کنجکاوی بی‌پایان

همه چیز با Bayes در دهه بیست قرن هجدهم آغاز می‌شود.

یک کشیش پرسبیتری که با لباس روحانی‌اش تلوتلوخوران به سمت خانه می‌رود و با خطوط مستقیم فکر می‌کند.

از Thomas زیاد نمی‌دانیم. ایمان داشت که مهم‌ترین کارش اخلاق و ریاضیات را با هم جمع می‌کند. در خیرخواهی الهی استدلال کرد که وجود خوشبختی خود شاهدی است بر احتمال وجود خدا.

در یادداشت‌های ریاضی‌اش با مسائل عملی دشواری روبرو شد، از جمله چالش کلاسیک هندسه‌دانان در اندازه‌گیری زمین. ادعایی که تخمینش با مقادیر مدرن تفاوتی کمتر از یک دهم درصد داشته جذاب است اما تأیید نشده. آنچه می‌دانیم این است که Bayes به خاطر کارش در فلاکسیون‌ها و روش‌های تعیین اندازه زمین از سوی انجمن سلطنتی شناخته شد. همین به تنهایی نوع ذهنی را که با آن روبروییم نشان می‌دهد.

بزرگ‌ترین تأثیر Thomas پس از خودش رسید. پس از اینکه Bayes در سال 1761 درگذشت، دوستش Richard Price اوراقش را مرتب کرد، حلی دقیق برای مسئله احتمال معکوس یافت، آن را ویرایش کرد و در سال 1763 با عنوان مقاله‌ای به سوی حل مسئله‌ای در نظریه احتمالات منتشر کرد. این وارونگی — استنتاج از داده به باور — امروز زیربنای همه چیز از آزمایش‌های پزشکی تا یادگیری ماشین است.

همان دهه‌ای که پدر Mozart یک نابغه را در سراسر اروپا می‌برد، که Abu Dhabi بنیان گذاشته شد، که Watt موتور بخار را بهبود داد، و که James Cook برای مشاهده گذر ناهید راهی سفر شد. استعمار تازه داشت شروع می‌کرد. چه دوران شگفت‌انگیزی برای زیستن.

اینجاست که جوهر ماجرا نهفته:

P(H | D) = P(D | H) × P(H) / P(D)

احتمال پسین برابر است با درست‌نمایی ضربدر احتمال پیشین، تقسیم بر شواهد. برای کسانی که بیشتر به ریاضیات حسی تمایل دارند، این فرمول می‌گوید: هرچه از پیش بیشتر بدانیم، و هرچه شواهد جدید بهتر جور بیایند، حدس بعدی‌مان دقیق‌تر خواهد بود.

Bayes در دوران روشنگری مثل یک زنگ صاف فرود آمد. Laplace آن را شنید، بیشتر پیشش برد، و آزمایش فکری معروفش را درباره هوشی که همه نیروها و موقعیت‌ها را می‌داند پروراند — هوشی که برایش هیچ چیز نامطمئن نیست و آینده و گذشته هر دو در یک لحظه قابل رویتند. زیبا، و در عین حال هشداری زودهنگام درباره اشتباه گرفتن محاسبه با خرد.

چرا الان باید اهمیت بدهیم؟

چون تازه‌ترین ایده‌های دنیا در انتهای راهی ایستاده‌اند که از Bayes آغاز می‌شود.

مدل‌های زبانی بزرگ شبیه مغز به نظر می‌رسند چون در بازیابی ادامه‌های محتمل از سیاق بسیار توانا هستند. آن‌ها به طور تحت‌اللفظی قضیه Bayes را اجرا نمی‌کنند، اما رفتارشان عمیقاً بیزی است. احتمالات را بر اساس اینکه چقدر با داستان تا این لحظه همخوانی دارند وزن می‌دهند. هنوز در هدایت توجه به وظیفه درست ضعیفند. این همچنان کار ماست.

با یک استدلال منطقی شروع کنید

Bayes از غریزه اعلام کردن بیزار بود. روشش با یک فرضیه شروع می‌شود و منتظر داده می‌ماند. ارائه یک استدلال منطقی یعنی آزمایش باور در برابر شواهد. این بازاریابی بهتر می‌سازد، سیاست شفاف‌تر، و جلسات محصول عاقلانه‌تر. استدلال به یک فرآیند کالیبراسیون تبدیل می‌شود نه فتح.

به جای اینکه یک پرامپت صوتی سی‌وهشت دقیقه‌ای را سوزن کنید، از ماشین بخواهید یک سری سوال بپرسد که به ساختن استدلال منطقی کمک کند و کیفیت نتایج را بالا ببرد. با باز شدن پلتفرم‌ها برای محیط‌های مشارکتی که چندین نفر و عامل می‌توانند مشکلات را با هم تعریف کنند، این عادت بیش از هر دستور منفردی اهمیت پیدا خواهد کرد.

زمینه بهتر ارائه دهید

هر پیش‌بینی به پیش‌زمینه‌هایش وابسته است. هرچه مشکل را بهتر قاب‌بندی کنید، احتمال اینکه سیستم به جای سر و صدا منطق تولید کند بیشتر می‌شود. پرامپت‌ها به همین شکل کار می‌کنند. زمینه مشخص و خوب وزن‌بندی‌شده نتایج مرتبط می‌آورد؛ سوال‌های مبهم مزخرف اطمینان‌بخش تولید می‌کنند. چه هوش مصنوعی را پرامپت می‌دهید چه یک انسان را، کیفیت زمینه‌ای که می‌گذارید را پس می‌گیرید.

این توضیح می‌دهد که چرا پرامپت‌های کوتاه اغلب نتایج متوسط می‌دهند. افراد با استعداد که از پیش حس پالایش دارند، فعلاً حالشان خوب خواهد بود.

شواهد بیاورید

اگر Thomas اوراقش را نگه نداشته بود، دوست قدیمی‌اش Richard Price چیزی برای گشتن نداشت. اگر اوراق دارید، این مزیت است. اگر داده دارید از آن استفاده کنید. آینده از پیش از تکمین‌های مطمئن پر شده. شواهد قدرت خاموشی است که شما را صادق نگه می‌دارد. همین است که یادگیری احتمالاتی را به یک کنش خلاقانه تبدیل می‌کند نه یک بلوف. هرچه مدل لنگرهای دنیای واقعی بیشتری ببیند، احتمال توهم‌پردازی‌اش کمتر می‌شود. انسان‌ها هم همین‌طور کار می‌کنند.

اگر وبلاگ، Substack، یا کتاب نوشته‌اید، در موضع برتری هستید. اینها پیش‌زمینه‌هایی می‌شوند که به مدل اجازه می‌دهد به صدای شما بنویسد. کسب‌وکارهایی که سال‌ها اطلاعیه مطبوعاتی یا محتوای ویدیویی دارند می‌توانند محتوای مصنوعی تولید کنند که با احساس و چارچوب‌های برند هماهنگ باشد. نگه داشتن سر برند بالای محتوای بی‌کیفیت تبدیل به یک چالش اصلی خواهد شد.

دیدگاه‌های متعدد داشته باشید

قضیه Bayes درباره یک‌بار درست بودن نیست؛ درباره هربار کمتر اشتباه کردن است. داشتن دیدگاه‌های متعدد این فرآیند را سرعت می‌دهد. سوال را بپرسید، سپس بپرسید مشتری، منتقد و رقیب شما چطور ممکن است پاسخ دهند. تنظیم مدل‌ها با چارچوب‌های ایدئولوژیک یا مجموعه‌های محتوای گزیده پاسخ‌ها را هوشمندتر و تیم‌ها را کمتر قبیله‌ای می‌کند. این همچنین پادزهر اتاق‌های پژواک است، خواه الگوریتمی باشند خواه نباشند.

الان فراموشی فرهنگی Clive James را می‌خوانم، پس طبیعتاً آثار کسانی که نقل قول می‌کند را عمیق بررسی می‌کنم و روزهایم را در گفتگو با سایه‌های تاریخ شروع می‌کنم. Camus درباره همه چیز نظر دارد. خواستن از مدل که تفکرتان را از دیدگاه مشتری یا یک مخالف پرسروصدا مرور کند می‌تواند نقاط کور را برطرف کند و تفکر بهتری در کار با ماشین می‌سازد.

مراقب دام توجه باشید

بهینه‌سازی برای تعامل تقریباً راه مطمئنی برای تخریب اعتماد است. این مدل کسب‌وکار غالب Silicon Valley برای دهه‌هاست، و مدل‌های بزرگی که از آن دنیا می‌آیند این DNA را به اشتراک می‌گذارند.

چسبنده‌ترین محتوا در اسکرول برنده می‌شود اما اغلب استدلال را می‌بازد. توجه بدون عمق به اعتیاد تبدیل می‌شود. Bayes به ما می‌گفت که شواهد باید بر احساسات پیشی بگیرد، و چند پیش‌زمینه محکم از هزار نظر داغ ارزشمندتر است. برای نتایج بهینه‌سازی کنید، نه برای خشم.

مدل‌ها از قبل دارند واکنش شما به چاپلوسی را آزمایش می‌کنند. این خطر بزرگ‌تری به نظر می‌رسد تا اینکه تکنولوژی Skynet شود، حداقل فعلاً.

دوی نمایی تمام نشده

انسان‌ها عادت دارند باور کنند که در اوج تاریخ یا نزدیک به آن زندگی می‌کنند. همیشه احساس می‌شود مثل آخر بازی Civilization است و فقط چند تکنولوژی در درخت مانده.

هوش مصنوعی یک محرک اقتصادی عظیم به نظر می‌رسد و ما تازه داریم می‌فهمیم چه چیزی را تغییر می‌دهد. در سطح کاربر، رابطی که این تکنولوژی‌ها را فراتر از خط فرمان می‌برد — وقتی ماشین رابط کاربری حول کانتینرهای نرم‌افزاری برای پرامپت‌ها می‌سازد و صورت‌فلکی‌های جدیدی از تعاملات ما در دنیا پدید می‌آید — یکی از جالب‌ترین تحولاتی است که باید دنبالش کرد.

نخواهیم دانست شیطان Laplace کِی وارد اتاق شد تا وقتی که دیر شده باشد، که راه دیگری برای گفتن این است: جهت، هدف و فروتنی هنوز دارایی‌های کمیاب هستند. Bayes راهی به ما می‌دهد که از تجربه بیاموزیم بدون وانمود کردن به قطعیت. این دقیقاً همان چیزی است که نیاز داریم.

قدرتمندترین چیز درباره قضیه‌اش این است که از کیهان تا صندوق ورودی مقیاس می‌شود. به طور یکسان برای فیزیک و طراحی محصول، برای استخدام، سیاست و رهبری خلاقانه کاربرد دارد. هر روز پیش‌زمینه‌هایمان را بر اساس آنچه دنیا به ما برمی‌گرداند به‌روز می‌کنیم. این یادگیری واقعی است.