Autor
Ville A. Satopää, Marat Salikhov, Philip E. Tetlock & Barbara Mellers
1 fișă de lectură din 1 carte · 2021.
1 fișă
Bias, Information, Noise: The BIN Model of Forecasting · 2021
Un număr care nu se mișcă niciodată nu e lipsit de zgomot, ci lipsit de informație.
Kahneman, Sibony și Sunstein («Noise», 2021) separă două feluri de eroare. Părtinirea e eroarea sistematică: toți greșesc în aceeași direcție. Zgomotul e variabilitatea nedorită: judecăți care ar trebui să fie identice ies diferite, de la un analist la altul sau de la o zi la alta. Modelul BIN al lui Satopää, Salikhov, Tetlock și Mellers (Management Science, 2021) aplică distincția prognozelor și adaugă a treia componentă, informația: cât din semnalul util disponibil folosește prognozatorul. Rezumatul publicat spune că reducerea zgomotului joacă un rol surprinzător de constant în toate cele trei intervenții ale Good Judgment Project: antrenament, echipe și selecția talentelor. Versiunea de lucru a articolului dă și ordinul de mărime: eliminarea zgomotului ar fi redus scorul Brier al grupului de control cu aproximativ 50%, eliminarea părtinirii cu aproximativ 25%, iar informația ar fi acoperit restul. Chiar și antrenamentul gândit împotriva părtinirilor a funcționat mai ales prin reducerea zgomotului. Pentru un singur prognozator există o identitate utilă: scorul Brier mediu al unui grup de prognoze este scorul mediei lor plus varianța lor. Zgomotul se plătește direct, iar media mai multor judecăți independente îl taie. Atenție însă la confuzia inversă: un număr care nu se mișcă deloc nu e lipsit de zgomot, ci lipsit de informație. Scorul Seldon din motorul olivLaw a stat între 46,5 și 47,0 în 496 de rulări, timp de patru luni.
“Modelul BIN arată că reducerea zgomotului joacă un rol surprinzător de constant în toate cele trei metode de îmbunătățire a performanței.”