David Rohde: „Endgame“. Žurnalistinis pasakojimas apie Srebrenicos žudynes.

Jei tai būtų išgalvota istorija apie karą, ši knyga savo ryškiu pasakojimu ir keliamomis emocijomis patektų tarp stipriausių mano skaitytų kūrinių. Pradėjus versti puslapius nebegali sustoti, nors ties kiekvienu skyriumi viskas darosi tik baisiau ir baisiau. Rydamas pastraipą po pastraipos žinai, jog geruoju čia anaiptol nesibaigs: desperacija auga ties kiekviena generolų klaida, kiekviena politikų neveiklumo valanda ir kiekvienu naiviu sprendimu nesipriešinti blogiui. O juk tai ne išgalvotas karinis romanas: tai tikras žurnalisto pasakojimas apie tai, kaip 1995-aisiais Bosnijoje per dešimt dienų Jungtinių Tautų taikdariai olandai nesugebėjo pasipriešinti serbams, kurie užėmė Srebrenicos anklavą ir išžudė 7-8 tūkstančius musulmonų vyrų. Tai didžiausias etninis valymas Europoje nuo Antrojo Pasaulinio karo pabaigos, ir liūdniausia, jog tam buvo galima užkirsti kelią.

David Rohde įvykius atpasakoja su detaliomis smulkmenomis (už šią knygą jis gavo Pulitzerio premiją), kone valandų tikslumu: remiamasi daugiausiai olandų taikdarių bei skerdynes išgyvenusių žmonių pasakojimais, o taip pat ir kai kurių serbų kareivių liudijimais. Pagal Jungtinių tautų susitarimus, Srebrenicos anklave, kurį iš visų pusių supo serbų daliniai, taiką palaikė keli šimtai olandų taikdarių. Bosniai musulmonai, kurie sudarė didžiąją dalį Srebrenicos gyventojų, privalėjo nusiginkluoti: jų saugumu rūpinsis Jungtinės tautos, o serbų erzinti nereikia. Olandai buvo ginkluoti menkai – jų didžiausias ginklas buvo galimybė išsikviesti NATO aviaciją, kuri kaip mat būtų bombardavusi puolančiųjų pozicijas. Net ir turėdami teisę panaudoti ginklą, olandai to daryti vengė: puolami ugnimi neatsakinėjo, nes stengėsi išlaikyti neutralumo įvaizdį. Tad vieną dieną serbams pradėjus anklavo puolimą jis buvo užimtas beveik be pasipriešinimo: olandai ne tik kad nesudavė jokio smūgio, jie netgi lengva ranka atidavė savo ekipuotę serbų daliniams. O beginkliai olandai tapo beveik bejėgiai pasipriešinti žudynėms: jie patys faktiškai tapo serbų įkaitais.

Srebrenicos tragedija tikriausiai nebūtų įvykusi, jei vakarai būtų ėmęsi ryžtingų veiksmų nuo pat serbų puolimo pradžios. Kelias dienas laisva valia olandai atidavinėjo teritoriją serbams: „juk čia jie gal apšaudo bosnių pozicijas, o ne Jungtinių tautų stebėjimo postus, reiktų pasitraukti, nes nelabai saugu“ bei „gal jiems užteks tik kelių kilometrų teritorijos ir jie paskui atsitrauks gerbdami susitarimus“. Vėliau, kai serbai užėmė stebėjimo postus, pasiryžti bombarduoti serbų pozicijas tapo dar sudėtingiau, nes keliasdešimt olandų tapo serbų įkaitais: jei NATO bombarduoja serbus, olandams iškyla grėsmė. Kaip sakė vienas iš bosnių kareivių, trisdešimt įkaitais tapusių olandų vakarams buvo svarbiau nei trisdešimt tūkstančių anklave įstrigusių musulmonų. Veiksmų imtasi nebuvo, serbai žengė toliau. Galų gale, šeštą dieną, politikai visgi priėmė sprendimą, jog reikia suduoti smūgį serbams, tačiau bombarduoti nebelabai buvo ką – serbai jau šeimininkavo Srebrenicos centre. Tiesa, jau priėmus politinį sprendimą bombarduoti, smūgių teko dar palaukti, nes buvo užpildyta ne tokia prašymo forma, o pakilę į orą lėktuvai turėjo grįžti į bazę Italijoje pasipildyti kuro – kaip galima suprasti, Jungtinių tautų misija į vadovėlius nepateks kaip sklandžios karinės operacijos pavyzdys.

Skaitant apie tokią įvykių eigą negali negalvoti apie tai, kas būtų, jiegu mums prireiktų vakarų pagalbos. Ar tikrai politikai greitai ir ryžtingai imtųsi veiksmų? Ar nekiltų jiems minčių, jog čia gal būt dar nėra svetimos šalies agresija, ar nenorėtų jie dar palaukti keleto savaičių, kai jau tikrai aišku, kad situacija nebekontroliuojama? Kiekvienas generolas ar politikas nenori rizikuoti savo šalies karių gyvybėmis tam, kad gelbėtų kitos šalies piliečius, tad nenuostabu, jog sprendimai daroma atsargiai ir lėtai. Geriausiu atveju politikai pradeda vartoti aštresnius smerkiančius agresorių žodžius, o reali karinė pagalba gali užtrukti. Taip kartojosi ir Srebrenicoje, panašiai buvo ir Ukrainoje, gali būti, jog taip bus ir dar kur nors kitur ateityje. Panašiai ir Rytų Europiečiai po Antrojo Pasaulinio karo nesulaukė pagalbos miškuose besigindami nuo Raudonojo teroro. Bosniai irgi padarė klaidų per daug pasitikėdami Jungtinių tautų politikais – jie patys nesigynė, nes tikėjosi, jog juos apgins: o be to juk serbai nebus tokie įžūlūs, kad pultų olandų taikdarius. Lemiamomis akimirkomis kiekvienas lieka kovoti tik už save.

Praėjus daugiau nei dvidešimt metų nuo žudynių teisingumas visgi įvykdytas ir kaltieji jau nuteisti Hagos teisme. Bosnija dar vis laižosi karo žaizdas, o Srebrenicoje gyvena trigubai mažiau žmonių nei karo pradžioje. Kad blogis nugalėtų tereikia tik kad geri žmonės nieko nedarytų.

Apie (perdėtą) metrikų svarbą

Vienas svarbiausių dalykų šiuolaikinėje vadyboje – metrikų (KPIs, key performance indicators, pagrindinių veiklo rodiklių) sekimas. Juk jei kažko nematuoji, tai ir negali pagerinti. Iš tiesų, poreikis reguliariai matuoti savo progresą organizacijas priverčia rimčiau pažiūrėti į savo duomenų ūkį, mat iki tol duomenų surenkama mažai ir ne daug kam rūpi jų kokybė. Ir tik turint pakankamai duomenų palaipsniui galima prieiti prie „data-driven“ kultūros: visus svarbesnius sprendimus priimti vadovaujantis nebe nuojauta, o paanalizavus objektyvius skaičius.

Tačiau čia, kaip ir visur, galima persūdyti. Nereikia pamiršti, jog visas metrikas galima apgauti: vien jau rodiklio pasirinkimas gali lemti keistus organizacijos kultūros pokyčius. Ekonomisto Goodhart’o dėsnis teigia, jog metrikos nustoja būti efektyvios vos tik jos tampa tikslu, kurį reikia pasiekti. Kai tik kažkas siekdamas suvaldyti bankų riziką apriboja kapitalo pakankamumo rodiklį, randama būdų paskolas paversti obligacijomis (o šios kapitalo pakankamumo formulėje traktuojamos atlaidžiau). Kai interneto rinkodaros efektyvumą matuoji reklamų paspaudimais, atsiranda automatinių botų, kurie nuolat spaudalioja ant banerių. Kai prieš reklamdavius reikia girtis atverstų puslapių skaičiumi, portalų antraštės optimizuojamos taip, kad skaitytoją užkabintų, bet neperteiktų straipsnio minties: veiksmo daug, o portalo vartotojai turiniu nusivilia. Jei tik pradedi rimtai optimizuoti kokią nors metriką, net nepastebi, kaip jau toli nuvažiavai į lankas.

Žmogaus elgsenos beveik neįmanoma tobulai išmatuoti – belieka rinktis kažkokius skaičius, kurie gal būt arčiausiai galėtų atspindėti esamą situaciją. Taip „atverstų puslapių skaičius“ apytiksliai matuoja „kiek žmonių perskaitė šį straipsnį?“, o „paspaudimais ant reklamos“ galima išmatuoti vartotojų norą įsigyti reklamuojamą produktą. Kapitalo pakankamumas tampa apytiksliu banko rizikos matu, NPS tyrimas maždaug parodo ar vartotojams patinka jūsų kompanija, studentų egzamino balai maždaug parodo, ar jie išmoko paskaitų medžiagą. Turint prieš akis (kad ir netikslų) skaičių, jį galima stebėti, galvoti, kaip jį pagerinti ir sekti savo progresą. Tai ypač patinka inžinieriams ir matematiškai galvojantiems žmonėms: žymiai lengviau galvoti kaip „X procentų pagerinti egzaminų rezultatus“, nes tai skamba daug tiksliau ir apibrėžčiau nei „geriau mokyti studentus“.

Problema atsiranda tada, kai pamirštama, jog metrika tėra apytikslis pasaulio atspindys. Dar blogiau, kai pagrindiniu tikslu tampa tik metrikos pagerinimas – visada išlenda netikėti antriniai šių metrikų efektai. Norint padidinti straipsnių kokybę pradedama matuoti kiek jų perskaitoma, tada kyla noras optimizuoti paspaudimus ant straipsnių antraščių, o tai galų gale sumažina straipsnių kokybę. Norint, kad kuo daugiau vartotojų naudotųsi tavo programėle, pradedamas sekti vartotojų grįžtamumo dažnumas (retention and churn), o vėliau tai išsiverčia į besaikį elektroninio pašto brukalų ar notificationų naudojimą. Norint, kad studentai geriau išmoktų dėstomą medžiagą, pradedama siekti jų egzaminų rezultatų pagerinimo, ir galų gale profesoriai pradeda mokyti savo dėstomo dalyko egzamino išlaikymo triukų, o ne patį savo dėstomą dalyką.

O kartais reikia optimizuoti visai priešingą metriką nei atrodytų iš pirmo žvilgsnio. Nors standartiškai galvojant norisi siekti, kad vartotojai kuo daugiau laiko praleistų svetainėje, Google stengėsi šią metriką optimizuoti į priešingą pusę: kuo greičiau vartotojai randa ko reikia, tuo jie greičiau dings iš tavo paieškos svetainės ir bus laimingesni. Pasiteisino.

Besaikis skaičių fetišas irgi kenksmingas. Verta į verslą kartais pažvelgti ir ne vien per metrikas.

Keletas patarimų apklausų sudarytojams

Artėjant tam pavasario metui, kai į elektroninį paštą bei Facebook’o srautą pradeda plaukti studentų prašymai užpildyti nuobodžias ir skausmingai ilgas bakalaurinių ar magistrinių darbų anketas, užtikau labai neprastą „Partially Derivativepodcast‘o seriją apie tai, kaip teisingai tas apklausas sudarinėti. Kadangi patarimai buvo vertingi ir man pačiam, dalinuosi trumpa jų santrauka:

  • Prieš sudarant apklausos anketą reikia gerai pagalvoti, kokius duomenis nori surinkti ir kaip tuos duomenis analizuosi. Visai ne pro šalį būtų iš anksto susidaryti sąrašą grafikų, kuriuos norėsi nupiešti ir nuspręsti, kokias regresijas skaičiuosi. Anketa žymiai sutrumpės, kai tikrai žinosi kokių tiksliai duomenų reikia, o ir klausimai bus žymiai tikslesni: gal iš tiesų reikia sužinoti, kaip klientai vertina restorano maisto kokybę, o ne tai, ar jiems tiesiog patiko jame apsilankyti. Kuo trumpesnė anketa – tuo geriau. Niekas nenori švaistyti laiko pusvalandį pildydamas anketą apie restoraną.
  • Tiksliai apibrėžk savo tiriamųjų populiaciją, nes nuo to priklausys ir tavo klausimai. Jei darai apklausą apie Pokemonus, tikriausiai gali naudoti ir ne tokią formalią kalbą, nes tavo respondentai bus jauni, bet jei klausinėji apie pensijų fondus, tai ir klausimai turėtų būti labiau solidūs.
  • Klausimai turi būti trumpi ir aiškūs. Juos respondentai turi suprasti be jokių papildomų paaiškinimų.
  • Klausimai turi būti objektyvūs. Neklausk „Ar tau labai patiko mūsų restorane?“ (Bet juk tai savaime suprantama, ar ne?)
  • Kad ir kokį užduosi klausimą visada gausi kažkokį atsakymą, bet ar pats klausimas buvo teisingai suformuluotas ir teisingai suprastas?
  • Geriausia prieš paleidžiant apklausą ją patestuoti su keliais žmonėmis. Reiktų jų paklausti, kaip jie suprato klausimus, ar jiems nekilo neaiškumų. Kiek užtruko laiko užpildyti anketą? Jei testuojama internete, galima pažiūrėti ties kuriuo klausimu žmonės daugiausiai užtrunka laiko – gal jis per sudėtingas ar tiesiog sunku apsispręsti?
  • Apklausa turėtų būtų kuo trumpesnė, bet jei apklausinėji žmones asmeniškai gyvame susitikime, ji gali trukti ir pusvalandį ar valandą. Apklausiant telefonu respondentai ima dairytis į laikrodį po 10-15 minučių, o internete jie dažniausiai pasiruošę paskirti tik keletą minučių. Tiesa, jei apklausos klausimai yra labai įdomūs, jos trukmė gali būti ir ilgesnė, bet geriausia galvoti, kad tavo apklausa nėra labai įdomi.
  • Reikėtų vengti atvirų klausimų, nes juos sunku analizuoti. Analizuojant juos kažkaip reikės sudėlioti į kategorijas, o tai nėra lengva automatizuoti.
  • Internete reikėtų vengti didelių klausimų blokų, kur prašoma nuo 1 iki 10 sužymėti savo vertinimus daugeliu kriterijų (pvz „Nuo 1 iki 10 įvertinkite: grožį, spalvą, kvapą, vaizdą, pojūtį, šaltį, etc“). Dažniausiai tokie klausimų blokai netelpa mobilaus telefono ekrane ir juos labai sunku teisingai sužymėti, ypač jei reikia slinkti ekraną.
  • Respondentai dažnai yra tinginiai ir linkę pasirinkti lengviausią variantą. Jei reikia rinktis iš kelių kategorijų („obuolys“, „kriaušė“ ar „bulvė“), jie dažnai pasirinks pirmą, todėl kartais vertakiekvienam respondentui atsakymus pateikti atsitiktine tvarka.
  • Jeigu vertinimo skalė susideda iš nelyginio skaičiaus kategorijų („įvertinkite nuo vieno iki penkių“), tingus respondentas žymiai lengviau pasirinks neutralią vidurinę reikšmę. Jei būtinai norima, kad respondentas pagalvotų geriau ir išreikštų savo (kad ir silpną) preferenciją, reikia prašyti rinktis iš lyginio skaičiaus kategorijų („nuo vieno iki keturių“ arba „nuo vieno iki dešimt“). Tiesa, skalė nuo vieno iki dešimt dažnai yra per smulki: lengviau apsispręsti, kai galima rinktis iš 4-5-6 kategorijų.
  • Ar leisti rinktis kategoriją „kita“ paliekant vietos įrašyti savo variantą? Dažniausiai taip, bet reikia palikti vietos tik vienam ar dviem žodžiams, kad nebūtų daug vietos plėstis (kiek vietos paliksi, tiek kas nors ir prirašys, o po to tai sukels problemų duomenis analizuojant ir kategorizuojant). Apklausos testavimo metu reikia stebėti, ar daug kas renkasi variantą “kita” ir pagal tai pakoreguoti atsakymų variantus. Galutinėje apklausoje reiktų tikėtis, kad šio varianto pasirinkimas nedominuos.
  • Analizuojant apklausos duomenis reikia atkreipti dėmesį į atsakymų pasiskirstymą. Jei visi repondentų atsakymai yra beveik vienodi, iš apklausos gausi nedaug informacijos. Jei visi tavo restoraną vertina penkiomis žvaigždutėmis, tikriausiai ne visai teisingai formuluoji klausimą.
  • Apklausos pradžioje nedėk demografinių klausimų (amžius, lytis, pajamos ir t.t.), nes respondentui tai nuobodu. Paklausk ką nors intriguojančio, kad respondentas susidomėtų ir norėtų iki galo užpildyti visą anketą. Žmonės nuo pat pirmųjų klausimų savo anketinių duomenų pildyti nenori – jie vis dar sprendžia ar verta paskirti savo penkias ar dešimt gyvenimo minučių tavo apklausai.

Ką perskaičiau sausį

  • Alan Lightman – Einšteino Sapnai. Trumpi „kas būtų jeigu būtų“ apmąstymai apie laiką: o ką jei laikas sustotų? O ką, jei viskas vis kartotųsi? Kas būtų, jei visi žinotume, kad šiandien yra paskutinė diena? Knygos idėja tikrai nebloga, gal tik kiek įkyrėjo nuobodokas pasakojimo stilius. Na, o kadangi šią knygą skaičiau tuoj po trumpų Borges’o šedevrų, atrodė, jog geros idėjos išpildymui kokybės trūko. 3/5.

  • Cal Newport – Deep Work. Patikusi knyga, verčianti pagalvoti apie tai, kokiame išsiblaškymo pasaulyje mes gyvename: be koncentracijos ir atsiribojimo nuo visokių trukdžių beveik neįmanoma sukurti ką nors giliai prasmingo. Perskaičius šią knygą nusprendžiau, jog stengsiuosi nebesilankyti naujienų portaluose ir labiau atsidėsiu knygų skaitymui nei laisvą akimirką naršysiu telefone. Nepasakyčiau, kad pilnai pasisekė, nors tikrai jaučiu, kad tokių daug naudos nenešančių įpročių sumažėjo bent per pusę. Kartais vien užtenka automatiškai griebiant telefoną paklausti savęs, ar tikrai man to reikia: kada paskutinį kartą laukiant restorane maisto buvote vieni su savimi, o ne su telefonu? O pasirodo tokio nuobodulio akimirką ateina daug įvairių gerų minčių. 5/5.

  • Charles Mann – 1493: Uncovering the New World Columbus Created. Jei iki šios knygos galvojau, jog Amerikos atradimas radikaliai pakeitė tik indėnų gyvenimus, tai po šios knygos šią nuomonę teko radikaliai pakeisti. Taip, daug indėnų išmirė nuo europiečių atvežtų ligų, taip, jų imperijos greitai žlugo nuo konkistadorų įsiveržimo. Bet, pasirodo, pasikeitė ir visas kitas pasaulis: atsirado daug naujų maisto rūšių (bulvė, kukurūzai ir pan.), kurios leido žymiai padidinti Europos bei Kinijos populiaciją, Kinijoje tapo priklausoma nuo ispanų Peru kasamo sidabro ir prekybos su europiečiais, juodaodžiai vergai milijonais buv pradėti vežti į naująsias kolonijas. Nebuvau žinojęs, jog didžiojoje naujojo pasaulio dalyje po europiečių pasirodymo pasklido maliarija ir kad per pirmus metus nuo atvykimo mirdavo kone 80 procentų kolonistų. Puiki knyga, mėgstantiems istoriją. 5/5.

  • Susan Sontag – On Photography. Kartais ne itin lengvai įkandamų straipsnių rinkinys apie fotografiją, apie tai, kuo ši medija skiriasi nuo kitų, apie fotografijos istoriją, apie fotografų idėjų kaitą. Labai praplėtė akiratį, juolab kad skaičiau ją vis stabteldamas internete paieškoti straipsniuose minimų fotografų darbų: nesu daug matęs klasikinęs fotografijos darbų, tad buvo labai įdomu juos atrasti. Kartu ši knyga galima sakyti pakeitė mano požiūrį į fotografiją: nebūtinai gera nuotrauka yra graži, nebūtinai ji gerai techniškai atlikta, nebūtinai ji vaizduojanti realybę, nebūtinai ji objektyvi. Keistas dalykas, bet einant laikui bet kokias fotografija įgauna vertę: net visiškai buitinė nuotrauka, daryta prieš 50 metų dabar tampa labai įdomi, o vaikystės laikų polaroidai – itin jaukūs. Žodžiu, puiki knyga, plečianti horizontus. 5/5.

  • Gini Dietrich – Spin Sucks. Knyga apie viešuosius ryšius, nors tikriausiai svarbiausią jos žinutę galima sutalpinti į vieną patarimą: stenkis nemeluoti ir neapsimesti kuo nesi (kadangi knygą skaičiau tuo metu kai Gretos Kildišienės ir Karbauskio skandalas buvo pasiekęs viršūnę, kontekstas šiam patarimui buvo kaip niekad geras). Bet, nepaisant to, knyga visgi pasirodė skystoka – tai dažnoka autorių, kurie yra blogeriai, problema. 3/5.

  • Fiodoras Dostojevskis – Broliai Karamazovai. Klasikinis fundamentalus kūrinys, kurio lietuviškas leidimas užima 1.3 tūkstančio puslapių. Kadangi rusų klasikų veikalų beveik nesu skaitęs, tai buvo labai įdomu bent kiek užpildyti šią savo išsilavinimo spragą. Puslapiai neprailgo, temų knygoje daug, o žmonių problemos ir jausmai nė kiek nepasenę: tik jų nesudėsi į kelių sakinių weblogo įrašą, nes apie kiekvieną veikėją galima diskutuoti valandomis. 4/5.

  • Cathy O’Neill – Weapons of Math Destruction. Svarbi knyga analitikams apie tai, kad algoritmai dažnai turi labai daug šalutinių poveikių, apie kuriuos ne visada pagavojama. Knygoje pateikiami pavyzdžiai kalba už save: jei gyveni neturtingųjų rajone, gali būti, jog niekada negausi paskolos, nes tikėtina, jog tavo kaimynai jau yra prasiskolinę: algoritmai gali manyti, jog tavo pašto indeksas yra labai stipri indikacija ir apie tavo nenorą sąžiningai grąžinti paskolą. Tokia diskriminacija yra ne tokia jau reta ir jos labai sunku išvengti: net jei įstatymais uždrausi naudotis pašto indeksu nustatant žmogaus kredito reitingą, atsiras kitų keistų koreliacijų, kurios vienus nepelnytai nuskriaus, o kitiems palengvins gyvenimą. Dažnai algoritmai būna tokie sudėtingi, kad niekas iki galo dorai nesupranta, kaip jie veikia (panašiai buvo ir būsto paskolų krizės metu), o tai ypač svarbu, nes algoritmai kuo toliau, tuo labiau lemia daug sprendimų. Labai svarbi knyga tiems, kas domisi duomenų analize. 5/5.

  • Italo Calvino – If on a Winter’s Day a Traveler. Labai neįprasta knyga, kuri iš tiesų yra dešimt įvairių knygų pradžių persipynusių su mintimis, kas yra rašytojas, kas yra skaitytojas, koks jų santykis, ir kokia yra knygų reikšmė. Pačioje pradžioje skaičiau su dideliu entuziazmu, kas keletą puslapių gėrėdamasis visais netikėtais vingiais, bet po to kažkaip gana greitai ta mišrainė pabodo. 3/5.

Lietuvos miestų gatvės

Miestų žemėlapiai mane traukia kaip blizgučiai šarkas: nuo pat mažų dienų mėgau ištisas valandas juos tyrinėti vedžiodamas pirštais autobusų maršrutus, šnabždėdamas sau gatvių pavadinimus ir įsivaizduodamas miesto gyvenimą pagrindinėse sankryžose. Tad Rūtai užrodžius naują Pitono modulį OSMnx, kuris leidžia iš openstreetmaps duomenų nupiešti labai estetišką Allan Jacob knygos „Great Streets“ stiliaus žemėlapį negalėjau susilaikyti jo neišbandęs. To rezultatas: visų Lietuvos miestų centrinės kvadratinės mylios žemėlapiai.

Tokiuose žemėlapiuose dažniausiai į akį krenta kvartalų simetrija ir tvarka, o Lietuvoje to beveik neįmanoma rasti. Lietuvoje nedaug miestų, kuriame stipriai būtų padirbėjusi miesto planuotojo liniuotė: neskaitant įvairausių sodų ir garažų bendrijų itin tvarkingą smulkų gatvių tinklelį galima rasti Klaipėdos senamiestyje, ir tik Palanga, Šalčininkai ar Tauragė išlaiko daugiau mažiau kvadratinių kvartalų tinklą. Stebėtis nereikėtų: miesteliai kūrėsi gana seniai ir ne tuščiose vietose, dar prieš bandant natūralų procesą suvaldyti miesto architektams.

Tauragė išplanavimu panaši į Amerikos miestus

Itin įdomus naujai projektuotų miestų gatvių tinklas: Elektrėnai atrodo lyg įsprausti į vienos gatvės žiedą. Tokį patį dirbtinio suspaudimo įspūdį daro ir Ventos žemėlapis – vienoje kelio pusėje senoji individualių namų Venta, o kitoje – daugiaaukščių rajonas.

Senoji Venta vienoje kelio pusėje labai skiriasi nuo naujosios Ventos kitoje

Vienas svarbiausių faktorių, nulemiančių gatvių tinklą yra vandens telkiniai ir upės: jos skiria miesto dalis, arba atvirkščiai – įspraudžia į rėmus (pvz. Trakai). Nors kartais tokią funkciją atlieka geležinkelis – Varėna lyg nurėžta bėgių linijos.

Įsprausti tarp ežerų Trakai

Visgi man gražiausias Lietuvos miestų gatvių tinklas yra Zarasuose. Reikės kada apsilankyti.

Zarasų gatvių planas

Čia yra dar bent šimtas kitų žemėlapių. Tereikia pasirinkti miestą.


Pagalbos! Kaip pasirinkti kam padėti?

Ar kada esate rimtai galvoję, kam paskirtumėte lėšas, jei labdaros tikslais turėtumėte išleisti kažkokią sumą eurų? Nors kiekvienais metais kam nors vis skiriu savo 2 procentus pajamų mokesčio, dažniausiai mano sprendimas būna gana paprastas: remiu tuos, kuriuos remiu iš įpratimo, arba tuos, kuriuos pažįstu – bent jau iš jų tikiuosi, jog lėšos nebus tiesiog „įsisavintos“. Šiemet norėtųsi kiek labiau apgalvoto sprendimo – net jei per metus labdarai skiri ir menkas sumas, verta susimąstyti apie jų atnešamą naudą.

Vienas žymiausių investuotojų Warren’as Buffett’as turi man patinkantį principą: į labdarai išleistus pinigus reikia žiūrėti kaip į investicijas – jie turi duoti kuo daugiau naudos. Juk tuos pačius šimtą eurų galima išleisti begale būdų: liejant paminklines lentas ar gelbstint gyvybes Afrikoje, tiesiog išdalinant vargšams gatvėje ar dirbant link to, kad jie galėtų patys save išsimaitinti. Nuo pačio aukotojo priklauso, kokių tikslų jis nori pasiekti, bet jeigu jau turi tikslą išgelbėti kuo daugiau pamestų gyvūnų gyvybių, verta pagalvoti, kaip tai padaryti efektyviausiai. Dėl šios priežasties labai svarbūs labdaros fondo efektyvumo rodikliai – kiek iš paaukotų lėšų galų gale pasiekia galutinius naudos gavėjus, o kiek jų išleidžiama administravimui ir reklamai apie gerus darbus. Efektyviai organizuoti fondo veiklą, kaip ir sukurti gerai veikiančią pelningą kompaniją nėra labai paprasta, todėl pats investuotojas pasitiki tais, kuriems jau tai pavyko: jis savo lėšas yra paskyręs Bill’o Gates’o labdaros fondui.

Bet pagrindinis klausimas išlieka: pasaulyje yra daug neišspręstų problemų, tad kurią iš jų turėtų padėti spręsti paaukotos lėšos? Kaip pamatuoti naudą visuomenei: ar sumažintos kančios kiekiu, ar pagerinta gyvenimo kokybe, ar praturtinta siela? Ar didesnę naudą neša vaikui nupirkta knyga ir uždegtas noras siekti mokslo ar iš bedugnės ištrauktas alkoholikas ir jam sugrąžinta gyvenimo viltis? Atsakymų tam neturiu, nors linkstu manyti, jog norėtųsi prisidėti prie problemų sprendimo iš esmės: duoti ne žuvį, o meškerę, investuoti į tai, kad bėdon patekęs tvirtai atsistotų ant kojų ir vėliau jau galėtų padėti kitiems.

Todėl prašau pagalbos: ieškau efektyviai pasaulį gerinančių idėjų, kurioms gal trūksta ne tiek jau daug pinigų. Kokiems tikslams jūs aukojate savo lėšas? Gal tai mane užves ant kelio mano paieškose, o gal bus naudinga ir kitiems, kuriems kyla panašios mintys apie aukojimą.

Jorge Luis Borges – „Smėlio knyga“

Pažvelgus į savo perskaitytų knygų sąrašą ir suskaičiavus pastaraisiais metais skaitytas grožinės literatūros knygas vargiai priskaičiuočiau iki dviženklio skaičiaus: gal tik kas dešimtą galima būtų priskirti šiai kategorijai. Keletą metų prioritetą teikiau negrožinėms knygoms apie ekonomiką, skaičius ir istoriją, apie sąsajas, ryšius ir priežastis, apie tai, kaip pasaulis veikia ir kaip yra sudėliotas, nuvertindamas ištisus išminties klodus, sudėtus į grožinius kūrinius. Šiemet bus kitaip: labai džiaugiuosi, jog keletas draugų įtraukė mane į knygų skaitymo klubą, kuriame kas mėnesį perskaitome po ne pačią lengviausią grožinę knygą. Prasiplečia ne vien skaitomų knygų ratas, priversdamas perskaityti tai, ko anksčiau negalėjai savęs prisiversti pabaigti (dabar jau džiaugiuosi, jog visgi pavyko perskaityti bent vieną Salman Rushdie kūrinį), bet ir pats skaitymas įgauna naują kokybę, žinant, kad susitikus reikės papasakoti knygos paliktą įspūdį – tai leidžia ją geriau išgyventi ir pajausti. O ypač smagu tai, kad kiekvienam perskaičiusiam tą pačią knygą užkliūna skirtingi dalykai, ir tai dar labiau praturtina knygos skaitymo patirtį.

Taip atsitiko ir su Jorge Luis Borges‘u: jei ne šis knygų klubas, tikriausiai nebūčiau jo paėmęs į rankas, o štai dabar manau atradęs kone naują mėgstamiausią rašytoją. Borges‘o kūryba – trumpi, kelių puslapių apsakymai, gilumu nenusileidžiantys storiems romanams. Pats rašytojas yra teigęs, jog nemėgsta ilgų knygų: kam rašyti šimtus puslapių ir keliuose tomuose vyniotį kokią mintį, jei galima apsimesti, jog ta knyga jau parašyta ir įsivaizduoti, kad rašai jos recenziją. Borges’as yra didis žodžio meistras: atrodo, jog glaustuose apsakymuose nėra jokių nereikalingų žodžių, tekstas vos keliais sakiniais sukelia nuotaiką ir gilų įspūdį. Ne viską iš karto lengvai galima perkąsti, ir, anot paties Borges’o, ne visur metaforose reikia ieškoti gilios prasmės, kartais reikia tiesiog mėgautis tekstu. Ir taip būna: skaitai, skaitai, apysaka darosi vis keistesnė, galvoje pradeda kirbėti mintis, kad ji keistoka ir nelabai žinai ką ja norėta pasakyti ir staiga paskutinėje pastraipoje – BAM! Oho! Matai kaip!

Tos Borges‘o apysakos – kaip saldainiai, kurių iš karto nevalia suvalgyti per daug, jais reikia mėgautis po truputį. Po vienos imi galvoti apie begalybę ir ką gali jausti nemirtingasis, po antros medituoji tavo riboto laiko suteikiamą prasmę, po trečios svarstai apie gana absurdiškai atrodantį žmogaus tikėjimą savo galia pilnai suvokti pasaulį, po ketvirtos stebiesi aklos aistros trumparegiškumu. Vis nauja apysaka, vis nauja gili tema apmąstymui. Vis naujas priminimas, kad mes klaidžiojame it labirinte, naiviai, bet tvirtai įsitikinę, kad iki galo pilnai suprantame chaosą ir beprasmybę. Labai patiko, skaityčiau dar kartą.

Robotas irgi žmogus

Iš pažiūros duomenų analizė yra labai nešališkas ir objektyvus reikalas: paimi krūvą duomenų, perleidi per sudėtingą statistinių algoritmų mėsmalę ir gauni kažkokias įžvalgas. Mūsų produktą labiau mėgsta Marijampolėje, brangesnius produktus moterys perka savaitgaliais, socialiniuose tinkluose sekantys veikėją X skaito portalą Y, bent tris kartus gavę labai didelę mėnesinę sąskaitą yra linkę perbėgti pas konkurentus. Su regresijomis (ar sudėtingesnėmis analizėmis) ginčytis sunku, nes duomenys lyg ir kalba už save. Nebereikia spėlioti ir remtis dažnai mus pavedančia intuicija. Bet algoritmai nėra jau tokie neutralūs: jie klysta visai kaip žmonės, nes jie mokosi iš tų pačių žmonių jiems pateiktų duomenų. Tad aklai pasitikėti algoritmų sprendimais nereikėtų.

Vienas to pavyzdys yra JAV naudojamas algoritmas, sprendžiantis apie nuteisto nusikaltėlio polinkį dar kartą nusikalsti. Neseniai buvo pastebėta, jog šis algoritmas turėjo rasistinių polinkių: jeigu esi juodaodis, jo nuomone, tavo recidyvizmo tikimybė didesnė. Kadangi tokiais algoritmais naudojamasi sprendžiant, kokio dydžio bausmę skirti, juodaodžiai už tokius pat pažeidimus automatiškai baudžiami stipriau nei visiškai toks pats baltasis kaimynas, kuris gyvena beveik identiškomis socialinėmis sąlygomis. Su panašiomis diskriminacinėmis problemomis susiduria ir moterys: algoritmai mano, kad jos turi žymiai mažesnę tikimybę uždirbti aukštesnę algą, todėl net joms net nerodo gerų darbo pasiūlymų. Jei tik keliolika procentų vadovų yra moterys, tai net neverta švaistyti lėšų joms rodant vadovų darbo skelbimus.

Tokią algoritmo klaidą ištaisyti nėra taip paprasta, kaip gali pasirodyti. Net jei įstatymais uždrausi kuriant algoritmą atsižvelgti į žmogaus lytį ar odos spalvą, yra daug kitų su šiais dalykais koreliuojančių faktorių. Jei 82% namų ūkių su nepilnamečiais ir tik vienu suaugusiuoju sudaro vieniša mama su vaikais, tai iš šeimos sudėties nesunku atspėti suaugusiojo lytį. Juodaodžius galima atskirti pagal vardus, o Lietuvos atveju, tautybę tikriausiai nesunku suprasti pagal pavardę. Žmogaus gyvenamosios vietos pašto indeksas irgi labai daug ką pasako.

Dirbtinio intelekto algoritmai yra kaip vaikai, kurie mokydamiesi iš aplinkos pradeda suvokti ryšius tarp kintamųjų. Lygiai taip, kaip svarbu, jog vaikas bendrautų su tinkamais žmonėmis ir augtų ne asocialioje aplinkoje, taip ir algoritmo negalima lengvabūdiškai tiesiog paleisti mokytis į platųjį pasaulį. Tai pernai suprato Microsoft, paleidusi savaime besimokantį Twitterio botą Tay, kuris per kelias valandas iš interneto vartotojų išmoko daug rasistinių frazių ir tapo piktu keikūnu. Net ir akylai prižiūrint dirbtinio intelekto mokymosi procesą, mokymosi pavyzdžių imtis turi gerai atitikti realaus pasaulio proporcijas (o tai nevisada lengva pasiekti). 2015-aisiais Google išleistas atpažįstantis objektus nuotraukose algoritmas sukėlė skandalą, mat juodaodžių nuotraukas klaidingai klasifikuodavo kaip beždžiones: jis mokėsi daugiausiai iš baltųjų nuotraukų. Panašiai, kaip Delfi žino apie automobilius tik tiek, kad jie dažnai patenka į avarijas.

Galų gale net jei ir labai atsargiai suformuosi duomenų imtį algoritmo mokymuisi ir atidžiai prižiūrėsi visą procesą, mūsų visuomenėje yra tam tikrų stereotipų ar šališkumų, kurie atsispindės duomenyse. Jei dirbtinio intelekto algoritmą mokysi naudodamasis 1870-ųjų studentų duomenų baze, tikėtina, jog jis į magistro programą siūlys priimti beveik vien tik vyrus. Jeigu algoritmas išmoksta tavo keistumus ir atsižvelgdamas į tavo iškreiptą pasaulio vaizdą tau siūlo skaityti tik straipsnius apie konspiracijos teorijas, tai tik padidina tavo tikėjimą jomis – algoritmai ne tik kad nepadeda objektyviau suvokti pasaulį, bet vis labiau jį iškreipia. Klaidingi įsitikinimai sustiprinami ir daromos vis didesnės klaidos.

Ar yra išeitis iš šios spiralės? Vargu, ar visiškai įmanoma sukurti idealius algoritmus, nes jie tėra mūsų visuomenės atspindys. Kritinis mąstymas ir skeptiškumas tampa labai svarbiais įrankiais atskiriant tiesą nuo melagingų naujienų, tik šiais hiperaktyviais laikais, kai dėmesį gali sukaupti tik kelioms sekundėms, tai tampa brangu ir nemadinga.

Dear Data,

Vieną Kalėdų senelio dovanotų knygų surijau per vieną vakarą. Dvi profesionalios duomenų dizainerės (net nesu tikras, kaip teisingai vadinti duomenų atvaizdavimu užsiimančiuosius) – viena Londone, o kita Niujorke –  ištisus metus kas savaitę viena kitai siųsdavo ranka pieštus atvirukus su duomenų schemomis, diagramomis ir grafikais. Kiekvieną savaitę jos pasirinkdavo vis naują temą – kiek kartų pasakei „ačiū“, kiek kartų per savaitę nusijuokei, kas kabo tavo spintoje, kas yra tavo geriausi draugai, kiek kartų nusikeikei ar kiek išgėrei alkoholio. Pasirodo, per septynias dienas tokių duomenų galima prikaupti devynias galybes, ypač jei žymėsiesi ne vien plikus faktus, bet ir su šiais faktais susijusias aplinkybes: ne visi pasakyti „ačiū“ yra vienodi, kai kurie būna ištarti kita kalba, kai kurie parašyti elektroniniame pašte, kai kurie buvo pasakyti tik iš mandagumo, o kai kurie ypač nuoširdūs, nes buvo sakyti su meile savo vyrui. Per daugiau nei penkiasdešimt savaičių šios dizainerės sugalvojo daug išradingų duomenų vaizdavimo būdų ir kone kiekviena atvirutė stebina detalių gausa – bet detalės neužgožia bendro duomenų piešiamo paveikslo, jos nenumaldomai traukia gilyn, ten kur abstraktūs agreguoti skaičiai nutrindami ribą tarp statistikos ir asmeninio intymumo pavirsta į atskirus išgyventus faktus. Kai dešimt kartų pasakytas žodis „ačiū“ tampa trimis „ačiū“ padavėjai už pateiktą sriubą, dviem „ačiū“ bendradarbiui už persiųstą emailą, padėka draugui už tai, kad jis šalia ir keturiais „ačiū“, kuriuos turėjai pasakyti, bet neišdrįsai, tai nebe plika statistika: tikrai jautiesi gerai pažįstantis autorę.

Peržvelgus šio projekto atvirutes pradedi suprasti, kad duomenimis savo gyvenime galima paversti beveik bet ką, tačiau vien pats duomenų rinkimas priverčia atkreipti dėmesį į tuos dalykus, kuriuos šiaip būtum praleidęs pro pirštus. Vien tai, kad skaičiuoji šypsenas, verčia tave daugiau šypsotis, vien tai, kad seki savo alkoholio suvartojimą, galbūt daro tavo blaivesniu, vien tai, kad surenki duomenis apie žmones, su kuriais bendravai per savaitę, primena tau, kad reiktų paskambinti seniai matytai tetai. Ką matuoji, tuo ir gyveni. Apie ką nuolat galvoji, su tuo ir susitapatini. Bet norint daugiau judėti neužtenka nuolat ant rankos nešioti Fitbit apyrankę – jei duomenys surenkami paprastai ir neskausmingai, į juos lengva numoti ranka ir užsimiršti. Kuo sunkiau duomenis teko rinkti ir analizuoti, tuo juos vertini rimčiau. Kartais nėra blogai duomenis sąmoningai užsirašinėti ranka: tai leidžia stabtelti ir pagalvoti apie kiekvieną konkretų stebėjimą.

Be to, kad ši knyga apie duomenis, ji dar priminė, jog reikėtų dažniau sakyti „ačiū“, tad dar kartą dėkoju Kalėdų seneliui už „Dear Data“.

Zylių stebykla

Man patinka vis ką nors naujo išmokti, o mokytis geriausia ką nors darant. Taip visai netyčia užgimė Rube Goldbergiško stiliaus zylių stebėjimo projektas, kuris savyje sujungė norą išsibandyti python kalbos bibliotekas konvoliuciniams neuroniniams tinklams su idėja viską padaryti Amazon AWS debesies infrastruktūroje be jokių dedikuotų serverių vien tik su Lambda funkcijomis. Suprantu, kad tiems, kas su tokiais dalykais nesusiduria tai skamba lygiai tiek pat įdomiai kiek man skambėtų nauja variklio vožtuvo modifikacija paskutiniame BMW modelyje (tikiuosi nesuklydau, kad vožtuvai kažkaip susiję su varikliais, non?), bet trumpai tariant, projektas tapo sudėtingas dėl to, kad norėjosi prie lesyklos atskridusias zyles registruoti automatiškai, o tam vien judesio daviklio neužtenka: kartais dėl didelio vėjo juda pati lesykla, kartais užfiksuojama pravažiuojanti mašina, o kartais vaizdas pasikeičia, nes atidarius balkoną aprasoja stiklas. Taigi, reikėjo sistemą „išmokyti“ nuspręsti, ar kadre šiuo metu yra zylė. Tiesa, pati sudėtingiausia dalis pasirodė esanti zylių atpažinimo funkcijų perkėlimas į debesį: nes juk kam daryti viską įprastai, jeigu galima kuo sudėtingiau. Bet rezultatas mane džiugina: gal ne tiek dėl to, kiek kasdieną priskaičiuoju zylių, o dėl įgytų žinių ir patirties. Apie Amazono debesį ir kaip apeiti jo ribotumus sužinojau tikrai daug.

Keletas detalių tiems, kam jos įdomios: balkone, prie zylių lesyklos, stovi Orange Pi kompiuteris su web kamera, kurioje sukasi motion, o jis veikia kaip judesio daviklis. Atsiradus judesiui, daromos jpg nuotraukos ir siunčiamos į Amazon S3 kibirą, o čia yra trigerinama lambda funkcija, kuri išima iš paveiksliuko jo foną (faktiškai yra paskaičiuojamas skirtumas tarp apdorojamo paveiksliuko ir foninio paveiksliuko, kuriame tikrai nėra zylės). Taip paruoštas ir sumažintas paveikliukas per Amazono SNS servisą atiduodamas kitai lambda funkcijai, kuri perleidžia paruoštą paveiksliuką per ištreniruotą neuroninį tinklą ir išspjauna atsakymą, kiek, jo nuomone, paveiksliuke yra zylių. Šie atsakymai kaupiami SQS eilėje iki tol, kol motion mano, kad judesys baigėsi ir į S3 kibirą įkelia viso judesio vaizdą. Tai trigerina trečią lambda funkciją, kuri paskaičiuoja vidutinį zylių skaičių SQS eilėje, ir, jei jis gana didelis, statinėje svetainėje apie tai padaro naują įrašą. Eilė išvaloma ir viskas prasidės iš naujo tada kai tik bus užfiksuojamas naujas judesys.

Zylių stebėjimo sistema per Amazon debesį