Вместе с Алленом Ньюэллом, студентом Полы, Герберт Саймон внедрил эвристический поиск, чтобы сделать компьютеры более интеллектуальными. В результате появилась оригинальная программа искусственного интеллекта (ИИ), которая изучала эвристики, используемые экспертами, и переводила их в компьютерные алгоритмы. Здесь человек был учителем, а компьютер - учеником. Именно поэтому "И" в ИИ изначально обозначало человеческий интеллект или, точнее, человеческую эвристику, признавая тот факт, что эвристика может решать задачи, которые не под силу логике и вероятности. Такое видение психологического ИИ отличается от систем машинного обучения, которые полагаются на грубую вычислительную мощь. Несмотря на свою выдающуюся производительность и популярность, эти системы пока не смогли создать то, что можно назвать человеческим интеллектом, и в настоящее время психологический ИИ пересматривается как путь к настоящему машинному интеллекту. 3

Саймон также сформулировал одну из первых алгоритмических моделей эвристики, известную как сатисфакция. 4 Сатисфакция может приводить к хорошим решениям в ситуациях, когда оптимизация невозможна. Однако этот взгляд на эвристику как на полезный инструмент был перевернут в 1970-х годах, когда исследователи начали ассоциировать эвристику с предубеждениями и представили теорию ожидаемой полезности как универсальный инструмент для всех решений. 5 Влияние программы "эвристика и предубеждения" может быть одной из причин того, что положительные свойства эвристики остались недооцененными в менеджменте и бизнесе. 6 Начиная с 1990-х годов, программа быстрой и экономной эвристики подхватила незаконченную работу Саймона и расширила ее, разработав алгоритмические модели эвристики и введя понятие экологической рациональности, которое относится к условиям, при которых эвристика является успешной или нет. 7 Эти две важные особенности, алгоритмические модели и экологическая рациональность, расширяют и улучшают предыдущую программу эвристики и биасов: они позволяют изучать конкретные правила, которые помогают организациям принимать лучшие решения в условиях неопределенности. Эти две программы следует рассматривать не как антагонистические, а скорее как естественные шаги на пути к прогрессу.

Эвристика принятия решений в условиях неопределенности

Когда необходима эвристика? Ключом к ответу на этот вопрос является различие между малыми и большими мирами. Термин "малый мир" был введен Леонардом Сэвиджем, известным как основатель современной теории принятия решений. Сэвидж ясно дал понять, что теория максимизации ожидаемой полезности применима только к малым мирам, и считал "нелепым" применять ее в ситуациях неопределенности, даже таких обыденных, как планирование пикника. 8 У малого мира есть две особенности:

Совершенное предвидение будущих состояний: Агент знает исчерпывающее и взаимоисключающее множество S будущих состояний мира.

Совершенное предвидение последствий: Агент знает исчерпывающее и взаимоисключающее множество C последствий каждого из его действий, учитывая состояние.

Сэвидж назвал пару (S, C) "маленьким миром". Состояние - это "описание мира, не оставляющее ни одного релевантного аспекта неописанным". 9 Состояния и последствия обязательно должны быть описаны на некотором ограниченном уровне детализации, отсюда и квалификатор small. Игра в рулетку представляет собой один из таких малых миров. Известны все возможные будущие состояния (числа от 0 до 36 на колесе европейской рулетки), а также все возможные действия и их последствия. В рулетке действия включают в себя ставки на красное или черное, на четные или нечетные числа, на определенные числа или комбинации. Полный набор действий не нужно упоминать отдельно в (S, C), потому что действия определяются как комбинации между состояниями и последствиями. В маленьком мире все, что может произойти, известно наверняка.

Крайне важно понимать, что термин рациональность, используемый в теории принятия решений и большей части экономики, определяется только для малых миров. Максимизация ожидаемой полезности требует такого малого мира. Малый мир с известными вероятностями называется ситуацией риска, а мир без известных вероятностей - ситуацией неопределенности (табл. 2.1). Неразрешимость относится к четко определенной ситуации, когда оптимальное действие не может быть вычислено. Ситуации, когда пространство состояний (S, C) не полностью известно или известно, называются неопределенностью, или иногда радикальной неопределенностью. 10 В условиях неразрешимости и неопределенности максимизация ожидаемой полезности не является вариантом.

Иногда утверждают, что здесь можно использовать субъективные вероятности, но этот аргумент не позволяет провести различие между двусмысленностью и неопределенностью. Субъективные вероятности, которые складываются в 1, могут быть назначены в условиях двусмысленности, когда пространство состояний полностью известно, но не в условиях неопределенности, когда оно не известно. Напомним, что сам Сэвидж ясно дал понять, что ни субъективные вероятности, ни его байесовская теория принятия решений не применимы к большим, неопределенным мирам - даже к таким обычным ситуациям, как планирование пикника. В повседневной жизни маленькие миры встречаются редко. Это понимание часто игнорируется. Однако игнорирование этого факта не делает максимизацию ожидаемой полезности полезным инструментом в реальном мире бизнеса.

Таким образом, необходимо новое видение рациональности, которое было бы действительно полезным в больших мирах - такое, которое облегчало бы принятие решений в условиях неопределенности, например, при найме и увольнении, составлении бюджета и инвестировании, разработке стратегии и лидерстве. Неопределенность возникает из-за множества непредсказуемых факторов, включая поведение людей, изменения в технологиях и политике, а также личные, финансовые и глобальные кризисы. Для принятия таких решений необходима умная эвристика. Помимо ситуаций неопределенности, эвристика также необходима для четко определенных ситуаций, которые являются трудноразрешимыми. В качестве примера можно привести задачи планирования, такие как задача о путешествующем коммивояжере, где наилучшая последовательность ходов существует, но ни разум, ни компьютер не могут ее найти. Например, планирование кратчайшего тура для посещения пятидесяти крупнейших городов США является неразрешимой задачей, потому что существует 49! = 49 × 48 × 47 × ... × 3 × 2 × 1 возможных туров, что составляет число больше 1062 (т. е. число с шестьюдесятью двумя нулями). Чтобы найти хорошее решение в таком огромном пространстве, необходим эвристический поиск. Примером может служить простая эвристика ближайшего соседа: Посетите ближайший город, который еще не был посещен. Эта эвристика может находить отличные решения для данной задачи и других подобных. Она используется не только людьми, но и многими другими видами, когда они добывают пищу, в том числе плодовыми мушками (Drosophila). 11

Многие управленческие решения характеризуются сочетанием неопределенности и неразрешимости. Например, неразрешимость проблем планирования, как было описано ранее, может сопровождаться внезапным наступлением непредвиденных событий, последствия которых невозможно предвидеть - например, закрытие транспортных путей из-за строительства, землетрясений или войн. В этом случае адаптивный набор гибких эвристик, вероятно, окажется лучше долгосрочного планирования и максимизации полезности.

Тем не менее, если вы прочитаете книгу по менеджменту или прослушаете курс в бизнес-школе, вы, скорее всего, не узнаете о различии между малыми и большими мирами, а также о том, что для принятия правильных решений нужны разные инструменты. Точно так же большинство экономических