Efektyvumas iki apsišikimo

  „Optimalios iliuzijos

     Autorė Coco Krumme

     („Riverhead“, 256 puslapiai, 29 doleriai)

     Logistikos verslas yra matematikos padaras. Algoritmai diktuoja efektyviausią dėžių iškrovimo iš konteinerių laivo, sukrovimo į krovinių aikštelę, sunkvežimių parkų, gabenančių juos į paskirstymo centrus, ir jų turinio pristatymo milijonams namų ūkių, planą. Tačiau kai tarptautinė prekyba prekėmis išaugo per Covid-19 pandemiją, visi šie algoritmai nesugebėjo užkirsti kelio tiekimo grandinėms rimtai susipainioti. Jų diktatas, regis, nebebuvo optimalus.

 

     Knygoje „Optimalios iliuzijos“ matematikė Coco Krumme'as tyrinėja, kodėl taip dažnai nepavyksta siekti geriausio. Ji pažymi, kad paslėpta optimizavimo prielaida yra ta, kad visi svarbūs kintamieji gali būti identifikuoti ir į juos atsižvelgta, kad būtų pasiektas idealus rezultatas. Tačiau nežinomybė ir netikrumas gali sugriauti kruopščiausius planus. „Optimizavimas buvo išrastas, laikui bėgant, su idėja, kad sistema ar visuomenė taptų tobulesnė“, – rašo ji. Tačiau „dažnai matome, kad vyksta priešingai“.

 

     Optimizavimas, teigia ponia Krumme, atsirado dėl trijų žmonių pasaulio suvokimo pokyčių. Pirmasis poslinkis yra vis labiau atomizuotas supratimas, dėl kurio mes matome asmenis, kaip mažus duomenų rinkinius. Antrasis yra polinkis į didesnę abstrakciją, ypač kompiuteriniame modeliavime. Trečia – automatizavimas, kuris keičia mastą, nuvertindamas vietinį ir konkretų. Laikui bėgant, teigia ponia Krumme, šie pokyčiai paskatino mus suprasti tikrovę naujais būdais – ir patikėti, kad galime ją tobulinti.

 

     Neįtikėtiną pavyzdį pateikia agronomas Normanas Borlaugas (1914–2009), augalų selekcijos vedlys, giriamas už naujoves, paskatinusias „žaliąją revoliuciją“. Borlaugo siekis ieškoti optimalių augalų veislių padidino produkciją iš hektaro ir drastiškai sumažino žmonių, patiriančių badą, skaičių. Tačiau galiausiai tai turėjo nenumatytų pasekmių, pavyzdžiui, įvairesnių šeimos ūkių išstūmimas į didesnes operacijas, auginant vieną derlių su didelėmis trąšų ir herbicidų dozėmis.

 

     „Efektyvumo sudievinimas atmetė tradicinius metodus, leidžiančius dirvožemiui pailsėti ir atsinaujinti“, – rašo ponia Krumme. „Dėmesys derliaus didinimui atskyrė žemės ūkį nuo ūkininkų, o ūkininkus – nuo žemės ir vietos. Sunyko kaimo bendruomenės. Smulkieji procesoriai išmirė. O išgyvenę ūkininkai, nors didžiąją laiko dalį buvo turtingesni, tapo labiau pažeidžiami kainų svyravimų, nes jų pajamos priklausė nuo vienoš rūšies derliaus vertės.

 

     Ponia Krumme teigimu, optimizavimas taip pat slypi už elektros tinklo gedimo Teksase per šaltą 2021 m. žiemą. Tinklas yra ant kalno algoritmų, kurie prognozuoja energijos poreikį, prognozuoja atskirų elektrinių našumą ir paskirsto energiją su kainomis, kurias klientai ir tiekėjai nori mokėti ir gauti. „Tai sistema, optimizuota dirbti fantastiškai, kai viskas veikia fantastiškai“, – pastebi ji.

 

     Tačiau investicijų optimizavimas sumažino perteklinius gamybos ir perdavimo pajėgumus, o modeliai neatsižvelgė į užsitęsusią šalčio temperatūrą. Kai klientai padidino šilumos naudojimą, elektra, kurios jiems reikėjo, turėjo gauti tik brangiai kainuojančiomis kainomis, jei iš viso galėjo. Tai, kas buvo optimalu tam tikromis aplinkybėmis, pasikeitus orams, pasirodė neoptimalu.

 

     Kokia problema? Optimizavimas yra matematinė procedūra, kuri turėtų būti griežtai objektyvi ir be šališkumo. Pagrindinės sąvokos mokomos kiekvienoje skaičiavimo klasėje. Paprasta kompiuterinė programa gali atlikti sunkų kėlimą. „Mes pradedame nuo to, ką įsivaizduojame, kaip tuščią lapą“, – rašo ponia Krumme. „Mes sumetame krūvas duomenų ir leidžiame kompiuterio kodui išspjauti „geriausią“. “

 

     Tačiau matematinė analizė dažnai skiriasi nuo tikrovės. Suvaržymai gali būti ignoruojami, nesuprasti arba pamiršti. Neatsižvelgiama į specifines žinias, kurias turi asmenys, išmanantys mašinos ar rinkos ypatybes. Ir lapas, ant kurio pastatytas modelis, gali būti visai ne tuščias. Nors genetiškai modifikuoti augalai gali būti optimalūs, skaičiuojant tonomis viename dirbamos žemės hektare, kaip pasverti nuostolius augintojams, kurie nori toliau sodinti tradicines veisles, bet negali to padaryti, kai vietos ūkio kooperatyvas nebenori pirkti ir sandėliuoti to, ką jie išaugino?

 

     Be to, optimizavimas negali būti lengvai atšauktas. 1922 m. Kolorado upės susitarimas optimizavo vandens pasiskirstymą pagal tuo metu vyravusius srautus ir vartojimo modelius, tačiau jis tapo toli nuo optimalaus, kai sumažėjo vidutinis kritulių kiekis, Meksika susitarė dėl upės tėkmės dalies ir gyventojų skaičiaus padidėjimo tokiose vietose, kaip Los Andželas ir Las Vegasas, labai padidino vandens poreikį.

 

     Ponia Krumme žino, kad optimizavimo metodai atnešė didžiulę naudą. Jos skundas yra tas, kad jie taip pat „atėjo su kompromisais: laisvo laiko praradimu ar prastovomis, abstrahuojantis nuo vietos ir detalių.“ Dėl jų „prarado žmogaus mastą, todėl tokie įvykiai kaip Teksaso tinklo gedimas tapo dažnesni“. Viena iš priežasčių, kodėl ji apgailestauja, yra ta, kad, laikui bėgant, pagrindinės prielaidos, slypinčios už algoritmų, išnyksta į neaiškumą. , o kai kurie pagrindiniai klausimai nebeužduodami.

 

     Kartais M. Krumme pakrypsta į romantišką pusę, trokšta paprastesnės praeities. Kai kurie skaitytojai gali pastebėti, kad jos smeigimai „peržengia efektyvumą“. Nepaisant to, jos įspėjimas apie kiekybinio požiūrio perteklių nusipelno dėmesio. Pagrindiniai matematiniai ir kompiuteriniai įgūdžiai, kurių reikia, norint valdyti didelius duomenų rinkinius, šiandien mokomi visur, tačiau tik nedaugelis studentų, kurie mokosi šių įgūdžių, yra pakankamai susipažinę su analizuojamų duomenų ribotumu arba etinėmis savo darbo pasekmėmis. Provokuojanti, žvali ir gaiviai netechniška p. Krumme knyga siūlo svarbų pataisymą.

     ---

     P. Levinsono knygų rinkinyje yra „Dėžutė: kaip laivybos konteineris padarė pasaulį mažesnį ir pasaulio ekonomiką didesnę“ [1].

 

1. Efficient To a Fault. Levinson, Marc.  Wall Street Journal, Eastern edition; New York, N.Y.. 18 Sep 2023: A.17.