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?
אם יש עיר אחת בעולם שבה קשה למצוא מקום שאפשר לקנות או לשכור, זאת סידני. ואם ניסיתם לאחרונה למצוא כאן בית, אתם מכירים את הבעיה. בכל פעם שאתם נכנסים לדירה לדוגמה אתם מקבלים מידע מסוים על המצב ועל מה שיש בשוק. אבל בכל פעם שאתם יוצאים החוצה, אתם מסתכנים בכך שתחמיצו את הבית הכי טוב. אז איך אתם יודעים מתי להפסיק לבחון דירות ולהיות מוכנים להציע מחיר?
This is such a cruel and familiar problem that it might come as a surprise that it has a simple solution. 37 percent.
זאת בעיה אכזרית ומוכרת כל-כך שאולי תופתעו לשמוע שיש לה פתרון פשוט. 37 אחוזים.
(Laughter)
(צחוק)
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.
אם ברצונכם למרב את הסבירות לכך שתמצאו את המקום הכי טוב, עליכם לבדוק 37% ממה שיש בשוק, ולהציע מחיר למקום הבא שתבדקו, שמוצא חן בעיניכם יותר מכל מה שראיתם לפניו. ואם אתם מחפשים כבר חודש, קחו עוד 37% מהזמן הזה - 11 יום, בתור תקן - ואז אתם מוכנים לפעול.
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.
אנו יודעים זאת כי הנסיון למצוא מקום מגורים הוא דוגמה ל"בעיית עצירה מיטבית", סוג בעיות שנחקרו היטב בידי מתמטיקאים ומדעני מחשבים.
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.
אני איש מחשבים במדעי הקוגניציה. אני מקדיש את זמני לנסיון להבין איך פועל מוח האדם, מתוך הצלחותינו המדהימות וגם מכשלונותינו המבישים. לצורך כך אני חושב על המבנה החישובי של בעיות היומיום, ומשווה את הפתרונות האידאליים לבעיות אלה עם התנהגותנו בפועל. אגב כך, אני מגלה איך יישום קצת מדע מחשבים יכול להקל על קבלת ההחלטות האנושית.
I have a personal motivation for this. Growing up in Perth as an overly cerebral kid ...
יש לי מניע אישי לכך. גדלתי בפרת' כילד עם ראש גדול מדי...
(Laughter)
(צחוק)
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 --
השתדלתי תמיד לפעול באופן שנראה לי הגיוני, שקלתי כל החלטה, ניסיתי למצוא מהי הפעולה שבה הכי כדאי לנקוט. אבל זאת גישה שלא עומדת במבחן הבעיות שצצות בחיים הבוגרים. פעם אפילו ניסיתי להיפרד מחברה שלי בעקבות הנסיון להתחשב בהעדפותיה ובהעדפותי ולמצוא פתרונות מושלמים - (צחוק)
(Laughter)
זה רק התיש אותי.
was just leaving me exhausted.
(צחוק)
(Laughter)
היא ציינה בפני שאני נוקט בגישה מוטעית
She pointed out that I was taking the wrong approach to solving this problem -- and she later became my wife.
לפתרון הבעיה הזאת - ולימים הפכה להיות אשתי.
(Laughter)
(צחוק)
(Applause)
(מחיאות כפיים)
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.
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. (צחוק)
(Laughter)
כשאתם מחפשים עצה לחיים,
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.
אולי אינכם חושבים לפנות אל מדעני המחשבים. לחיות את החיים כמו מחשב - סטריאוטיפ דטרמיניסטי, מקיף ומדויק - לא נשמע כיף גדול. אבל החשיבה על מדעי המחשב של ההחלטות האנושיות חושפת שאנו מבינים את זה הפוך. כשמיישמים זאת לבעיות הקשות שמתעוררות בחיים האנושיים, הדרך בה המחשבים פותרים בעיות אלה נראית הרבה יותר כמו הדרך בה מתנהגים בפועל בני-אדם.
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?
לדוגמה, ההחלטה לאיזו מסעדה ללכת. זאת בעיה עם מבנה חישובי ייחודי. יש לכם מערך של אפשרויות, אתם בוחרים אחת מאפשרויות אלה, ומחר תיאלצו לקבל אותה החלטה בדיוק. במצב זה, אתם במצב שמדעני המחשב מכנים "ניסוי או מיצוי". עליכם לקבל החלטה אם לנסות משהו חדש - ניסוי, איסוף מידע נוסף שאולי תוכלו לנצל בעתיד - או שמא ללכת למקום שידוע לכם שהוא טוב למדי - מיצוי המידע שעד כה אספתם. בעיית "ניסוי או מיצוי" עולה תמיד כשעליכם לבחור בין בדיקה של משהו חדש לבין היצמדות למשהו שידוע לכם שהוא טוב למדי, בין אם מדובר בהאזנה למוסיקה או בהחלטה עם מי לבלות. זוהי גם הבעיה של חברות הטכנולוגיה כשהן מנסות למשל להחליט איזו פרסומת להציג באינטרנט. האם כדאי שינסו פרסומת חדשה וילמדו מזה משהו, או להציג לכם פרסומת שכבר ידוע להם שיש סיכוי טוב שתקליקו עליה?
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.
ב-60 השנה האחרונות מדעני המחשבים התקדמו מאד בתחום בעיית ה"ניסוי או מיצוי", והמחקר שלהם הניב כמה תובנות מפתיעות. כשאתם מנסים להחליט לאיזו מסעדה ללכת, השאלה הראשונה שעליכם לשאול את עצמכם היא, כמה זמן עוד תהיו בעיר. אם תהיו בעיר זמן קצר בלבד, כדאי לכם למצות. אין טעם לאסוף מידע. לכו פשוט למקום שכבר ידוע לכם שהוא טוב. אבל אם תישארו בעיר זמן רב יותר, נסו. נסו משהו חדש, כי המידע שתשיגו עשוי לשפר את בחירותיכם העתידיות. ערך המידע עולה ככל שמתרבות האפשרויות שלכם לנצל אותו.
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.
עקרון זה יכול לתת לנו הבנה גם לגבי מבנה החיים האנושיים. 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 אוכל איננו משעמם: הוא מיטבי.
(Laughter)
(צחוק)
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.
הוא ממצה את הידע שרכש במהלך כל נסיון חייו. באופן כללי יותר, ככל שתבינו בבעיית "ניסוי או מיצוי", יהיה לכם קצת יותר קל להירגע ולסלוח לעצמכם כשאתם מנסים לקבל החלטה. אינכם מוכרחים ללכת בכל ערב למסעדה הכי טובה. קחו סיכון, נסו משהו חדש, התנסו. אולי תלמדו משהו חדש. ולמידע שתרכשו יהיה יותר ערך מאשר סעודה טובה למדי.
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 --
מדעי המחשב יכולים גם להקל עלינו במקומות אחרים בבית ובמשרד. אם נאלצתם אי-פעם לסדר את המלתחה, נקלעתם לדילמה מייסרת במיוחד: להחליט אילו דברים תשאירו ואילו דברים תמסרו. מסתבר שמרתה סטיוארט השקיעה בכך מחשבה מרובה -
(Laughter)
(צחוק)
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.
ויש לה כמה עצות טובות. היא אומרת, "שאלו את עצמכם ארבע שאלות: 1. ממתי הפריט הזה אצלי? 2. האם הוא עדיין תקין? 3. יש לי שניים כאלה או יותר? 4. מתי לאחרונה לבשתי או השתמשתי בזה? אבל יש קבוצה נוספת של מומחים שחשבו אולי עוד יותר לעומק על הבעיה הזאת, והם אומרים שאחת השאלות האלה יותר חשובה מהאחרות. מיהם המומחים האלה? האנשים שמתכננים את מערכות הזכרון של מחשבים. לרוב המחשבים יש שני סוגי מערכות זכרון: מערכת זכרון מהיר, מערך שבבי מחשב בעל קיבולת מוגבלת משום שהם יקרים, ומערכת זכרון איטי, גדולה בהרבה. כדי שהמחשב יתפקד בשיא היעילות, יש לוודא שהמידע שאליו רוצים לגשת יימצא במערכת הזכרון המהיר, כדי שאפשר יהיה להגיע אליו במהירות. בכל פעם שניגשים לפיסת מידע היא נטענת לזכרון המהיר והמחשב צריך להחליט מה למחוק מאותו זכרון בגלל קיבולתו המוגבלת.
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.
במשך השנים מדעני המחשב ניסו שיטות שונות כדי להחליט מה למחוק מהזכרון המהיר. הם ניסו דברים כמו בחירה אקראית, או עקרון "נכנס ראשון - יוצא ראשון", כלומר, מחיקת הפריט שהיה הכי הרבה זמן בזכרון. אבל השיטה הכי יעילה מתמקדת בפריטים שהיו הכי מעט בשימוש לאחרונה. כלומר, אם רוצים להחליט מה למחוק מהזכרון, יש למחוק את הפריט שניגשו אליו הכי מזמן. ויש בכך הגיון מסוים. אם הגישה לפריט מסוים נעשתה לפני הכי הרבה זמן, יש להניח שיעבור הרבה זמן עד שייגשו אליו שוב. המלתחה שלכם דומה לזכרון המחשב. הקיבולת היא מוגבלת, ועליכם להכניס לשם את הדברים הכי נחוצים לכם כדי שתגיעו אליהם מהר ככל האפשר. אם מקבלים זאת, אולי כדאי ליישם את עקרון הניצול המועט ביותר גם לארגון המלתחה. אז אם נחזור לארבע השאלות של מרתה, מדעני המחשב יאמרו שמתוכן, השאלה האחרונה היא הכי חשובה.
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.
הרעיון של ארגון דברים כך שמה שסביר שתצטרכו יותר יהיה הכי נגיש יפה גם למשרד. הכלכלן היפני יוקיו נוגוצ'י המציא אפילו שיטת תיוק שזהו בדיוק המאפיין שלה. הוא התחיל עם תיבת קרטון, והכניס את מסמכיו לתיבה בצד שמאל. בכל פעם שהוסיף מסמך, הזיז הלאה את התכולה ע"י הוספת המסמך החדש בצד שמאל. ובכל פעם שניגש למסמך, הוציא אותו, עיין בו והחזירו בצד שמאל. כתוצאה מכך, המסמכים היו מסודרים משמאל לימין לפי המועד האחרון בהם היו בשימוש. והוא גילה שהוא מוצא מהר את מה שהוא מחפש כשהוא מתחיל לחפש בצד שמאל של התיבה ומתקדם ימינה.
Before you dash home and implement this filing system --
לפני שאתם אצים הביתה ומיישמים את עקרון התיוק הזה --
(Laughter)
(צחוק)
it's worth recognizing that you probably already have.
כדאי שתכירו בכך שאתם כבר מיישמים אותו.
(Laughter)
(צחוק)
That pile of papers on your desk ... typically maligned as messy and disorganized, a pile of papers is, in fact, perfectly organized --
ערימת הניירות שעל שולחנכם... שבד"כ מושמצת כבלגן, ערימת הניירות הזאת בעצם מאורגנת להפליא -
(Laughter)
(צחוק)
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.
אם תמיד, שאתם שולפים נייר כלשהו, תקפידו להחזירו לראש הערימה, המסמכים יהיו מסודרים מלמעלה למטה לפי מועד השימוש האחרון, וסביר שתמצאו מהר את מה שאתם מחפשים אם תתחילו מלמעלה.
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.
ארגון המלתחה או השולחן אולי אינן הבעיות הכי דוחקות בחייכם. לפעמים הבעיות שעלינו לפתור הן פשוט קשות עד מאד. אבל אפילו במקרים אלה, מדעי המחשב יכולים להציע שיטות ואולי נחמה כלשהי. טובי האלגוריתמים מנסים למצוא מה הכי הגיוני לעשות בזמן הקצר ביותר. כשמחשבים נתקלים בבעיות קשות, הם מתמודדים עימן בהפיכתן לבעיות פשוטות יותר - באמצעות אקראיות, בסילוק מגבלות או באיפשור קליעה מקורבת. פתרון בעיות פשוטות יותר אלה יכול לתת תובנה לגבי הבעיות הקשות יותר, ולעתים, לספק פתרונות טובים למדי בזכות עצמם.
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 ...
כל הידע הזה איפשר לי להירגע כשעלי לקבל החלטות. קחו לדוגמה את כלל 37 האחוזים למציאת בית. אין סיכוי שתוכלו לשקול את כל האפשרויות, ולכן עליכם להסתכן. ואפילו אם תנהגו על פי השיטה המיטבית, לא מובטחת לכם תוצאה מושלמת. אם תאמצו את כלל 37 האחוזים, הסבירות לכך שתמצאו את הבית הכי טוב היא - כמה מוזר -
(Laughter)
(צחוק)
37 percent. You fail most of the time. But that's the best that you can do.
37 אחוזים. רוב הזמן לא תצליחו, אבל זה הכי טוב שתוכלו לעשות.
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.
בשורה התחתונה, 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. לפעמים התהליכים הכי טובים האלה כרוכים בנטילת סיכון - לא לשקול את כל האפשרווית, או להיות מוכנים להסתפק בפתרון די טוב, אלה אינם וויתורים שאנו עושים כשאיננו יכולים לנהוג בהגיון; זוהי בדיוק התנהגות הגיונית.
Thank you.
תודה לכם.
(Applause)
(מחיאות כפיים)