Αν υπάρχει μια πόλη στον κόσμο όπου δύσκολα βρίσκεις σπίτι για αγορά ή ενοικίαση, είναι το Σίδνεϊ. Και αν προσπαθήσατε να βρείτε πρόσφατα σπίτι εδώ, γνωρίζετε το πρόβλημα. Κάθε φορά που μπαίνετε σε ένα σπίτι, μαθαίνετε για το τι υπάρχει εκεί έξω και τι υπάρχει στην αγορά, αλλά κάθε φορά που βγαίνετε, κινδυνεύετε να χάσετε το καλύτερο σπίτι που υπάρχει. Πώς ξέρετε επομένως πότε να περάσετε από την έρευνα στην προσφορά;
If there's one city in the world where it's hard to find a place to buy or rent, it's Sydney. And if you've tried to find a home here recently, you're familiar with the problem. Every time you walk into an open house, you get some information about what's out there and what's on the market, but every time you walk out, you're running the risk of the very best place passing you by. So how do you know when to switch from looking to being ready to make an offer?
Αυτό είναι ένα ύπουλο και γνωστό πρόβλημα και μπορεί να σας εκπλήξει το ότι έχει μια απλή λύση. 37%.
This is such a cruel and familiar problem that it might come as a surprise that it has a simple solution. 37 percent.
(Γέλια)
(Laughter)
Αν θέλετε να αυξήσετε την πιθανότητα να βρείτε το καλύτερο σπίτι, πρέπει να βλέπετε το 37% των σπιτιών στην αγορά, και να επιλέξετε το επόμενο σπίτι που θα δείτε, το οποίο θα είναι το καλύτερο ως τότε. Ή αν ψάχνετε ένα μήνα, πάρτε το 37% του χρόνου αυτού- 11 μέρες, για να αποκτήσετε ένα στάνταρντ- και μετά είστε έτοιμοι για δράση.
If you want to maximize the probability that you find the very best place, you should look at 37 percent of what's on the market, and then make an offer on the next place you see, which is better than anything that you've seen so far. Or if you're looking for a month, take 37 percent of that time -- 11 days, to set a standard -- and then you're ready to act.
Το ξέρουμε αυτό επειδή η εύρεση σπιτιού είναι παράδειγμα προβλήματος βέλτιστης επίλυσης. Ένα είδος προβλημάτων που μελετήθηκαν εκτενώς από μαθηματικούς και επιστήμονες πληροφορικής.
We know this because trying to find a place to live is an example of an optimal stopping problem. A class of problems that has been studied extensively by mathematicians and computer scientists.
Ασχολούμαι με την υπολογιστική γνωστική επιστήμη. Περνώ τον καιρό μου προσπαθώντας να καταλάβω πώς λειτουργεί ο ανθρώπινος εγκέφαλος, από τις μεγαλύτερες επιτυχίες μέχρι τις χειρότερες αποτυχίες μας. Για να το κάνω, σκέφτομαι την υπολογιστική δομή των προβλημάτων που προκύπτουν στην καθημερινότητα, και συγκρίνω τις ιδανικές λύσεις τους με τον τρόπο που όντως συμπεριφερόμαστε. Ως παράλληλη συνέπεια, παρατηρώ πώς με μια μικρή δόση υπολογιστικής επιστήμης μπορούμε να κάνουμε ευκολότερη τη λήψη αποφάσεων.
I'm a computational cognitive scientist. I spend my time trying to understand how it is that human minds work, from our amazing successes to our dismal failures. To do that, I think about the computational structure of the problems that arise in everyday life, and compare the ideal solutions to those problems to the way that we actually behave. As a side effect, I get to see how applying a little bit of computer science can make human decision-making easier.
Έχω ένα προσωπικό κίνητρο για αυτό. Μεγαλώνοντας στο Περθ ως ένα εντελώς εγκεφαλικό παιδί...
I have a personal motivation for this. Growing up in Perth as an overly cerebral kid ...
(Γέλια)
(Laughter)
προσπαθούσα πάντα να ενεργώ κατά ένα τρόπο που θεωρούσα λογικό, δικαιολογώντας κάθε απόφαση, ψάχνοντας την καλύτερη λύση για να ακολουθήσω. Αυτή η προσέγγιση όμως δεν εξελίσσεται όταν αρχίζεις να αποκτάς τα προβλήματα εκείνα που φέρνει η ενηλικίωση. Κάποτε, προσπάθησα ακόμη και να χωρίσω με την κοπέλα μου γιατί το να λαμβάνω υπόψη τα θέλω της μαζί με τα δικά μου και μετά να βρίσκω την τέλεια λύση-
I would always try and act in the way that I thought was rational, reasoning through every decision, trying to figure out the very best action to take. But this is an approach that doesn't scale up when you start to run into the sorts of problems that arise in adult life. At one point, I even tried to break up with my girlfriend because trying to take into account her preferences as well as my own and then find perfect solutions --
(Γέλια)
(Laughter)
με εξαντλούσε.
was just leaving me exhausted.
(Γέλια)
(Laughter)
Μου εξήγησε ότι ακολουθούσα λάθος προσέγγιση για να λύσω το πρόβλημα και αργότερα έγινε γυναίκα μου.
She pointed out that I was taking the wrong approach to solving this problem -- and she later became my wife.
(Γέλια)
(Laughter)
(Χειροκρότημα)
(Applause)
Είτε είναι κάτι τόσο επουσιώδες όπως σε ποιο εστιατόριο να πας είτε τόσο σημαντικό όσο το με ποιον θα περάσεις την υπόλοιπη ζωή σου, οι ζωές μας είναι γεμάτες με υπολογιστικά προβλήματα που είναι πολύ δύσκολα για να λυθούν απλώς με σκληρή προσπάθεια. Για τα προβλήματα αυτά, αξίζει να συμβουλευτεί κανείς τους ειδικούς: τους επιστήμονες υπολογιστών.
Whether it's as basic as trying to decide what restaurant to go to or as important as trying to decide who to spend the rest of your life with, human lives are filled with computational problems that are just too hard to solve by applying sheer effort. For those problems, it's worth consulting the experts: computer scientists.
(Γέλια)
(Laughter)
Όταν ψάχνετε για συμβουλές ζωής, οι επιστήμονες αυτοί δεν είναι ίσως οι πρώτοι που σας έρχονται στο μυαλό. Το να ζει κανείς ως υπολογιστής- στερεοτυπικά αποφασιστικά, εξαντλητικά και με ακρίβεια- δεν ακούγεται διασκεδαστικό. Αλλά αν σκεφτείτε την υπολογιστική επιστήμη των ανθρώπινων αποφάσεων θα δείτε ότι το έχουμε καταλάβει όλο ανάποδα. Όταν εφαρμοστεί στα δύσκολα προβλήματα μιας ανθρώπινης ζωής, ο τρόπος που οι υπολογιστές θα έλυναν αυτά τα προβλήματα μοιάζει περισσότερο με τον τρόπο που όντως λειτουργούν οι άνθρωποι.
When you're looking for life advice, computer scientists probably aren't the first people you think to talk to. Living life like a computer -- stereotypically deterministic, exhaustive and exact -- doesn't sound like a lot of fun. But thinking about the computer science of human decisions reveals that in fact, we've got this backwards. When applied to the sorts of difficult problems that arise in human lives, the way that computers actually solve those problems looks a lot more like the way that people really act.
Πάρτε ως παράδειγμα την απόφαση επιλογής εστιατορίου. Είναι ένα πρόβλημα με ιδιαίτερη υπολογιστική δομή. Έχετε συγκεκριμένες επιλογές, θα διαλέξετε μια από αυτές, και θα έχετε ακριβώς το ίδιο δίλημμα και αύριο. Σε αυτή την περίπτωση, συναντάτε αυτό που οι πληροφορικάριοι αποκαλούν «δίπολο εξερεύνησης- εκμετάλλευσης». Πρέπει να αποφασίσετε αν θα δοκιμάσετε κάτι νέο- εξερεύνηση, συγκέντρωση πληροφοριών που ίσως να χρησιμοποιήσετε στο μέλλον- ή αν θα πάτε κάπου όπου ξέρετε ήδη ότι είναι καλά- εκμετάλλευση πληροφοριών που έχετε ήδη συλλέξει. Το δίπολο εξερεύνησης-εκμετάλλευσης εμφανίζεται όποτε πρέπει να διαλέξετε ανάμεσα σε κάτι καινούριο και κάτι που ξέρετε ήδη ότι είναι πολύ καλό, είτε αφορά στη μουσική που ακούτε είτε στο με ποιον θα περάσετε χρόνο. Το ίδιο πρόβλημα αντιμετωπίζουν οι εταιρείες τεχνολογίας όταν αποφασίζουν, για παράδειγμα, ποια διαφήμιση να βάλουν σε μια ιστοσελίδα. Να βάλουν μια νέα διαφήμιση και να μάθουν κάτι για αυτό, ή να σας δείξουν μια διαφήμιση που ήδη ξέρουν ότι πιθανότατα θα αρέσει;
Take the example of trying to decide what restaurant to go to. This is a problem that has a particular computational structure. You've got a set of options, you're going to choose one of those options, and you're going to face exactly the same decision tomorrow. In that situation, you run up against what computer scientists call the "explore-exploit trade-off." You have to make a decision about whether you're going to try something new -- exploring, gathering some information that you might be able to use in the future -- or whether you're going to go to a place that you already know is pretty good -- exploiting the information that you've already gathered so far. The explore/exploit trade-off shows up any time you have to choose between trying something new and going with something that you already know is pretty good, whether it's listening to music or trying to decide who you're going to spend time with. It's also the problem that technology companies face when they're trying to do something like decide what ad to show on a web page. Should they show a new ad and learn something about it, or should they show you an ad that they already know there's a good chance you're going to click on?
Τα τελευταία 60 χρόνια, οι πληροφορικάριοι έχουν κάνει μεγάλη πρόοδο στην κατανόηση του διπόλου εξερεύνησης- εκμετάλλευσης, και τα αποτελέσματά τους προσφέρουν εκπληκτική γνώση. Όταν προσπαθείτε να διαλέξετε εστιατόριο, το πρώτο που πρέπει να αναρωτηθείτε είναι πόσο ακόμη θα είστε στην πόλη. Αν πρόκειται να είστε εκεί για λίγο καιρό ακόμη, τότε πρέπει να αξιοποιήσετε. Δεν έχει νόημα η συγκέντρωση πληροφοριών. Πάτε σε ένα μέρος που ξέρετε ότι είναι καλό. Αλλά αν θα είστε εκεί για περισσότερο καιρό, να εξερευνήσετε. Δοκιμάστε κάτι νέο, γιατί οι πληροφορίες που θα πάρετε θα βελτιώσουν και τις μελλοντικές σας επιλογές. Όσο η αξία των πληροφοριών αυξάνεται, τόσο περισσότερες ευκαιρίες θα έχετε να τις χρησιμοποιήσετε
Over the last 60 years, computer scientists have made a lot of progress understanding the explore/exploit trade-off, and their results offer some surprising insights. When you're trying to decide what restaurant to go to, the first question you should ask yourself is how much longer you're going to be in town. If you're just going to be there for a short time, then you should exploit. There's no point gathering information. Just go to a place you already know is good. But if you're going to be there for a longer time, explore. Try something new, because the information you get is something that can improve your choices in the future. The value of information increases the more opportunities you're going to have to use it.
Αυτή η αρχή μπορεί να ρίξει φως και στη δομή της ανθρώπινης ζωής. Τα μωρά δεν έχουν τη φήμη ότι είναι ιδιαίτερα λογικά. Συνεχώς δοκιμάζουν καινούρια πράγματα, και ξέρετε, θέλουν να τα βάλουν στο στόμα τους. Στην πραγματικότητα, αυτό ακριβώς θα έπρεπε να κάνουν. Σε αυτή τη φάση της ζωής τους εξερευνούν, και κάποια από αυτά τα πράγματα μπορεί να φανούν πεντανόστιμα. Και από την άλλη μεριά, ο ηλικιωμένος που πάει πάντα στο ίδιο εστιατόριο και τρώει πάντα το ίδιο φαγητό δεν είναι βαρετός- είναι άριστος.
This principle can give us insight into the structure of a human life as well. Babies don't have a reputation for being particularly rational. They're always trying new things, and you know, trying to stick them in their mouths. But in fact, this is exactly what they should be doing. They're in the explore phase of their lives, and some of those things could turn out to be delicious. At the other end of the spectrum, the old guy who always goes to the same restaurant and always eats the same thing isn't boring -- he's optimal.
(Γέλια)
(Laughter)
Εκμεταλλεύεται τη γνώση που έχει αποκτήσει μέσα από εμπειρίες μιας ζωής. Γενικότερα, το να γνωρίζεις για το δίπολο εξερεύνησης- εκμετάλλευσης μπορεί να κάνει ευκολότερο το να χαλαρώσετε όταν προσπαθείτε να αποφασίσετε κάτι. Δεν χρειάζεται να πάτε κάθε βράδυ στο καλύτερο εστιατόριο. Ρισκάρετε, δοκιμάστε κάτι νέο, εξερευνήστε. Μπορεί να μάθετε κάτι. Και οι πληροφορίες που θα πάρετε θα αξίζουν περισσότερο από ένα καλό φαγητό.
He's exploiting the knowledge that he's earned through a lifetime's experience. More generally, knowing about the explore/exploit trade-off can make it a little easier for you to sort of relax and go easier on yourself when you're trying to make a decision. You don't have to go to the best restaurant every night. Take a chance, try something new, explore. You might learn something. And the information that you gain is going to be worth more than one pretty good dinner.
Η υπολογιστική επιστήμη βοηθά να χαλαρώσουμε και σε άλλα μέρη στο σπίτι και στο γραφείο. Αν είχατε ποτέ να συμμαζέψετε τη ντουλάπα σας, θα έχετε έρθει αντιμέτωποι με μια αγχωτική απόφαση: ποια ρούχα να κρατήσετε και ποια να δώσετε. Η Μάρθα Στιούαρτ φαίνεται ότι έχει σκεφτεί σε βάθος για αυτό-
Computer science can also help to make it easier on us in other places at home and in the office. If you've ever had to tidy up your wardrobe, you've run into a particularly agonizing decision: you have to decide what things you're going to keep and what things you're going to give away. Martha Stewart turns out to have thought very hard about this --
(Γέλια)
(Laughter)
και έχει κάποιες καλές συμβουλές. Λέει, «Αναρωτηθείτε 4 πράγματα: Πόσο καιρό έχω κάτι; Λειτουργεί ακόμη; Το έχω διπλό ή ήδη; Και πότε ήταν η τελευταία φορά που το φόρεσα ή το χρησιμοποίησα;» Αλλά υπάρχει και μια άλλη ομάδα ειδικών που ίσως έχουν σκεφτεί ακόμη βαθύτερα αυτό το πρόβλημα, και θα έλεγαν ότι μια ερώτηση είναι σημαντικότερη των άλλων. Ποιοι ειδικοί; Αυτοί που σχεδιάζουν τις μονάδες μνήμης των υπολογιστών. Οι υπολογιστές συνήθως έχουν δύο είδη μνήμης: ένα γρήγορο σύστημα μνήμης, σαν ένα σετ από τσιπάκια περιορισμένης χωριτηκότητας, γιατί τα τσιπάκια αυτά είναι ακριβά, και ένα αργό σύστημα μνήμης, που είναι πολύ μεγαλύτερο. Για να λειτουργεί ο υπολογιστής όσο πιο αποτελεσματικά γίνεται, πρέπει να είστε σίγουροι ότι οι πληροφορίες που θέλετε να βρείτε είναι στο γρήγορο σύστημα, ώστε να τις βρειτε γρήγορα. Κάθε φορά που βρίσκετε μια πληροφορία, αυτή φορτώνεται στη γρήγορη μνήμη και ο υπολογιστής πρέπει να αποφασίσει τι θα διώξει από αυτή, λόγω της περιορισμένης της χωρητικότητας.
and she has some good advice. She says, "Ask yourself four questions: How long have I had it? Does it still function? Is it a duplicate of something that I already own? And when was the last time I wore it or used it?" But there's another group of experts who perhaps thought even harder about this problem, and they would say one of these questions is more important than the others. Those experts? The people who design the memory systems of computers. Most computers have two kinds of memory systems: a fast memory system, like a set of memory chips that has limited capacity, because those chips are expensive, and a slow memory system, which is much larger. In order for the computer to operate as efficiently as possible, you want to make sure that the pieces of information you want to access are in the fast memory system, so that you can get to them quickly. Each time you access a piece of information, it's loaded into the fast memory and the computer has to decide which item it has to remove from that memory, because it has limited capacity.
Μέσα στα χρόνια, οι πληροφορικάριοι έχουν δοκιμάσει διάφορες στρατηγικές που καθορίζουν τι θα φύγει από τη γρήγορη μνήμη. Έχουν δοκιμάσει πράγματα όπως η τυχαία επιλογή ή η εφαρμογή του «ο πρώτος που έρχεται, φεύγει πρώτος», που σημαίνει ότι φεύγει ότι υπάρχει στη μνήμη το μεγαλύτερο διάστημα. Ωστόσο, η πιο αποτελεσματική στρατηγική επικεντρώνεται σε αντικείμενα που χρησιμοποιήθηκαν πιο παλιά. Αυτό σημαίνει ότι αν αποφασίσετε να διώξετε κάτι από τη μνήμη, να διώξετε αυτό το οποίο ψάξατε πιο παλιά στο παρελθόν. Και υπάρχει μια ειδική λογική σε αυτό. Πάει καιρός από τότε που κατέφυγες σε αυτή την πληροφορία, λογικά θα περάσει καιρός μέχρι να χρειαστεί να το ξανακάνεις. Η ντουλάπα σας είναι σαν τη μνήμη του υπολογιστή. Έχει περιορισμένη χωριτηκότητα, και πρέπει να βάλετε εκεί μέσα αυτά που λογικά θα χρειαστείτε ώστε να φτάνετε σε αυτά όσο το δυνατόν γρηγορότερα. Αναγνωρίζοντας αυτό, ίσως αξίζει να εφαρμόσετε την αρχή τη πιο πρόσφατης χρήσης για να οργανώσετε και τη ντουλάπα σας. Αν δούμε τις τέσσερις ερωτήσεις της Μάρθα, οι επιστήμονες υπολογιστών θα έλεγαν ότι από αυτές, η τελευταία είναι η πιο σημαντική.
Over the years, computer scientists have tried a few different strategies for deciding what to remove from the fast memory. They've tried things like choosing something at random or applying what's called the "first-in, first-out principle," which means removing the item which has been in the memory for the longest. But the strategy that's most effective focuses on the items which have been least recently used. This says if you're going to decide to remove something from memory, you should take out the thing which was last accessed the furthest in the past. And there's a certain kind of logic to this. If it's been a long time since you last accessed that piece of information, it's probably going to be a long time before you're going to need to access it again. Your wardrobe is just like the computer's memory. You have limited capacity, and you need to try and get in there the things that you're most likely to need so that you can get to them as quickly as possible. Recognizing that, maybe it's worth applying the least recently used principle to organizing your wardrobe as well. So if we go back to Martha's four questions, the computer scientists would say that of these, the last one is the most important.
Η ιδέα της οργάνωσης πραγμάτων ώστε αυτά που χρειάζεται κανείς πιο συχνά να είναι τα πιο προσιτά εφαρμόζεται και στο γραφείο. Ο Ιάπωνας οικονομολόγος Γιούκο Νογκούτσι ανακάλυψε ένα σύστημα αρχειοθέτησης με αυτή ακριβώς την ιδιότητα. Ξεκίνησε με ένα χάρτινο κουτί, και έβαλε μέσα τα έγγραφά του ξεκινώντας από αριστερά. Όποτε θα έβαζε ένα έγγραφο, θα μετακινούσε αυτά που ήταν μέσα και θα προσέθετε το έγγραφο στα αριστερά του κουτιού. Και κάθε φορά που χρειαζόταν ένα έγγραφο, το έβγαζε έξω, το συμβουλευόταν και το έβαζε πίσω στην αριστερή πλευρά. Έτσι, τα έγγραφα ήταν ταξινομημένα από αριστερά προς δεξιά ανάλογα με το πότε είχαν χρησιμοποιηθεί. Και ανακάλυψε ότι μπορούσε εύκολα να βρει αυτό που έψαχνε ξεκινώντας από την αριστερή πλευρά του κουτιού και πηγαίνοντας προς τα δεξιά.
This idea of organizing things so that the things you are most likely to need are most accessible can also be applied in your office. The Japanese economist Yukio Noguchi actually invented a filing system that has exactly this property. He started with a cardboard box, and he put his documents into the box from the left-hand side. Each time he'd add a document, he'd move what was in there along and he'd add that document to the left-hand side of the box. And each time he accessed a document, he'd take it out, consult it and put it back in on the left-hand side. As a result, the documents would be ordered from left to right by how recently they had been used. And he found he could quickly find what he was looking for by starting at the left-hand side of the box and working his way to the right.
Πριν τρέξετε σπίτι και εφαρμόσετε το σύστημα-
Before you dash home and implement this filing system --
(Γέλια)
(Laughter)
να αναγνωρίσετε ότι μάλλον ήδη το έχετε κάνει.
it's worth recognizing that you probably already have.
(Γέλια)
(Laughter)
Αυτή η στοίβα στο γραφείο σας... που συχνά αποκαλείται ακατάστατη και ανοργάνωτη, μια στοίβα χαρτιών, βασικά, οργανωμένη τέλεια-
That pile of papers on your desk ... typically maligned as messy and disorganized, a pile of papers is, in fact, perfectly organized --
(Γέλια)
(Laughter)
αφού, όταν βγάζετε ένα χαρτί, το τοποθετείτε πίσω στην κορυφή, και έτσι τα χαρτιά αυτά είναι ταξινομημένα από πάνω ως κάτω βάσει του πόσο πρόσφατα χρησιμοποιήθηκαν, και λογικά θα βρίσκετε γρήγορα ό,τι ψάχνετε ξεκινώντας από πάνω.
as long as you, when you take a paper out, put it back on the top of the pile, then those papers are going to be ordered from top to bottom by how recently they were used, and you can probably quickly find what you're looking for by starting at the top of the pile.
Η οργάνωση της ντουλάπας ή του γραφείου ίσως δεν είναι τα πιο πιεστικά προβλήματα της ζωής σας. Κάποιες φορές τα προβλήματα που καλούμαστε να λύσουμε είναι απλώς πάρα πολύ δύσκολα. Αλλά ακόμη και τότε, η υπολογιστική επιστήμη παρέχει στρατηγικές και ίσως λίγη ανακούφιση. Οι καλύτεροι αλογόριθμοι αφορούν στο τι βγάζει περισσότερο νόημα στο λιγότερο χρόνο. Όταν οι υπολογιστές έχουν κάποιο πρόβλημα, το χειρίζονται σπάζοντάς το σε μικρότερα- χρησιμοποιώντας την τυχαιότητα, αφαιρώντας εμπόδια ή επιτρέποντας προσεγγίσεις. Η επίλυση απλούστερων προβλημάτων μπορεί να ρίξει φως και στα δυσκολότερα, και συχνά παράγει πολύ καλές λύσεις.
Organizing your wardrobe or your desk are probably not the most pressing problems in your life. Sometimes the problems we have to solve are simply very, very hard. But even in those cases, computer science can offer some strategies and perhaps some solace. The best algorithms are about doing what makes the most sense in the least amount of time. When computers face hard problems, they deal with them by making them into simpler problems -- by making use of randomness, by removing constraints or by allowing approximations. Solving those simpler problems can give you insight into the harder problems, and sometimes produces pretty good solutions in their own right.
Η γνώση όλων αυτών με έχει βοηθήσει να παίρνω αποφάσεις πιο χαλαρός. Μπορείτε να πάρετε τον κανόνα του 37% για να βρείτε ένα σπίτι ως παράδειγμα. Δεν γίνεται να αναλύσετε όλες τις επιλογές σας, οπότε πρέπει να ρισκάρετε. Και ακόμη και αν ακολουθήσετε τη βέλτιστη στρατηγική, κανείς δεν εγγυάται τέλειο αποτέλεσμα. Αν ακολουθήσετε τον κανόνα του 37%, η πιθανότητα να βρείτε το καλύτερο σπίτι είναι- είναι όντως αστείο...
Knowing all of this has helped me to relax when I have to make decisions. You could take the 37 percent rule for finding a home as an example. There's no way that you can consider all of the options, so you have to take a chance. And even if you follow the optimal strategy, you're not guaranteed a perfect outcome. If you follow the 37 percent rule, the probability that you find the very best place is -- funnily enough ...
(Γέλια)
(Laughter)
37%. Αποτυγχάνετε τις περισσότερες φορές. Αλλά αυτό είναι το καλύτερο που μπορείτε να κάνετε.
37 percent. You fail most of the time. But that's the best that you can do.
Εντέλει, η υπολογιστική επιστήμη βοηθά να συγχωρήσουμε τα εγγενή μας όρια. Δεν μπορείτε να ελέγξετε αποτελέσματα, μόνο διαδικασίες. Αν χρησιμοποιήσατε την καλύτερη διαδικασία, κάνατε το καλύτερο δυνατό. Κάποιες φορές αυτές οι διαδικασίες σημαίνουν ρίσκο- να μην εξετάσετε όλες τις εναλλακτικές, ή συμβιβασμό με μια αρκετά καλή λύση. Αυτές δεν είναι οι παραχωρήσεις που κάνουμε όταν δεν χωρά λογική- είναι το νόημα της λογικής.
Ultimately, computer science can help to make us more forgiving of our own limitations. You can't control outcomes, just processes. And as long as you've used the best process, you've done the best that you can. Sometimes those best processes involve taking a chance -- not considering all of your options, or being willing to settle for a pretty good solution. These aren't the concessions that we make when we can't be rational -- they're what being rational means.
Σας ευχαριστώ.
Thank you.
(Χειροκρότημα)
(Applause)