månadsarkiv: februari 2020

Hur ser en bra förutsägelse ut – del II

När man arbetar med att formulera förutsägelser finns det flera viktiga principer som man måste fundera över. Rätt använda kan förutsägelser ge ett betydande konkurrensövertag, men det är lika lätt att slösa bort tiden med värdelös spekulation. I den här posten började fundera en del över detta, och här litet fler tankar.

Förutsägelser – eller forecasts – är mest intressanta i närtid, och så fort vi rör oss längre in i framtiden är det bättre att arbeta med scenarier och kartlägga spektrumet av möjliga utfall. Det finns dock ett förutsägelsefönster som är intressant att arbeta med och där en god förmåga att hitta rätt kan vara mycket värdefull.

Det hela påminner i tekniskt avseende om skillnaden mellan klimat och väder. När det gäller klimatet vill vi ha insikt i hela spektrumet möjliga utfall, och när det gäller väder är en 7-dagarsprognos värdefull för vissa företag. Förutsägelsefönstret ser olika ut för olika fenomen — vädret är så pass komplext att det knappast kan förutsägas bortom ett tiotal dagar, till exempel.

Det betyder inte att vi inte kan säga intressanta saker om möjliga utfall för klimatet, emellertid. Oförutsägbarheten är relaterad till upplösningen i förutsägelsen — den som vill ha en högupplöst förutsägelse får acceptera en krympande horisont, och den som är nöjd med en mer grovkornig förutsägelse kan kika längre in i framtiden (i ett exempel med en viss kurva — det går att tänka sig att andra frågor har en helt annan kurva förstås):

Det finns en intressant fråga här, och det är om det är någon artskillnad mellan grovkorniga och finkorniga förutsägelser — eller om den enda skillnaden är skalan i förutsägelserna. När det gäller riktigt grovkorniga förutsägelser – som Keynes berömda “in the long run we are all dead” – så tycks de mindre värdefulla, men att veta hur många dagar man har kvar att leva känns mer relevant.

Betyder det att värdet i finkorniga förutsägelser alltid är högre än det i grovkorniga? Förmodligen stämmer det någorlunda (fast det förstås finns avtagande nytta även här – att känna till temperaturen på regndropparna om det skall regna på torsdag skulle kanske inte förändra särskilt mycket). Här finns dock en intressant insikt – och det är att värdet på grovkorniga förutsägelser inte nödvändigtvis går mot noll ju mer grovkorniga de blir — det är nog så att vi ofta underskattar värdet på grovkorniga förutsägelser just för att de har så låg upplösning. I ett enkelt exempel:

Nå, åter till frågan: hur ser en bra förutsägelse ut? Hur formulerar vi den? Egentligen kan man börja bakifrån. Vi kan anta att vi skall använda förutsägelsen, och det betyder att vi borde kunna ta reda på hur vi skulle använda den — vilket i sin tur betyder att alla intressanta förutsägelser borde kunna skrivas i formen:

(i) Om jag visste att X med viss sannolikhet så skulle jag Y.

Om jag visste med mer än x procents sannolikhet att det kommer att regna på torsdag så packar jag med mig mitt paraply. Notera att X inte behöver vara 50, det kan vara så litet som 10 om kostnaden för att packa med paraplyet är liten.

För ett företag som ägnar sig åt framtidsstudier bör denna formulering kanske se ut såhär:

(ii) Om vi visste X med viss sannolikhet så skulle vi handla så att Y.

Om vi visste att priserna på kaffe går upp om tre månader så skulle vi köpa på oss kaffe för en längre tid nu (och mot detta då eventuella lån för kaffeköp, lagringskostnader mm).

En förutsägelse måste alltså, för att ha ett värde, leda till någon sorts handling för den egna organisationen.

Utöver detta bör den vara precis nog för att vi skall kunna lära oss av den och se till att vi kan bedöma tydligt varför vi hade rätt eller fel. Det betyder att det inte räcker att skriva ned förutsägelsen – utan vi borde också skriva ned skälet för att vi gör just denna förutsägelse. Det är ett sätt att vaccinera sig mot framgångens delirium i vilket turen inte finns.

Vi landar då i något i stil med:

En förutsägelse F är värdefull om den är precis nog, noga motiverad och dessutom vid ett visst tröskelvärde skulle leda till handling i en i förväg specificerad riktning.

En intressant måndagsövning är då att försöka komma fram till tre eller fyra sådana förutsägelser. Min gissning är att det är överraskande svårt i de flesta företag och verksamheter, av flera olika skäl. Mer om detta i en annan post.

Vad fångar oss i en berättelse?

Ur Brian Boyds underbara ”On The Origin of Stories” (2009):

”…an unpredictable combination of patterns repays intense attention and can yield rich inferences, although finding how to ascertain all the patterns and all the meaning they imply may not be easy.”

Boyd, B On the Origin of Stories s 90

och

”Art concentrates and plays with the world’s profusion of interrelated or intersecting patterns.”

Ibid.

Just denna tanke — att den konst som fångar oss är byggd på oförutsägbara kombinationer av mönster spänner upp det konstnärliga rummet på ett intressant sätt: verket måste ha ett mönster, men det får inte vara förutsägbart – och det får gärna hänga samman med andra mönster och skära över dem.

Ta bilden ovan – den öppnar upp en mängd förväntade och kopplade mönster, som alla kan förvrängas och förändras för att öppna för det oväntade. Varje scen, varje rad, varje ton har en skugga av förväntade mönster – och en större skugga av möjliga variationer på temat.

Vad letar vi efter i en signal från en utomjordisk intelligens?

När astronomer nu rapporterar att man uppfångat en fast radio burst (FRB) som upprepar sig var 16.35:e dag är det intressant att fundera kring hur man arbetar med hypotesen att det rör sig om en signal snarare än ett naturligt fenomen. Att vi kan hitta ett mönster kan inte vara nog, eftersom de regelbundenheter vi ser kan vara naturliga och inte intentionella.

Här är vi ute på filosofisk myrmark, dock. Antag för diskussionens skulle att vi accepterade idén att förekomsten av ett mönster kraftigt antyder intelligens. Hur skulle vi då göra med matematiken – och med primtalsmönster? Skulle vi säga att matematiken är en signal? Från vem? Här är många benägna att skaka på huvudet och säga att matematiken konstruerar vi ju, den finns inte på samma sätt som radiovågor från rymden, men det är nog en ganska tunn skiljelinje. Finns radiovågor på ett annat sätt än matematik? Ontologiskt faller olika filosofer inom matematikens filosofi på olika sidor här – så alldeles givet är det inte.

Och visst vore det ganska roligt om matematiken inte bara var, som mången fysiker lyriskt sagt, universums eller gudarnas språk — utan faktiskt en signal från något till oss. Jag minns vagt en science fiction-novell där en person ger sig ned tillräckligt djupt i decimalerna till pi och finner att de plötsligt förvandlas till nollor och ettor som kan dechiffreras till ett meddelande. Efter hårt arbete dechiffreras meddelandet och lyder:

”I en oändlig talserie kommer till synes meningsfulla sekvenser att uppkomma med mycket hög sannolikhet, utan att det för den skull finns anledning att anta att de betyder något.”

Förvirring sätter in.

Åter till vår FRB – när skulle vi säga att den var en signal? Om vi kunde hitta mönster i mönstren? Om vi inte bara hittade en regelbundenhet i hur vågorna uppkommer, utan en regelbundenhet också i vågorna? Här närmar vi oss en intressant synpunkt: att det är överlagrade mönster som gör att vi antar intentioner, att vi antar att radiovågor utgör en signal. Mönster invävda i varandra är det kanske tydligaste tecknet vi har på intention, mönster på olika nivåer.

Om – och detta exempel är absurt – matematiken förändrades cykliskt så att vissa teorem ”blinkade”, eller om primtalen skiftade över tid så skulle antagandet om intention vara rimligare.

Människans förmåga att finna mönster på olika nivåer är värd att studera närmare.

Jag avslutade för någon vecka sedan boken ”Extraterrestrial Languages”, som angriper frågan från en annan utgångspunkt – nämligen hur vi skulle kunna konstruera ett meddelande som en annan intelligens skulle förstå. Det är en fin sak att fundera på en måndag i februari.

FoU-paradoxen 2.0

Det finns ett flertal olika formuleringar av det som ibland kallas FoU-paradoxen, men den kanske enklaste är något i stil med:

(i) Av de investeringar vi gör i forskning omsätts en mycket liten andel i (kommersiell) utveckling.

Det finns en variant som hävdar att detta är ett konstant förhållande

(ii) Även om vi ökar investeringarna i forskning får vi samma absoluta kommersiella utveckling.

Sedan finns en tredje variant som är intressant att utforska här:

(iii) Även med ökande investeringar i forskning kommer vi att få allt mindre utväxling i kommersiell utveckling.

Ofta diskuteras FoU-paradoxen i samband med statliga satsningar, men just (iii) har faktiskt diskuterats också i näringslivssammanhang, av bl.a. forskaren Anne Marie Knott. Hon har observerat sjunkande avkastning på FoU-investeringar i företag under ett flertal olika år och har undersökt olika möjliga förklaringar på detta fenomen.

Anne Marie Knotts undersökningar av avkastning på R&D ger en intressant inblick i FoU-paradoxen.

De två huvudhypoteserna kan enkelt uttryckas som följer.

A. Det blir hela tiden svårare att utveckla nya innovationer eftersom de mest uppenbara innovationerna redan gjorts.

B. Företag blir allt sämre på att organisera sina FoU-insatser.

Knott förespråkar B och menar att det bevisas av att maxavkastningen på FoU-satsningar för enskilda företag faktiskt gått upp under den tid som den genomsnittliga avkastningen sjunkit. Det visar, menar hon, att det inte blivit svårare — vissa kan till och med öka avkastningen!

Det är fullt möjligt, men det är intressant att studera den andra förklaringen också – och modifiera den litet – genom att anta att all vår innovation är kombinatorisk på olika sätt. Hal Varian har noterat att kombinatorisk innovation är en av de kanske bästa modeller vi har för att förstå hur innovation sker — vi kombinerar olika idéer och genom att göra det skapar vi ofta något nytt som vi sedan kan testa på marknaden. iPhonen kombinerar en mängd andra idéer till en helt ny innovation, för att ta en närmast trivialt exempel.

En av de kanske mindre uppmärksammade konsekvenserna av denna modell är emellertid att den också betyder att mängden möjliga innovationer växer kombinatoriskt över tid — och många av dessa kommer att vara triviala eller meningslösa. Det internetuppkopplade kylskåpet är en kombination av idéer om konnektivitet och kylskåp, men fungerade inte på marknaden och blev just därför aldrig en innovation nation. Ju fler idékombinationer vi får, desto fler kombinationer av dessa kommer att vara triviala eller ointressanta för marknaden.

(En terminologisk anmärkning: i likhet med Schumpeter skiljer vi här mellan idéer eller uppfinningar och innovationer. Innovationer är idéer som framgångsrikt lanserats på en marknad).

Lyckade innovationer skapar i sin tur en mängd olika nya idéer som kan kombineras på olika sätt till nya möjliga innovationer och så vidare. Resultatet blir ett snabbt expanderade idéuniversum.

Det låter ju fantastiskt, eller hur? Borde inte avkastningen på forskning då explodera i samma takt? Nej, och det är här problemen börjar. Endast en liten fraktion av alla möjliga idékombinationer kommer att klara sig på marknaden, och med ett snabbt expanderade idéuniversum får vi ett klassiskt sökproblem: vi måste försöka hitta de kombinationer som fungerar i detta expanderande universum. Mängden meningslösa idékombinationer växer snabbare än mängden innovationer. I så måtto ligger det något i tesen A ovan — det är lättare att genomsöka ett litet idéuniversum än ett stort, och i det lilla kommer vi att hitta flera innovationer per tidsenhet än i det större.

Vi måste alltså spendera mer resurser på att söka igenom mängden möjliga innovationer. Vilken sorts resurser är det då vi spenderar där? Jo – mänsklig innovationskraft – tid, uppmärksamhet och kreativitet.

Och dessa resurser växer linjärt med varje utbildad och entusiasmerad människa.

Vi landar då i ett klassiskt dilemma: vi måste utforska ett kombinatoriskt växande rum med en linjär resurs.

Vi letar i efter en nål i en ständigt växande höstack. När höstacken var stor som en knytnäve var det ett trivialt problem, när den växer till en mindre planet blir det knepigare.

Översatt till FoU-paradoxen, i något tillyxad form, betyder detta att forskningsinvesteringar är investeringar i att göra höstacken större, samtidigt som några nya nålar lägges till hela tiden (användbara forskningsresultat – snart kommer metaforpolisen och tar mig).

Stanislaw Lem var LÅNGT före sin tid i Summa Technologiae. Och: snyggaste omslaget i universum, eller?

Mängden nålar som läggs till är emellertid sjunkande relativt tillväxten av höstacken, eftersom det saknas starkt selektionstryck på forskningen, som redan Stanislaw Lem observerade (1964):

“We should add that another adverse phenomenon can also be observed: the number of discoveries being made is not proportional to the number of scientists (where the doubling of the number of scientists would lead to twice as much research). The situation is rather as follows: the number of discoveries doubles every thirty years, whereas the number of scientists doubles every ten years. This may seem to contradict what we have said about the exponential growth of scientific information. Yet there is no contradiction here: the number of discoveries is also growing exponentially, but more slowly (its growth is expressed by a smaller exponent) than the number of scientists. All the discoveries taken together are just a fraction of all the information being acquired by science. It is enough to flick through the dusty piles of articles and dissertations produced with a view to obtaining an academic degree and now stored in university archives to see that not a single one of them has led to an at least partially useful result. Reaching the limits of the information capacity of science means significantly lowering the probability of making discoveries. What is more, as the curve of an actual increase in the number of scientists will be getting further away from the hypothetical curve of further exponential growth (which is not possible anymore) in its descent, the coefficient of such probability should be constantly decreasing from now on.”

Stanislaw Lem, Summa Technologiae (1964)

I Lems analys har forskningen – då 1964 – mestadels förvandlats till brus:

“Does this proliferation of papers represent real growth of knowledge? As far back as 1965, Price noted a now familiar observation: “I am tempted to conclude that a very large fraction of the alleged 35,000 journals now current must be reckoned as merely a distant background noise, and as very far from central or strategic in any of the knitted strips from which the cloth of science is woven.”

Stanislaw Lem, ibid.

Ständigt större höstack, relativt sett färre antal nålar, alltså. Om detta stämmer så är (iii) ovan förmodligen den mest rättvisande formuleringen av FoU-paradoxen.

*

Betyder detta då att vi bör ge upp? Om vi har en ändlig, linjärt växande resurs till vårt förfogande för att hantera ett kombinatoriskt exploderande sökproblem så ser det ju onekligen litet deprimerande ut. Men det finns en möjlig väg framåt här — och den handlar om en särskild klass innovationer som möjliggör snabbare lärande: maskininlärning och artificiell intelligens.

En enkel leksaksmodell av kunskapsekonomin består av tre olika komponenter: data, information och kunskap. Data struktureras till information som tolkas till kunskap som i sin tur används på ett sådant sätt att den skapar värde. Problemet i vår tid är att vi kan använda datorkraft för att strukturera data till information, men tolkningen av information som kunskap kräver mänskligt engagemang i modellen — och den mänskliga resursen är ändlig (även om Lem lekte med tanken på att tvångskommendera alla att bli vetenskapsmän eller innovatörer).

Det kan emellertid förändras med nya AI-relaterade tekniker — de kan kanske inte förstå vetenskapen, men de kan göra något som ligger mycket nära tolkningen och därför hjälpa oss att söka igenom det växande idéuniversum som vi har att göra med. Det problem de måste lösa är då det följande: de måste kunna förutsäga om en viss given idékombination kommer att flyga som innovation på marknaden.

Marknaden är nämligen den andra begränsade resursen här — vi kan inte testa ett oändligt antal olika innovationer på marknaden för marknaden har en absorptionstakt — den kan bara absorbera och testa ett visst antal potentiell innovationer över en viss given tidsrymd, så vi måste simulera en marknad, öka tolkningskapaciteten och genomsöka idérymden snabbare.

I dag ser vi de första vetenskapliga upptäckterna som gjorts av olika AI-system, och nästa steg är att vi ser lyckade innovationer lanseras av AI-företag som kan hjälpa oss att hantera FoU-paradoxen — och därmed hantera en ständigt mer komplex och utmanande omvärld.

Håller kärleken på att försvinna?

I en uppmärksammad artikel nyligen hävdade författarna att vår musik blivit inte bara mer deppig, utan mycket mer negativ överlag. Den kanske mest anmärkningsvärda observationen handlade om hur mycket ordet ”hat” förekommer:

”Why are pop songs getting sadder than they used to be?”
ALBERTO ACERBI & CHARLOTTE BRAND
06 February, 2020

Hittar vi samma sak i litteraturen? Det ser inte riktigt ut så, men titta på vad som sker med ordet ”love”.

N-gram viewer ”love”, ”hate”

Vi ser en liten uppgång för ”hate”, emellertid — och ligger på toppnivåer historiskt. Det är en ganska oroväckande trend (den som oroar sig över trettiotalet kan notera att det var inte så mycket hatet som rusade, som kärleken föll — något som öppnar ganska rika tolkningsmöjligheter!

Hur ser det då ut med kärlek i låtar? Inte riktigt lika dystert:

Från artikeln ovan.

Här ser det litet mer hoppfullt ut — men kanske är den här kurvan ändå litet tendentiös; det går att tänka sig en kurva som mer påminner om den allmänna trenden som forskarna har sett:

Positiviteten i musiken försvinner. Från artikeln ovan!

Hur ser det då ut med kärleken i de allmänna sökningarna? Den som kikar på Google Trends ser också ett oroväckande mönster:

Vart tar kärleken vägen?

Från toppnoteringen 2012 (100) har kärleken som en andel av sökningarna sjunkit stadigt (63).

Här finns ett helt forskningsprogram att gräva fram för den som är intresserad, med en hel del intressanta hypoteser. Ett synopsis skulle kunna lyda såhär:

”Det är inte hat som öppnar för polarisering, populism och extrema politiska rörelser – faktum är att den som dristar sig till att mäta hatet i vår kultur kommer att upptäcka att det befinner sig på mycket låga nivåer, även om vi kan se små variationer och tendenser till mer hat i vår tid än någonsin tidigare historiskt. Det hatet är dock marginellt om vi ser till kärleken i litteratur, musik och i livet i stort. Problemet är dock att kärleken håller på att försvinna ur litteraturen, ur det allmänna medvetandet och ur musiken. Det, mer än något annat, är den stora samhälleliga risk vi står inför idag. Historiskt har sjunkande kärleksnivåer öppnat för inte bara fascism och nazism utan också, slutligen, för krig.”

Boktiteln? ”All we need is love”. Ganska intressant ändå, eller hur?

Till sist – hur ser det då ut i Sverige? Google Trends igen:

”kärlek” och ”hat” i Sverige

Strid på kniven, minsann.

Olika sätt att ha fel om framtiden


Man kan ha fel om framtiden på en mängd olika intressanta sätt – men den som spenderat en del tid med olika framtidsstudier börjar efter ett tag känna igen några av de möjliga misstagen. Jag skriver möjliga, eftersom de inte alltid är misstag — ibland kan de säkert till och med vara kraftfulla metoder: det är det som är spännande med att tänka kring framtiden. Jag tänkte illustrera dessa med frågor om framtidens arbetsmarknad, eftersom jag tror att det kan vara ett bra område att använda som exempel.

De tomma fabrikernas tid?

Det första misstaget är enkelt – det är att övertolka signalen. Automatiseringen övertolkades tidigt som trend, och alarmistiska siffror om att 50% av jobben skulle kunna försvinna inom en generation cirkulerade. En hel del av dessa siffror hade endast sin grund i att journalister inte hade läst en vetenskaplig artikel som inte sade detta, men som såg ut att säga det — men några forskare hängde på och såg en chans att äntligen få diskutera teknikdriven arbetslöshet. Varje tänkbar mental modell som kom fram till just detta resultat behövde dock förenkla bilden för att kunna förstärka signalen och snart avfärdades dessa tidiga rapporter som de sensationslystna tidningsankor de var.

Det andra misstaget är mer subtilt – det handlar om att välja fel begrepp för analysen, eller bättre: fel upplösning på modellen. En hel del seriösa forskare utgick från följande mycket enkla förhållande: automatisering betyder att en mängd uppgifter kan utföras av robotar, och därför borde det betyda att vi förlorar en massa jobb till automatiseringen. Ser ni vad som hände där? Vi gick från en upplösning – uppgifter – till en mer grynig upplösning – jobb – och drog en slutsats som baserade sig på att vi såg en oundviklig förändring på en nivå och antog att den ledde till en förändring på nivån ovanför. Här måste vi välja, och för arbetsmarknaden är förmodligen rätt upplösning just uppgifter. Jobb är kompetenskorgar, knippen av uppgifter, och att ett urval uppgifter kan automatiseras betyder inte att hela jobb försvinner. Däremot betyder det att de uppgifter som utgör ett jobb — innehållet i kompetenskorgarna — förändras. Detta i sig är inget nytt, utan har varit en ständig del av arbetsmarknadens utveckling. Vi ser det exempelvis i den förmodligen apokryfiska anekdoten om Herbert Simons läkare, som före bilen var tvungen att lära sig rida under läkarutbildningen för att nå sina patienter, och som efter bilens tillkomst kunde klara sitt yrke utmärkt utan denna kompetens i korgen

Det tredje misstaget är inte så mycket ett misstag som en metod: att hålla allt annat lika medan vi ser på en specifik fråga som vi vill försöka förutsäga. När vi frågar om hur automatiseringen kommer att påverka jobben så antar vi att jobben är statiska och att automatiseringen ökar. Vi håller allt annat lika. Ingen social förändringen sker på detta vis, eftersom det som händer är ett en förändring i en del av systemet genererar andra förändringar i systemet. Våra jobb är inte sociala atomer som alltid funnits — de är produkten av industrisamhällets organisation av arbete och det medvetna sociala valet att inkludera social trygghet och status i just jobbet, i det sätt på vilket vi förpackade arbete. Om automatiseringen ökar så ökar också trycket på resten av systemet och vi borde försöka se till systemförändringar i stället för att koncentrera oss på en enda nod i systemet och förutsäga den.

När det gäller framtidens arbetsmarknad har detta vittfamnande konsekvenser. Den som frågar hur AI kommer att påverka arbetsmarknaden i dag frågar oftast efter hur automatiseringen kommer att påverka jobben. Det går emellertid att undersöka andra delar av systemet också. AI — eller kanske snarare maskininlärning – skulle kunna komponera olika kompetenskorgar dynamiskt och skapa en helt ny sorts organisation av arbetet i vårt samhälle, och därför också en helt ny arbetsmarknad. Det skulle kunna betyda att den modell i vilken vi arbetar för en enda arbetsgivare – där jobbet är en 1:1 relation med en arbetsgivare – också försvinner och de sociala trygghetselementen organiseras på ett helt annat sätt. Poängen är enkelt — en teknik, särskilt en s.k. General Purpose Technology, påverkar aldrig bara en del av systemet.

Att fråga hur AI kommer att påverka arbetsmarknaden är litet som att fråga hur elektriciteten påverkade arbetsmarknaden.

Ett systemperspektiv är ofta komplext och dynamiskt, och det är därför vi förenklar våra modeller — men vi bör vara medvetna om att när vi gör det blir resultatet av våra undersökningar ofta haltande. Ett systemansats till frågan om framtidens arbetsmarknad skulle förmodligen utmana ett flertal olika föreställningar vi har om arbetsmarknaderna:

Måste de vara nationella? Varför ska ett jobb vara nationellt, när det är fullt möjligt att arbeta internationellt idag? Outsourcing kan mycket väl bli pansourcing där de kompetenser som behövs i en organisation hämtas där de möter kraven bäst.

Måste det finnas arbetsgivare? Företag beskrevs av Coase som logiska konsekvenser av transaktionskostnader. Dessa kostnader förändras kontinuerligt, och kanske borde vi också ställa frågan om hur AI påverkar företagets natur? Kommer vi att ha flashföretag som uppkommer för att lösa en komplex uppgift och sedan försvinner?

Kan de integrera utbildningssystemen helt? Arbetsmarknadens matchningsproblem har att göra med att signalerna från arbetsmarknaden överförs till utbildningssystemen mycket långsamt, och dessa systems förmåga att dynamiskt allokera resurser är ganska låg. Varför skulle inte en pulvriserad utbildningskostnad i systemet via olika sorters försäkringslösningar kunna skapa en kombinerad utbildnings- och arbetsmarknad? Invändningen att detta skulle skada långsiktig forskning är ett enkelt missförstånd — marknader kan lika gärna vara långsiktiga som kortsiktiga.

Och så vidare. Om vi väljer att undersöka alla begrepp i våra mentala modeller och se hur de kan förändras tillsammans, blir resultatet förmodligen mer intressant än om vi bara fokuserar på ett enda element i modellen.

Att ha fel om framtiden är emellertid inte det sämsta, det gör att vi kan diskutera den och försöka hitta bättre mentala modeller för de olika förändringar som vi vill se, och det är ju en fördel.

Mekaniska regler och restjobb

Denna intervju med Lorraine Daston är värd att läsas i sin helhet. Hennes arbete med kalkyler, regler och hur dessa formaliseras i samhällen är enastående intressant. Särskilt en sak framstod för mig som intressant i intervjun, och det är när hon noterar att framtidens arbetsmarknad har två olika sorters jobb:

There’s another aspect to your initial question: the analogy to the current day. The people behind the curtain in modern AI projects are of two sorts: those who are thinking about how to divide a very complicated task into the tiniest possible steps, very much in the tradition of the history of mechanical calculation; and those whose work is compensatory for algorithmic systems — Facebook moderators, for example, who monitor objectionable content missed by the algorithms meant to eliminate it automatically. It’s really important to distinguish between these two groups of people, because they are performing two very different tasks.

”Historicizing the Self-Evident: An Interview with Lorraine Daston
Jack Gross interviews Lorraine Daston” LA Review of Books, 25 januari

Denna tanke — att algoritmiseringen skapar en nisch som kompletterar den där reglerna helt klarar av att lösa problemet — är en av de kanske mest framträdande idéerna i mycket av diskussionen om framtidens arbetsmarknad. Samtidigt är det inte uppenbart att denna föreställnin om ”restjobb” har någon grund i verkligheten — många arbeten förändras så i grunden att de visserligen innehåller en del uppgifter som har att göra med regelmisslyckanden, men också innehåller andra uppgifter som adderar värde.

Samtidigt är det intressant att se diskussionen om mekaniserade regler så tydligt artikulerad och genomlyst.

Överskattat eller underskattat?

I ekonomen Tyler Cowens podcast finns återkommande en sektion som är både rolig och effektiv. I den räknar Cowen upp ett antal olika saker och ber gästen att bedöma om dessa saker är överskattade eller underskattade. Det är en listig fråga — den fordrar att man tar ställning och inte mjäkigt sätter sig i mitten (även om många famlande försöker ta sig dit). Frågor som denna är till enorm hjälp i arbetet med att ta fram åsiktsskillnader, något av de mest värdefulla vi har som människor. I varje projekt borde var och ens roll definieras i termer av vilka åsiktsskillnader som man kan ta med sig in i projektet.

Testa själv — är följande fenomen överskattade eller underskattade?

  • Demokrati
  • Beatles
  • Hängslen
  • Bluetooth
  • Game of Thrones
  • Sherlock Holmes
  • Star Trek
  • Boken Sapiens
  • John Stuart Mill
  • Glass

Visst är det en intressant övning? Hur ser en riktigt svår lista ut enligt dig?

Veckans läsning

Läst en del på kvällarna denna vecka och njutit av följande:

Terapeuten var det närmaste en perfekt söndagsbok jag läst. The Last låg kvar från en resa, och var väl okej men ojämn. Lintons bok mycket matnyttig och Boyd skrev jag om här. Den lilla boken emellan Boyd och Jameson heter Planet of Viruses och var en god genomgång av de enormt många olika sorters virus som finns.

Om effektiv läsning

Jag har börjat fundera på hur man kan läsa mer effektivt — och då menar jag inte snabbare, utan på ett sätt som göra att jag kan integrera det jag läser mer i det jag redan har läst. Jag skulle vilja ha ett sätt att verkligen se till att läsandet blir en del av den ”kristallina” intelligens som man ibland talar om.

Det finns flera strategier att ta hänsyn till här, och jag använder dem alla mer eller mindre, men det är ett par som jag vill skärpa mig på.

  • Att läsa med pennan. Idealiskt är när man både håller med och inte håller med författaren och kan markera det, eller skriva marginalanteckningar. Jag gör också utropstecken vid stycken som jag vill komma tillbaka till. Ibland skriver jag sidnummer och ett kort utdrag allra först i boken så att jag kan hitta citat snabbt, men det jag egentligen borde göra är att skriva ordentliga anteckningar efter det att jag läst boken. Vilket leder till..
  • …skriva om boken. Jag skriver en del recensioner, artiklar och bloggposter om böcker och det hjälper verkligen för att komma ihåg mer i detalj vad en bok försökte göra, men det kan ibland ske till priset av att man inte riktigt reflekterar komplexiteten i det lästa. Jag tror att riktiga kommentarer — i samma anda som dessa utvecklades under medeltiden som självständiga texter — egentligen vore det allra bästa, och även om det tog tid så skulle det vara ett bra sätt att förhålla sig till texten. Vissa texter skulle kanske bara få 5-10 stycken kommenterade, och andra fler — och jag undrar om det är okej, eller om kommentarer med nödvändighet måste följa hela bokens flöde. Värt att utforska.
  • Fånga bibliografisk information. Varefter jag nu organiserar mitt liv för att skriva mer, slår det mig att jag skulle behöva utveckla långa bibliografier över de ämnen som jag är intresserad av, och gärna kommenterade bibliografier. Det är intressant arbete, men kräver en regelbundenhet som jag ännu inte riktigt mäktat med.

Jag läser också vissa texter högt för mig själv, och försöker lära mig att läsa om. Jag gillade att göra detta under mina studier, men har en tendens till otålighet nu som inte riktigt låter mig göra det nu. Hursomhelst — en nyckel till mer skrivande är strukturerat, djupare och mer reflekterande läsande, så det får bli fokus nu.