In che modo Collective Intelligence supera la visione degli esperti?

Question

Sono interessato a fare qualche programma di Intelligenza Collettiva, ma mi chiedo come possa funzionare?

Si dice che sia in grado di fornire previsioni accurate: il libro O'Reilly Programming Collective Intelligence, ad esempio, afferma che una raccolta di azioni degli operatori può effettivamente prevedere i prezzi futuri (come il mais) meglio di un esperto.

Ora sappiamo anche in classe statistica che, se si tratta di una stanza di 40 studenti che hanno sostenuto l'esame, ci saranno da 3 a 5 studenti che otterranno un voto "A". Potrebbero esserci 8 che ottengono "B" e 17 che hanno "C", e così via. In pratica, è una curva a campana.

Quindi da questi due punti di vista, come può una raccolta di "B" e "C" risposte fornire una previsione migliore rispetto alla risposta che ha ottenuto una "A"?

Si noti che il prezzo del mais, ad esempio, è il prezzo accurato del tempo, la domanda di aziende alimentari che utilizzano mais ecc. Piuttosto che una "profezia che si autoalimenta" (più persone comprano il futuro del mais e il prezzo sale e più la gente compra di nuovo il futuro). In realtà è in grado di prevedere l'offerta e la domanda in modo accurato per fornire un prezzo preciso in futuro.

Com'è possibile?

Aggiornamento: possiamo dire che l'Intelligenza Collettiva non funzionerà nell'euforia e nel panico del mercato azionario?

Answer 1

The Wisdom of Crowds la pagina wiki offre una buona spiegazione.

In breve, non sempre si ottengono buone risposte. Ci devono essere alcune condizioni perché si verifichi.

Answer 2

Beh, si potrebbe desiderare di pensare alla seguente "modello" per una supposizione:

guess = right answer + error 

Se chiediamo un sacco di gente una domanda, otterremo un sacco di diverse ipotesi. Ma se, per qualche ragione, la distribuzione di error s è simmetrica intorno allo zero (in realtà deve solo avere una media zero) allora la media delle ipotesi sarà un buon predittore della risposta giusta.

Si noti che le ipotesi non devono necessariamente essere buone, vale a dire che gli errori potrebbero effettivamente essere grandi (grado B o C, piuttosto che A) finché ci sono risposte di grado B e C distribuite su entrambi i lati della risposta giusta.

Naturalmente, ci sono casi in cui questo è un modello terribile per le nostre congetture, l'intelligenza collettiva in modo non sarà sempre lavoro ...

Answer 3

La colpa è nella tua analogia, entrambe le opinioni non sono uguali. I commercianti prevedono l'utile diretto per la loro transazione (la piccola parte del mercato su cui hanno una panoramica), mentre l'esperto cerca di prevedere il campo complessivo.

IOW la posizione di tutti gli operatori viene riunita come un puzzle basato su una grande quantità di piccole opinioni per il rispettivo pezzo della torta (dove si presume siano esperti).

Una singola mente non può elaborare quel tipo di dettaglio, motivo per cui la posizione generale POTREBBE oscurare il vero esperto. Si noti che questo è in particolare il fenomeno del fenomonismo, in genere limitato ad un mercato abbastanza statico, non in periodi di turbolenza. Gli esperti di solito fanno meglio allora, dal momento che sono spesso meglio addestrati e motivati ​​per evitare di andare con sentimenti generali.(che è spesso paragonabile a quello di un lemming in periodi di turbolenza)

Il problema con l'analogia di classe è che il sistema di classificazione non presuppone che gli studenti siano padroni nel loro terreno (difficile da prevedere), quindi non è paragonabile.

P.s si noti che l'assioma di base dipende da tutti i giocatori che sono esperti in un piccolo pezzo di campo. Si può discutere se questo requisito effettivamente trasporta bene in un ambiente web 2.

Answer 4

Crowd Le tecniche di saggezza, come i mercati di previsione, funzionano bene in alcune situazioni e scarsamente negli altri, proprio come altri approcci (gli esperti, ad esempio) hanno i loro punti di forza e di debolezza. Le arene ottimali sono quindi quelle in cui nessun altro approccio funziona molto bene e i mercati di previsione possono fare bene. Alcuni esempi includono la previsione delle elezioni pubbliche, la stima delle date di completamento del progetto e la previsione della prevalenza di epidemie. Si tratta di aree in cui le informazioni sono distribuite in modo spartano e gli esperti non hanno trovato modelli efficaci che prevedano in modo affidabile.

L'idea generale è che i partecipanti al mercato si compensino reciprocamente con le loro debolezze. L'aspettativa non è che i mercati predicheranno sempre ogni risultato correttamente, ma che, a causa delle persone che notano gli errori di altre persone, non mancheranno le informazioni cruciali come spesso, e che nel lungo periodo, faranno meglio. Nei casi in cui gli esperti conoscono effettivamente la risposta, saranno in grado di influenzare il risultato. Diversi esperti possono valutare diverse domande, in modo da avere più influenza su dove hanno più conoscenza. E man mano che i mercati continuano nel tempo, ogni partecipante riceve feedback dai propri guadagni e perdite che li rendono meglio informati su quali tipi di domande effettivamente comprendono e su quali dovrebbero essere lontani.

In un'aula, le persone sono spesso classificate su una curva, quindi la distribuzione dei voti non ti dice molto su quanto buone fossero le risposte. I mercati di previsione calibrano tutte le risposte rispetto ai risultati effettivi. Questa registrazione pubblica di successi e fallimenti fa molto per rafforzare il meccanismo e manca nella maggior parte degli altri approcci alla previsione.

Answer 5

L'intelligenza collettiva è davvero brava a venire a problemi che hanno un comportamento complesso dietro di loro, perché sono in grado di prendere più fonti di opinioni/attributi per determinare il risultato finale. Con una configurazione come questa, la formazione aiuta a ottimizzare il risultato finale dei processi.