NAŠE MYŠLENÍ: NA ROZCESTÍ ČI VE SLEPÉ ULIČCE?
(Část druhá)
Tím se dostáváme k tak zvané root cause, neboli hlavní příčině. Zda se součástky tavily či chemicky rozpouštěly, bylo v tomto případě úplně vedlejší. Teplota i lázeň byly zřejmě správně nastavené a jejich změna by k ničemu nevedla - chybné byly součástky. Později jsme se dozvěděli, že firma změnila jednoho ze tří dodavatelů součástek, takže pravá příčina byl vlastně ten nový dodavatel, ale metoda nám přesto pomohla určit „kořen zla" - a to je důležité. Je to zároveń příklad i toho, jak se celá třída specialistů nemůže dohodnout na příčině, protože si ji plete s následky.
Na vyšetřování root causes se spotřebují na světě ročně biliony dolarů a tak není divu, že se firmy i celé státy snaží hledat nové způsoby řešení problémů. Do této kategorie patří i další metody, jako je bariérová analýza, změnová analýza, dále t. zv. metoda „událost a příčina", účelová analýza, symptomová klasifikace a jiné. Jsou pochopitelně i ty sofistikovanější, které používají kombinaci grafiky a symbolické logiky, případně i počtu pravděpodobnosti, to vše pochopitelně ještě navíc za pomoci počítačů.
Další častí „vědeckého troubleshootingu" je ovšem rozhodnutí o korektivní akci - neboli decision making. Při posuzení nejlepšího řešení (těch je vždy několik, jinak by to bylo hrozně lehké) je třeba udělat odhad ceny, risku, praktické realizace, kompletnosti a také trvalosti daného řešení. Navíc musíme uvážit i potencionální neboli možné problémy, které řešení může přinést, neboť jak říká Murphyho kolega: „Každé řešení jednoho problému s sebou přináší nejméně dva nové problémy". Při řešení nám zase pomáhají různé metody – z nich nejznámější je ta, která každému faktoru řešení přiřadí určitou „váhu", jež se pak pro to které navrhované řešení vynásobí pravděpodobností či odhadem efektivnosti řešení pro ten který faktor. A opět, udělá se jakási suma a nejlepší řešení je na světě. Zase ovšem jen to pravděpodobně nejlepší, neboť záleží na tom, jak správně oceníte ty které váhy či pravděpodobnosti.
Prodělal jsem ještě jiné kurzy hledání root causes, a to vše bych shrnul asi takto:
- Naše zkušenosti nám někdy v dedukci pomáhají, jindy nás spíše zaslepují, specielně ty jednostranné
- Nejlepší obecná metoda je taková, kde i neodborník může najít cestu k řešení - ovšem ne zcela nutně řešení samotné
- Většinou máme data navíc, která nejsou nijak užitečná. To věci nepomáhá, neboť se začínají uplatňovat různé variance a chyby, které komplikují situaci, nemluvě už o datech vyloženě nesprávných.
- Při hypotézách se uplatní používat pravidlo Occamovy břitvy, tj. nejprve je třeba vyzkoušet ty jednodušší.
- Vždycky je potřeba předem prostudovat věrohodnost fakt, naměřených hodnot a získané informace, jinak se dostaneme do začarovaného kruhu a výsledek je pochopitelně také nesprávný
- Metoda nám sice řekne, která hypotéza je nejpravděpodobnější, ale ne, která je správná - to se dokáže jen zkouškou, což je idůležtá čast každé analýzy
- Tak či tak, hypotézy si musíme vymyslet sami a nebude-li mezi nimi ta pravá, správné řešení nenajdeme. Podle určitých náznaků (viz dříve uvedené výsledky obodování) však můžeme už před otestováním vidět, zda tomu tak je a hbitě přimyslet další hypotézu. Jak hbitě, to už zase záleží na naší praxi v tom kterém oboru, případně zkušenosti s řešením podobných problémů.
- Nemusíme uvažovat „všechny" hypotezy: také zde praxe naznačí, co je nepravděpodobné či zbytečné. Ovšem pozor: překvapení jsou možná!
- Otestování v praxi je nejlepší a často jediné spolehlivé měřítko správnosti naší hypotézy.
Od zjištění, která hypoteza je správná, přejděme teď k tomu, co předchází: jak vlastně tyto hypotézy dáme dohromady. Tady většinou samotná fakta nepomohou vůbec, zkušenost jenom trochu a jistě pomůže i určitá dávka intuice či inspirace, jinak řečeno creative thinking. Také tato část myšlení dělá současným vědcům, inženýrům a manažerům potíže a to možná ještě větší než samotná dedukce: jinak řečeno „komu není shůry dáno, v apatyce nekoupíš". Ovšem i tady zase existují kurzy, knihy a tréninkové metody. Zvláštní kategoríí jsou pak ty pomůcky, které slouží specielně pro výcvik pravé poloviny mozku, ano, té, která má být sídlem inspirace a která údajně u umělců pracuje lépe, než u lidí, uvažujících příliš „logicky".
Nebudu posuzovat něco, co jsem důkladně nevyzkoušel, ale znám detailně například metodu Edwarda De Bono, skvělého konzultanta a autora mnoha knih, včetně termínu „laterární myšlení ®". Po stránce organizace dat, zaměřené na jejich plošné a grafické znázornění (namísto lineárního) mi nejlépe sedí „mind maps ®" od Tony Buzana, který také tento termín vynalezl. Taková mapa se pak liší od lineárních outlines, jako jsou třeba poznámky z přednášky, hlavně tím, že nejen vyjadřuje hierachii jednotlivých bodů, ale i jejich spojitost a navíc přímo vyvolává další asociace či evoluce.
Účinnou metodou je například tvoření nových pardigmat (včetně reverzace těch starších), či jiné methody kreativního myšlení, z nichž každá má jistě něco do sebe. Ale to by byl dlouhý seznam a pokud jsem tu některé vynechal, není to proto, že bych je podceňoval, ale proto, že jsem neměl příležitost je příliš používat. Pro vlastní potřebu si vypracovávám také své vlastní asociačně-inspirační diagramy, ke kterým jsem se propracoval vlastní metodou a jejichž „skeletonové" formuláře a grafy jsem si navrhl.
S příchodem počítačů se objevily, anebo našly širší použití, i jiné metody. Dříve již zmíněná fuzzy logic (FL) dnes dokonce proniká i do regulačních a kontrolních systémů, kde nahrazuje archaické řešení regulačních obvodů methodou „ladění" (tj. hledání optimálních konstant pro proporcionální, derivační a integrační členy). Na rozdíl od klasické metody, kde se konstanty během přechodového jevu nemění, fuzzy logic je měnit může, takže při změně vstupní funkce nebo parametrů zátěže se systém nemusí pracně „přelaďovat", stačí jen aby proběhl trénovacím cyklem. To ovšem znamená, že se dotyčný obvod musí přitom také něco naučit. V této „vyšší" kategorii jsou totiž stroje, které se opravdu umí učit (learning systems), což je někdy těžké i pro člověka.
Mezi tyto systémy pak zahrnujeme například neural networks (NN), které využívají principů, na kterých pracují mozkové neurony člověka. Jak dalece vlastně napodobují práci neuronů, to je těžko říci, neboť typů NN je několik a stále přirůstají. Na rozdíl od dnešních, dalo by se říci již klasických počítačů, neurony provádějí různé operace ve společném elementu, tj. neuron má v sobě logiku i paměť. Jejich hlavní použití je tam, kde mají optimizovat systémy, které se nedají reprezentovat formulou, rovnicí či grafem, čili kde existují proměnné, jejichž zákonitosti dobře neznáme. Údajně už dělají NN dobrou práci při odhadu tendencí na burze a pomáhají i při jiných předpovědích. Do této kategorie patří i systémy s genetickým algoritmem (GA), okoukaným od pana Darwina, jak i sám název naznačuje. A pochopitelně existují i kombinace těchto FL, GA či NN, račte si vybrat. Také paralelní počítače nám stále ještě jaksi mají ukázat, co dovedou.
Tím to pochopitelně zdaleka nekončí a jistě nás čeká i mnoho překvapení. Nejnovější práce se snaží navázat na teorii, že mozek vlastně pracuje holograficky, t.j. že nelze dost dobře najít lokaci určitých dat v lidské paměti, že jsou jaksi rozprostřena. Vyrobíme-li totiž holografický obraz, třeba na fotografické desce, a tuto rozbijeme na malé střípky, každý ten střípek obsahuje celou, kompletní informaci. Také studie, které porovnávají způsoby myšlení obou polovin mozku, jsou přinejmenším zajímavé…
Ale to už jsme se dostali do oblasti umělé inteligence (artificial intelligence). Pravda, termín inteligence je poněkud nejasný, už proto, že ho nikdo nechce ani definovat. Ne že by šlo o jistý druh skromnosti (ten kdo ví, co vlastně inteligence je, musí být sám jistě svrchovaně inteligentní, ne?), ale hlavně si nechceme zavírat vrátka, když víc a víc poznáváme, co všecko se vlastně může považovat za projev inteligence. Můj osobní názor je, že kromě lidské inteligence existuje ještě jiná, ne tak zřejmá, mezi jinými i genetická, jako jsou třeba instinkty. Nevadí, že zvířatům samotným jaksi inteligenci nepřiznáme; jejich instinkty jsou přesto jakousi zděděnou Velkou Pravdou, která jim pomáhá přežít a dokázat něco, na co my bychom sami potřebovali třeba právě ty počítače. Kdyby například šestiletý školák dokázal uplést pavučinu tak rafinovaně a optimálně jako pavouk, jistě bychom jeho činnost považovali za inteligentní. Pravda, u člověka by to ovšem nebyl instink, ale výsledek složitých myšlenkových procesů či postupů.
Umělá inteligence kdysi začínala t.zv. expertními systémy (ES), kde počítač za pomoci fakt a pravidel, kterými jsme ho (vlastně ti experti) zásobili předem, dokázal uvažovat jako odborník, tj, prováděl lékařské diagnozy, hledal naftu a podobně. Jeho činnost spočívala v tom, že se uživatele programu ptal na fakta, podle odpovědí mu pak dával další, specifické otázky a nakonec provedl rozhodnutí. Program měl jednak svou databázi, jednak pravidlovou bázi (rulebase) a odvozovací logiku (inference engine). Ta pravidla byla někdy daná jenom logikou, jindy vzorcem, někdy jen pravděpodobností anebo zkušeností (rule of thumb). ES systémy se množily, ale svoji užitečnost vyčerpaly prakticky velice brzo. To je totiž tak: programy mohly být koneckonců jen tak dobré, jak dobří byli experti, kteří je vytvořili a někdy bylo lepší a levnější najmout si přímo experta. Také proces IF-THEN, používaný u ES, vytvářel dost složité logické stromy a navic byly programy příliš specifické, takže např. ta veterinářská diagnostika se nehodila k ničemu jinému než právě k veterinářské diagnostice.
Kdysi se dokonce prohlašovalo, že PROLOG (v Evropě a Japonsku) či LISP (v Americe ) jsou „inteligentní" jazyky. Pravda, PROLOG je object language a jeho inference engine je přímo zabudována v něm, což je jistě výhoda, ale jeho použití je opět vázáno na to, jak kompletní máte databázi fakt - chybí-li vám nějaká fakta, nemůžete nic spolehlivě odvodit. V takovém případě mají lepší výsledky NN či počítačová simulace (samozřejmě jen pro rozumně veliký soubor proměnných), případně metody Monte Carlo, teorie chaosu a jiné vymoženosti moderní matematiky a fyziky. A nezapomenňme ani na umělý život (artificial life), to jest ty softvérové kompozice, které mají charakteristiky živých tvorů, včetně rozmnožování (např. počítačové virusy) a doufá se, že časem přijdou i na svůj způsob myšlení, který bude rozdílný od toho našeho, v neposlední řadě i tím, že bude prý i „lepší".
A jsme opět na začátku, ale i zároveň i na konci tohoto velikého kruhu. Zdá se, že složitost našich zájmů a tomu odpovídající komplexnost našeho myšlení se nedá nahradit nějakým jednoduchým návodem, jinak řečeno, kamenem mudrců. A i když si prý Einstein vzal svůj unifikovaný vědecký systém s sebou do hrobu, pro praktické potřeby řešení každodenních problémů by stejně nebyl příliš užitečný. O to tady ostatně ani nejde. Jedno je jisté: naše myšlení se rozhodně nenachází ve slepé uličce a o užitečné metody myšlení není nouze. Jde spíše o to, jak a kdy tu kterou metodu s úspěchem použít.
(konec)
jansan