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?
ถ้าจะมีสักเมืองในโลก ที่หาซื้อหรือเช่าบ้านได้ยากเย็น ก็คงจะเป็นซิดนีย์ และถ้าคุณลองหาบ้านที่นี่มาเมื่อไม่นานนี้ คุณจะคุ้นเคยกับปัญหานี้ ทุกๆครั้งที่คุณเดินเข้าไปดูบ้าน คุณก็ได้รู้ถึงบางข้อมูล เกี่ยวกับอะไรที่มีอยู่ และอะไรอยู่ในตลาดบ้าง แต่ทุกๆครั้งที่คุณเดินออกมา คุณกำลังเสี่ยง ว่าที่ๆดีที่สุดกำลังผ่านคุณไป ซึ่งคุณจะรู้ได้อย่างไร เมื่อถึงเวลาต้องเปลี่ยนจากการมองหา มาเป็นการพร้อมยื่นข้อเสนอ
This is such a cruel and familiar problem that it might come as a surprise that it has a simple solution. 37 percent.
มันช่างเป็นปัญหาที่โหดร้ายและคุ้นเคย ที่มันอาจมาพร้อมกับความประหลาดใจ เพราะมันมีวิธีแก้ที่เรียบง่าย 37%
(Laughter)
(เสียงหัวเราะ)
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.
ถ้าคุณอยากเพิ่มความเป็นไปได้ ที่จะพบบ้านที่ดีที่สุด คุณควรมองแค่ 37% ของบ้านที่อยู่ในตลาด และจากนั้นเริ่มสร้างข้อเสนอ กับบ้านหลังถัดไปที่เจอ ที่ซึ่งดีกว่าบ้านใหนๆที่คุณเจอมาแล้ว หรือถ้าคุณกำลังจะใช้เวลา 1 เดือนดูบ้าน ใช้ 37% ของเวลาที่คิดไว้ 11 วันคือมาตรฐาน จากนั้น คุณพร้อมแล้วที่จะเริ่ม
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.
เรารู้ เพราะว่าการพยายามหาที่อยู่อาศัย คือตัวอย่างนึงของ ปัญหาจุดหยุดที่เหมาะสม ปัญหาเหล่านี้ถูกศึกษาอย่างจริงจัง โดยนักคณิตศาสตร์และ นักวิทยาศาสตร์คอมพิวเตอร์
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.
ผมเป็นนักคำนวณประชานศาสตร์ (ผู้ศึกษาพฤษติกรรมมนุษย์) ผมใช้เวลาเพื่อพยายามที่จะเข้าใจ ว่าความคิดของมนุษย์ทำงานอย่างไร จากความสำเร็จที่มหัศจรรย์ไปจนถึง ความผิดพลาดอันใหญ่หลวง เพื่อที่จะทำแบบนั้น ผมคิดเกี่ยวกับโครงสร้างการคำนวณ ของปัญหาที่เกิดขึ้นในชีวิตประจำวัน และเทียบกับวิธีการแก้ปัญหา ที่เหมาะที่สุด ไปจนถึงสิ่งที่เราปฏิบัติจริงๆ ผลข้างเคียงคือ ผมเห็นการประยุกต์ใช้วิทยาศาสตร์ คอมพิวเตอร์เพียงเล็กน้อย สามารถทำให้การตัดสินใจของคนง่ายขึ้น
I have a personal motivation for this. Growing up in Perth as an overly cerebral kid ...
ผมมีแรงบันดาลใจส่วนตัวในเรื่องนี้ โตมาที่เพิร์ธ ในฐานะเด็กมีสมองเยอะไป
(Laughter)
(เสียงปรบมือ)
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 --
ผมจะลองและทำในสิ่งที่ผมว่ามันมีเหตุผล ใช้เหตุผลไปกับการตัดสินทุกๆเรื่อง พยายามที่จะหาทางที่สุดที่จะทำ แต่นี้คือวิธีการ ที่ยังไม่มีการพัฒนา เมื่อคุณเริ่มที่จะเจอปัญหาประเภทต่างๆ ที่เกิดขึ้นในชีวิตผู้ใหญ่ มีครั้งนึง ผมเคยแม้แต่จะเลิกกับแฟน เพราะว่าผมพยายามมอง ที่ความต้องการของเธอและตัวผม จากนั้นการหาทางออกที่สมบูรณ์แบบ
(Laughter)
(เสียงปรบมือ)
was just leaving me exhausted.
แต่มันแค่ทำให้ผมเหนื่อยเปล่า
(Laughter)
(เสียงหัวเราะ)
She pointed out that I was taking the wrong approach to solving this problem -- and she later became my wife.
เธอบอกว่าผมกำลังใช้วิธีการที่ผิด เพื่อที่จะแก้ปัญหานี้ และจากนั้นเธอกลายเป็นภรรยาผม
(Laughter)
(เสียงหัวเราะ)
(Applause)
(เสียงตบมือ)
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.
ไม่ว่ามันจะธรรมดาแค่พยายามตัดสินใจว่า จะไปทานข้าวที่ใหน หรือเรื่องสำคัญๆพอๆกับการพยายามตัดสินใจ ว่าใครที่จะใช้เวลาที่เหลือของชีวิตด้วย ชีวิตมนุษย์ถูกเติมไปด้วยปัญหาการคำนวณ ที่แค่ยากเกินไปที่จะแก้ไข โดยใช้แค่เพียงความพยายาม สำหรับปัญหาพวกนั้น มันคุ้มค่าที่จะหาที่ปรึกษาผู้เชี่ยวชาญ ซึ่งคือ นักวิทยาศาตร์คอมพิวเตอร์
(Laughter)
(เสียงหัวเราะ)
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.
เมื่อคุณกำลังมองหาคำแนะนำชีวิต นักวิทยศาสตร์คอมพิวเตอร์อาจไม่ใช้ คนแรกที่คุณคิดจะคุยด้วย คนที่มีชีวิตอยู่เหมือนคอมพิวเตอร์ คนที่มีกฏเกณฑ์ ละเอียดและตรงไปตรงมา ฟังดูไม่น่าสนุกเอาซะเลย แต่เทียบวิทยาศาสตร์คอมพิวเตอร์ กับของการตัดสินใจมนุษย์ จะเปิดเผยข้อเท็จจริง ที่เราได้เข้าใจสลับกัน เมื่อได้ประยุกต์ใช้กับปัญหามากมาย ที่เกิดขึ้นในชีวิตมนุษย์ วิธีทางที่คอมพิวเตอร์ แก้ไขปัญหาเหล่านั้นจริงๆ ดูเหมือนมากๆ กับทางที่คนทำกันจริงๆ
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?
ยกตัวอย่างเช่น พยายามตัดสินใจ ว่าจะไปกินข้าวที่ใหน นี้คือปัญหาที่มีโครงสร้างการคำนวณที่เฉพาะ คุณจะได้รับทางเลือกมาจำนวณหนึ่ง คุณกำลังจะเลือกหนึ่งในทางเลือกนั้น และคุณกำลังจะเจอการตัดสินใจ แบบนี้อีกครั้งในวันพรุ่งนี้ ในสถานการณ์นั้น คุณเผชิญสิ่งที่ นักวิทยาศาตร์คอมพิวเตอร์เรียกว่า ทางเลือกระหว่าง การสำรวจ-การใช้ประโยชน์ คุณต้องทำการตัดสินใจ เกี่ยวกับอะไรก็ตาม ที่คุณกำลังจะลองทำบางสิ่งใหม่ๆ ทำการสำรวจ รวบรวมข้อมูลบางอย่าง ที่คุณอาจสามารถได้ใช้มัน ในอนาคต หรือไม่ว่าคุณกำลังจะไปที่ๆ คุณรู้อยู่แล้วว่าดี ใช้ประโยชน์ของข้อมูล ที่คุณได้รวบรวมมาแล้ว ทางเลือกระหว่าง การสำรวจ-การใช้ประโยชน์ จะเกิดขึ้นเมื่อคุณต้องเลือก ระหว่างการลองทำอะไรใหม่ๆ และทำบางอย่างที่คุณรู้อยู่แล้วว่ามันดี ไม่ว่าจะเป็นการฟังเพลง หรือพยายามตัดสินใจ ว่าคุณอยากใช้เวลาอยู่กับใคร มันก็เป็นปัญหาที่ บริษัทด้านเทคโนโลยีพบเช่นกัน เมื่อเขาพยายามตัดสินว่าจะทำบางอย่าง เช่นตัดสินว่าโฆษณาอะไรจะอยู่บนเว็บเพจ เขาควรลองโฆษณาตัวใหม่ และเรียนรู้บางอย่างเกี่ยวกับมัน หรือควรจะแสดงโฆษณา ที่เขารู้อยู่แล้วว่ามีโอกาสสูง ที่คุณจะคลิกมัน
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.
กว่า 60 ที่ผ่านมา นักวิทยาศาสตร์คอมพิวเตอร์ ได้พัฒนาความเข้าใจอย่างมากเกี่ยวกับ ทางเลือกระหว่าง การสำรวจ หรือการใช้ประโยชน์ และผลของมันเสนอข้อมูลเชิงลึก ที่น่าประหลาดใจ เมื่อคุณกำลังจะตัดสินใจ ว่าจะไปทานข้าวที่ใหน คำถามแรกที่ควรถามตัวเอง คือคุณจะเข้าเมืองไปนานแค่ใหน ถ้าคุณจะไปที่นั้นแค่ไม่นาน ดั้งนั้น คุณควรใช้ช่องโหว่นี้ ไม่จำเป็นต้องรวบรวมข้อมูลใดๆ แค่ไปที่ๆคุณรู้อยู่แล้วว่าดี แต่ถ้าคุณกำลังจะไปที่นั้นนานๆ ให้ใช้การสำรวจ ลองหาอะไรใหม่ๆเพราะข้อมูลที่มีอยู่ เพราะว่าข้อมูลที่คุณได้ คือบางอย่างที่สามารถพัฒนา ทางเลือกของคุณในอนาคต มูลค่าของข้อมูลจะเพิ่มขึ้น ตามจำนวณโอกาศที่คุณจะได้ใช้มันในอนาคต
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.
ทฤษฎีนี้สามารถให้ข้อมูลเชิงลึกแก่เรา ลึกลงไปในโครงสร้างของชีวิตมนุษย์เช่นกัน ทารกไม่มีความสามารถ ที่จะให้เหตุผล พวกเขาจะลองสิ่งใหม่ๆเสมอ พยายามเอาของเหล่านั้นเข้าปากตัวเอง แต่ที่จริงแล้ว นี้คือสิ่งถูกต้อง ที่พวกเขาควรทำ พวกเขากำลังอยู่ในช่วงชีวิตในระยะ การสำรวจ และหนึ่งในอาหารนั้น มันอาจอร่อยถูกใจเขา ในอีกทางหนึ่ง คนมีอายุที่ชอบไปร้านอาหารเดิมๆ และมักทานอาหารเดิมเสมอ ไม่น่าเบื่อเลยหรอ แต่มันเหมาะกับเขาที่สุดแล้ว
(Laughter)
(เสียงหัวเราะ)
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.
เขากำลังใช้ประโยชน์จากความรู้ที่เขาได้รับ ผ่านประสบการณ์ตลอดชีวิต ในมุมที่กว้างขึ้น การเรียนรู้เกี่ยวกับ ทางเลือกระหว่าง การสำรวจ-การใช้ประโยชน์ สามารถสร้างความง่ายดาย ในการหาความสงบสุขและสะดวกสบายในชีวิต เมื่อคุณกำลังพยามตัดสินใจ คุณไม่จำเป็นต้องไปร้านอาหาร ที่ดีที่สุดในทุกๆคืน ให้โอกาส, ได้ลองบางสิ่งใหม่ๆ, สำรวจมัน คุณอาจได้เรียนรู้บางอย่าง และข้อมูลที่คุณรับเพิ่มขึ้นนั้น มันจะมีค่ามากกว่าการทานค่ำดีๆ 1 มื้อ
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 --
วิทยาศาสตร์คอมพิวเตอร์ยังสามารถช่วย ให้ชีวิตเราง่ายขึ้น ในที่อื่นๆเช่นที่บ้านและที่ทำงาน ถ้าคุณได้เคยจัดตู้เสื้อผ้าของคุณ คุณก็เคยเผชิญกับปัญหา การตัดสินใจที่แสนเศร้า คุณจำเป็นต้องเลือกว่าอะไรที่คุณจะเก็บ และอะไรที่คุณจะทิ้งไป ภรรยาผม ดูเหมือนจะคิดหนักกับเรื่องนี้
(Laughter)
(เสียงหัวเราะ)
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.
และเธอมีคำแนะนำที่ดี เธอบอก,"ถามตัวเองสี่คำถาม" มีมันมานานแค่ใหนแล้ว? ยังใช้ได้ใหม? มันซ้ำกับของที่มีอยู่ใหม? และครั้งสุดท้ายที่คุณใช้มันคือเมื่อไหร่? แต่มีผู้เชี่ยวชาญอีกกลุ่ม ที่ดูเหมือนจะคิดจริงจังมากกว่า เกี่ยวกับเรื่องนี้ พวกเขาอาจพูดว่ามีคำถามนึงสำคัญกว่าอันอื่นๆ ผู้เชี่ยวชาญพวกนั้น คือคนที่ออกแบบระบบการจดจำให้คอมพิวเตอร์ คอมพิวเตอร์ส่วนใหญ่ มีหน่วยความจำสองแบบ ระบบความจำแบบเร็ว เหมือนชุดของชิปความจำ ที่มีความจุจำกัด เพราะว่าชิปพวกนั้นมันแพงมาก และหน่วยความจำแบบช้า ที่มีความจำเยอะกว่ามาก การที่จะทำให้คอมพิวเตอร์ ทำงานได้มีประสิทธิภาพมากที่สุด คุณต้อทำให้งมั่นใจว่า ข้อมูลแต่ละชิ้นที่คุณต้องการเข้าถึง อยู่ใน หน่วยความจำแบบเร็ว ซึ่งนั้นทำให้คุณรับมันอย่างรวดเร็ว แต่ละครั้งที่คุณเข้าถึงข้อมูลแต่ละชิ้น มันจะถูกโหลดในหน่วยความจำแบบเร็ว และคอมพิวเตอร์จำเป็นต้องตัดสินว่าข้อมูลใหนต้องถูกลบ เพราะว่ามันมีความจุที่จำกัด
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.
หลายปีผ่านมา วิทยาศาสตร์คอมพิวเตอร์ ได้ลองบางกลยุทธที่แตกต่าง เพื่อการตัดสินว่าอะไรต้องถูกลบจาก ความจำแบบเร็ว พวกเขาพยายามลองสิ่งต่างๆเช่น เลือกแบบสุ่ม หรือพยามใช้หลักการ มาก่อน ออกก่อน ที่แปลว่าการจะลบบางอย่างนั้น จะลบสิ่งที่อยู่ในหน่วยควมจำมานานที่สุด แต่กลยุทธที่ได้ผลสุดคือ การเน้นไปสิ่งที่ไม่ได้ใช้งานมานาน นั้นคือ ถ้ากำลังจะตัดสินใจ ว่าจะลบบางอย่างออกจากความจำ มันควรจะลบสิ่งที่ไม่ได้ใช้งานมานานที่สุด เบื้องหลังความคิดมีตรรกะอยู่ว่า ถ้ามันนานมาแล้วที่คุณไม่ได้ใช้ข้อมูลนั้น มันก็เป็นไปได้ว่าคงอีกนาน ก่อนที่คุณจะต้องการใช้ข้อมูลนั้นอีกครั้ง ตู้เสื้อผ้าคุณก็คล้ายกับเรื่องของ ความจำคอมพิวเตอร์ มันมีความจุที่จำกัด และคุณต้องพยายามจัดสรร สิ่งที่คุณเหมือนจะต้องการใช้มากที่สุด ซึ่งมันคือสิ่งที่คุณจะเอามาได้เร็วที่สุด เมื่อเข้าใจจุดๆนั้น บางที หลักการ ของใช้สุดท้าย มันอาจมีประโยชน์ ที่จะใช้จัดการกับตู้เสื้อผ้าของคุณ ถ้าคุณนึกย้อนถึงหลักการสี่อย่าง ของมาร์ธา นักวิทยาการคอมพิวเตอร์ คงพูดว่า หลักการข้อสุดท้ายสำคัญสุด
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.
หลักการจัดการสิ่งของนี้ เพื่อที่ ของที่คุณจะใช้บ่อยสุด จะต้องสามารถเรียกใช้ได้เร็วสุด สามารถประยุกต์ใช้กับชีวิตคุณได้ นักเศษฐศาสตร์ชื่อ ยูกิ โนกุชิ เป็นคนที่คิดค้นระบบการบรรจุ ที่มีคุณสมบัติเหมือนกับระบบนี้ เขาเริ่มต้นกับ กล่องใส่เอกสาร และใส่เอกสารลงในกล่องจากทางซ้ายไปขวา แต่ละครั้งที่เขาเพิ่มเอกสาร เขาก็จะเลื่อนเอกสารก่อนหน้าไปด้วย และเมื่อเขาเพิ่มเอกสาร ทางด้านซ้ายมือของกล่อง และแต่ละครั้งเขาจะเจอเอกสาร ที่อยากเอาออก พิจารณา และ วางกลับคืนทางซ้ายมือ ผลคือ เอกสารจะถูกจัดจากซ้ายไปขวา โดยดูจากเอกสารใหนเพิ่งใช้งาน และเขาพบว่าเขาสามารถหาเอกสาร ที่ต้องการได้เร็วขึ้น โดยการมองจากซ้ายไปขวาของกล่อง และทำงานจากทางขวาก่อน
Before you dash home and implement this filing system --
ก่อนที่คุณจะรีบกลับบ้าน และทำให้ระบบการจัดสรรใช้งานได้
(Laughter)
(เสียงหัวเราะ)
it's worth recognizing that you probably already have.
มันคุ้มค่าที่จะรู้ว่า บางทีคุณอาจมีระบบนี้อยู่แล้ว
(Laughter)
(เสียงหัวเราะ)
That pile of papers on your desk ... typically maligned as messy and disorganized, a pile of papers is, in fact, perfectly organized --
กองเอกสารเป็นตั้งบนโต๊ะของคุณ ที่ปกติจะถูกต่อว่า ว่ารกและไม่ได้จัดระเบียบ กองเอกสารพวกนั้น, จริงๆแล้วมันถูกจัดระเบียบไว้อย่างดี
(Laughter)
(เสียงหัวเราะ)
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.
ตราบใดที่ คุณอยากเอาเอกสารออกมา นำมันกลับไปใส่ที่ด้านบนของกอง และเอกสารพวกนั้นจะถูกเรียงจะบนลงล่าง โดยดูจากว่าอันใหนเพิ่งใช้ไป และคุณอาจหาสิ่งที่ต้องการได้เร็วขึ้น โดยเริ่มจากด้านบนของกอง
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.
จัดการตู้เสื้อผ้าของหรือโต๊ะของคุณ อาจไม่เป็นปัญหาที่กดดันที่สุดในชีวิต แต่บางทีที่เราต้องแก้ปัญหาที่มันยากมากๆ แต่แม้ในกรณีเหล่านั้น วิทยาศาสตร์คอมพิวเตอร์ สามารถเสนอบางกลยุทธ และบางทีเป็นการปลอบใจ ขั้นตอนประมวลผลที่ดีที่สุด คือการทำอะไรที่เหมาะสมที่สุด โดยใช้เวลาที่น้อยที่สุด เมื่อคอมพิวเตอร์เจองานยาก มันจะรับมือด้วยการทำให้ปัญหาง่ายขึ้น โดยใช้วิธีการสุ่ม โดยลบข้อจำกัด หริอ อนุญาติให้ใช้การประมาณ การแก้ไขปัญหาที่ง่ายขึ้นนั้น สามารถให้คุณเห็นบางอย่าง ข้างในปัญหาที่ยาก และบางครั้งได้สร้างทางออกที่ดี ในแนวทางของมันเอง
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 ...
การรู้ทุกๆสิ่งนี้ช่วยให้ผมผ่อนคลาย เมื่อต้องตัดสินใจอะไรบางอย่าง คุณสามารถใช้กฏ 37% เพื่อการหาบ้านอยู่ ตามที่ยกตัวอย่าง มันไม่มีทางที่คุณจะสามารถ พิจารณาทางเลือกทั้งหมดได้ ดังนั้นคุณต้องเลือกจากโอกาสเหล่านั้น และแม้ว่าคุณทำตามวิธีของกลยุทย์ที่เหมาะสม คุณก็ไม่ได้ถูกรับรองผลลัพธ์ที่สมบูรณ์ ถ้าคณทำตามกฏ 37% ความเป็นไปได้ที่คุณจะพบบ้านที่ดีที่สุดนั้น มันตลกพอ
(Laughter)
(เสียงหัวเราะ)
37 percent. You fail most of the time. But that's the best that you can do.
37% คุณพลาดเกือบตลอดเวลา แต่นั้นมันคือสิ่งที่ดีสุดที่คุณทำได้
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.
เหนือสิ่งอื่นใด วิทยาศาสตร์คอมพิวเตอร์ สามารถช่วยเราให้อภัย ในข้อจำกัดของเราเองได้ คุณไม่สามารถควบคุมผลลัพธ์ แต่ควมคุมได้แค่วิธีการ และเมื่อคุณได้ทำตามขั้นตอนที่ดีที่สุดแล้ว ก็แปลว่าคุณทำดีที่สุดแล้วนั้นเอง บางครั้งขั้นตอนที่ดีมันจะรวมถึงการเลือกใช้โอกาสนั้น ไม่ใช่การพิจารณาจากทางเลือกทั้งหมด หรือแค่ยินยอมที่จะเลือก ทางเลือกที่ค่อนข้างดีแต่ไม่ดีที่สุดแทน วิธีคิดแบบนี้ไม่ใช่วิธีที่เราคิดได้ในขณะที่เราไม่มีเหตุผล นี่คือสิ่งที่เรียกว่า ความมีเหตุผล
Thank you.
ขอบคุณครับ
(Applause)
(เสียงปรบมือ)