Έχετε πιάσει ποτέ τον εαυτό σας να αναλύει μια απόφαση ξανά και ξανά, πιστεύοντας ότι όσο περισσότερες λεπτομέρειες εξετάσετε τόσο καλύτερη θα είναι τελικά η επιλογή σας;
Στη στατιστική και στη μηχανική μάθηση υπάρχει μια έννοια που θυμίζει εντυπωσιακά αυτή την ανθρώπινη παγίδα: το Overfitting — Υπερπροσαρμογή.
Ένα μοντέλο παρουσιάζει overfitting όταν προσαρμόζεται τόσο πολύ στα δεδομένα που διαθέτει, ώστε αρχίζει να «μαθαίνει» όχι μόνο τα πραγματικά μοτίβα αλλά και τον θόρυβο, τις συμπτώσεις και τις ιδιαιτερότητές τους. Έτσι μπορεί να περιγράφει εξαιρετικά το παρελθόν, αλλά να αποτυγχάνει όταν αντιμετωπίσει κάτι καινούργιο.
Κάτι παρόμοιο μπορεί να συμβεί και στις αποφάσεις μας.
Όσο περισσότερους παράγοντες προσθέτουμε, τόσο μεγαλύτερος είναι ο κίνδυνος να αρχίσουμε να δίνουμε υπερβολική σημασία σε δευτερεύουσες λεπτομέρειες.
Μια σχετική τεχνική της μηχανικής μάθησης είναι το Early Stopping — Πρόωρη Διακοπή: σταματάμε την εκπαίδευση ενός μοντέλου πριν αρχίσει να προσαρμόζεται υπερβολικά στον θόρυβο.
Η ανθρώπινη αναλογία δεν είναι:
«Μη σκέφτεσαι πολύ».
Είναι περισσότερο:
«Μάθε πότε η επιπλέον σκέψη παύει να προσθέτει χρήσιμη πληροφορία».
Ακολουθούν 8 χαρακτηριστικά παραδείγματα.
1.Η λίστα γάμου του Κάρολου Δαρβίνου
Όταν ο Charles Darwin προσπαθούσε να αποφασίσει αν έπρεπε να παντρευτεί, έφτιαξε μια περίφημη λίστα με επιχειρήματα υπέρ και κατά.
Στα υπέρ σημείωσε πράγματα όπως:
παιδιά, συντροφικότητα, οικογενειακή ζωή.
Στα κατά:
λιγότερος χρόνος για δουλειά, μεγαλύτερα έξοδα, λιγότερα χρήματα για βιβλία και περιορισμός της ελευθερίας του.
Οι Brian Christian και Tom Griffiths, στο βιβλίο Algorithms to Live By,(Αλγοριθμικη των αποφασεων ,Π.Ε.Κ) παρατηρούν ότι μερικοί από τους σημαντικότερους παράγοντες εμφανίζονταν ήδη στην αρχή της λίστας.
Όσο η ανάλυση προχωρούσε, οι λεπτομέρειες γίνονταν όλο και πιο μικρές.
Και κάπου εκεί… τελείωσε και η σελίδα.
Ένα εξαιρετικό παράδειγμα φυσικού Early Stopping.
2.Όταν η υπερβολική προετοιμασία κάνει μια διάλεξη χειρότερη
Ο γνωστικός επιστήμονας Tom Griffiths έχει περιγράψει ότι, όταν άρχισε να διδάσκει, μπορούσε να αφιερώνει περίπου δέκα ώρες προετοιμασίας για μία ώρα μαθήματος.
Έψαχνε κάθε λεπτομέρεια.
Πρόσθετε συνεχώς πληροφορίες.
Τελειοποιούσε κάθε διαφάνεια.
Όταν αργότερα ο χρόνος του περιορίστηκε και αναγκάστηκε να προετοιμάζεται λιγότερο, διαπίστωσε κάτι παράδοξο:
το μάθημα έγινε καλύτερο.
Οι πολλές επιπλέον ώρες δεν βελτίωναν πάντα την ουσία. Συχνά πρόσθεταν λεπτομέρειες που βάραιναν την παρουσίαση και έκρυβαν το βασικό μήνυμα.
3. Σχεδιασμός με χοντρό μαρκαδόρο
Οι δημιουργοί της Basecamp, Jason Fried και David Heinemeier Hansson, έχουν περιγράψει μια απλή αλλά έξυπνη πρακτική:
στα πρώτα στάδια ενός σχεδιασμού χρησιμοποιούν χοντρό μαρκαδόρο.
Γιατί;
Επειδή με έναν χοντρό μαρκαδόρο δεν μπορείς να σχεδιάσεις μικροσκοπικά κουμπιά, λεπτές γραμμές και ασήμαντες λεπτομέρειες.
Αναγκάζεσαι να απαντήσεις πρώτα στα μεγάλα ερωτήματα:
Τι προσπαθούμε να φτιάξουμε;
Ποιο είναι το βασικό πρόβλημα;
Ποια στοιχεία είναι πραγματικά απαραίτητα;
Ο περιορισμός λειτουργεί σαν προστασία από το overfitting.
4.Ο Νομπελίστας που δεν εφάρμοσε περίπλοκα μαθηματικά στις δικές του αποταμιεύσεις
Ο Harry Markowitz δημιούργησε τη σύγχρονη θεωρία χαρτοφυλακίου και τιμήθηκε με Νόμπελ Οικονομικών.
Θα περίμενε κανείς λοιπόν ότι οι προσωπικές του επενδύσεις θα βασίζονταν σε εξαιρετικά περίπλοκους υπολογισμούς.
Κι όμως, για ένα διάστημα επέλεξε έναν απλούστατο κανόνα:
50% μετοχές — 50% ομόλογα.
Ο ίδιος εξήγησε ότι ήθελε κυρίως να μειώσει τη μελλοντική του μεταμέλεια: να μη νιώθει ότι έχασε εντελώς μια μεγάλη άνοδο των μετοχών, αλλά ούτε ότι καταστράφηκε σε μια μεγάλη πτώση.
Το παράδειγμα δείχνει κάτι σημαντικό:
όταν το μέλλον είναι εξαιρετικά αβέβαιο, ένα απλό και ανθεκτικό μοντέλο μπορεί μερικές φορές να είναι προτιμότερο από μια ψευδαίσθηση μαθηματικής ακρίβειας.
5.Οι “ουλές εκπαίδευσης” — Training Scars
Η εκπαίδευση μπορεί επίσης να δημιουργήσει ένα είδος υπερπροσαρμογής.
Αν κάποιος επαναλαμβάνει μια διαδικασία ξανά και ξανά κάτω από πολύ συγκεκριμένες συνθήκες, υπάρχει κίνδυνος να μάθει όχι μόνο τη σωστή δεξιότητα αλλά και άσχετες συνήθειες που συνοδεύουν την άσκηση.
Σε στρατιωτικά και αστυνομικά περιβάλλοντα αυτό συχνά περιγράφεται ως training scars — ουλές εκπαίδευσης.
Μια συμπεριφορά που είναι ακίνδυνη ή χρήσιμη στην προπόνηση μπορεί, αν αυτοματοποιηθεί υπερβολικά, να εμφανιστεί και σε διαφορετικές πραγματικές συνθήκες όπου δεν είναι πλέον κατάλληλη.
Το πρόβλημα δεν είναι η εκπαίδευση.
Είναι η εκπαίδευση που έχει προσαρμοστεί υπερβολικά σε ένα συγκεκριμένο περιβάλλον.
6. Όταν οι επιχειρηματικοί δείκτες γίνονται αυτοσκοπός
Φανταστείτε μια ιστοσελίδα που αποφασίζει ότι το βασικό της μέτρο επιτυχίας είναι ένα:
Page Views.
Στην αρχή φαίνεται λογικό.
Ύστερα όμως αρχίζει η υπερβελτιστοποίηση:
εντυπωσιοθηρικοί τίτλοι, άρθρα χωρισμένα σε πολλές σελίδες, περισσότερες διαφημίσεις, clickbait, τεχνικές που αυξάνουν τεχνητά τα κλικ.
Ο αριθμός ανεβαίνει.
Αλλά η εμπειρία του αναγνώστη χειροτερεύει.
Εδώ συναντάμε όχι μόνο το overfitting αλλά και μια συγγενική ιδέα, γνωστή ως Νόμος του Goodhart:
όταν ένας δείκτης μετατρέπεται σε στόχο, συχνά παύει να είναι καλός δείκτης.
Βελτιστοποιούμε αυτό που μετριέται και ξεχνάμε αυτό που πραγματικά μας ενδιαφέρει.
8.Η ελληνική περιπέτεια της αγοράς μεταχειρισμένου αυτοκινήτου
Όποιος έχει ψάξει μεταχειρισμένο αυτοκίνητο στην Ελλάδα γνωρίζει την παγίδα.
Ξεκινάς με τρία λογικά κριτήρια:
τιμή, αξιοπιστία, κατάσταση.
Δύο εβδομάδες αργότερα συγκρίνεις:
κυβικά, κατανάλωση, τέλη κυκλοφορίας, εξοπλισμό, χρώμα, ζάντες, χιλιόμετρα, πιθανή μεταπωλητική αξία, εκδόσεις κινητήρων, ασφαλιστικό κόστος και δεκάδες αγγελίες.
Και τότε αρχίζει η υπερανάλυση.
Ένα πραγματικά καλό αυτοκίνητο μπορεί να απορριφθεί επειδή κάποιο άλλο έχει 8.000 λιγότερα χιλιόμετρα.
Ή επειδή είναι 300 ευρώ φθηνότερο.
Ή επειδή διαθέτει μία επιπλέον οθόνη.
Μια στρατηγική τύπου Early Stopping θα ήταν διαφορετική:
θέσε εξαρχής λίγα κρίσιμα κριτήρια —προϋπολογισμό, μηχανική κατάσταση, ιστορικό συντήρησης και πραγματικές ανάγκες— και, μόλις βρεις ένα αυτοκίνητο που τα ικανοποιεί και το ελέγξει ένας αξιόπιστος μηχανικός, σταμάτα την αναζήτηση.
Το ζητούμενο δεν είναι να ανακαλύψεις το θεωρητικά τέλειο αυτοκίνητο ανάμεσα σε χιλιάδες αγγελίες.
Είναι να βρεις ένα αρκετά καλό και αξιόπιστο αυτοκίνητο με βάση τα δεδομένα που πραγματικά έχουν σημασία.
Όταν προσπαθούμε να προβλέψουμε ένα μέλλον που δεν προβλέπεται
Το overfitting γίνεται ιδιαίτερα επικίνδυνο όταν έχουμε λίγα δεδομένα αλλά πολλές πιθανές εξηγήσεις.
Μπορούμε τότε να κατασκευάσουμε μια εξαιρετικά περίπλοκη ιστορία που εξηγεί τέλεια ό,τι συνέβη μέχρι σήμερα:
γιατί μια εταιρεία πέτυχε,
γιατί μια επένδυση ανέβηκε,
γιατί μια επιλογή απέτυχε.
Το πρόβλημα είναι ότι μια ιστορία που εξηγεί τέλεια το παρελθόν δεν προβλέπει κατ’ ανάγκη το μέλλον.
Μερικές φορές το πιο έξυπνο μοντέλο δεν είναι αυτό που εξηγεί κάθε λεπτομέρεια.
Είναι αυτό που κρατά μόνο όσα είναι πιθανό να επαναληφθούν.
Το πραγματικό takeaway
Η λύση δεν είναι να παίρνουμε αποφάσεις βιαστικά.
Ούτε να εμπιστευόμαστε τυφλά την πρώτη μας εντύπωση.
Η καλύτερη αρχή είναι πιο λεπτή:
όταν τα δεδομένα είναι αβέβαια και θορυβώδη, περισσότερη ανάλυση δεν σημαίνει κατ’ ανάγκη καλύτερη απόφαση.
Υπάρχει ένα σημείο πέρα από το οποίο η πρόσθετη σκέψη παύει να προσθέτει πληροφορία και αρχίζει να προσαρμόζεται στον θόρυβο.
Ίσως λοιπόν μια από τις σημαντικότερες δεξιότητες στη λήψη αποφάσεων να μην είναι μόνο να ξέρουμε πώς να σκεφτόμαστε.
Αλλά και να ξέρουμε…
πότε να σταματάμε.
#DecisionMaking #AlgorithmsToLiveBy #Overfitting #EarlyStopping #MentalModels #Productivity #CriticalThinking #GoodhartsLaw
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου