Контекст
Идеи, лежащие в основе современного машинного обучения (МО), восходят к 1940-м годам и, по крайней мере частично, были основаны на модели взаимодействия клеток мозга. И, конечно же, на проблемы, которые мы заставляем решать машины, влияют решения и действия человека. Таким образом, влияние человека на ОД совершенно очевидно.
Однако мы редко говорим об обратном: научило ли нас чему-нибудь ML о принятии решений в реальной жизни и об общении, связанном с этими решениями? Вот о чем эта короткая статья.
Лично для меня машинное обучение действительно помогло рационализировать принятие сложных личных решений, и это было по-настоящему освежающе. Я работал над теорией и приложениями МО более 15 лет и видел, как эта область развивалась от простых линейных моделей, которые почти не работали, к продвинутым нейронным сетям, которые творили чудеса. И эта эволюция уступила место интересному выводу:
По мере того, как мы становимся лучше в принятии качественных решений (особенно личных), нам становится труднее объяснять эти решения, и это нормально. И наоборот, если мы заставим процесс принятия решений быть простым для объяснения, мы можем принимать неоптимальные решения.
Почему это важно? Потому что нашей жизнью управляют личные решения, и ряд неоптимальных решений может уводить нас все дальше и дальше от той жизни, которую мы заслуживаем. Поэтому важно иметь основу для принятия решений. И я утверждаю, что лучшие решения часто труднее объяснить. Объяснимость — вспомогательная цель, а не центральная. Неспособность объяснить может быть связана с ограниченностью наших языков, а не с качеством наших решений.
Подробности
Когда мы принимаем сложные решения, нас часто спрашивают почему?. Самые трудные решения в жизни, даже бинарные, такие как
- стоит ли переезжать из города А в город Б
- поступать на MBA или нет
- работать ли в офисе или быть удаленным, или
- стоит ли переходить на новую работу или оставаться на нынешней
