(A szerző közgazdász, az IFUA Horváth & Partners vezető tanácsadója. Az Ekonomi a G7 véleményrovata.)

2020 egyik legnézettebb minisorozata, a Netflix saját gyártású produkciója, A vezércsel (The Queen’s Gambit) volt. A történet teljesen fiktív, azonban lebilincselő cselekményén keresztül tényleg érdekes bepillantást ad a sakk világába. Az autentikus sakkjelenetek hitelességéhez nagyban hozzátett, hogy a filmben látható játszmákat egy korábbi világbajnok, Garri Kaszparov dolgozta ki híres, történelmi jelentőségű mérkőzések alapján.

A film készítői nem véletlenül Kaszparovot kérték fel erre a feladatra. Minden idők egyik legnagyobb sakkzsenijének tartják ma is, aki 15 éven át meg tudta tartani a világbajnoki címet, amelyet egyébként 22 éves korában szerzett meg. Abban az időszakban volt a sakk koronázatlan királya (1985-2000), amikor a számítástechnika forradalmi fejlődésen ment keresztül. Leghíresebb játszmái között ott szerepel az IBM Deep Blue számítógép ellen vívott küzdelem is. Az első mérkőzést Kaszparov simán nyerte 4:2 arányban, azonban a visszavágón 3,5:2,5 arányban alulmaradt, így ő lett az első sakkvilágbajnok, akit legyőzött egy számítógép. Kaszparov azonban nem fordult a gépek ellen, sőt elkezdte azt vizsgálni, hogy miben másabb az emberi és a gépi intelligencia, tud-e, és ha igen, akkor hogyan, együttműködni a kettő.

A sakk a döntések játéka, a közgazdaságtan pedig a választások és döntések tudománya. Ha valaki, egy sakkvilágbajnok kifejezetten jól tudja, hogyan lehet a döntéshozatali folyamatot fejleszteni. A következőkben öt olyan gondolatot foglaltam össze Kaszparovtól, amely a közgazdászok számára is tanulságos lehet.

1. Mindig tartsd szem előtt a stratégiai célodat

A stratégiai és a taktikai lépések különválasztása, ahogy a sakkban, úgy az üzleti életben is fontos. Alapvető jelentőséggel bír, hogy elsőnek megértsük a hosszú távú céljainkat azért, hogy ne keverjük össze őket a reakciókkal, rövid távú lehetőségekkel vagy épp mérföldkövekkel. A körülményekhez való alkalmazkodás fontos, de ha állandóan változtatod a stratégiádat, akkor valójában nincs is stratégiád.

Egy profi sakknagymester is stratégiai elvek alapján dönt egy-egy mérkőzésen (például bábuk mobilitása, tisztek fejlesztése). Ezzel szemben egy amatőr játékos mindig csak a következő pár lépésre fókuszál („ha ezt lépem, akkor ő ezt lépi…”). Kaszparov szerint a stratégiai versus taktikai szemléletmód az, ami megkülönbözteti a világ legjobb sakkozóit a másodvonalbeliektől.

A német matematikus, Emanuel Lasker minden idők leghosszabb ideig (27 évig) regnáló világbajnoka, a stratégiai gondolkodás úttörője volt a sakkban. Sakkstratégiáját mindig pszichológiai alapon állította fel attól függően, hogy ki az ellenfele, és annak milyen a személyisége. Lasker egyébként kora kiemelkedő koponyája volt, életrajzi könyvéhez jó barátja, Einstein írt bevezetőt.

2. Annyira bízz a gépi algoritmusban, amennyire az adataidban

A machine learning algoritmusok óriási népszerűségüket élik. Azt tapasztalom, hogy sokan Szent Grálként tekintenek rájuk. Az igazság azonban az, hogy a machine learning algoritmusok rossz adaton rosszul teljesítenek. Az ember (és a machine learning algoritmus is) hajlamos rá, hogy ott is összefüggést lásson, ahol nincs. Miért bukik el sok előrejelzés? című cikkemben erről hosszabban is írtam.

Erre egy nagyon jó személtető példa a Starman című 1984-es film egy jelenete. Starman egy naiv földönkívüli, aki szeretne beolvadni az emberek közé. Úgy próbál meg tanulni tőlük, hogy megfigyeli az embereket, mit hogyan tesznek. (Hívhatjuk ezt a „szárazföldi machine learningnek” is akár.) Néha azonban szórakoztató hibákat ejt, íme a jelenet:

A sakkprogramok is tudnak ilyen hibákat ejteni. Donald Michie a mesterséges intelligencia úttörője volt, a II. világháború alatt Alan Turinggal dolgozott együtt. Az 1980-as években Michie kollégáival készített egy adatalapú machine learning sakkprogramot. Több százezer sakkállást tápláltak a program adatbázisába azzal a céllal, hogy az kitalálja, mely lépések jók, melyek pedig nem bizonyos helyzetekben. Az elején úgy tűnt, működik a dolog. A program fantasztikus pontossággal értékelte ki, hogy melyik a jó állás, melyik a rossz állás. A probléma akkor jött, amikor ténylegesen hagyták játszani. A program szépen fejlesztette a tisztjeit, majd támadást indított, aztán hirtelen feláldozta a királynőjét semmiért cserébe. Néhány lépés alatt kikapott. Mi történt? Nos, amikor egy nagymester feláldozza a királynőjét, az mindig egy briliáns és döntő csapás. A gépet nagymesterek játszmáin tanították be, így az azt szűrte le, hogy a királynő feláldozása egyértelműen a siker kulcsa. (Nem az.)

A Google Translate egyik mérnöke úgy fogalmazta meg a machine learning és az adatszükséglet kapcsolatát, hogy amikor 10 ezer mintáról áttérsz 10 milliárd mintára, hirtelen működni kezd az egész. Nyilván problémától függ, hogy mennyi adat elegendő, de ez a kijelentés jól szemlélteti azt, hogy a machine learning modellek pontosságával szembeni elvárásunkat az adatok méretéhez és minőségéhez kell igazítanunk.

3. Egy rossz terv is jobb, mint a semmi

A sakkban (de az üzleti életben is) igaz, hogy ha van egy terved, ami nem válik be, legalább tanultál valamit. Viszont ha valaki cél nélkül cselekszik lépésről lépésre, döntésről döntésre akár az üzleti életben, akár a sakkban, az nem tanul semmit, és nem lesz több, mint egy ügyes rögtönző. Mind a tervezés, mind a tervek utólagos kiértékelése hozzásegít ahhoz, hogy jobban megértsük a keretrendszert, amelyben működünk, a folyamatokat, amelyek hatással vannak terveink megvalósulására.

A sakk rávilágít arra, hogy a hatékony és jó tervezéshez az intuíció nagyon sokat számít. A sakkjátékos intuíciója az, ami megtalálja azt a néhány jónak tűnő lépést, amit érdemes mélységében átgondolnia az időszűke mellett. Az intuíció – Kaszparov szerint – nem más, mint a korábbi tapasztalataink és a magabiztosságunk szorzata.

Az intuíciónkat tehát a megértés növelésével, korábbi tapasztalatok alapján tudjuk javítani. Magyarul ahhoz, hogy jobban tervezzünk, jobb intuícióval kell bírnunk, és ahhoz, hogy jobb intuíciónk legyen, tanulnunk kell a korábbi terveinkből. Az intuíció másik eleme az önbizalom. Számos tanulmány kimutatta, hogy önbizalom hiányában, esetleg depresszióban az emberek lassabban hoznak döntést és jellemzően rosszabb minőségben is. A pszichológiai faktor nemcsak a sakkban, hanem más sportágakban és az üzleti életben is meghatározó.

4. A mentális outsourcing kényelmes, de vannak hátrányai

A technológia életünk egyre nagyobb részében van jelen. Az „outboard brain” és a „mental outsourcing” kifejezések arra vonatkoznak, hogy a gépek már sok esetben olyan alapvető emberi kognitív funkciókat helyettesítenek, mint például a memória.

A Wikipedia és a Google segítségének hála instant betekintést nyerhetünk bizonyos témákba. A technológia lehetővé teszi, hogy egyre gyorsabban férjünk hozzá egyre több információhoz. A számos pozitív hatás mellett (mint a gyorsabb étteremválasztás vagy a könnyebb tájékozódás) azonban valós kockázat van abban, hogy a mély megértést, ami új dolgok megalkotásához szükséges, elcseréljük a felszínes ismeretekre.

Például Kaszparov megfigyelte, hogy a sakkprogramok hatással vannak arra, hogyan sakkoznak az emberek. Gyakori, hogy amikor megkérdezi tanítványait, miért léptek egy bizonyos lépést, akkor azt válaszolják, hogy „mert ez a fő változat”, vagy „mert ez a legjobb lépés a gép szerint”, vagy „mert ezt játszották a nagymesterek is”. Kaszparov szerint ha a gépet coach helyett orákulumként használja valaki, az problémás, hiszen mi van akkor, ha hibás az adatbázis, vagy épp mit csinálunk, ha olyan helyzetbe kerülünk, ami nincs az adatbázisban, kívül esik azon?

5. A folyamatok meghatározóbbak, mint az emberi vagy gépi tudás

2005-ben rendeztek egy úgynevezett freestyle sakkbajnokságot, ahol a normál szabályokkal ellentétben engedélyezett volt sakkprogramok használata is. Az ötletet a mitológiai kentaurok ihlették, csak most ember és ló helyett ember és gépek „olvadtak egybe”. Az esemény főszervezője és finanszírozója az Egyesült Arab Emirátusok volt, ahol a versenyre elkészítették a világ legerősebb sakk-szuperszámítógépét, a Hydrát. A versenyen bárki elindulhatott, így a szuperszámítógépek mellett nemzetközi sakknagymesterek és amatőrök is részt vettek.

A verseny meglepő eredménnyel zárult, mivel az első helyezett csapat két huszonéves fiatal (egy statisztikus és egy előkészítő iskolai fociedző, hobbi sakkjátékos) lett három hétköznapi Pentium géppel. Egy általuk kitalált folyamat alapján meghatároztak lehetséges lépéseket, amelyeket mélységében kiértékeltek. Az egyes gépeken eltérő sakkprogramokat (chess engine) futtattak, és ezek konszenzusa alapján döntöttek egy-egy lépés mellett.

Kaszparov az eredmények alapján felírta az egyenletet, amit azóta már Kaszparov törvényeként említenek:

gyenge humán tudás + gépi tudás + jobb folyamatok > erős humán tudás + gépi tudás + rosszabb folyamatok.

A Hydra projektet egyébként egy évvel ezután a verseny után leállították.

Az intelligens alkalmazásoknak számos előnyük van, köszönhetően a machine learningnek és egyéb elemzési technikáknak, de sok esetben gyakorlati korlátai vannak a kizárólag adatalapú intelligenciának. Néhány ezres mintáról néhány milliárdosra bővített adatbázis nagy különbséget jelent ismeretekben. Azonban néhány milliárdról több milliárdra már nem akkora az ugrás. Ironikus fordulat, hogy a humán intelligencia algoritmusokkal való kiváltásának évtizedes trendje megfordult. Most sok vállalatnál az a cél, hogy visszahozzák a humán tudást az elemzési és döntési folyamatokba az adatok óceánjában való eligazodáshoz. A sakkprogramok esetén is ugyanez helyzet. A humán tudásra épülő programokat kiváltotta a brute force, majd most megint a tudás felé billent a mérleg egy kicsit. A kulcs megint a folyamat, hiszen ez az, amit csak az ember tud megtervezni.

+1. Hogyan játszik egy sakkprogram?

Egy sakknagymester és egy sakkprogram teljesen másképp játszik. A számítógép előre számolja a lehetséges állásokat lépésről lépésre, és az alapján dönt, hogy a vizsgált állások közül melyik lépés visz közelebb a legnagyobb eséllyel a végső győzelemhez. Ezzel szemben egy nagymester stratégiai elvek alapján dönt. A számítógépek nem tudnak stratégiában gondolkodva játszani, viszont taktikailag sokkal pontosabbak, mint egy ember. Képzeljünk el egy teniszjátékost, aki 250 kilométer/órával szervál. Na, neki nem igazán kell tartania a gyenge fonákjától.

A sakkprogramok algoritmusai is ilyenek, mivel nem „értik” a játékot. A Deep Blue sakkszámítógép például másodpercenként több mint 200 millió állást tudott kielemezni 1997-ben, míg egy emberi világbajnok is mindössze kettő-háromra képes. Kaszparov mégis képes volt legyőzni a Deep Blue-t többször úgy, hogy olyan stratégiai állást vállalt, amely taktikailag kevésbé volt kiélezve. Taktikai szemlélettel teljesen esélytelen lett volna, emberként értenie kellett a játékot, látnia kellett az összképet. Persze azóta tovább nyílt az olló ember és gép között.

1949-ben Shannon (akit az információs elmélet atyjának is neveznek) a legjobb lépés megtalálására leírta, hogy kétféle keresési technika lehet működőképes egy sakkprogram számára:

• A típus: „brute force” keresés, amely minden lehetséges lépésvariációt megvizsgál egyre több és több lépéssel előre. Ez egy nagyon számításigényes megközelítés, mivel egy átlagos pozícióban van körülbelül 40 lehetséges lépés, ami két lépéssel előre 2,5 millió, hárommal előre pedig már 4,1 milliárd variáció értékelését jelenti. Egy sakkjátszma átlagosan 40 lépésből áll, így annyi lehetséges lépést kellene összesen megvizsgálni, amennyi összemérhető a naprendszerben létező összes atom számosságával. Egy sakkjátszma időkorlátos, így nincs olyan számítógép, amely ezt a számolást el tudná végezni 40 lépésre előre.
• B típus: „intelligens keresés”, amely úgy gondolkodik, mint egy profi emberi játékos: néhány jónak tűnő lépésre fókuszál, és azokat elemzi mélységében ahelyett, hogy mindent nézne. Még ha a legjobb négy-öt lépést meg is találja az algoritmus (ami nem triviális), ez is hamar több millió állás értékelését jelenti, ami szintén nagy számítási kapacitást igényel. Fontos, hogy az intelligens kereséshez szükség van korábbi tapasztalatra, a szabályok ismeretén felüli plusztudásra.

A cikk Garri Kaszparov Deep Thinking című könyvének (2017) felhasználásával íródott.

Kapcsolódó cikkKapcsolódó cikkJó pénzért hamarosan személyes digitális jósunk lehetAlessandro Vespignani A jóslás algoritmusa című könyve betekintés egy exponenciálisan fejlődő tudomány mindennapjaiba és az algoritmusok világába.

G7 támogató leszek! Egyszeri támogatás / Előfizetés

Tech algoritmus garri kaszparov közgazdaságtan netflix sakk Olvasson tovább a kategóriában