Masin, platvorm, inimene. Meie digitulevik. Andrew McAfee

Чтение книги онлайн.

СКАЧАТЬ Sageli saab paremaid tulemusi, kui võtta inimestelt – isegi väga kogenutelt ja haritutelt – otsustamise õigus üldse ära ning tugineda üksnes arvudele ja valemitele.

      See on ootamatu väide ja ilmsetel põhjustel ka ebapopulaarne. Seega peame seda põhjalikult tõestama. Enne peame aga rõhutama, et süsteem 1 pole ettevõtluses väärtusetu. Kaugel sellest. Näeme veel, et inimese vaistul, taibul ja kiirel mõtlemisel on endiselt tähtis osa ning tippfirmad kasutavad neid uudsetel ja võrratutel viisidel – viisidel, mis osutavad uuele ja täiuslikumale partnerlusele mõistuse ja masinate vahel.

      Ent esmalt peame näitama süsteemi 1 nõrkusi. Vaadakem neid teedrajavaid uurimusi, mis on osutanud isegi ekspertide taibu ja intuitsiooni tihti olulisele piiratusele.

      • Sotsioloogiaprofessor Chris Snijders koostas Hollandi firmade tehtud 5200 arvutustehnika ostu põhjal matemaatilise mudeli, millega sai ennustada eelarvest kinnipidamist, tarne õigeaegsust ning ostjate rahulolu konkreetse tehinguga. Selle mudeli alusel ennustas ta neid näitajaid eri tehingute puhul mitmes erinevas sektoris ning palus seda teha ka nendes sektorites tegutsevatel ostujuhtidel. Snijdersi mudel oli ostujuhtide omast parem, isegi nendest, kes olid üle keskmise. Samuti leidis ta, et kogenud juhid ei olnud noortest paremad ning üldiselt ei osanud juhid tehinguid hinnata oma valdkonnas paremini kui mujal.

      • Majandusteaduse professor Orley Ashenfelter koostas lihtsa mudeli – kõigest nelja avalikult saadava muutujaga ilma kohta –, et edukalt ennustada Bordeaux’ veinide kvaliteeti ja hinda ammu enne seda, kui need olid joogivalmis. Traditsiooniliselt olid nende noorte veinide hinda tugevasti mõjutanud tunnustatud veiniekspertide arvamused, kuid Ashenfelter kirjutas: „Üks kõige huvitavamaid [säärastest uurimustest] tekkivaid küsimusi on roll, mis nende uurimuste kohaselt on eksperdiarvamustel veinihindade määramisel … leidub tõendeid selle kohta, et eksperdiarvamus pole veini kvaliteeti määravate põhiteguritega seotud (s.o selle suhtes ortogonaalne) … Sellest johtub loomulikult vastuseta küsimus, mis täpselt määrab nõudluse eksperdiarvamuste järele.”

      • Erik töötas koos nüüdseks Whartoni Ärikooli professoriks saanud Lynn Wuga välja lihtsa mudeli eluasememüügi ja -hindade ennustamiseks. Nad kasutasid Google Trendsi andmeid selle kohta, kui sageli otsiti igal kuul kõigis 50 USA osariigis mõisteid, nagu „kinnisvaraagent”, „eluasemelaen”, „eluasemehinnad” jne. Mudeli põhjal koostasid nad eluasememüügi kohta prognoose ja võrdlesid neid Rahvusliku Kinnisvaramaaklerite Ühingu ekspertide avalike prognoosidega. Kui tulemused selgusid, ületas nende mudel eksperte lausa 23,6 protsendiga, mis näitab, kui mõttekas on Google’i otsinguandmeid prognoosimismudelisse võtta.

      • Järjekordne Eriku projekt puudutas mingis mõttes teda ennastki. Nimelt töötas ta õppejõudude jaoks välja Moneyballi laadi mudeli. Üheskoos oma kolleegidega MITst – Dimitris Bertsimas, John Silberholz ja Shachar Reichman – püüdis ta ennustada, kes saaks tippülikoolides professori ametikohale. Nad kogusid andmeid noorte õpetlaste esimeste trükiste ja viitamisharjumuste kohta ning kasutasid võrguteooria mõisteid, et hinnata, kes neist olid kirjutanud kõige mõjukamaid ja autoriteetsemaid töid. Nad kalibreerisid oma mudeli ennustama, millised õpetlased jõuavad viimaks operatsioonianalüüsi valdkonnas professorikohale. Nende mudeli tulemus kattus 70 protsendil juhtudest komisjoni arvamusega, ent erinevuste korral osutas mudel õpetlastele, kes kirjutasid tulevikus rohkem artikleid, mida avaldati tippajakirjades, ning teadustöid, mida tsiteeriti sagedamini, kui õpetlased, kes tegelikult komisjoni sõelale jäid.

      • Shai Danzingeri ja tema kolleegide uurimuse tulemusel selgus, et Iisraeli kohtunikud olid altid tingimisi vabastusi andma pigem tööpäeva alguses ning pärast söögipausi. Ja vahetult enne vaheaega – kui nad olid ilmselt väsinud või nende veresuhkur oli madal – soovitasid nad suurema tõenäosusega vangistuse jätkamist. On teisigi uurimusi, mis kinnitavad oletust, et kohtuotsuseid mõjutavad tihti tegurid, millel puudub seos juhtumi endaga. Majandusteadlased Ozkan Eren ja Naci Mocan avastasid, et ühes USA osariigis tegid piirkonna silmapaistva ülikooli vilistlastest kohtunikud märkimisväärselt rangemaid otsuseid vahetult pärast seda, kui nende alma mater’i meeskond oli jalgpallis ootamatult kaotanud, ning et need ranged otsused puudutasid „asümmeetriliselt mustanahalisi”.

      • Florida osariigi Browardi maakonna kooliametis pöörduti andekate laste väljaselgitamisel kõigepealt vanemate või õpetajate poole. Browardis kuulus enamik õpilasi vähemustesse, kuid 56 protsenti andekate programmides osalevatest lastest olid valged. XXI sajandi esimesel aastakümnel otsustas kooliamet selle subjektiivse meetodi asemele võtta võimalikult süstemaatilise ja objektiivse: igal maakonna lapsel lasti sooritada mittesõnaline intelligentsustest. Selle ühe muudatuse tulemus olid majandusteadlaste David Cardi ja Laura Giuliano kirjeldusel rabav: andekaks osutus 80 protsenti rohkem afroameeriklasi ning 130 protsenti rohkem latiinosid.

      • Õigusteaduse professorid Ted Ruger ja Pauline Kim ning politoloogid Andrew Martin ja Kevin Quinn tegid katse, et selgitada välja, kas Martini ja Quinni loodud lihtsa, kuue muutujaga mudeli abil saab ennustada USA Ülemkohtu otsuseid 2002. aasta vältel paremini, kui seda oskaksid 83 silmapaistvat õiguseksperti. Neist juristidest 38 olid töötanud ülemkohtunike abina, 33 olid õigusteaduse õppetoolide juhatajad ning kuus olid praegused või endised õigusteaduskonna dekaanid. See rühm ennustas keskmistatuna õigesti veidi alla 60 protsendi ülemkohtu otsustest – algoritm aga 75 protsenti.

      Kas eelnev loetelu on esinduslik ja objektiivne? Või tõstame sihilikult, võib-olla isegi ebateadlikult, esile juhtumeid, kus inimese taip jääb puhtalt andmepõhisele lähenemisele alla, ning eirame näiteid inimese paremuse kohta? Suur hulk uurimusi osutab, et sugugi mitte.

      Üks rühm eesotsas psühholoog William Grove’iga otsis 50 aasta jooksul ilmunud psühholoogia- ja meditsiinikirjandusest näiteid otseste võrdluste kohta kliiniliste ja statistiliste ennustuste vahel (s.t kogenud inimekspertide ning 100 protsenti andmepõhise metoodika vahel). Nad leidsid 136 säärast uurimust mitmesugustel teemadel alates IQ ennustamisest kuni südamehaiguste diagnoosimiseni. 48 protsendil juhtudest mõlema meetodi järgi tehtud prognoosid palju ei erinenud – teisisõnu polnud eksperdid keskmiselt valemitest paremad.

      Palju suurema hoobi sai arvamus inimeste parema taibu kohta tähelepanekust, et 46 protsendil juhtudest oskasid inimeksperdid prognoosida palju halvemini, kui seda sai teha ainult arvude ja valemitega. See tähendab, et inimestel oli selge paremus kõigest kuuel protsendil juhtudest. Ja lõpetuseks lisasid autorid, et peaaegu kõigis uurimustes, kus inimesed olid arvudest paremad, „oli raviarstide käsutuses rohkem andmeid kui mehaanilisel prognoosimisel”. Nagu Paul Meehl, too legendaarne psühholoog, kes hakkas 1950. aastate alguses dokumenteerima ja kirjeldama inimekspertide viletsat sooritust, asja kokku võttis:

      Ühiskonnateadustes pole ühtegi debatti, mis hõlmaks nii suurt hulka kvalitatiivselt erinevaid ja samal ajal säärase üksmeelega ühte suunda osutavaid uurimusi nagu see [milles võrreldakse statistiliste ja kliiniliste prognooside õigsust]. Kui võtta üle 100 uurimuse, mis ennustavad kõike jalgpallimängu tulemustest kuni maksahaiguste diagnoosini, ning nende hulgas on vaevu poolkümmend, mis viitavad kas või nõrgalt arsti paremuse poole, on aeg teha praktiline järeldus.

      Praktiliseks järelduseks peame meie seda, et eksperdihinnangutele ja ennustustele tuleks vähem tugineda.

      Samale järeldusele on jõudnud üha enam Ameerika firmasid. Koostöös USA Statistikabürooga vaatasid Erik ja nüüdseks Toronto Ülikooli professoriks saanud Kristina McElheren läbi 18 000 tehasest koosneva esindusliku valimi ja leidsid, et andmepõhisele otsustamisele üleminek oli kiirenemas, mida toetasid IT laienev kasutamine ning säärast metoodikat usaldavate ettevõtete märkimisväärselt paremad tulemused.

      Ehkki näited on kaalukad, peame oma õnnestunud algoritmide loetelule lisama mõne tähtsa reservatsiooni. Selleks et inimtaipu saaks matemaatilise mudeliga kõrvutada, peab see mudel mõistagi olemas olema. Polanyi paradoksi СКАЧАТЬ