Интеллектуальная поддержка: как искусственный интеллект поможет справиться с шумом, страховыми взносами и судебными залами

От страховых взносов до судебных залов: влияние шума

Делиться

Недавно я закончил читать вдохновляющую книгу «Шум: изъян человеческого суждения» Дэниела Канемана (лауреата Нобелевской премии по экономике и автора бестселлера «Думай медленно… решай быстро») и профессоров Оливье Сибони и Касса Санстейна. В книге подчёркивается заметное, но обычно тщательно скрываемое, присутствие постоянного шума в человеческой деятельности, определяемого как вариативность результатов принятия решений по одним и тем же задачам среди экспертов в определённой области. В книге приводится множество увлекательных примеров реального воздействия шума в таких областях, как страхование, медицина, криминалистика и юриспруденция.

Шум отличается от смещения, которое представляет собой величину и направление ошибки в принятии решений среди той же группы экспертов. Ключевое различие лучше всего иллюстрирует следующая диаграмма:

Диаграмма иллюстрирует различие между предвзятостью и шумом в человеческом суждении. Каждая мишень представляет собой повторяющиеся суждения по одной и той же проблеме, а «яблочко» символизирует правильный ответ. Предвзятость возникает, когда суждения систематически отклоняются от истины, как в случае команд A и B, где выстрелы постоянно смещены в сторону. Шум, напротив, отражает непоследовательность: суждения разбросаны непредсказуемо, как это видно на примере команд A, C и D. В этом примере у команды A наблюдается высокая степень шума и предвзятости.

Мы можем резюмировать это следующим образом:

• Команда A : Все кадры смещены от центра (смещение) и неплотно сгруппированы (шум). Это демонстрирует как смещение, так и шум.
• Команда B : Выстрелы плотно сгруппированы, но систематически удалены от центра мишени. Это демонстрирует предвзятость и низкий уровень шума.
• Команда C : Снимки разбросаны и непоследовательны, без чёткого кластера. Это шум, менее систематический.
• Команда D : Также рассредоточились, производя шум.

В то время как предвзятость тянет решения в неверном направлении, шум создает изменчивость, которая подрывает справедливость и надежность.

Специалисты по искусственному интеллекту (ИИ) сейчас испытают момент озарения, поскольку описанные выше смещение и шум напоминают компромисс между смещением и дисперсией в ИИ, где мы ищем модели, которые хорошо объясняют данные, но не подстраиваются под шум. Шум здесь — синоним дисперсии.

Два основных компонента ошибки человеческого суждения можно разбить с помощью так называемого уравнения общей ошибки, где для суммирования ошибок по отдельным решениям используется среднеквадратическая ошибка (MSE):

Общая ошибка (MSE) = Смещение² + Шум²

Смещение — это средняя ошибка, а шум — это стандартное отклонение суждений. Общую ошибку можно уменьшить, устранив любой из них, поскольку оба вносят одинаковый вклад. Смещение обычно является более заметным компонентом — оно часто очевидно, когда набор решений систематически склоняется в одном направлении. Шум, напротив, сложнее обнаружить, потому что он скрывается в изменчивости. Вспомните цель, которую я представил ранее: смещение — это когда все стрелки сгруппированы не в центре, а шум — когда стрелки разбросаны по всей доске. Оба снижают точность, но по-разному. Практический вывод из уравнения ошибки очевиден: мы должны стремиться уменьшить как смещение, так и шум, а не зацикливаться только на более заметном смещении. Уменьшение шума также имеет то преимущество, что значительно облегчает обнаружение любого основного смещения.

Чтобы закрепить наше понимание предвзятости и шума, ниже представлена ещё одна полезная визуализация из книги. На этих диаграммах отображены ошибки суждений: ось X показывает величину ошибки (разницу между суждением и истиной), а ось Y — её вероятность. На левом графике шум уменьшается, а смещение сохраняется: распределение сужается, но его среднее значение остаётся смещенным относительно нуля. На правом графике смещение уменьшается: всё распределение смещается к нулю, а его ширина (шум) остаётся неизменной.

Шум и предвзятость помогают объяснить, почему организации часто принимают решения, которые одновременно неточны и непоследовательны, а результаты зависят от таких факторов, как настроение, время или контекст. Судебные решения служат хорошим примером: два судьи — или даже один и тот же судья в разные дни — могут по-разному решать одни и те же дела. Внешние факторы, такие незначительные, как погода или результат местного спортивного матча, также могут влиять на решение. Чтобы противостоять этому, стартапы, такие как Bench IQ, используют ИИ для выявления шума и предвзятости в принятии судебных решений. В их презентации представлен инструмент, который отображает шаблоны поведения судей, чтобы дать юристам более четкое представление о том, как может быть принято решение. Этот инструмент направлен на решение основной проблемы шума: когда случайность искажает решения по высоким ставкам, инструменты, которые измеряют и прогнозируют шаблоны решений, могут помочь восстановить последовательность.

Другой убедительный пример, представленный в книге, относится к страховой отрасли. В книге «Шум: изъян человеческого суждения» авторы показывают, насколько сильно различаются суждения андеррайтеров и оценщиков. Аудит шума показал, что котировки часто зависели от того, кто был назначен — фактически, лотерея. В среднем разница между оценками двух андеррайтеров составляла 55% от их среднего значения, что в пять раз превышает ожидания группы опрошенных руководителей компаний. В одном и том же случае один андеррайтер мог установить премию в размере 9500 долларов, а другой — 16 700 долларов — поразительно большая разница. Здесь явно присутствует шум, и это лишь один из многих примеров.

Задайте себе такой вопрос: полагаясь на профессиональное суждение, согласитесь ли вы добровольно участвовать в лотерее, результаты которой сильно варьируются, или предпочтете систему, которая надежно выдает последовательные суждения?

К настоящему моменту должно быть очевидно, что шум — вполне реальное явление, которое обходится организациям в сотни миллионов из-за ошибок, неэффективности и упущенных возможностей из-за неэффективного принятия решений.

Почему групповые решения ещё более шумные: информационные каскады и групповая поляризация

Мудрость толпы предполагает, что групповые решения могут приближаться к истине — когда люди принимают решения независимо, их ошибки взаимно компенсируются. Идея мудрости толпы восходит к Фрэнсису Гальтону, выдвинутому в 1906 году. На скотоводческой ярмарке он попросил 800 человек угадать вес быка. Каждый из них дал очень разную оценку. Но при усреднении суждение толпы оказалось почти точным — всего на один фунт меньше. Это иллюстрирует потенциал агрегации: независимые ошибки взаимно компенсируются, и групповое суждение сходится к истине.

Но в реальности психологические и социальные факторы часто срывают этот процесс. В группах результаты зависят от того, кто заговорит первым, кто сядет рядом с кем или кто подаст знак в нужный момент. Одна и та же группа, столкнувшись с одной и той же проблемой, может прийти к совершенно разным выводам в разные дни.

В книге «Шум: изъян в человеческом суждении» авторы приводят исследование музыкальной популярности в качестве примера того, как социальное влияние может искажать групповой выбор. Когда люди видели, что определённая песня уже была скачана много раз, они с большей вероятностью скачивали её сами, создавая самоподкрепляющийся цикл популярности. Поразительно, что одна и та же песня может иметь совершенно разный успех в разных группах, во многом в зависимости от того, привлекла ли она ранний интерес. Исследование показывает, как социальное влияние может формировать коллективное суждение, часто усиливая шум непредсказуемым образом.

Два ключевых механизма помогают объяснить динамику группового принятия решений:

• Информационные каскады — подобно костяшкам домино, падающим после первого толчка, небольшие ранние сигналы могут перевернуть всю группу. Люди копируют уже сказанное, вместо того чтобы высказать своё собственное мнение. Социальное давление усугубляет эффект — мало кто хочет показаться глупым или инакомыслящим.
• Групповая поляризация — обсуждение часто подталкивает группы к более крайним позициям. Вместо того, чтобы уравновесить, обсуждение усиливает тенденции. Канеман и его коллеги иллюстрируют это на примере присяжных: статистические присяжные, где члены судят независимо, демонстрируют гораздо меньше шума, чем совещательные присяжные, где обсуждение подталкивает группу либо к большей снисходительности, либо к большей строгости по сравнению с медианой.

Как ни парадоксально, совместное обсуждение может сделать группы менее точными и более шумными, чем если бы участники высказывались поодиночке. Из этого следует важный урок для руководства: в идеале групповые обсуждения следует организовывать таким образом, чтобы учитывать шум, используя стратегии, направленные на снижение предвзятости и шума.

Картографирование ландшафта шумных решений

Главный урок книги «Шум: изъян в человеческом суждении» заключается в том, что любое человеческое принятие решений, как индивидуальное, так и групповое, сопровождается шумом. Это может удивить или не удивить, в зависимости от того, насколько часто вы лично сталкивались с разбросом в профессиональных суждениях. Но доказательства неопровержимы: медицина шумная, решения об опеке над детьми шумные, прогнозы шумные, решения о предоставлении убежища шумные, решения по кадровым вопросам шумные, слушания об освобождении под залог шумные. Даже судебная экспертиза и патентная экспертиза шумные. Шум повсюду, но его редко замечают — и ещё реже ему противодействуют.

Чтобы лучше понять шум, полезно попытаться его классифицировать. Начнём с таксономии решений. Два важных различия помогают нам структурировать шумные решения: повторяющиеся и единичные и оценочные и предиктивные . Вместе они образуют простую ментальную структуру для руководства:

• Повторяющиеся и единичные решения : Повторяющиеся решения подразумевают повторные решения по схожим делам — андеррайтинг страховых полисов, найм сотрудников или диагностика пациентов. Здесь шум легче обнаружить, поскольку среди лиц, принимающих решения, проявляются закономерности непоследовательности. Единичные решения, напротив, по сути, представляют собой повторяющиеся решения, принимаемые лишь однажды: выдача патента, одобрение освобождения под залог или решение по делу о предоставлении убежища. Каждое решение существует отдельно, поэтому шум присутствует, но в значительной степени не виден — нам сложно сравнить, что сделал бы другой человек в том же случае.
• Оценочные и прогностические решения : оценочные решения – это суждения о качестве или заслугах, например, оценка кандидата на должность, оценка научной статьи или оценка производительности. Прогностические решения, с другой стороны, прогнозируют результаты, оценивая, совершит ли обвиняемый повторное преступление, как пациент отреагирует на лечение или будет ли успешен стартап. Оба типа подвержены шуму, но механизмы его возникновения различаются: оценочный шум часто отражает непоследовательность стандартов или критериев, в то время как прогностический шум обусловлен изменчивостью того, как люди представляют и оценивают будущее.

В совокупности эти категории образуют основу для понимания шума в человеческих суждениях. Шум влияет на то, как мы оцениваем и прогнозируем. Понимание этих различий — первый шаг к разработке систем, снижающих вариативность и повышающих качество решений. Далее я представлю некоторые конкретные меры, которые можно предпринять для снижения шума в обоих типах суждений.

Не все шумы одинаковы: руководство по их разновидностям

Аудит шума, который иногда возможен при повторяющихся решениях, может выявить, насколько непоследовательными могут быть человеческие суждения. Руководство может провести аудит шума, поручив нескольким специалистам оценить одно и то же дело. Это помогает сделать вариативность ответов видимой и измеримой. Результаты иногда могут быть весьма показательными, хорошим примером чего является описанный мной ранее случай андеррайтинга.

Чтобы поразить самое сердце зверя, авторы книги «Шум: изъян в человеческом суждении» различают несколько типов шума. В самом широком смысле это системный шум — общая вариативность суждений группы специалистов, рассматривающих одно и то же дело. Системный шум можно разделить на три следующих подкомпонента:

• Уровень шума — Насколько вы не согласны с коллегами? Различия в общих средних суждениях разных людей — некоторые судьи строже, некоторые андеррайтеры щедрее.
• Паттерн-шум — В чём именно вы постоянно ошибаетесь? Это личные, идиосинкразические склонности, которые искажают решения человека — всегда немного снисходительны, всегда немного пессимистичны, всегда более суровы в определённых случаях. Паттерн-шум можно разделить на устойчивый паттерн-шум, отражающий устойчивые личные тенденции, сохраняющиеся во времени и в разных ситуациях, и преходящий паттерн-шум, возникающий из-за временных состояний, таких как настроение, усталость или контекст, которые могут повлиять на решение.
• Ситуативный шум — Как часто вы не согласны с собой? Различия в суждениях одного и того же человека в разное время, обусловленные настроением, усталостью или контекстом. Ситуативный шум, как правило, составляет меньшую часть общего системного шума. Другими словами, и к счастью, мы обычно более последовательны в себе с течением времени, чем взаимозаменяемы с другим человеком в той же роли.

Относительное воздействие каждого типа шума различается в зависимости от задач, областей и отдельных лиц. Уровень шума часто вносит наибольший вклад в системный шум, за ним следует характерный шум, а затем случайный шум. Эти виды шума подчёркивают сложность понимания того, как изменчивость влияет на принятие решений, а их различное воздействие объясняет, почему организации так часто получают противоречивые результаты, даже применяя одни и те же правила к одной и той же информации.

Распознавая как типы решений, так и источники шума, которые их формируют, мы можем разрабатывать более продуманные стратегии для снижения изменчивости и повышения качества наших суждений.

Стратегии минимизации шума в наших суждениях

Шум в процессе принятия решений невозможно полностью устранить, но его можно уменьшить с помощью хорошо продуманных процессов и привычек — того, что Канеман и его коллеги называют гигиеной принятия решений. Как и мытьё рук, он предотвращает проблемы, которые мы не видим и не можем отследить напрямую, но при этом снижает риск.

Ключевые стратегии включают в себя:

• Проведите аудит шума: признайте возможность возникновения шума и оцените степень вариативности суждений, попросив нескольких лиц, принимающих решения, оценить одни и те же случаи. Это сделает шум видимым и поддающимся количественной оценке. Например, в таблице ниже три эксперта оценили один и тот же случай на 4/10, 7/10 и 8/10, что дало средний рейтинг 6,3/10 и разброс в 4 балла. Рассчитанный индекс шума показывает, насколько индивидуальные суждения отличаются от групповых, что делает несоответствие очевидным.

• Используйте наблюдателя за принятием решений: присутствие нейтрального участника в комнате помогает направлять обсуждение, выявлять предвзятость и поддерживать соответствие группы принципам принятия решений. Использование наблюдателя за принятием решений наиболее эффективно для снижения предвзятости в принятии решений, которая более заметна и легче обнаруживается, чем шум.
• Соберите разнообразную и квалифицированную команду: разнообразие знаний снижает вероятность возникновения коррелированных ошибок и обеспечивает дополнительные точки зрения, ограничивая риск возникновения систематических слепых пятен.
• Тщательно упорядочивайте информацию: представляйте только релевантную информацию в правильном порядке. Раннее раскрытие нерелевантных деталей может повлиять на выводы экспертов, не оправдав их ожиданий. Например, дактилоскописты могут быть подвержены влиянию деталей дела или мнения коллеги.
• Используйте контрольные списки: Простые контрольные списки, рекомендованные в «Манифесте контрольных списков», могут быть чрезвычайно эффективны в критических и стрессовых ситуациях, гарантируя, что критические факторы не будут упущены из виду. Например, в медицине шкала Апгар изначально использовалась как руководство для систематической оценки здоровья новорождённых, но затем была преобразована в контрольный список: врачи отмечают заранее определённые параметры — частоту сердечных сокращений, дыхание, рефлексы, мышечный тонус и цвет кожи — в течение минуты после рождения. Таким образом, сложное решение разлагается на подпункты, что снижает когнитивную нагрузку и повышает последовательность.
• Используйте общую шкалу: решения должны основываться на общей внешней системе отсчета, а не на личных критериях каждого судьи. Этот подход, как было показано, снижает уровень шума в таких контекстах, как найм сотрудников и оценка эффективности работы. Раздельное структурирование каждого показателя эффективности и одновременное сравнение нескольких членов команды, применение стандартизированной шкалы ранжирования и использование принудительных опорных точек (например, практических примеров, демонстрирующих, что такое «хорошо» и «отлично»), позволяет оценщикам значительно снизить вероятность возникновения идиосинкразических предубеждений и вариативности.
• Используйте мудрость толпы: независимые суждения, суммированные в совокупности, часто точнее коллективных решений. Знаменитое исследование Фрэнсиса Гальтона «Деревенская ярмарка» показало, что медиана множества независимых оценок может превосходить даже оценки экспертов.
• Создайте «внутреннюю толпу»: люди могут уменьшить собственный шум, моделируя множественные точки зрения — снова принимая то же суждение спустя какое-то время или намеренно оспаривая свое первоначальное заключение. Это эффективно сэмплирует ответы из внутреннего распределения вероятностей, напоминая, как большие языковые модели (LLM) генерируют альтернативные варианты завершения. Отличный источник примеров этого метода в действии можно найти в превосходной книге Бена Горовица «Сложное в сложных вещах». Вы можете видеть, как Горовиц формирует внутреннюю толпу, чтобы проверить все стороны вопроса, сталкиваясь с выбором с высокими ставками — например, взвешивая, стоит ли заменять испытывающего трудности руководителя или решая, следует ли компании менять свою стратегию в разгар кризиса. Вместо того, чтобы полагаться на один инстинкт, он систематически подвергает сомнению собственные предположения, воспроизводя решение с разных точек зрения, пока не станет ясен наиболее устойчивый путь вперед.
• Привязка к внешнему базовому уровню: при составлении прогнозных суждений мыслите статистически и начните с определения подходящего среднего внешнего базового уровня. Затем оцените, насколько сильно имеющаяся информация коррелирует с результатом. Если корреляция высокая, скорректируйте базовый уровень соответствующим образом; если она слабая или отсутствует, придерживайтесь среднего значения в качестве наилучшей оценки. Например, представьте, что вы пытаетесь предсказать средний балл студента. Естественным базовым уровнем является статистически средний средний балл 3,2. Если студент стабильно преуспевает на аналогичных курсах, этот показатель сильно коррелирует с будущими результатами, и вы можете обоснованно скорректировать свой прогноз в сторону интуитивного предположения, например, 3,8. Но если ваша основная информация слабо прогнозируема, например, участие студента в дебатном клубе, вам следует воздержаться от корректировок и придерживаться базового уровня. Такой подход не только снижает уровень шума, но и защищает от распространённого искажения, связанного с игнорированием регрессии к среднему значению: статистической тенденции, согласно которой экстремальные результаты (хорошие или плохие) со временем приближаются к среднему. Суть снижения шума в прогностических суждениях заключается в том, чтобы начинать с базовой линии и менять ее только тогда, когда это оправдано вескими доказательствами, как показано на диаграмме ниже.

Наконец, и это далеко не последнее по значению, мы можем обратиться к алгоритмам как к помощнику в принятии решений: от простых моделей, основанных на правилах, до продвинутых систем искусственного интеллекта, алгоритмы могут радикально снизить уровень шума в суждениях. При использовании с человеком для контроля и проверки они обеспечивают согласованную базу, оставляя место для человеческого усмотрения, когда это наиболее важно.

В поисках сломанных ног: использование ИИ для принятия решений

Один из важнейших вопросов при принятии решений: когда доверять алгоритмам, а когда позволить человеческому суждению взять инициативу в свои руки. Полезной отправной точкой может служить принцип сломанной ноги: если вам известна решающая информация, которую модель не может учесть, следует пересмотреть её прогноз.

Например, если модель предсказывает, что кто-то пробежит свою обычную утреннюю дистанцию в 5 км, потому что он никогда не пропускает ни одного дня, но вы знаете, что он заболел гриппом, вам не нужен прогноз алгоритма — вы и так знаете, что пробежка не состоится.

ИИ часто может самостоятельно обнаруживать подобные переломы ног. Анализируя огромные массивы данных о тысячах — или миллионах — случаев, системы ИИ могут выявлять едва заметные, редкие, но важные закономерности, которые люди, скорее всего, не заметят.

Чтобы понять, что такое перелом ноги, представьте себе водителя, который каждый день ездит на работу на велосипеде, но однажды утром начинается сильная снежная буря, и возможности ездить на велосипеде резко падают — аномалия, которую все же можно обнаружить с помощью данных и соответствующим образом настроенного искусственного интеллекта.

В книге «Шум: изъян в человеческом суждении» рассказывается о том, как Сендхил Муллайнатан и его коллеги исследовали эту идею в контексте решений об освобождении под залог. Они обучили систему искусственного интеллекта на более чем 758 000 дел об освобождении под залог. Судьи имели доступ к той же информации — спискам судимостей, предыдущим неявкам и другим деталям дела, — но ИИ также предоставляли результаты: были ли обвиняемые освобождены, не явились в суд или были повторно арестованы. ИИ выдавал простую числовую оценку риска. Важно отметить, что независимо от установленного порогового значения модель превосходила судей-людей. ИИ значительно точнее прогнозировал неявки и повторные аресты.

Преимущество ИИ заключается в способности обнаруживать сложные комбинации переменных. В то время как человек-эксперт может сосредоточиться на очевидных признаках, модель способна одновременно учитывать тысячи тонких корреляций. Это особенно эффективно при выявлении лиц с наивысшим риском, где редкие, но красноречивые закономерности предсказывают опасные последствия. Другими словами, ИИ превосходно улавливает редкие, но важные сигналы — например, переломы ног, — которые люди либо игнорируют, либо не могут оценить последовательно.

«Алгоритм, конечно, ошибается. Но если люди-судьи ошибаются ещё больше, кому нам доверять?» Источник: «Шум: изъян в человеческом суждении» (HarperCollins, 2021).

Модели ИИ, при грамотном проектировании и применении, могут снизить дискриминацию и повысить точность. Как мы уже видели, ИИ может улучшить процесс принятия решений человеком, выявляя скрытую структуру в запутанных и сложных данных. Поэтому задача заключается в том, чтобы найти баланс между этими двумя факторами и создать эффективную команду человек-машина: когда доверять статистическим закономерностям, а когда вмешиваться, используя человеческое суждение, в тех случаях, когда модель пока не видит поломанных ног.

Когда больших объёмов данных для обучения продвинутых моделей ИИ не хватает, не всё потеряно. Можно пойти проще: либо использовать равновзвешенные предикторы (где каждому фактору или входному параметру придаётся одинаковое значение, а не выученный вес, как в множественной регрессии), либо применять простые правила. Оба подхода могут значительно превосходить человеческие суждения. Психолог Робин Доус продемонстрировал это противоречивое открытие, введя термин «несобственная линейная регрессия» для описания метода равновзвешенных данных.

Например, представьте себе прогноз продаж на следующий квартал, используя четыре независимых предиктора: экстраполяцию исторических трендов (+8%), индекс настроений рынка (+12%), консенсус аналитиков (+6%) и интуицию менеджеров (+10%). Вместо того, чтобы доверять каждому отдельному прогнозу, эта некорректная линейная модель просто усредняет их, давая итоговый прогноз +9%. Устраняя случайные отклонения в отдельных входных данных, этот метод часто превосходит экспертные оценки и показывает, почему метод равного взвешивания может быть удивительно эффективным.

Специалисты по искусственному интеллекту могут рассматривать прорыв Доуза как раннюю форму управления емкостью: в условиях малого объема данных присвоение каждому входному сигналу одинакового веса предотвращает переобучение модели шуму.

Правила, возможно, ещё проще и могут значительно снизить уровень шума. Канеман, Сибони и Санстейн рассказывают о группе исследователей, которые создали простую модель для оценки риска побега обвиняемых, ожидающих суда. Используя всего два предиктора — возраст и количество пропущенных судебных заседаний, — модель дала оценку риска, сопоставимую с оценкой, сделанной человеком. Формула была настолько простой, что её можно было рассчитать вручную.

Выводы и заключительные мысли

Мы изучили основные выводы из книги Канемана, Сибони и Санстейна «Шум: изъян в человеческом суждении». В книге подчёркивается, что шум — это пресловутый слон в комнате: он всегда присутствует, но редко осознаётся или рассматривается. В отличие от предвзятости, шум в суждениях неявный, но его влияние реально: он стоит денег, формирует решения и влияет на жизни. Канеман и его соавторы убедительно доказывают необходимость систематического анализа шума и его последствий везде, где принимаются важные решения.

В этой статье мы рассмотрели различные типы решений — оценочные и предиктивные, рекуррентные и сингулярные — и соответствующие им типы шума, включая системный шум, характерный шум, уровень шума и случайный шум. Мы также связали шум со смещением через уравнение шума, подчеркнув важность устранения обоих факторов. Хотя смещение часто более заметно, книга ясно показывает, что шум не менее вреден, и усилия по его снижению столь же важны.

Шум менее заметен, чем предвзятость, не потому, что его невозможно увидеть, а потому, что он редко проявляется без систематического сравнения. Предвзятость систематична: после нескольких случаев можно заметить устойчивый дрейф в одном направлении, например, когда судья всегда суровее среднего. Шум, напротив, проявляется в непоследовательности — снисходителен сегодня, суров на следующий день. В принципе, эти различия заметны, но на практике каждое решение, рассматриваемое изолированно, всё равно кажется обоснованным. Если суждения не выстраиваются в ряд и не сравниваются бок о бок — процесс, который Канеман и его коллеги называют «аудит шума», — тихая цена изменчивости остаётся незамеченной.

К счастью, есть конкретные шаги, которые мы можем предпринять для улучшения наших суждений и принятия решений с учётом шума: мы уже говорили о важности аудита шума, чтобы изначально принять шум как возможную проблему. Исходя из этого, и в зависимости от ситуации, мы можем повысить уровень гигиены принятия решений, например, используя структурированные протоколы принятия решений, используя независимые множественные оценки или искусственный интеллект при его разумном и ответственном применении. Это конкретные шаги, которые помогут снизить вариативность и сделать наши суждения более последовательными.

Отказ от ответственности: Мнения и взгляды, высказанные в этой статье, принадлежат мне и не отражают точку зрения моего работодателя или каких-либо аффилированных организаций. Содержание статьи основано на личном опыте и размышлениях и не должно рассматриваться как профессиональный или академический совет.

📚Дальнейшее обучение

Некоторые рекомендовали дополнительную литературу для углубления вашего понимания шума в суждениях, прогнозировании и гигиене принятия решений:

• Шум: изъян в человеческом суждении: обзор книги — Шум: изъян в человеческом суждении — сведения о ее публикации, основные концепции и ключевые примеры.
• Сигнал и шум (Нейт Сильвер):   Смежная работа, посвященная прогнозированию неопределенности и различению значимых сигналов от нерелевантного шума — тематическое дополнение к анализу Канемана.
• Интервью Баррона: «Дэниел Канеман утверждает, что шум мешает вам мыслить здраво. Почему и что с этим делать». Подробно рассматривает типы шума (уровень, причина и характер) и предлагает практические стратегии «гигиены принятия решений» для снижения уровня шума в таких областях, как страхование и инвестиции.
• Учебное пособие SuperSummary по теме «Шум»: структурированное и подробное описание глав, тем и анализа книги, идеально подходит для писателей и читателей, стремящихся к более глубокому структурному пониманию или к быстрому справочному материалу.
• Обзор книг в Лос-Анджелесе: «Анатомия шума» Васанта Дхара:   Раскрывает, как шум проявляется в реальных ситуациях, таких как вариативность приговоров среди судей и непоследовательность решений при различных обстоятельствах.
• Решения человека и машинные прогнозы (Клейнберг, Лаккараджу, Лесковец, Людвиг, Маллайнатан) . Знаменательное исследование, показывающее, как машинное обучение может превосходить судей-людей в принятии решений об освобождении под залог, выявляя редкие, но важные закономерности — так называемые «сломанные ноги», — скрытые в больших наборах данных.
• Манифест контрольных списков (Атул Гаванде, 2009): демонстрирует, как структурированные контрольные списки значительно улучшают результаты в таких областях, как хирургия и авиация.
• «Сложности сложных вещей» (Бен Горовиц, 2014): показывает, как лидеры могут принимать сложные решения с высокими ставками, намеренно подвергая собственные суждения стресс-тестированию — подход, схожий с созданием «внутренней толпы».

Источник: towardsdatascience.com