Month: January 2017

Lietuvos miestų gatvės

Lietuva, Pastebėjimai, Python, , , ,

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?

Asmeniniai finansai, Gyvenimas, Pastebėjimai, ,

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“

Knygos, Pastebėjimai,

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

Analizė, Darbas, Pastebėjimai, Programavimas, , ,

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.