviimine (instrumentaalne ratsionaalsus). Metafoorina võib tuua seniavastamata piirkonnas liikumise: üks osa ülesandest on täpse kaardi koostamine ning teine osa võimalikult hea teekonna planeerimine ja selle läbimine. Hea mudel on nagu hea kaart: aitab võimalikult hästi jõuda sihtpunkti.

* * *

Me ei saa enamasti otse hinnata, kui hästi mudel vastab reaalsusele, sest reaalsust on tihti keeruline mõõta. Füüsilise kaardi puhul on lihtne satelliidilt pilt teha või kaardistatav piirkond läbi jalutada, aga näiteks fundamentaalosakeste füüsikas mõõdame osakeste põrkumise tagajärgi ja selle põhjal üritame aru saada, mis põrke ajal juhtus, kuigi me põrget ennast jälgida ei suuda.

Seega peame enamasti hindama mudeleid ennustusvõime järgi: kui mudel A ennustab pidevalt (näiteks homset ilma) paremini kui mudel B, ongi mudel A parem kui B. See idee on teadusliku meetodi tuum: võistlus, kus valime eksperimendi, laseme igal mudelil ennustada eksperimendi tulemuse, viime eksperimendi läbi ja valime võitjaks mudeli, mille ennustus oli täpseim. (Mõne uurimisküsimuse puhul ei ole võimalik või eetiline eksperimente teha; see on vist põhjus, miks sotsiaalteadustes on tulemused palju vähem selgemad kui reaalteadustes.)

Mõnikord on kõige täpsem mudel väga keeruline. Sellisel juhul võime teha lihtsustusi, mis ohverdavad veidi mudeli täpsust, aga võimaldavad jõuda mõistliku tulemuseni näiteks 100 korda kiiremini. Selliseid lihtsustusi nimetatakse heuristikuteks (või maalähedasemalt rusikareegliteks). Näited heuristikutest:

• 187 * 32 => 200 * 30 = 6000 (tegelik vastus on 5984)
• ajakulu erinevus (toidu-, transpordi- vms valikuid tehes) on palju suurem kui hinnaerinevus [või täpsemalt: tund mu aega on väärt nt 10 eurot]
• täpne kaart => ligikaudne kaart (vt pilti allpool)
• isik X on 20-ndates programmeerija => X on meessoost

Viimane näide on meelega üsna tundlikust teemast. Kuigi tehniliselt on see heuristik õige — mehed on programmeerijate hulgas kindlasti enamuses — võib see panna meie süsteem 1 tegema põhjendamata järeldusi (näiteks “enamik programmeerijatest on mehed => naised on halvemad programmeerijad”). Mulle tundub, et enamiku vigadest inimese intuitsioonis saab põhjendada ebasobivate heuristikute (alateadliku) rakendamisega. Seda teemat on põhjalikumalt uurinud Kahneman ja Tversky.

Katkiläinud heuristikud on muidugi halvad, aga heuristika kasulik pool jäetakse tihti analüüsimata. Amazoni juht Jeff Bezos on öelnud, et ettevõtte üks põhimõte on teha enamik otsuseid ära juba siis, kui ainult 70% vajalikust infost on koos – eesmärgiga otsustada kiiresti. Heuristikud aitavad täpselt seda teha: kulutada otsusele palju vähem aega ja võtta teadlikult suurem risk, et otsus on vale.

Eelnev võtab kokku minu lähenemise maailmast arusaamisele: tee teadlikult mudeleid, jäta alles parima ennustusvõimega mudelid ning ole teadlik, mis on lihtsustamise kasu ja kahju.

Aitäh Kasparile tagasiside eest postituse mustanditele.

Kaanepilt: CERN.

Jaga: