Jak přemýšlet o budoucnosti

Člověk jako biologický druh není po fyzické stránce k přežití nijak zvlášť dobře vybaven. Daří se mu to ale díky výkonnému mozku, který je na základě vytváření aproximací schopen ve svém okolí rozeznávat různé tvary a předvídavě a rychle reagovat na hrozby či příležitosti. Evoluční schopnost vyhledávat tvary ale někdy vede k tomu, že je vidíme i tam, kde nejsou, třeba v informačním šumu.

Informační exploze a slepota

Kniha politického bloggera a prognostika Natea Silvera Signál a šum. Mnoho předpovědí selže. Některé ne (The Signal and the ­Noise: Why So Many Predictions Fail – but Some Don’t, 2012) se zabývá otázkami, jak a na základě čeho lze v informačním věku úspěšně předvídat budoucí vývoj. Informační věk ve skutečnosti nastal již díky ­Gutenbergovu vynálezu knihtisku, který zahájil éru masového šíření informací. Od té doby rapidně narůstá nejen jejich množství, ale zvyšuje se i potřeba správných předpovědí. Dnes již máme informací mnohem více, než jich umíme využívat. To ztěžuje naši schopnost najít v nich smysluplné signály, potřebné pro úspěšnou předpověď budoucího vývoje.

Obdobně jako počítače v sedmdesátých letech jsou dnes takzvaná big data – podle IBM jich denně vzniká více než 2,5 trilionu bytů – často považována za jakýsi lék na všechno. Optimistická idea, „že pouhé množství těchto dat nás zprostí potřeby vymýšlet teorii, a dokonce i vědeckou metodu“, je ale podle autora zásadně mylná. To, že o něčem víme, ještě neznamená, že tomu rozumíme. Data jako čísla sama o sobě nemluví. Význam jim přiřazujeme až my a často si ho bez ohledu na objektivní skutečnosti uzpůsobujeme vlastním potřebám. Ostatně již v roce 1970 Alvin Tofler v knize Šok z budoucnosti (­Future Shock, česky 1992) upozornil na to, že obranou proti zahlcení informacemi bude zjednodušování stále složitějšího světa takovým způsobem, aby odpovídal našim předsudkům. I proto někdy hledáme kauzalitu tam, kde žádná není, zatímco reálný kauzální vztah snadno přehlédneme. To v důsledku vede nejen k informační slepotě, kdy si často jen myslíme, že něco víme, aniž bychom to skutečně věděli, ale i k touze po jednoznačných předpovědích, které by nám měli poskytovat (ale často neposkytují) experti.

Jak na dobré předpovědi

Publikace je vystavěna na pozadí úspěšné profesionální kariéry autora, který vymyslel fungující model předpovědí úspěšnosti hráčů baseballu, v letech 2008 a 2012 téměř na chlup přesně předvídal výsledky prezidentských voleb ve všech amerických státech a v pokeru díky svým metodám vyhrál čtyři sta tisíc dolarů. Ve třinácti kapitolách, jejichž záběr sahá od baseballu, finanční krize v roce 2008, globálního oteplování, chybných politologických prognóz přes ­předpovědi počasí a šachový souboj počítače Deep Blue s velmistrem Kasparovem až po problematiku terorismu, se Silver zabývá především důsledky prohlubujícího se rozdílu „mezi tím, co víme, a co si myslíme, že víme“ a zkoumá, proč jsou některé předpovědi úspěšné, zatímco mnohé jiné se mýlí. Za příčiny omylů považuje nejen náš sklon k výběru právě těch faktů, které vyhovují našim zkušenostem či hypotézám, ale i naše namyšlenost, že předpovídáme lépe, než tomu skutečně je. Úspěšné jsou přitom naopak předpovědi, jež jejich autoři neustále revidují na základě aktuálních poznatků a z nich vyplývajících nových kauzálních souvislostí. Autor v tradici klasické novinařiny vždy živě, srozumitelně a bez nadužívání odborných termínů (ty ostatně vždy vysvětlí) předestře téma, objasní problém a následně poučeně poukáže na možnosti, jak se s ním vyrovnat.

Nudná statistika?

Čtenáře může trochu rozčarovat, že Silver nenabízí žádný univerzální způsob, jak vytvářet úspěšné předpovědi. Ano, má sice ve svém portfoliu ony „velké“ metodologické rady typu „korelace ještě neznamená kauzalitu“ a podobně, avšak trpělivě ukazuje, že ke každé předpovědi je třeba přistupovat individuálně a pokorně s vědomím vlastních chyb a předsudků a že „velké“ rady je nutno aplikovat s rozumem. Ve svých úvahách se ale přece jen silně opírá o jeden princip, a sice bayesovskou statistiku, která místo s četnostmi jevů pracuje s jejich podmíněnými pravděpodobnostmi. Umožňuje odhadnout platnosti nějaké hypotézy na základě jejího apriorního očekávání a pravděpodobnosti, že nějaký další jev ovlivňující platnost hypotézy nastane, respektive nenastane. Proces je vhodné podle potřeby i několikrát opakovat. I když absolutní objektivity a přesnosti nelze podle Silvera nikdy dosáhnout, bayesovský přístup umožňuje korigovat předpověď s každou novou skutečností a zahrnout do ní i vlastní subjektivní očekávání. Ale nejen to – umožňuje i experimentování s výsledky předpovědí včetně následné analýzy chyb, což v dlouhodobém hledisku vede k trvalému zlepšování kvality našich předpovědí.

Obecně se soudí, že knihy o statistice jsou málokdy zábavné a čtivé. S troškou nadsázky lze s bayesovskou pravděpodobností (na kterou se dá bez rizika vsadit) tvrdit, že si to čtenář této knihy nebude myslet již po přečtení první kapitoly o finanční krizi. Správnost předpovědi si může každý sám detailně ověřit po jejím dočtení.

Autor je sociolog.