Algoritmen om door te leven van Brian Christian en Tom Griffiths Samenvatting en analyse

De computerwetenschap van menselijke beslissingen

Algoritmes om door te leven van Brian Christian en Tom Griffiths laat zien hoe de logica achter computeralgoritmes kan helpen om alles te optimaliseren, van planning tot besluitvorming, en bewijst dat de slimste manier om door het leven te navigeren wel eens zou kunnen zijn om te denken als een computer.

Het leven wordt druk. Heeft Algoritmen om bij te leven stof heeft verzameld op je boekenplank? Pak in plaats daarvan nu de belangrijkste ideeën op. Dit is nog maar een tipje van de sluier. Als je het boek nog niet hebt, bestel dan de boek of de gratis luisterboek op Amazon voor de sappige details.

Het perspectief van Brian Christian

Brian Christian is dichter, programmeur en onderzoeker. Hij won eerder de Loebner Prize wedstrijd. In deze wedstrijd slaagde hij erin 'menselijker' te lijken dan de mensen die de test deden, terwijl hij als 'confederaal' meedeed. Zijn eerste boek, The Most Human Human, was een Wall Street Journal bestseller en werd uitgeroepen tot New Yorker's boek van het jaar. 

Het perspectief van Tom Griffiths

Tom Griffiths is hoogleraar psychologie en cognitieve wetenschap aan de UC Berkeley. Hij leidt ook het Computational Cognitive Science Lab van UC Berkeley. Hij is een vooraanstaand academicus in de cognitieve psychologie en heeft meerdere prijzen gewonnen van de American Psychological Association. 

Inleiding

Algoritmen om bij te leven biedt snelkoppelingen en hacks om je leven te stroomlijnen. Algoritmen worden in computers en andere vormen van technologie gestopt om problemen op te lossen. Er is echter geen reden waarom we algoritmen niet kunnen gebruiken in ons dagelijks leven. Brian Christian en Tom Griffiths beschrijven hoe algoritmen al eeuwenlang worden gebruikt. En hoe wij specifieke algoritmen dagelijks gebruiken. Sommige algoritmen zijn echter efficiënter dan andere. Dit boek geeft een overzicht van de algoritmen die uw leven gemakkelijker en aangenamer kunnen maken. 

Algoritmen om bij te leven is enorm succesvol sinds de release in 2016. Bij de release werd het Audible's #1 best verkochte non-fictie boek. Vervolgens werd het uitgeroepen tot Amazon.com's beste wetenschapsboek van het jaar. Tot slot werd het door de MIT Technology Review uitgeroepen tot boek van het jaar. 

Tenzij we bereid zijn eeuwenlang te streven naar perfectie telkens wanneer we een probleem tegenkomen, vereisen moeilijke problemen dat we, in plaats van onze banden te laten draaien, ons gemakkelijker versies voorstellen en die eerst aanpakken. Wanneer dit correct wordt toegepast, is dit niet alleen maar wishful thinking, geen fantasie of ijdel dagdromen. Het is een van onze beste manieren om vooruitgang te boeken."

- Brian Christian

Algoritmen gelden niet alleen voor computers

Enkele van de grootste uitdagingen waarmee zowel computers als menselijke geesten worden geconfronteerd: hoe om te gaan met eindige ruimte, eindige tijd, beperkte aandacht, onbekende onbekenden, onvolledige informatie en een onvoorspelbare toekomst; hoe dit te doen met gratie en vertrouwen; en hoe dit te doen in een gemeenschap met anderen die allemaal tegelijkertijd hetzelfde proberen te doen."

- Brian Christian

De meeste mensen associëren algoritmen met computers en andere vormen van technologie. Het woord stamt echter uit de negende eeuw. De Perzische wiskundige Muhammad Al-Khwarizmi is de eerste die het woord "algoritme" gebruikte. Het gebruik van concepten als algoritmen gaat echter terug tot de Sumeriërs. De Sumeriërs waren een beschaving die vierduizend jaar geleden bestond. Deze beschaving gebruikte een eindig aantal stappen om problemen op te lossen. Wij gebruiken een eindig aantal stappen om meerdere taken per dag uit te voeren. Belangrijk is dat dit ook de techniek is die ten grondslag ligt aan algoritmen. 

Zolang een reeks eindige stappen wordt gevolgd, kan alles een algoritme zijn. Een recept is bijvoorbeeld een soort algoritme. Het omvat een reeks instructies om het gewenste resultaat te verkrijgen. Een lijst met voor- en nadelen opschrijven om iets te doen is een intuïtief algoritme. 

Wij zouden deze algoritmen als subjectiever kunnen beschouwen dan computeralgoritmen. Toch gebruiken deze algoritmen hetzelfde proces en komen ze tot dezelfde oplossing. In beide gevallen wordt, wanneer aan bepaalde voorwaarden is voldaan, de volgende stap in het proces gezet.

Algoritmen kunnen ons vertellen wanneer te stoppen

Algoritmen vertellen ons niet alleen hoe we een taak stap voor stap moeten uitvoeren, maar ook wanneer we met een taak moeten stoppen. Als mensen hebben we moeite om te weten wanneer we moeten stoppen met zoeken. Bovendien hebben we cognitieve vooroordelen die onze keuzes bij het zoeken beïnvloeden. 

De auteurs van dit boek suggereren dat het Optimal Stopping Algorithm hiervoor de oplossing is. Als er 100 opties zijn, stelt dit algoritme dat u de eerste 37 moet bekijken zonder er een te nemen. Gebruik deze eerste 37 als norm. Vervolgens moet het item dat aan deze norm voldoet worden genomen. Dit algoritme garandeert niet het beste resultaat. Maar het betekent wel dat je een veel grotere kans hebt om een item te verwerven dat aanzienlijk beter is dan gewoon gissen. Het maakt niet uit wat u zoekt: 37% van het totaal is waar u uw norm trekt. 

Algoritmen kunnen ons vertellen wanneer te beginnen

Algoritmen kunnen ons niet alleen adviseren wanneer we moeten stoppen met zoeken, maar ook wanneer we iets nieuws moeten ontdekken. In het boek geven de auteurs het voorbeeld van een gokkast. Sommige mensen blijven gewoon bij de machine zitten tot ze winnen. Er is echter altijd een gedachte in de hoofden van mensen of ze gewoon weg moeten lopen ondanks het feit dat ze veel geld hebben verloren. Dit dilemma, gebaseerd op de alternatieve naam voor gokautomaten, wordt het Multi-Armed Bandit Problem genoemd. 

Een strategie die vaak door gokkers wordt gebruikt is om te blijven als ze winnen en over te stappen als ze verliezen. Dit is echter geen logische manier om te kiezen wanneer je iets nieuws gaat verkennen. Een betere methode is het gebruik van het Upper Confidence Bound Algorithm. Hier volgen de stappen van dit algoritme, verstrekt door de auteurs. Ook hier wordt het toegepast op gokmachines:

1. Zoek een machine die de beste waarde biedt. In dit geval is dat de machine met de grootste jackpot, omdat u zich niet bewust bent van waarschijnlijkheden.
2. Zorg er tijdens het spelen voor dat je de echte uitkomst bijhoudt (hoeveel geld je wint). Het echte resultaat moet worden vergeleken met hoeveel je op dat moment verwachtte te winnen.
3. Als de werkelijke uitkomst consequent lager is dan de verwachte uitkomst, moet u naar een andere machine gaan. Deze machine moet de machine zijn met de op één na grootste jackpot.
4. Herhaal het proces.

Algoritmen kunnen ons helpen ons werk te organiseren

De auteurs van dit boek leggen uit dat georganiseerde chaos prima kan zijn. Zolang je weet waar alles is, ben je productief. Als je archiefsysteem echter niet efficiënt georganiseerd is, zijn er algoritmen om je organisatie te verbeteren. De auteurs beschrijven drie algoritmen:

Bubbel Sorteren

Dit algoritme is het minst efficiënt. Met deze methode sorteer je één paar tegelijk. Vervolgens herhaal je dit proces keer op keer totdat alles gesorteerd is. De auteurs geven een voorbeeld van het algoritme bubbels sorteren voor het alfabetiseren van boeken. Met een ongeorganiseerde plank begin je met de letter A. Je vergelijkt de eerste twee boeken en sorteert ze alfabetisch. Vervolgens vergelijkt u het item dat nu het tweede boek is met het derde boek. Dit proces herhaal je tot je het einde van de collectie hebt bereikt.

Invoegen Sorteren

De inbrengsorteermethode is veel efficiënter als u een groot aantal artikelen moet sorteren. Als u de boekanalogie nog eens bekijkt, zou de insteeksorteermethode inhouden dat u alle boeken van de plank haalt. Vervolgens plaatst u ze één voor één terug, waarbij u ervoor zorgt dat de boeken telkens in de juiste volgorde worden geplaatst.

Samenvoegen Sorteren

Bij de samenvoegingsmethode tenslotte wordt alles in meerdere stapels verdeeld. Elke stapel moet worden gesorteerd van A tot Z. Vervolgens moeten deze stapels worden samengevoegd. 

Algoritmen kunnen ons helpen ons leven te plannen

Drijven is een zeer herkenbare menselijke toestand. Als je ooit een moment hebt gehad waarop je met alles wilde stoppen om de kans te krijgen alles op te schrijven wat je zou moeten doen, maar de tijd niet kon missen, dan heb je gedrild."

- Brian Christian

Naast het organiseren van dossiers moeten we ook ons leven organiseren. Het plannen van ons leven kan zeer complex zijn en is vaak een dagelijkse uitdaging. Naast de eisen die ons werk stelt, maken meerdere andere levenseisen het moeilijk om alles in te plannen. Sommige algoritmen kunnen u echter helpen uw leven beter te plannen. 

• Het algoritme voor de vroegste deadline - Een eenvoudig algoritme. De eerste taak die je voltooit is de taak met de dichtstbijzijnde deadline.
• Het algoritme van Moore - Dit algoritme beveelt aan de taak over te slaan die de meeste tijd vergt. In plaats daarvan moet u ernaar streven meer taken af te maken. Dit algoritme is effectiever als je niet genoeg tijd hebt om elke taak af te maken.

De auteurs raden u aan prioriteit inversie koste wat kost te vermijden. Prioriteitsomkering is wanneer je je richt op te veel kleine taken, en geen enkele daarvan uiteindelijk wordt uitgevoerd. Je zou ernaar moeten streven om je alleen op één taak tegelijk te concentreren in plaats van te multitasken. 

Algoritmen kunnen u helpen de toekomst te voorspellen

Als je een goede intuïtieve Bayesiaan wilt zijn - als je van nature goede voorspellingen wilt doen, zonder te hoeven nadenken over welke voorspellingsregel geschikt is - moet je je vooroordelen beschermen. Tegenintuïtief kan dat betekenen dat je het nieuws moet uitschakelen."

- Brian Christian

Hoewel we nooit zeker kunnen zijn van wat er in de toekomst zal gebeuren, is het mogelijk om te voorspellen wat er waarschijnlijk zal gebeuren. Het voorspellen van waarschijnlijke uitkomsten is haalbaar wanneer de juiste algoritmen worden gebruikt. 

Het voorspellen van waarschijnlijke uitkomsten op basis van algoritmen gaat terug tot het Engeland van de achttiende eeuw. Dominee Thomas Bayes ontwikkelde een eenvoudige manier om toekomstige uitkomsten te voorspellen. De auteurs van dit boek passen het theorema van Bayes toe op loterijkrasloten. Bayes raadt mensen die krasloten kopen aan rekening te houden met de prevalentie van winnende loten in omloop. Met dit als aanname, is het mogelijk om de waarschijnlijkheid van de specifieke resultaten van uw tickets te berekenen. 

Zoals met veel dingen, hoe meer informatie je beschikbaar hebt, hoe nauwkeuriger je zult zijn. Een methode die gebruik maakt van grote hoeveelheden informatie om toekomstige uitkomsten te voorspellen is het verdelingspatroon van het verschijnsel. Andere namen voor deze verdeling zijn de normale verdeling of de klokcurve. Als iets normaal verdeeld is, kun je aannemen dat het gekenmerkt zal worden door kenmerken in het midden in plaats van uitersten wanneer je het tegenkomt.

De alternatieve verdeling voor een normale verdeling is de power-law verdeling. Deze verdeling heeft een mediaan die veel lager ligt dan het gemiddelde. Een voorbeeld hiervan is rijkdom. De meeste mensen in de wereld zijn arm, terwijl een paar mensen de overgrote meerderheid van de rijkdom in de wereld bezitten. 

Algoritmen voorkomen overbelasting van gegevens

Overbelasting van gegevens wordt vaak beschouwd in relatie tot een klassiek gedachte-experiment. In dit gedachte-experiment bereiden twee generaals zich voor op een gezamenlijke aanval op een stad. Deze stad ligt in een versterkte vallei. Deze generaals bevinden zich op de twee heuvels aan weerszijden van de vallei. Ze kunnen dus alleen gelijktijdig aanvallen door een exact tijdstip af te spreken. Bovendien kunnen ze alleen communiceren door personen door de vallei te sturen waar hun vijanden liggen. Dit gedachte-experiment werd door computerwetenschappers gebruikt als een manier om algoritmen voor veilige berichtoverdracht te bepalen.

Methode I - Herverzonden Till Breakdown

Dit was de eerste methode. Deze oplossing bestond uit het sturen van meerdere boodschappers in de hoop dat er een onopgemerkt door zou glippen. Te veel boodschappers sturen kan echter leiden tot overbelasting. Met betrekking tot computers zou dit een overbelasting van de server zijn. 

Methode II - Exponentiële backoff

Als er een serveroverbelasting ontstaat, is exponentiële back-off een methode die zou moeten werken. In plaats van verwoed op refresh te drukken, kun je een paar minuten wachten tot het verkeer afneemt. Het exponentiële deel heeft betrekking op hoe lang je wacht tussen verversingen. De auteurs stellen voor twee keer zo lang te wachten elke keer dat u een foutmelding krijgt bij het verversen.

Methode III - Additieve verhoging, multiplicatieve verlaging

Deze methode hoopt overbelasting te voorkomen. Dit algoritme bepaalt de maximale hoeveelheid gegevens die een netwerk aankan. Het algoritme begint met het verzenden van slechts één pakket gegevens. Dan, als dit goed is, stuurt het de dubbele hoeveelheid. Het zet dit proces voort totdat het het punt van overbelasting bereikt. Door dit proces kan het algoritme de grens bepalen.

Deze methoden kunnen worden toegepast op uw dagelijks leven. Te veel informatie kan leiden tot overbelasting van je hersenen. Begin daarom met het invoeren van kleine hoeveelheden informatie en test hoe ver je kunt gaan voordat je hersenen overbelast raken. Zodra u deze grens kent, weet u beter wanneer u moet stoppen met een taak. 

Algoritmen hebben hun grenzen

Zelfs de beste strategie levert soms slechte resultaten op - daarom maken computerwetenschappers onderscheid tussen "proces" en "resultaat". Als je het best mogelijke proces hebt gevolgd, dan heb je gedaan wat je kon, en moet je jezelf niet de schuld geven als het niet gaat zoals jij wilt."

- Brian Christian

Ingewikkelde scenario's vereisen vaak complexe algoritmen om volledig te begrijpen wat er gebeurt. Algoritmen zijn echter beperkt in de complexiteit waarmee ze kunnen worden toegepast. Het probleem is dat u, wanneer u iets complex voorspelt, geneigd zult zijn variabelen toe te voegen totdat het algoritme uw gegevens volledig kan verklaren. Dit omvat ook het verklaren van de fouten in de gegevens. Dit is echter problematisch, omdat het leidt tot iets dat overpassing wordt genoemd. U hebt het model zeer ingewikkeld en specifiek gemaakt voor de gegevens die u gebruikt. Daarom kan het niet flexibel worden toegepast op andere gegevens. 

Hoe groter de onzekerheid, hoe groter de kloof tussen wat je kunt meten en wat er toe doet, hoe meer je moet oppassen voor overfitting - dat wil zeggen, hoe meer je de voorkeur moet geven aan eenvoud."

- Tom Griffiths

Conclusies

Algoritmen laten ons gaan voor 'goed genoeg' in plaats van altijd te streven naar perfectie. Als we consequent algoritmen in ons leven gebruiken, zullen we daar veel baat bij hebben en kunnen we ons meer gaan ontspannen. Onze hersenen zijn gebouwd als computers. Daarom moeten we ze, net als computers, gaan aanvullen met algoritmen. 

Beoordeling

Wij beoordelen Algoritmen om bij te leven 4/5. Hoe zou je het boek van Brian Christian en Tom Griffiths beoordelen op basis van deze samenvatting?

PDF, Gratis luisterboek en geanimeerde samenvatting van algoritmen om door te leven

Dit was het topje van de ijsberg. Om in de details te duiken en de auteur te steunen, bestel de boek of krijg het audioboek gratis op Amazon.

Nieuw bij StoryShots? Ontvang de PDF, gratis audioboek en geanimeerde versies van deze samenvatting en honderden andere bestseller non-fictie boeken in onze gratis top-ranking app. Het is door Apple, The Guardian, de VN en Google genoemd als een van 's werelds beste lees- en leerapps.

Als je feedback hebt over deze samenvatting of wilt delen wat je hebt geleerd, reageer dan hieronder.

Gerelateerde boeksamenvattingen

Linchpin door Seth Godin

De kracht van volledige betrokkenheid James Loehr en Tony Schwartz

De kunst van het geluk door de Dalai Lama

Feitelijkheid door Hans Rosling, Ola Rosling, en Anna Rosling Rönnlund

Houding is alles. door Jeff Keller

Mindset door Carol Dweck

Hoe niet fout te zijn door Jordan Ellenberg

Atomic Habits door James Clear

Superlife door Darin Olien

Predictably Irrational door Dan Ariely