Как Коллективный разум побеждает мнение экспертов?
Я заинтересован в программировании Коллективного разума, но интересно, как это может работать?
Говорят, что он может давать точные прогнозы: например, в книге Коллективного разума "Программирование О'Рейли" говорится, что совокупность действий трейдеров на самом деле может предсказывать будущие цены (например, на кукурузу) лучше, чем эксперт.
Теперь мы также знаем в классе статистики, что если в этой комнате будет 40 студентов, сдающих экзамен, от 3 до 5 студентов получат оценку "А". Может быть 8, которые получают "B", и 17, которые получают "C", и так далее. Это, в основном, кривая колокола.
Итак, с этих двух точек зрения, как набор ответов "B" и "C" может дать лучший прогноз, чем ответ, получивший "A"?
Обратите внимание, что, например, цена на кукурузу - это точная цена, учитывающая погоду, спрос пищевых компаний, использующих кукурузу и т. Д., А не "самореализующееся пророчество" (все больше людей покупают фьючерсы на кукурузу, и цена растет, а больше людей покупают фьючерсы снова). Это на самом деле прогнозирование спроса и предложения, чтобы точно определить цену в будущем.
Как это возможно?
Обновление: мы можем сказать, что Коллективный разум не будет работать в эйфории и панике фондового рынка?
5 ответов
Вики-страница Wisdom of Crowds предлагает хорошее объяснение.
Короче говоря, вы не всегда получаете хорошие ответы. Для этого должно быть несколько условий.
Ну, вы можете подумать о следующей "модели" для догадки:
guess = right answer + error
Если мы зададим вопрос многим людям, у нас будет много разных догадок. Но если по какой-то причине распределение errors симметричен относительно нуля (на самом деле он просто должен иметь нулевое среднее значение), тогда среднее значение догадок будет довольно хорошим предиктором правильного ответа.
Обратите внимание, что предположения не обязательно должны быть хорошими, т. Е. Ошибки действительно могут быть большими (оценка B или C, а не A), если ответы по оценкам B и C распределены по обе стороны от правильного ответа.,
Конечно, есть случаи, когда это ужасная модель для наших догадок, поэтому коллективный разум не всегда будет работать...
Методы Crowd Wisdom, такие как рынки прогнозирования, хорошо работают в одних ситуациях и плохо в других, так же как другие подходы (например, эксперты) имеют свои сильные и слабые стороны. Таким образом, оптимальные арены - это те, где другие подходы не очень эффективны, и рынки предсказаний могут преуспеть. Некоторые примеры включают в себя прогнозирование публичных выборов, оценку сроков завершения проекта и прогнозирование распространенности эпидемий. Это области, где информация разбросана редко, и эксперты не нашли эффективных моделей, которые могли бы надежно прогнозировать.
Общая идея заключается в том, что участники рынка компенсируют слабости друг друга. Не следует ожидать, что рынки всегда будут правильно прогнозировать каждый результат, но из-за того, что люди замечают ошибки других людей, они не будут пропускать важную информацию так часто, и что в долгосрочной перспективе они будут лучше. В тех случаях, когда exerts действительно знают ответ, они смогут повлиять на результат. Разные эксперты могут взвесить разные вопросы, поэтому у каждого из них больше влияния там, где у них больше всего знаний. И так как рынки продолжаются со временем, каждый участник получает обратную связь от своих прибылей и убытков, что делает их лучше информированными о том, какие вопросы они на самом деле понимают, а какие следует избегать.
В классе люди часто оцениваются по кривой, поэтому распределение оценок мало что говорит о том, насколько хороши были ответы. Прогнозные рынки калибруют все ответы по фактическим результатам. Этот публичный отчет об успехах и неудачах во многом способствует укреплению механизма и отсутствует в большинстве других подходов к прогнозированию.
Коллективный разум действительно хорошо подходит для решения проблем, за которыми стоит сложное поведение, потому что они могут использовать различные источники мнений / атрибутов для определения конечного результата. При такой настройке обучение помогает оптимизировать конечный результат процессов.
Ошибка в вашей аналогии, оба мнения не равны. Трейдеры прогнозируют прямую прибыль для своей транзакции (небольшую часть рынка, которую они имеют обзор), в то время как эксперт пытается предсказать общую область.
Таким образом, общая позиция трейдеров складывается как мозаика, основанная на большом количестве небольших мнений для их соответствующей части пирога (где они, как предполагается, являются экспертами).
Один ум не может обработать такие детали, поэтому общая позиция МОЖЕТ затмить настоящего эксперта. Обратите внимание, что это особенно явление, как правило, ограничено довольно статичным рынком, а не в периоды беспорядков. Эксперт, как правило, лучше, так как они часто лучше подготовлены и мотивированы, чтобы избежать общего настроения. (что часто сопоставимо с таковым у леммингов во времена смуты)
Проблема с аналогией классов заключается в том, что система оценок не предполагает, что учащиеся являются мастерами в своей (трудно прогнозируемой) местности, поэтому она не сопоставима.
Обратите внимание, что базовая аксиома зависит от того, являются ли все игроки экспертами в небольшой части поля. Можно спорить, действительно ли это требование хорошо переносится в среду web 2.