מה הקשר בין המלתחה הפרטית שלכם לזיכרון של מחשב? וכיצד מחקר של בעיות מחשוב יכול לסייע לכם לבחור לאיזו מסעדה לצאת? חוקר הקוגניציה פרופסור טום גריפת'ס מסביר בהרצאת TED כיצד המדע שמאחורי המחשבים שלנו יכול להיות רלוונטי לקבלת החלטות, בחירות ופתרון בעיות בחיי היומיום.
כמעט לא קיים אדם שבוחר לאיזו מסעדה לצאת לארוחת ערב מבלי לבקר קודם בגוגל. תתקשו למצוא מישהו שמבצע רכישה גדולה מבלי להשתמש בשירות דיגיטלי זה או אחר. לכן, השאלה כיצד מחשבים יכולים לסייע לנו לקבל החלטות או להגיע לפתרונות עשויה להישמע רטורית, שלא לומר מיותרת. ואולם, מעבר להררי המובן מאליו, מסתתר בעולם המחשבים רובד פחות מוכר של שימושיות עבורנו, אבל כזה שיכול להוות יתרון עצום.
במה מדובר? כדי ליצור את כל מה שאנו באים עימו במגע יומיומי – בין אם זו החומרה ובין אם אלו תוכנות, אתרים, אפליקציות, ושאר מוצרים דיגיטליים – מדעני מחשב צריכים להתגבר על בעיות מתמטיות במהותן. כיצד להגביר מהירות מבלי להוריד באיכות? איך גורמים לדברים לעבוד בו-זמנית? מה הדרך היעילה ביותר לבצע אוטומציה של תהליך? כדי לעשות זאת הם מפתחים, או מגלים, מודלים חישוביים, שעל פי טום גריפת'ס, פרופסור למדעי הקוגניציה מאוניברסיטת פרינסטון, טובים לא רק לאלגוריתמים אלא גם לבעיות רגילות של בני אדם.
בהרצאת TED מסביר גריפת'ס כיצד אבני היסוד של מדעי המחשב יכולות לספק פתרונות להתלבטויות שגרתיות כמו כיצד לבחור באופציה אחת מני רבות, איך לתעדף ומתי מגיע הזמן להפסיק לחפש ולקבל החלטה. היתרון הגדול הוא שאין כל צורך בידע מוקדם על מחשבים או בהיכרות עם המודלים. הפתרונות המבריקים שרקחו המומחים לאורך השנים אמנם שינו את חיינו מקצה לקצה, אך תופתעו לגלות כי הם למעשה פשוטים למדי.
המספר המדויק באחוזים שצריך להקדיש לחיפוש
ייתכן שביקום מקביל לאנשים יש היצע בלתי מוגבל של דברים לבחור ביניהם, וזמנם בידיהם. הם יכולים להתלבט במשך שלוש שנים איזה דגם של נעליים לקנות, בידיעה שכל הדגמים יעמדו לרשותם כשתבשיל החלטה בליבם. בעולם שלנו, לעומת זאת, בסוף העונה הנעליים כבר לא יהיו זמינות. למעשה, אם נתלבט היום ונחזור לקנות את הנעליים מחר, ייתכן מאוד שנגלה כי המידה שלנו אזלה מהמלאי. אוקיי, אז ייתכן שאתם לא פריקים של אופנה ונעליים לא כל כך מטרידות אתכם. ומה לגבי רכישת הבית שבו תגורו?
בעיר סידני שבאוסטרליה, מסביר גריפת'ס, רכישת דירה היא בעיה לא פשוטה, ויכולים להזדהות איתה גם ישראלים, אפילו בשכירות. כשההיצע נמוך, השוק דוחף אותנו למלכוד. אנשים שמחפשים בית צריכים ללכת ולראות את המקום, ואז לקבל החלטה אם לקחת או להמשיך לחפש. אם ייקחו, ייתכן שיחמיצו אפשרות טובה בהרבה. אם יעברו הלאה, אולי יגלו בדיעבד כי ויתרו על האפשרות הטובה ביותר שעמדה לרשותם.
"זאת בעיה כה אכזרית ומוכרת", אומר גריפית'ס, "שאולי תופתעו לשמוע שיש לה פתרון פשוט. 37 אחוזים". הוא מסביר כי בכל פעם שאנו מתלבטים בין אפשרויות, עלינו להגדיר מה ה-100 אחוז שלנו. זה יכול להיות פרק זמן, מספר החלופות שאנו מוכנים לבחון, המרחב שאנו רוצים לכסות בחיפוש וכן הלאה. כדי להגיע באופן עקבי ושיטתי לחלופה הטובה ביותר, עלינו לחקור 37 אחוזים מתוך ה-100, ואז לבחור בחלופה הבאה הטובה ביותר מבין כל מה שבדקנו עד כה. למשל, מסביר גריפית'ס, אם החלטתם להקדיש חודש לחיפוש, עליכם לחקור במשך 11 ימים ולבחור בחלופה הטובה ביותר סמוך ככל הניתן למועד הזה. "אנו יודעים זאת", הוא מציג את הרציונל, "כי הניסיון למצוא מקום מגורים הוא דוגמה ל'בעיית עצירה מיטבית', סוג בעיות שנחקרו היטב בידי מתמטיקאים ומדעני מחשבים".
תינוקות חוקרים את סביבתם על בסיס עקרונות של בינה מלאכותית
יש עוד הרבה מהיכן שבאה הנוסחה הפשוטה הזו. "בין אם זה משהו בסיסי כמו להחליט לאיזו מסעדה ללכת, או משהו חשוב כמו להחליט עם מי לבלות את שארית חייך, החיים האנושיים מלאים בבעיות חישוביות שפשוט קשה מדי לפתרן בכוח בלבד. בבעיות כאלה כדאי להתייעץ עם מומחים: מדעני המחשבים". המחשבה שאנו צריכים להתחיל לפעול כמו מחשבים עלולה ליצור דימוי דיסטופי שבו אנו הופכים אט אט לרובוטים מתוכנתים. אבל למעשה, כחוקר קוגנציה גריפית'ס מאמין כי צורת החשיבה הזו דווקא מאוד מתאימה למוח האנושי. אחרי הכול, מוח אנושי הוא זה שהגה אותה.
הדוגמה של בחירת מסעדה מבהירה היטב עד כמה אנושי השימוש במודל ממוחשב. עיקר הדילמה הוא להחליט אם ללכת לאחד מהמקומות הקבועים שאנו אוהבים, או לחפש מסעדה שטרם ביקרנו בה. "במצב זה", מסביר גריפת'ס, "אתם מתמודדים עם מה שמדעני המחשב מכנים 'ניסוי או מיצוי'". מחד, ניסוי מאפשר לנו לאסוף מידע חדש שנוכל להשתמש בו בעתיד. מאידך, מיצוי מאפשר לנו לנצל מידע שאספנו בעבר. מסתתרת כאן שאלה פילוסופית לא פשוטה – האם אנו חיים כדי לגלות דברים חדשים, או שאנו מגלים דברים חדשים כדי לחיות. אבל נניח לה בינתיים. הטרייד אוף, או בעברית שקלול התמורות של ניסוי-מיצוי, הוא גם שאלה פרקטית שלדבריו מלווה אותנו במגוון תחומים, מבחירת מוזיקה ועד השאלה עם מי לבלות.
הבעיה הזו מלווה גם מדענים ואנשי טכנולוגיה כשהם מתכננים מערכות בינה מלאכותית, למשל, ורוצים לאפשר לאלגוריתם מידה של אוטונומיות בבחירת אפשרויות. המחקר בתחום, טוען גריפת'ס, "הניב כמה תובנות מפתיעות". כך, למשל, "כשאתם מנסים להחליט לאיזו מסעדה ללכת, השאלה הראשונה שעליכם לשאול את עצמכם היא, כמה זמן עוד תהיו בעיר". משך השהות הוא קריטריון טוב לבחירה האם ללכת למקום מוכר או לנסות משהו חדש. ההיגיון הוא שאם אתם נשארים במקום זמן רב, כדאי לאסוף מידע שתוכלו לנצל מאוחר יותר. אבל במקרה שאתם נשארים לזמן מועט, לא תוכלו לנצל מידע שתאספו היום, ולכן הבחירה האולטימטיבית תהיה לנצל מידע שכבר יש לכם על מסעדה טובה. "ערך המידע עולה ככל שמתרבות האפשרויות שלכם לנצל אותו".
תובנה מפתיעה נוספת קשורה להתנהגות תינוקות מחד ומבוגרים מאידך. גריפית'ס מסביר: "לתינוקות אין מוניטין של יצורים רציונליים במיוחד. הם תמיד מנסים דברים חדשים, מנסים להכניס דברים לפה. אך למעשה, זה בדיוק מה שהם אמורים לעשות. הם מצויים בשלב ה'ניסוי' של חייהם, וכמה מהדברים האלה אולי יתגלו כטעימים. בקצה האחר של הקשת, הזקן שהולך תמיד לאותה מסעדה ואוכל תמיד אותו דבר אינו משעמם: הוא אופטימלי". לדבריו, מעבר להקלת הבחירות, העיקרון הזה מסייע לנו גם לקבל בהבנה את ההתנהגויות שלנו מתוך ידיעת המנגנונים שמפעילים אותן.
במקרים כאלה, אפשר לטעון, אנחנו לא מפסידים באמת, שכן בכל מקרה יש תועלת. אבל מה לגבי החלטות שבהן אנו צריכים לעשות ויתורים לצמיתות? הארון של רובנו, בואו נודה, מרבית הזמן נמצא באובר-בוקינג. אנחנו יודעים שצריך לעשות סדר, אבל איך מחליטים מאילו פריטים להיפטר? תשובה הולמת אפשר למצוא במערכת הזיכרון של מחשבים. בגדול, למחשבים יש שני סוגים של זיכרון – מהיר ואיטי. הראשון משמש לביצוע פעולות והשני יותר כאחסון לטווח רחוק. מהירות התגובה של המחשב, אם כן, היא פונקציה של מהירות הזיכרון. מהירות המחשבים בתחילת הפריצה שלהם לחיינו בשנות ה-90 היא נצח במונחים של היום. כדי להביא אותם לתגובה הכמעט מיידית שממנה אנו נהנים היום, מדעני מחשב היו צריכים להתמודד עם אתגר מקביל לסינון הפריטים במלתחה.
השלווה הכרוכה בהתנהגות כמו 'רובוטים'
כמו ארון הבגדים, גם הזיכרון הוא משאב מוגבל. ומכיוון שהזיכרון המהיר יקר יותר לייצור, הוא מוגבל אף יותר. למחשב יש מעט ממנו והוא צריך להחליט איזה מידע נשמר בו בכל זמן נתון כדי לעבוד ביעילות מקסימלית. כדי שמידע חדש ייכנס, המחשב צריך למחוק מידע קיים. כיצד הוא מחליט איזה מהמידע שלכם למחוק? "במשך השנים ניסו מדעני המחשב שיטות שונות כדי להחליט מה למחוק מהזיכרון המהיר", מספר גריפית'ס ומסביר כי הם מצאו ש"השיטה הכי יעילה מתמקדת בפריטים שהיו הכי פחות בשימוש לאחרונה". הרציונל הוא שככל שמצטבר יותר אבק על יחידת מידע מסוימת, כך יורד הסיכוי שיהיה בה צורך מיידי. הכלל הזה תקף גם למלתחה: הפריט שהשתמשתם בו לפני הזמן הרב ביותר הוא הפריט שככל הנראה יעבור הזמן הרב ביותר עד שתשתמשו בו שנית. משמע – הוא זה שצריך ללכת. אפשר לארגן על פי עיקרון ההתיישנות דברים נוספים כמו מסמכים על השולחן, ספרים במדף, אוכל במקרר, תיקיות במחשב וכך הלאה.
בעלי העין המתמטית בוודאי הבחינו כי העקרונות הללו לא בהכרח מובילים לתוצאה הטובה ביותר האפשרית בכל מצב נתון, אלא לסדרה מתקבלת על הדעת של החלטות במאמץ מינימלי. אכן, המודלים הללו לא יכולים להביא אותנו למדליית זהב בכל בחירה ובעיה בחיים. והם גם לא נועדו לכך. "טובי האלגוריתמים מנסים למצוא מה הכי הגיוני לעשות בזמן הקצר ביותר", כלומר לייעל את הפעילות השוטפת שלנו. אנחנו לא יכולים לגשת לכל בעיה בחיים כמו ספורטאי אולימפי, אבל בהחלט יכולים למקסם את התוצאות ביחס לזמן ולנסיבות.
זה מאפשר לנו להיות מעשיים יותר. לבלות פחות זמן בהתלבטויות שגם תוקעות אותנו במקום וגם עלולות לגרום להצטברות מתח. ובל נזלזל באפקט הפסיכולוגי של קיצורי הדרך הממוחשבים. "כל הידע הזה אפשר לי להירגע כשעליי לקבל החלטות", אומר גריפת'ס. "מדעי המחשב יכולים להפוך אותנו לסלחניים יותר ביחס למגבלותינו. אינכם יכולים לשלוט בתוצאות אלא רק בתהליכים. וכל עוד השתמשתם בתהליך הכי טוב, הרי שעשיתם כמיטב יכולתכם".
כתבות נוספות שעשויות לעניין אותך:
מהי "חשיבה אחורה" וכיצד התפיסה המקורית הזו יכולה להוות יתרון בהשגת מטרות
האפקט המשחרר של אקראיות – וכיצד היא יכולה לעזור לנו לקבל החלטות נקיות יותר
הפולינזים הקדמונים ומדעני נאס"א חולקים סוד משותף – מה ניתן ללמוד ממנו על גישה לחיים?
עוד מרדיו מהות החיים:
