2021-10-15 11:36:59
ФРЕЙМИНГ. ЧАСТЬ 1Реальность слишком сложна для нашего мозга, чтобы быть полностью понятной в моменте. Для того чтобы взаимодействовать с ней, мы используем упрощения:
когнитивные шорт-каты. Фреймы.
Фрейм — это ментальная структура. Фреймы редуцируют сложность реальности и помогают нам в ней ориентироваться.
Часто между ментальной моделью и фреймом ставят знак равенства. Мне кажется это не верно. Фрейм — более широкая концепция. Внутри одного фрейма могут работать разные модели.
Я бы предложил такую аналогию:
Фрейм → плейлист
Модель → трек
Плейлист задает определенное настроение и стиль, а конкретный трек — звучание, ритм, тональность и т.д.
Рассмотрим фреймы на примере разных карт.
Взаимодействуя с городом, вы так или иначе упрощаете его. Если вам нужно добраться из Точки А в Точку Б, вам может подойти такой фрейм: сведение города к множеству тоннелей, поездов и станций. Ваши модели: маршрут, пересечение, скорость и т.д.
Если ваша задача — составить представление о городской архитектуре, фрейм карты метро здесь вряд ли подойдет. Вам понадобится совершенного другая карта, например с технологией street view.
Используя разные карты, вы по-разному фреймите город.
Еще один пример — 4 фрейма рассмотрения организации (таблица↓).
Фрейминг — это одновременно фича и баг. Фреймы фокусируют наше внимание, подсвечивают важное, при этом они создают слепые зоны.
Фрейминг — это супер сила человека.
Без нее нам бы каждый раз приходилось шаг за шагом “перебирать” пространство возможных решений. AI пока не способен фреймить.
Рассмотрим кейс робота Деннетта (философ Дэниэл Деннетт предложил этот мысленный эксперимент еще в 1984 году)
Задача робота: обеспечить свое непрерывное функционирование. Робот узнает что в комнате, где находится его дополнительный аккумулятор запущена бомба с таймером. Робот заходит в комнату и видит свою батарею на тележке. Он решает вывезти ее из комнаты. БУМ!
Бомба тоже была на тележке.
Окей. Нужно научить робота учитывать возможное последствия своих действий. Апдейт Вторая попытка. Тот же сетап. Робот заходит в комнату, начинает анализировать:
Если подвинуть тележку, то каковы будут последствия?
→ Цвет стен в комнате не поменяется
→ Гравитация в комнате не изменится
→ Колеса у тележки начнут вращаться
→ Воздушный поток в комнате начнет меняться…
БУМ!
Окей Окей! Нужно научить робота отделять значимые последствия от незначимых + игнорировать вторые. Апдейт Третья попытка.
Робот заходит в комнату и начинает игнорировать неважное:
→ Цвет стен в комнате
→ Гравитацию в комнате
→ Скорость движения колес тележки
→ Воздушный поток в комнате
БУМ!
Снова провал.
Сегодня алгоритмы машинного обучения научились выделять значимое за счет обучения на больших датасетах. Но они по прежнему не умеют фреймить: быстро выделять суть без дообучения. Возможно когда AI научится это делать — появится так называемый AGI.
У человека фрейминг происходит постоянно.
При этом часто подсознательно / бессознательно. Поэтому нам важно уметь распознать фреймы и анализировать их. Переводить в область осознаваемого.
Фреймы могут быть очень “липкими”. Однажды адаптировав определенный фрейм вы начинаете смотреть на мир через определенную линзу.
Это ведет к ошибкам, слепым пятнам, confirmation bias. Часто профессия определяет наши фреймы. Возьмем смартфон. Химик увидит в нем алюминий, стекло, другие элементы и соединения. Экономист увидит кривую спроса, ценовую эластичность, economy of scale производства.
Умение замечать эти линзы и вовремя менять их — ключевой навык любого эксперта, который сталкивается с комплексными проблемами.
Такой процесс называется рефрейминг. Изменение фрейма меняет значение, смысл. Это хорошо видно на примере кино. Вы видите кадр — в нем два человека, снятые с определенного ракурса. Вдруг ракурс меняется и в кадр попадает третий персонаж.
Смысл сцены также полностью меняется. Следуя примеру из таблицы↓, можно видеть как изменение фрейма помогает анализировать процессы в компании с разных перспектив.
В следующем посте я расскажу о том, как фрейминг влияет на наши решения. Stay tuned
1.3K views08:36
I
