Саманта Клейнберг - Почему. Руководство по поиску причин и принятию решений
Это удивительно, особенно если учесть, насколько важна в нашей жизни идея каузальности. Дело просто-напросто состоит в том, что нет как единой философской теории о том, что такое причины, так и единого полностью доказанного расчетного метода их выявления с абсолютной достоверностью. Кроме того (и это куда серьезней), мы можем идентифицировать различные факторы как причины одного и того же события, в зависимости от того, какое определение используем. При этом неясно, в чем же истина.
Скажем, на Боба напали грабители и хотят его убить. Но в разгар ограбления у Боба случается сердечный приступ, и он умирает. Кто-то возлагает вину на непосредственный фактор (сердечный приступ) и прослеживает его до генетической предрасположенности, которая с высокой вероятностью приводит к смерти от инфаркта, а кто-то обвиняет в этом грабителей, поскольку, если бы не они, сердечный приступ не приключился бы. Каждый подход обеспечивает различные объяснения, поэтому не сразу становится очевидно, предпочесть ли один из них или рассмотреть разные точки зрения на одну и ту же ситуацию. Сама идея попытки выделить единственную причину может быть недальновидной. Вероятно, сердечный приступ и ограбление совместно привели к смертельному исходу, поэтому их воздействие нельзя разделять.
К подобной оценке относительной ответственности и вины мы еще вернемся в главе 8 и главе 9, когда приступим к выявлению поводов специфических событий (почему разразилась конкретная война) и выяснению эффективности той или иной политики (правда ли, что запрет на курение в барах привел к улучшению здоровья жителей Нью-Йорка).
Несмотря на проблемы с определением и выявлением причин, нельзя сказать, что это дело невозможное или безнадежное. Ответы не всегда бывают четкими и определенными, как того хотелось бы (увы, но вам не найти своеобразный «черный ящик», куда можно заложить данные и получить на выходе причины, причем абсолютно точные), и существенная доля нашей работы – просто выяснить, к какому подходу прибегнуть и когда.
Множественность взглядов привела к появлению нескольких более-менее состоятельных подходов, которые не похожи в действии и применимы в разных ситуациях. Если иметь в активе более одного из них и знать, как они дополняют друг друга, можно расширить набор методов оценки ситуации. Некоторые способы охватывают больше случаев, чем другие (или больше важных для вас ситуаций), однако стоит помнить: ни один из них не свободен от недостатков. В конечном счете, хотя поиск причин и труден, главная проблема заключается в безусловном нахождении причин с абсолютной достоверностью. Если допустить возможность ошибок и поставить цель точно сформулировать, что именно мы можем выяснить и когда, то можно расширить диапазон сценариев, реализуемых с помощью доступных методов, и суметь адекватно описать и подходы, и результаты.
В этой книге я постаралась отразить преимущества и ограничения, присущие различным подходам, но не составить методологические рекомендации, поскольку они не абсолютны. Одни подходы лучше работают с неполными данными, а другие предпочтительнее для ситуаций, в которых важнее временной график событий. Ответом, как правило, будет «это зависит от…» – увы, но с каузальностью дела почти всегда обстоят именно так.
Каузальное мышление занимает центральное место в науках, законности, медицине и других областях (в самом деле, трудно представить сферу, где бы можно было бы обойтись без причин). Но есть и обратная сторона: методы и язык, которые используются для описания причин, обретают излишне специализированный характер и узкоотраслевое звучание. Возможно, вы не считаете, что неврология и экономика имеют много общего или что информационные технологии затрагивают психологические вопросы; но это лишь некоторые из областей междисциплинарных трудов по причинности, и области эти всё ширятся. И все имеют единый исток – философию.
Как отыскать причины
Философы с давних пор ищут ответ на вопрос, что такое причина, хотя основные философские подходы к определению каузальности, как и вычислительные методы поиска причин на основе данных, которыми мы сегодня пользуемся, появились не ранее 70–80-х годов XX века. Неясно, будет ли когда-нибудь создана единая теория причинности, тем не менее важно постичь суть этого распространенного понятия, чтобы с большим пониманием размышлять о нем и применять в общении. Любой прогресс в этой области будет иметь важные последствия для развития информационных технологий и других наук. Если, к примеру, каузальные взаимосвязи не единообразны, вероятно, понадобятся разные методы, чтобы их выявить и описать, а также многочисленные эксперименты, чтобы проверить интуитивные взгляды на причинность.
Со времен Юма главный вызов заключался в следующем: как отличить каузальные и некаузальные паттерны осуществления событий? В 60–70-х годах XX века появились три основных метода, построенные на трудах Юма. Следствие редко проистекает от воздействия единственной причины, поэтому Джон Мэки[21] разработал теорию, представляющую собой набор условий, которые совместно производят следствия. Эта теория позволяет лучше исключить некаузальные взаимосвязи, исходя из сложности причин[22]. Точно так же многие каузальные взаимосвязи включают в себя элемент случайности, когда причины просто с большей вероятностью вызывают соответствующие следствия. Причем необязательно, что подобное будет происходить каждый раз (согласно вероятностным подходам Патрика Суппеса[23] и др.[24]). Юм также заложил основы контрфактуального подхода, задача которого – дать определение причины, исходя из того, насколько иными могли бы стать следствия, если бы причина не имела места[25]. Например, благодаря кому-то была достигнута победа в игре, поскольку без усилий этого конкретного игрока победить не удалось бы ни за что.
Кажется, что у всех этих философских трудов нет ничего общего с вычислительными методами, но это не так. Для компьютерщиков этаким святым Граалем в сфере искусственного разума стала возможность автоматизировать человеческое мышление, а ключевым элементом оказалось нахождение причин и формулировка объяснений. Это используется и в робототехнике (роботам нужны модели мира, чтобы планировать действия и предсказывать их последствия), в рекламе (компания Amazon лучше формулирует рекомендации для целевой аудитории, если знает, что заставило вас кликнуть по клавише «купить прямо сейчас») и медицине (врачи отделения интенсивной терапии моментально узнают, почему состояние пациента внезапно изменилось). И все же для разработки алгоритмов (последовательности шагов по решению задачи) мы должны конкретизировать проблему. Чтобы создать программу для выявления причин, требуется их рабочее определение.
В 1980-х годах группа специалистов по информационным технологиям под руководством Джуды Перла[26] доказала, что философские теории, определяющие каузальные взаимосвязи в терминах вероятностей, можно представить графически, обеспечив одновременно визуальное изображение причинных связей и способ кодирования математических зависимостей между переменными. Что еще важнее, эксперты предложили методы построения графических моделей на основе предварительного знания и методов их выведения из имеющихся данных[27]. Эти работы породили множество новых вопросов. Можно ли определить взаимосвязь там, где запаздывание между причиной и следствием – величина переменная? Если сами взаимосвязи со временем изменяются, что мы можем узнать? Кроме того, компьютерщики разработали метод автоматизации поиска объяснений, а также методы тестирования объяснений для каждой модели.
В последние несколько десятилетий заметен существенный прогресс, но многие проблемы по-прежнему не решены – главным образом потому, что нашей жизнью все в большей степени правит информация. Однако вместо тщательно выверенных баз данных, собираемых исключительно в рамках научных исследований, мы имеем дело с громадным массивом неопределенных сведений, полученных в результате простых наблюдений.
Представим на первый взгляд несложную проблему: определить социальный статус людей по данным Facebook. Первая сложность заключается в том, что этой социальной сетью пользуется далеко не каждый, так что вы изучите лишь определенную группу, которая может не быть репрезентативной для населения в целом. Вторая: не все используют Facebook одинаково. Кто-то вообще не указывает статус отношений, кто-то лжет, а кто-то просто не обновляет профиль.
Итак, возникла масса проблем с формулированием выводов о причинных зависимостях. Самые важные заключаются в поиске причин на основе неточных данных или данных, в которых отсутствуют необходимые переменные и результаты наблюдений (если мы не фиксируем фактов курения, не начнем ли выискивать другие условия, вызывающие рак легких?), сложных взаимосвязей (что происходит, когда для наступления следствия требуется целая последовательность событий?), а также причин и следствий нерегулярных ситуаций (что вызвало резкий обвал фондового рынка в 2010 году?).
