Чтение онлайн

Модели позволяют прогнозировать как отдельные события, так и общие тенденции. Первого июня 2009 года самолет авиакомпании Air France, выполнявший рейс AF447 по маршруту Рио-де-Жанейро – Париж, потерпел крушение над Атлантическим океаном. В следующие нескольких дней после катастрофы спасатели находили плавающие обломки авиалайнера, но не смогли обнаружить фюзеляж. В июле аккумуляторы акустических маяков самолета разрядились, и поиски были прекращены. Проведенная год спустя вторая поисковая операция, организованная Океанографическим институтом Вудс-Хоул с участием кораблей ВМФ США, оборудованных гидролокаторами бокового обзора, а также автономных глубоководных аппаратов, тоже не дала результатов. В итоге французское бюро по расследованию и анализу безопасности гражданской авиации обратилось к моделям. Специалисты бюро применили вероятностные модели для анализа океанических течений и обнаружили небольшую прямоугольную область, где с наибольшей вероятностью мог находиться фюзеляж. С помощью прогноза, составленного на основании этой модели, поисковые команды в течение недели нашли обломки самолета [35] .

В прошлом объяснение и прогнозирование, как правило, были тесно связаны. Электротехнические модели, которые объясняют картину распределения напряжения, также могут прогнозировать напряжение. Пространственные модели, объясняющие результаты прошлых голосований, позволяют прогнозировать результаты будущих голосований. В, пожалуй, самом знаменитом примере использования объяснительной модели для прогнозирования французский математик Урбен Леверье применил законы Ньютона, объясняющие движение планет, для анализа отклонений орбиты Урана. И пришел к выводу, что орбиты планет указывают на присутствие большой планеты во внешней области Солнечной системы. Леверье отправил свой прогноз в Берлинскую обсерваторию 18 сентября 1846 года, а через пять дней астрономы обнаружили планету Нептун именно там, где и предсказывал математик.

Вместе с тем прогнозирование отличается от объяснения. Модель может прогнозировать, но не объяснять. Алгоритмы глубокого обучения позволяют прогнозировать продажи продуктов, погоду на завтра, тенденции изменения цен и некоторые показатели состояния здоровья, но мало что предлагают в плане объяснения. Такие модели напоминают собак, вынюхивающих бомбы. Хотя обонятельная система собаки способна определить, есть ли взрывчатые вещества в пакете, не стоит искать объяснений у собаки, почему бомба там оказалась, как она работает и как ее обезвредить.

Обратите также внимание, что другие модели, наоборот, могут давать объяснения, но не представлять особой ценности с точки зрения прогнозирования. Модели тектоники плит объясняют, как возникают землетрясения, но не предсказывают, когда они произойдут. Модели динамических систем объясняют возникновение ураганов, но не позволяют успешно прогнозировать, когда сформируется ураган и каким будет его траектория движения. А экологические модели, хотя и могут объяснить закономерности видообразования, не способны прогнозировать появление новых видов [36] .

И наконец, модели можно использовать для проверки интуитивных выводов и возможностей. Такие исследования могут быть связаны с курсом действий: а что если сделать все городские автобусы бесплатными? Что если позволить студентам выбирать, от каких заданий будет зависеть их итоговая оценка за курс обучения? Что если установить на газонах таблички с указанием их энергопотребления? Каждое из этих гипотетических предположений можно проанализировать с помощью моделей. Кроме того, модели будут полезны при изучении нереальной среды. Что если бы Ламарк был прав и приобретенные признаки могли передаваться потомству, чтобы детям родителей, прошедших ортодонтическую коррекцию зубов, не нужны были брекеты? Как был бы устроен такой мир? Постановка этого вопроса и анализ вытекающих из него следствий позволяет определить границы эволюционных процессов. Устранение ограничений реальности может стимулировать креативность. По этой причине сторонники движения критического дизайна прибегают к умозрительным построениям для генерации новых идей [37] .

Иногда исследование сводится к сопоставлению распространенных допущений в разных областях. Для того чтобы понять сетевой эффект, специалист по моделированию может сформировать совокупность условных сетевых структур, а затем выяснить, влияет ли сетевая структура на кооперацию, распространение болезней или социальные волнения, и если да, то каким образом. Кроме того, он может применить совокупность моделей обучения к процессу принятия решений и играм с двумя или несколькими участниками. Цель таких действий не в объяснении, прогнозировании или разработке, а в изучении и обучении.

Применять ту или иную модель на практике можно любым из нескольких способов. Одна и та же модель может объяснять, прогнозировать и выступать в качестве руководства к действию. Рассмотрим следующий пример: 14 августа 2003 года обвисшие ветви склонившихся над линиями электропередач возле Толедо (штат Огайо) деревьев стали причиной локального прекращения подачи электроэнергии, которое распространилось, когда из-за сбоя программного обеспечения техники не смогли передать предупреждение о необходимости перераспределения электроэнергии. В тот день более 50 миллионов жителей северо-восточных районов США и Канады остались без электричества. В том же году буря вывела из строя линию электропередач между Италией и Швейцарией, оставив без электричества 60 миллионов европейцев. Инженеры и ученые обратились к моделям, в которых энергосистема представлена как сеть. И эти модели помогли объяснить, как происходили сбои, позволили составить прогнозы, в каких регионах сбои наиболее вероятны, и стали руководством к действию, определив места, где новые линии электропередач, трансформаторы и электростанции могли повысить надежность электросети. Использование одной модели для множества целей станет лейтмотивом этой книги. Как мы увидим далее, этот принцип дополняет ее основную тему: использование множества моделей для осмысления сложных явлений.

В этой главе мы научно обоснуем эффективность многомодельного подхода. И начнем с теоремы Кондорсе о жюри присяжных и теоремы о прогнозе разнообразия, которые содержат поддающиеся количественной оценке аргументы в пользу ценности множества моделей как помощников в принятии решений, прогнозировании и объяснении. Однако эти теоремы могут преувеличивать такие аргументы. Чтобы объяснить, почему, мы обратимся к моделям категоризации, которые делят мир на блоки. Применение моделей категоризации покажет, что построение множества моделей может оказаться более сложной задачей, чем мы предполагали. Использование этого же класса моделей позволит нам обсудить степень их детализации (насколько точными они должны быть), а также решить, применять ли одну большую модель или несколько маленьких. Выбор будет зависеть от области применения. При прогнозировании мы часто стремимся действовать с размахом. В случае объяснения разумнее руководствоваться принципом «чем меньше, тем лучше».

Этот вывод решает одну давнюю проблему. На первый взгляд может показаться, что многомодельное мышление требует изучения большого количества моделей. Хотя нам действительно нужно освоить некоторые модели, их не так много, как вы думаете. Нам не придется изучать сто или даже пятьдесят моделей, поскольку они обладают важным свойством, известным как «один ко многим». Мы можем применять одну и ту же модель в разных ситуациях, введя новые переменные, параметры и изменив допущения. Это свойство в какой-то мере противоречит идее многомодельного мышления. Использование модели в новой области требует креативности, открытости разума и скептицизма. Мы должны признать, что не каждая модель подходит для решения любой задачи. Если модель не может объяснить, спрогнозировать или помочь нам рассуждать, ее нужно исключить из рассмотрения.

Навыки, необходимые для использования одной модели во многих областях, отличаются от математических и аналитических способностей, наличие которых многие считают обязательным условием для достижения успеха в моделировании. Процесс использования одной модели во многих областях подразумевает творческий подход. Прежде всего задайте себе вопрос: «Сколько областей применения я могу найти для модели случайного блуждания?» Чтобы вы могли составить представление о том, какие формы может принимать креативность, в конце главы мы используем геометрическую формулу площади и объема в качестве модели и применим ее для объяснения размера супертанкеров, критики индекса массы тела, прогноза масштабирования метаболизма и объяснения, почему так мало женщин-руководителей.

Теперь обратимся к моделям, которые помогают раскрыть преимущества многомодельного мышления. И представим в их контексте две теоремы: теорему Кондорсе о жюри присяжных и теорему о прогнозе разнообразия. Теорема Кондорсе о жюри присяжных основана на модели, созданной для объяснения преимуществ принципа большинства. В соответствии с ней присяжные принимают бинарное решение о виновности или невиновности подсудимого. Каждый присяжный в основном выносит правильное решение. Чтобы применить эту теорему к совокупности моделей, а не членов жюри присяжных, мы интерпретируем принятие решения каждым присяжным как классификацию согласно той или иной модели. В качестве классов могут выступать действия (купить или продать) или прогнозы (победителем станет представитель демократической или республиканской партии). Далее теорема указывает на то, что конструирование множества моделей и применение принципа большинства обеспечит более высокий уровень точности, чем при использовании одной из моделей данного множества. Модель опирается на концепцию состояния мира – полное описание всей значимой информации. Для жюри присяжных состояние мира складывается из доказательств, представленных в суде. Для моделей, которые оценивают социальный вклад благотворительного проекта, оно может представлять команду проекта, организационную структуру, план проведения мероприятий и особенности проблемы или ситуации, которую должен решить проект.