Сентябрь 2019: теорема Байеса и байесианское мышление простыми словами, история товарных ценников, 11 законов шоураннера и квантовые компьютеры

Javier Grillo-Marxuach, который был продюсером и писателем на разных сериалах, написал документ для шоураннеров (по сути управляющих) сериалов: “The 11 Laws of Showrunning”.

  1. It’s all about you now stop making it all about you
  2. Know your show and tell everyone what it is
  3. Always describe a path to success
  4. Make decisions early and often
  5. Do not demand a final product at the idea stage
  6. Write and rewrite quickly
  7. Track multiple targets efficiently by delegating responsibility
  8. Resist the siren call of the “Sexy glamorous jobs”
  9. Expect your staff to perform at varying levels of competence
  10. Deliver good and bad news early and often
  11. Share credit for success to a fault

Очевидным образом по своей сути управление сериалом не сильно отличается от управления продуктом. Эти же штуки применимы и там. Написано забавно и хорошо, я с удовольствием прочитал.

Есть две версии. Короткая “nice” версия на 25 страниц и длинная саркастичная на 48 страниц. Смысл и там и там одинаковый, но длинная версия в два раза длиннее и полна яда и насмешек.

§§§
Я очень не люблю, когда компании пишут вот такие вот блог-посты. Они хороши для SEO, но вот подобные пункты это бесполезная фигня:

  • Publish high-quality content
  • Make your content shareable

Ок, понятно, что надо публиковать хороший контент, а плохой не публиковать. Но как отличить хороший от плохого? Как написать хороший, если никогда этого не делал? Вот важные вопросы, а супер-очевидные советы не помогают.

Советы должны быть конкретные, выполнимые. Вот например отличный пример того, как конкретно и просто объяснить сложные вещи: https://knife.media/how-to-shoot/

Я стал думать про то, какие посты мне кажутся интересными в других блогах компаний. Вижу четыре типа. (исключая продуктовые анонсы.

  1. Подробно объяснить сложное понятие простыми словами.
    То есть пост про одно понятие, одну идею и разбирает эту штуку подробно так, чтобы она стала понятна всем. Например “ремаркетинг” — что это, зачем, когда юзать и когда не юзать.

  2. Детальный разбор конкретного действия.
    Как сделать хорошо определенную штуку. Например “как создать канал на Ютубе”. Конкретные шаги, инструкция по созданию, скриншоты и детали.

  3. Набор шагов для достижения чего-то.
    Есть цель, теперь мы описываем как ее достичь. Важно: шаги должны быть конкретные и не супер-очевидные. Например “как повысить средний чек — 5 шагов по настройке магазина”.

  4. История человека.
    История человека, который пользуется сервисом. Реальный рассказ. Упор на проблемы, решения, подходы, челленджи, конфликт (с собой, другими, жизнью), числа, изменение героя в процессе.

Не знаешь о чем писать — эти темы всегда помогут. Они точно лучше общих советов типа “будьте богатыми и здоровыми, избегайте быть бедными и больными”.

§§§
Пишут, что у Теслы были проблемы c приложением, часть людей разлогинило и нельзя было открыть машину.

Это интересный пример того, как недостаточно хорошо сдизайнили для кризиса. Такие штуки возникают вокруг время от времени. Когда по какой-то причине где-то там в облаке приложению не ответили, а приложение решает что все пропало.

Если открыть приложение Аэрофлота на плохом интернете, то после долгой попытки войти в аккаунт, тебя может разлогинить. Когда в поездке на плохом аэропортном вайфае решаешь посмотреть следующие рейсы, а тебе показывают крутилку долгое время и потом выбрасывают из аккаунта — это весьма раздражает. Ну очевидно я хочу, чтобы приложение показало мне сразу старые данные и не пыталось сразу меня логинить при каждом открытии.

Или вот несколько месяцев назад у Яндекс.Такси был маштабный сбой. Я как раз заказывал такси. Приложение не смогло получить мои платежные данные (привязанные кредитки) и сбросило оплату в “наличные”. Хорошо, что я это заметил! Было бы неприятно в конце поездки спорить с таксистом об оплате и думать где взять наличные (у меня их не было с собой). У меня ~400 поездок в год, приложение об этом знает. Ну уж если приложение не смогло получить платежные данные, то оно могло и в долг меня свозить один раз, пока проблема на серверах не починилась, а потом доснять нужную сумму.

Подобная проблема была и у нас в Эквиде как-то в прошлом. У нас есть интеграции с разными системами, все наши интеграции работаю поверх нашего же API. И вот в одной штуке была логика “если API запрос вернул 404, значит аккаунт удалили, надо в этой интеграции удалить данные для этого аккаунта — они уже не нужны”. Все было хорошо, пока не случилась другая проблема из-за которой небольшое время API запросы выдавали 404 для всех аккаунтов. Ну интеграция и начала дисконнектить аккаунты у себя. Заметили и быстро восстановили, но было неприятно.

С тех пор я запомнил штуку, что отсутствие API ответа не равно API ответу с отсутствием. Если с сервера ничего не пришло (например на запрос верификации токена) — это не повод разлогинивать, может там все упало? Или плохой интернет? Надо моделировать ситуации, когда все идет не так и убедиться, что мы их правильно обрабатываем.

§§§

Теорема Байеса и байесианское мышление простыми словами

Если вы начнете интересоваться темой принятия решений, то наверняка вы столкнетесь с теоремой Байеса из теории вероятностей и понятием “байесианское мышление”. Люди пишут, что эта теорема кардинально изменила то, как они думают.

При этом во всех статьях про теорему Байеса будет примерно одно и то же: формулы, примеры с медицинскими тестами и ложноположительными результатами, примеры расчета вероятностей. Возникает вопрос (у меня он в свое время тоже возник) — окей, это все очень интересно, но как это влияет на мое мышление, в чем заключается то самое кардинальное изменение? Когда мы принимаем решения, мы не вспоминаем формулы.

Кажется я нашел для себя ответ и могу сформулировать что же такое “думать по байесиански”. Как эта известная математическая формула транслируется в образ мышления.

Эти подходы не гарантируют счастье в вашей жизни и хорошие решения. Используйте на свой страх и риск. Мне это помогает — вам может все испортить.

I. Любое убеждение имеет определенную вероятность правдивости.

Мы не можем утверждать, что что-то 100% истинно или ложно. Мы практически всегда принимаем решения и делаем выводы исходя из неполных данных — нашей неполной модели мира. Наши убеждения это результат опыта и наблюдений, в которых есть определенная доля случайности. Поэтому мы не можем быть на 100% уверены в правдивости своих убеждений.

Полезно думать о своих убеждениях как о чем-то, что верно с какой-то вероятностью. Это вероятность может быть большая (“я убежден с очень-очень большой вероятностью, что гомеопатия не работает”) или небольшая (“я думаю, что мой друг А. на обижен, но не уверен точно — процентов на 60%”) или очень небольшая (“я думаю шанс того, что инопланетяне посещают Землю — 0.0001%”).

Такой образ мышления напоминает, что убеждения не являются чем-то конечным и незыблемым. Они могут изменяться. Он также напоминает, что мы всегда принимаем решения и строим убеждения исходя из неполных данных, поэтому они могут быть не верны.

То есть нет абсолютных убеждений. Не надо думать в терминах “я верю” или “я не верю”. Есть убеждения, у них есть вероятности правдивости. То есть “я думаю это более вероятно” или “я думаю это менее вероятно”.

II. Вероятность правдивости убеждения менятся после свидетельств

Вероятности наших убеждений не статичны. Они меняются под воздействием свидетельств. Любой наблюдаемый факт это свидетельство. Оно сдвигает вероятность правдивости убеждения вверх или вниз.

То есть надо брать свидетельство, которое вы наблюдаете и решать, насколько сильно оно меняет ваши убеждения (про это в деталях ниже).

Статичная вера в что-то это не добродетель. Добродетель это постоянное обновление модели мира для ее бОльшей эффективности. Изменение вероятности убеждения (вверх или вниз), иотказ от убеждения или приобретение нового это достижение. Что-то, что надо праздновать .

Три важных штуки про свидетельства.

Не надо игнорировать неудобные свидетельства

Некоторые убеждения приятны и делают нам хорошо: например говорят, какие мы молодцы, рассказывают про то как хороша наша идентичность (не то, что у других) или мы к ним просто привыкли.

Мы любим приписать большую значимость свидетельству, которое поддерживает наше существующее убеждение и отмахиваемся от других. Этого невозможно избежать, но можно замечать и пытаться исправлять.

Свидетельства, которые таким убеждениям противоречат, не надо игнорировать. Их надо замечать, признавать, обдумывать, праздновать.

Свидетельства работают только в одну сторону

Свидетельство не может одновременно понижать и повышать вероятность убеждения в зависимости от нашего желания. Если свидетельство повышает вероятность, то обратное свидетельство (“анти-свидетельство”) должно понижать эту вероятность.

Тут лучше показать на примере. Допустим в деревне ищут ведьму или ведьмака. В деревне знают — ведьмы злые и всегда желают всем зла. Чуваки с факелами говорят: N. — ведьма, она ходит и всем всегда улыбается, никогда ни на кого не подняла голос. Разве нормальные люди так могут? Это специально — маскировка.

Это ошибка (поиск ведьм тоже ошибка, я сейчас больше про логическую ошибку).

Если в деревне решили, что свидетельство “человек злой” повышает вероятность того, что этот человек — ведьма, то обратное свидетельство “человек добрый” обязано эту вероятность понижать. Значит очень добрый человек с меньшей вероятностью будет ведьмой. Жителям деревни надо или это признать или пересмотреть свою гипотезу про “все ведьмы злые и всегда желают зла”.

Если вы видите, что свидетельство и его противоположность одновременно используются для убеждения в чем-то одном — это ошибка.

(Тут важно еще помнить, что отсутствие свидетельства не равно свидетельству отсутствия. Отсуствие свидетельств, что человек не ведьма, не равно свидетельству, что человек — ведьма, это просто отдельное свидетельство)

Сильные и слабые свидетельства

Свидетельства разные, поэтому важно не сколько их количество, сколько их сила. Какой-то факт сильный и двигает вашу оценку правдивости чего-то очень сильно. Какой-то факт слабый и практически никак не влияет.

Результат одного медицинского эксперимента перевешивает личные мнения 1000 разных людей. Мнение ребят из деревни “та семья из крайнего дома странная, наверняка сатанисты” сильно слабее ситуации, когда вы видите как эта семья приносит в жертву черного козла.

Надо оценивать силу свидетельства (про это ниже) и активно искать сильные свидетельства, если вам надо принять какое-то решение.

III. Как обновлять свою веру: формула Байеса

Теорема Байеса решает задачу “как же мне обновить свою веру (то есть вероятность), если я обнаружил свидетельство”.

Теорема Байеса и немного математики

Cейчас будет немного формул, если они неинтересны — сразу перепрыгивайте к “Формула Байеса простыми словами”.

Самый распространенный вид формулы вот такой:

$$P(A \mid B) =\frac{P(B \mid A) \times P(A)}{P(B)}$$

То есть “Вероятность события А, если свидетельство-событие B произошло” = (“Вероятность события B, если свидетельство-событие A произошло” × “Вероятность события А ” ) / “Вероятность события-свидетельства B само по себе”

В таком виде формула плохо применима в реальной жизни. Мало кто будет в уме расчитывать все эти вероятности.

Поэтому лучше смотреть на эту формулу в виде шансов (odds form). Для начала определим, что такое шанс и чем он отличается от вероятности события. Шанс события это

$$O(A)=O(A:¬A) = \frac{P(A)}{1 - P(A)}$$

То есть это отношение вероятности события к вероятности, что оно не произойдет. То есть это не сама вероятность, а как бы насколько эта вероятность “сильнее” альтернатив.

Например вероятность выкинуть единицу или двойку на кубике: 26. А вот шансы выкинуть только единицу это 16.

В шансовой форме формула Байеса выглядит вот так:

$$O(A \mid B)=O(A) \times \frac{P(B \mid A)}{P(B \mid ¬A)}$$

Вот эту формулу мы и будем использовать, она гораздо проще прикидывается в уме.

Формула Байеса простыми словами

Простыми словами эту формулу можно описать так.

“Шансы события А, если свидетельство-событие B произошло” = “Шансы события A” × ( “Вероятность события-свидетельства B в мире где А верно” ) / “Вероятность события-свидетельства B в мире, где A неверно” )

Обновленные шансы события (та же вероятность) зависят от двух вещей: начальные шансы события и некое отношение (его еще называют отношением правдоподобия, likelihood ratio). Оба множителя влияют на конечный ответ. Рассмотрим каждый поподробнее.

Начальная априорная вероятность

Для того, чтобы определить вероятность события после свидетельства надо иметь некую начальную вероятность.

Но вся гениальность теоремы Байеса в том, что это начальная (ее еще называют априорной) вероятность не должна быть ничем обоснована. Абсолютно нормально, если это грубая прикидка, взята из головы наугад.

Про разные техники прикидки вероятностей, можно почитать например вот в этой заметке.

Отношение правдоподобия: два мира

Второй множитель — отношение правдоподобия. Он как раз определяет силу свидетельства. Если оно сильное, то оно больше сдвигает вероятность вверх или вниз. Слабое — практически не сдвигает.

Это отношение (то есть сила-слабость) расчитывается вот так:

“Вероятность события-свидетельства B в мире где теория-А верна” ) / “Вероятность события-свидетельства B в мире, где теория-A неверна”

Для прикидки этой штуки не нужно расчитывать никакие формулы в уме. Для этого надо представить два мира: в одном ваша теория-убеждение A верно, во втором — неверно. Во сколько раз гораздо вероятней наблюдать факт-свидетельство в мире где теория верна, чем в мире где она не верна? Вот это ощущение “во сколько” — во много, средне, совсем чуть-чуть — и есть отношение правдоподобия и определяет силу факта-свидетельства.

Пример: вы очнулись в незнакомом месте. За окном идет дождь. Насколько это сильное свидетельство того, что мы не в пустыне?

Представим два мира. В одном нам похитили и привезли в пустыню. В другом нас похитили и привезли не в пустыню. В каком из этих миров вероятней будет идти дождь и насколько? Очевидно в мире где пустыни нет, дождь более вероятней и намного. Поэтому это достаточно сильнее свидетельство того, что мы не в пустыне.

Второй пример: коллега целый день хмурился при разговоре с вами и вы не понимаете почему. Обычно не так, поэтому вы решаете, что коллега на вас обижен. Так ли это? Представим два мира, в одном коллега на вас обижен за что-то, но вы не знаете за что. Во втором мире коллега на вас не обижен. В каком мире коллега будет чаще/вероятней хмуриться при разговоре? В том, где он обижен, но при этом эта вероятность будет не сильно больше, чем в мире, где он не обижен. Ведь люди могут хмурится и иметь плохое настроение по разным причинам. Поэтому хоть это свидетельство увеличивает шанс, что коллега обижен, но увеличивает совсем на чуть-чуть, потому что само свидетельство слабое.

Обновление шансов/вероятностей сводится к прикидке двух штук и их умножению:

Варианты событий — примеры

Есть четыре самых распространенных ситуации.

Рассмотрим их подробно с примерами.

Небольшая априорная вероятность — слабое свидельство
Друг засиделся у вас допоздна. Он уезжает домой на машине и обещает написать СМС, как приедет. Прошло три часа — СМС нет. Стоит ли вам волноваться, что друг попал в аварию?

Рассмотрим два мира: в одном друг попал в аварию, а в другом — нет. В первом мире вероятность не написать СМС выше, но совсем не намного — друг устал и мог забыть (тут правда зависит от друга).

Начальная вероятность аварии тоже низкая (аварии встречаются редко). Все вместе дает понять, что факт “не было СМС” практически не увеличивает вероятность, что случилась авария, поэтому волноваться не надо.

Небольшая априорная вероятность — сильное свидельство
Друг засиделся у вас допоздна. Он уезжает домой на машине и обещает написать СМС, как приедет. Прошло три часа — СМС нет. Вы ждете утра — СМС нет. Вы звоните несколько раз ему на телефон — он не отвечает. Стоит ли вам волноваться, что друг попал в аварию?

Рассмотрим два мира: в одном друг попал в аварию, а в другом — нет. В первом мире вероятность не написать СМС/не ответить выше и достаточно сильно выше. Люди обычно отвечают на телефонные звонки.

Начальная вероятность аварии низкая (аварии встречаются редко). Свидетельство уже достаточно сильное — но насколько? Допустим шансы попасть в аварию 110000 Вероятность не ответить на телефон на следующий день после встречи, если случилась авария в 10 раз выше чем в мире где аварии нет. Получается шансы, что случилась авария 110000 × 10 = 11000 Да, стало сильно выше, но не ситуации “а-а-а точно все плохо”. Возможно друг просто спит.

А вот если есть еще дополнительные свидетельства, например друг не пошел на следующий день на работу, то вероятность этого допустим в 500 раз больше в мире, где авария случилась. Получается 11000 × 500 = 12 — очень серьезные шансы, что это произошло.

Сильные свидетельства заметно меняют начальную вероятность, если их сила свидетельства соответствует начальным шансам. Насколько небольшие априорные шансы, настолько большое должно быть отношение правдоподобия, чтобы серьезно повлиять. Тут удобно сравнивать просто даже порядок чисел — если начальные шансы это один из нескольких десятков тысяч, то для серьезного влияния свидетельство должно быть более вероятно в мире, где теория верна, раз в 100 как минимум.

Если же начальные шансы большие, например 1 из 50, то даже свидетельство вероятное раза в 2-3 уже сильно влияет.

Про это даже есть фраза “экстраординальные теории требуют экстраординальных доказательств”.

Большая априорная вероятность — слабое свидельство
Большая априорная вероятность — сильное свидельство
Тут уже все просто. Cлабое свидетельство не меняет сильно большую начальную априорную вероятность.

Если друг уехал поздно, а вам приснился плохой сон про аварию — это очень слабое свидетельство и сильные априорные шансы “с другом все хорошо” не меняются.

Если у нас есть большая начальная вероятность и сильное свидетельство — вы смотрите на то, в какую сторону это свидетельство. Оно или подкрепляет еще больше начальную теорию или же заметно уменьшает его вероятность (согласно своей силе)

IV. Заключение

Весь подход сводится к 6 пунктам:

Вот и все. Если хочется больше формул и математики, то есть хорошая статья на русском и на английском.

§§§
Интересная история про товарные ценники (price tags). Оказывается ценникам не так много лет — всего около 150-и.

Раньше вместо ценников все торговались с продавцом. Конечная цена была результатом твоей платежеспособности и умения торговаться. Исключением были квакеры, протестантское христианское движение. Они считали, что морально неправильно брать разную цену у разных людей.

Основатель cети магазинов Macy’s (Rowland Hussey Macy) был тоже квакером. Поэтому он в своих магазинах начал брать фиксированную цену и прикреплять бирки с ними к товарам. Это дало ему следующие штуки:

Спустя какое-то время ценники с фиксированной ценой стали везде.

Интересно, как это может быть инструментом поиска новых более удобных моделей. Ну например, делают у вас ремонт — цена ремонта плавающая, надо торговаться, меняется со временем. Приходят ребята и говорят — фиксированная цена на все, известна заранее. Или наоборот — раньше можно было купить или арендовать сервер за фиксированную цену, а ребята говорят — а мы будем брать плавующую цену в зависимости от использования и твоих потребностей.

§§§
Две статьи с краткой историей Visa.

О некоторых моментах я не задумывался прежде.

Со временем программа стала расширятся по Калифорнии. Первые три года было много фрода, просроченных платежей — программа приносила заметные убытки. Видя это другие банки не начинали что-то подобное, поэтому когда три года спустя Bank of America научился получать прибыль большинство продавцов в Калифорнии уже принимало BankAmericard, что делало очень сложным появление нового игрока (никто не хочет карту, которую принимает мало продавцов, а продавцы не хотят принимать карту, которую не используют — замкнутый круг).

Но с ростом количества банков в системе росли и проблемы управления всей этой штукой. Допустим вы хотите оплатить своей BankAmericard в другом штате — продавец звонит своему банку, а тот звонит вашему банку, чтобы выяснить можно ли одобрить покупку. Это занимало время, а ведь есть еще и разные временные зоны. А потом банк продавца должен послать запрос (бумажный, почтой) в банк покупателя, они должны его обработать — короче сотни банков слали друг другу кучу бумаг, что-то терялось, что-то забывалось. Вся система начала разваливаться.

Интересно, что Visa началась как сервис, который убрал рутинные сложные действия у продавцов (“теперь вам не нужно следить за кредитами покупателей”) и дал больше свободы покупателям (“теперь ты можешь взять небольшой займ, не приходя в банк и платя как ты хочешь”).

US законы вынудили Bank of America вовлечь другие банки в франшизу, что привело к обмену данных между ними и в результате заставило сделать эффективную и быструю систему обмена данных между собой.

А в результате Visa контролирует и берет процент с очень большого объема всех мировых обменов деньгами. И ведь Visa сама не берет и не отдает деньги же. Они выступают как посредники между всеми банками. Как некий универсальный API, который связывает любой банк мира с любым другим банком мира. Я могу заплатить картой русского банка за любую фигню из любой страны. Моему банку не надо иметь интеграцию с каждым банком каждой страны, достаточно иметь интеграцию с Visa (или Mastercard), которая абстрагирует его от всех сложностей. Универсальный API за доступ к которому надо платить.

§§§
Я тут почитал про квантовые компьютеры и вроде понял основной принцип и почему они сулят крутое ускорение некоторых действий. Сильно-сильно упрощая, все работает вот так.

Вот есть обычные компьютеры. Они оперируют битами: 0 и 1. Над битами можно делать операции: NOT, AND, OR. Биты формируются в цепочки: байты (например “10001110”). В этом суть, из этих кирпичиков строится все остальное.

Квантовый компьютер оперирует не битом, а кубитом. Кубит это штука, которая может одновременно находится в двух состояниях: 0 и 1. Ну он как бы и одновременно и 0 и 1 и одновременно не 0 и не 1.

C одной стороны кубит может быть и просто 0 или 1 — они обычно обозначаются просто ∣0> и ∣1> (по факту можно считать, что это те же 0 и 1). Дальше я буду для простоты просто писать 0 или 1. Но также кубит может быть в состоянии α×0+β×1, то есть как бы и там и там одновременно (α и β — числовые коэффициенты, например 0.6×0+0.8×1)

Также есть логические элементы, аналоги AND, OR, NOT — квантовые вентили (quantum gates). Например есть квантовый вентиль NOT, который работает так: NOT(0)=1, NOT(1)=0, NOT(α×0+β×1)=β×0+α×1.

Их на самом деле достаточно много разных, некоторые работают с одним кубитом (как NOT). Некоторые с двумя и тремя, меняют состояние кубита в зависимости от другого кубита. Главная суть: эти преобразования берут на вход кубит, как-то с ним работают и на выходе дают тоже кубит, но уже с другими α и β.

Особенность квантового компьютера в том, что пока он работает мы никак не может узнать какие там у этого кубита конкретные α и β. Согласно квантовой механике это невозможно. В момент же измерения наблюдатель воздействует на систему и она схлопывается. Кубит α×0+β×1 с вероятностью α² будет в состоянии 0 и с вероятностью β² в состоянии 1.

То есть квантовое преобразование меняет вероятность нахождения кубита в том или ином состоянии.

Теперь все как это вместе работает. Чуваки берут и выставляют кубит (или несколько) в исходное значение. Например в 0. Потом пропускают через набор разных квантовых вентилей (например превращая 0 в α×0+β×1), которые этот кубит (кубиты) модифицируют (мы не знаем точно как, не можем заглянуть в середину процесса). В самом конце происходит измерение, кубиты схлопываются и мы получаем конечный результат — это ответ c какой-то точностью.

Понятно, что там сложная математика, чтобы вот работая с вероятностями α×0+β×1 сложить например 5 и 7.

Все эти кубиты и квантовые вентили реализуются хитрыми физическими штуками связанные с электронами, ионами, светом и так далее.

Умная математика говорит, что

А быстрее получается, потому что все состояния в этих преобразованиях обрабатываются как бы одновременно. Вот допустим у нас есть классический компьютер и 8 битов. Их комбинации выглядят вот так:

00000000
00000001
00000010
…
01111111
11111111

Если мы хотим обработать каждый бит и каждую комбинацию, нам надо пройти через 2⁸ = 256 отдельных состояний.

Если же у нас квантовый компьютер и 8 кубитов, то каждый кубит одновременно и 0 и 1 (и не 0 и не 1). Получается:

0или1, 0или1, 0или1, 0или1, 0или1, 0или1, 0или1, 0или1

Система из 8 кубитов может быть с разной вероятностью одновременно в одном из 256 классических состояний. Но вот преобразования в квантовом компьютере можно делать сразу над кубитом, то есть как бы над всеми состояниями сразу. Там где классическая система работает над 2 состояниями, квантовая работает с 1 кубитом. Классическая работает с 256 состояниями (2⁸), квантовая с 8 кубитами. Классическая работает с 1267650600228229401496703205376 состояниями (2¹⁰⁰), а квантовая всего со 100 кубитами. То есть все круто параллелизируется.

Всей этой штуке лет 50 всего, достаточно недавно появились теории и математические обоснования. (как только выяснилось, что можно шифры вскрывать быстрее — стали сильно энергичней заниматься). И вот уже Гугл пишет, что сделал компьютер на 52 кубитах. Короче мы как в 40-х при зарождении компьютерной эры — теория есть, дело за имплементацией. Наверное еще лет через 20-30 это прям многое измененит (супер-крутое моделирование молекул для нахождения новых лекарств, AI и моделирование мозга и тд).

Кому интересно подробнее можно почитать например Quantum computing for the very curious и потом Scott’s Supreme Quantum Supremacy FAQ.

§§§
Видео “How NOT to Measure Latency”.

Про то, как не надо мерять время ожидания в системах (то есть скорость ответа). Доклад технический, особенно вторая его часть. Сам докладчик говорит, что “этот рассказ откроет вам глаза, вас всю жизнь обманывали”.

Две интересные мысли. Достаточно очевидные, но я о них не задумывался.

Решение — помнить про это и смотреть еще на max.

§§§
Некоторые штуки в технической поддержке контринтуитивны.

В обычном разговоре двух людей у нас есть обычно симметрия(желаний, статусов, etc), поэтому например грубость одной стороны вызывает реакцию и ответную грубость другой.

Когда же человек общается с технической поддержкой, то симметрии нет: этому человеку надо от поддержки больше, чем наоборот. Этот человек может быть в стрессе. У поддержки может быть что-то, что человеку важно: знание, решение проблемы. Всегда есть ассиметрия, поэтому обычные реакции будут неправильны.

В середине 80-ых годов в Далласе произошла трагичная история, которая очень хорошо показывает эту штуку. Мужчина (Boff) позвонил в 911 и стал рассказывать, что у его матери проблемы. Она с трудом дышит и не в себе. Медсестра начинает задавать ему вопросы о ситуации. Мужчина не понимает зачем эти вопросы нужны. Для него они выглядят ненужными шагами, которые отдаляют всех от цели. Он раздражен, на что медсестра просит его не ругаться.

Nurse: Where is she now?
Boff: She is in the bedroom right now.
Nurse: Can I speak with her please?
Boff: No, you can’t. She seems like she’s incoherent.
Nurse: Why is she incoherent?
Boff: How the hell do I know!
Nurse: Sir, don’t curse me.
Boff: Well, I don’t care. You stupid … questions you’re asking. Give me someone who knows what they’re doing. Why don’t you send an ambulance out here?
Nurse: Sir, we only come out on life-threatening emergencies.

Потом на звонок подключается руководитель медсестры. Он/она просит отвечать на вопросы медсестры и предупреждает, что если мужчина будет ругаться, то он/она повесит трубку.

Supervisor: Hello?
Boff: What do I have to do to get an ambulance out to this house?
Supervisor: You have to answer the nurse’s questions.
Boff: All right! What are they, before she dies will you please tell me what the hell you want?
Supervisor: Well, I tell you what, if you curse one more time I’m gonna hang up the phone.

Медсестра по прежнему задавает вопросы. Мужчина не понимает зачем, они кажутся ему бессмысленными. В конце концов он перестает пытаться и прекращает разговор.

Nurse: OK, sir, I need to talk to her still.
Boff: You can’t. She is incoherent.
Nurse: Let me talk to her sir.
Boff: (To roommate) Please tell her she’s incoherent and cannot talk. (To nurse) She cannot talk at all. Nurse: Why?
Boff: Well, how am I supposed to know?
Nurse: Well give her the phone.
Boff: (To roommate) Give her the phone in there. Give her the phone. I know she can’t talk but they want to talk to her. But she can’t talk. (To nurse) Forget it. I’ll call the main hospital around here all right?
Nurse: OK. Bye-bye.

Через какое-то время в 911 звонит уже сосед по комнате этого мужчины. Медсестра опять просит поговорить с больной. В процессе звонка мужчина говорит, что его мать умерла.

Nurse: Are you the same man I was talking to earlier?
Fleming: No, that was my roommate.
Nurse: Uh huh. Why can’t I talk to the lady?
Fleming: She cannot talk.
Nurse: Why?
Fleming: She’s in … she’s just out of it. In fact, he’s going in there now. He thinks she’s dead.
Nurse: What do you mean by ‘out of it?’
Fleming: She is incoherent.
Boff: She’s dead now. Thank you, ma’am! Would you please send an ambulance? Would you please send an ambulance here?

Полный транскрипт можно прочитать вот тут: http://www.aintnowaytogo.com/911Call.htm

Медсестра следовала скрипту, чтобы понять тяжесть проблемы. В то время у них был большой поток звонков c false positives, до половины звонков были не по критичным штукам. Мужчина не понимал зачем эти вопросы и для него они выглядели излишней бюрократией, поэтому он раздражался. И его можно понять, кто бы не стал, ситуация стрессовая, у дорогого ему человека проблема, а между им и решением стоит кто-то с “глупыми” вопросами. Медсестра и ее руководитель повелись на эмоции “а что он тут ругается” вместо фокуса на решении. В результате все пошло не так.

Так вот, я убежден, что это задача поддержки не допускать такие ситуации: объяснять зачем задаются вопросы, которые могут казаться глупыми и ненужными. Допускать и принимать, что собеседник может быть в стрессе и раздражен. Всегда считать по умолчанию, что проблема важная (а она важная для собеседника) и действовать соответствующе. Это и отличает отличную поддержку от посредственной.