خلاصه کتاب الگوریتم‌هایی برای زندگی : نوشته: برایان کریستین، توماس گریفیت

معرفی و خلاصه کتاب الگوریتم‌هایی برای زندگی : نوشته: برایان کریستین، توماس گریفیت

این کتاب فوق‌العاده جذاب، الگوریتم‌هایی برای حل مشکلات تصمیم‌گیری‌های روزانه و شفاف‌سازی ذهن انسان، بیان می‌کنه که پیشنهاد می‌کنیم حتما گوش کنین.

خلاصه متنی رایگان کتاب الگوریتم‌هایی برای زندگی

کتاب الگوریتم هایی برای زندگی، به ما نشون میده که چطوری روزانه تو زندگی شخصی خودمون از الگوریتم ها استفاده می‌کنیم

بدون اینکه از وجود اون ها با خبر باشیم. از واژه الگوریتم اصلا نترسین. تو این کتاب به هیچ وجه به مباحث ریاضی پیچیده اشاره نشده. مخاطبین این کتاب عموم افراد جامعه هستن و مباحث ساده به همراه مثال های فراوون ارائه شده.

آقایان، برایان کریستین و تام گریفیتس، تو این کتاب دست به معرفی انواع الگوریتم ها زدن و روش صحیح استفاده از اون ها تو زندگی رو با مثال هایی بسیار ملموس، به نمایش گذاشتن.

این کتاب فوق العاده هیجان انگیز و سرگرم کننده، الگوریتم هایی رو واسه حل مشکلات موجود تو تصمیم گیری‌های روزانه و شفاف سازی ذهن انسان، بیان میکنه.

اگه برای مرتب کردن وسایل میز یا دفتر کارتون دچار مشکل هستین، یا از اون دسته آدمایی هستین که یه پیام رو اون قدر ارسال میکنین تا خلاصه تو رو در بایستی جواب بگیرین،‌ بهتره کتاب الگوریتم هایی برای زندگی رو مطالعه کنین تا متوجه بشین که چه الگوریتم هایی برای سبک زندگی شما یا مشکلاتی که با اون ها سروکار دارین مناسبن.

بد نیست بدونین که تا حالا بیشتر از ۲۰۰ هزار نسخه از این کتاب ارزشمند، به فروش رسیده. پس اگه جزو اون دسته از افرادی هستین که تا حالا نتونستین کتاب رو مطالعه کنین،‌ این پادکست رو از دست ندین.

یه کم هم از نویسنده ها بگیم. برایان کریستین نویسنده، شاعر، برنامه نویس و محقق آمریکاییه که بیشتر بخاطر دو کتاب معروفش انسان ترین انسان و الگوریتم هایی برای زندگی بین مردم شناخته شده اس.

آقای تام گریفیتس هم یه استاد دانشگاه استرالیاییه که دوستی با برایان کریستین باعث خلق کتابی شده که داریم راجع بهش صبحت میکنیم. این کتاب میتونه واسه افرادی که با علم کامپیوتر آشنایی اولیه دارن و اون‌هایی که میخوان مشکلات شخصی خودشون رو از طریق روش های منطقی حل کنن بسیار مفید باشه. امیدواریم تا آخر پادکست همراهمون باشین.

اگه تا حالا کسی رو واسه کاری استخدام نکردین، بالاخره یه روزی این کار رو انجام میدین.

ممکنه اون یه نفر، یه فریلنسر آنلاین واسه کمک کردن تو یه پروژه کاری باشه، یا ممکنه یه عضو جدید تو کسب و کارتون باشه یا ممکنه کسی رو استخدام کنین که خونه تون رو واستون تمیز کنه یا چند ساعت در هفته از بچه هاتون مراقبت کنه.

بدون توجه به این که واسه چه کاری کسی رو استخدام میکنین، به کار گرفتن یه آدم جدید باعث اضطرابتون میشه.

اما اگه به یه سری الگوریتم ها که توسط ریاضیدانان و دانشمندای کامپیوتر طراحی شدن اعتماد کنین،‌ این کار میتونه خیلی کمتر از این باعث پریشانی‌تون بشه.

اگه نمیدونین الگوریتم چیه باید گفت : الگوریتم ها یه سری گام های محدود و متوالی هستن که واسه حل مشکلات و تصمیم گیری از اون‌ها استفاده میشه. جالبه بدونین که الگوریتم ها پشتوانه محصولات دیجیتال یعنی همین لپ‌تاپ‌ها و گوشی‌هامون هم هستن. چطوری؟

این وسایل با اتکا به یه سری الگوریتم ها تصمیم میگیرن که کدوم برنامه رو اجرا کنن، کدوم برنامه رو ببندن، چطور داده های ورودی رو دسته بندی کنن و با ابزارهای دیجیتال دیگه ارتباط برقرار کنن.

سه تا الگوریتم کامپیوتری وجود داره که ما هم میتونیم واسه استخدام آدما ازشون استفاده کنیم تا جلوی سه تا مشکلی رو که در ادامه میگم بگیریم :

اولین مشکل اینکه بین کسایی که به دل‌مون چسبیدن و با استانداردهای ذهنی مون تطابق دارن، کدوم فرد رو انتخاب کنیم. دوم اینکه چه شرایطی رو باید واسه کسی که انتخاب کردیم در نظر بگیریم و در آخر؛ کی باید اون فرد رو اخراج و شخص جدیدی رو انتخاب کنیم.

واسه حل مشکل اول باید الگوریتم انتخاب رو به کار بگیرین. از دو روش ممکنه هنگام انتخاب یه کاندیدا ( candidate ) واسه استخدامتون شکست بخورین.

اول اینکه تو انتخاب عجله کنین و از ملاقات با گزینه های بهتر جا بمونین. یا اینکه خیلی دیر تصمیم بگیرین و مرغ از قفس بپره و شانس‌تون رو واسه انتخاب بهترین کاندیدا از دست بدین. بیاین فرض کنیم که شما ۲۰ کاندیدا واسه یه پست تو شرکت‌تون مدنظر دارین.

قاعدتا دوست ندارین که عجله کنین و اولین نفری که باهاش مصاحبه کردین رو انتخاب کنین. از اون طرف هم نمیخواین ده ها ساعت رو با مصاحبه کردن با همه اون ۲۰ نفر هدر بدین.

خوشبختانه یه گزینه سومی هم وجود داره. یه الگوریتم اثبات شده ریاضی که بهش میگن قانون سی و هفت درصد. قانون سی و هفت درصد میگه شما باید سی و هفت درصد از نامزدها رو ارزیابی کنین بدون این که قصد انتخاب هیچ کدوم رو داشته باشین.

در واقع دارین سی و هفت درصد اول رو رد میکنین. بعد از اینکه سی و هفت درصد اول رو ارزیابی و رد کردین، به محض اینکه به گزینه مناسبی رسیدین، انتخابش کنین.

بنابراین تو شرایط فرضی که واسه استخدام کارمند باهم مرور کردیم، از ۲۰ کاندید مدنظرتون، باید با هفت کاندیدای اول مصاحبه کنین؛ بدون اینکه قصد انتخاب هیچ کدوم رو داشته باشین.

بعد به مصاحبه‌تون با ۱۳ نفر بعدی ادامه بدین و به محض این که به یه گزینه مناسب رسیدین که از اون هفت نفر اول بهتر بود، انتخابش کنین. خوبی این روش اینه که بهتون شانس مقایسه و انتخاب میده.

علاوه بر اون یه معیاری هم از وضعیت کلی کارمندا دستتون میاد تا بتونین بر اساس اون، یه تصمیم نهایی بگیرین. چند سال پیش، یه دانش‌آموز فارغ التحصیل به نام مایکل تریک ( Michael Trick ) ،‌ از این قانون واسه انتخاب همسر آینده‌اش استفاده کرد.

اون تخمین زد که میتونه بین ۱۸ تا ۴۰ سالگیش با خانم هایی که واسه ازدواج انتخاب کرده،‌ قرار بزاره. بنابراین طبق قانون ۳۷ درصدی،‌ وقتی به ۲۶ سالگی رسید، باید از خانومی که از کسایی تا اون موقع باهاشون ملاقات کرده بود بهتر بود، درخواست ازدواج میکرد.

وقتی بالاخره به کیس مورد انتظارش رسید، بدون شک و تردید انتخابش کرد و ازش خواستگاری کرد. ولی جواب رد شنید. شاید داستان نباید اینطور تموم می‌شد.

ولی این رو باید بدونین که قانون ۳۷ درصدی تضمین نمیکنه که شما حتما به نتیجه مورد انتظارتون برسین؛ بلکه فقط بهتون بیشترین شانس رو ارائه میکنه. بالاترین احتمال واسه رسیدن به بهترین نتیجه.

این نکته مهمیه که بدونین قانون ۳۷ درصدی فقط وقتی معتبره که نتونین به گزینه‌های قبل برگردین. این شرایط توی ازدواج وجود داره اما شاید برای استخدام صادق نباشه. اگه فرض کنیم که به احتمال ۵۰ درصد کاندیدهای قبلی هنوز هم پیشنهاد کاری‌تون رو قبول کنن، یعنی جای دیگه ای استخدام نشده باشن و علاقه‌شون رو به کاری که واسشون در نظر گرفتین از دست نداده باشن؛ قانون ۳۷ درصدی به قانون ۶۱ درصدی تبدیل میشه.

به این معنی که اگه دنبال بهترین کاندید می‌گردین،‌ باید تو اون مثال، حداقل ۱۲ نفر از کاندیدا رو رد کنین و اگه تو اون هشت نفر یه کاندید بهتر پیدا نکردین، دوباره باید به همون ۱۲ نفر برگردین و از بین اونا بهترین رو انتخاب کنین.

الگوریتم دومی که باید باهاش آشنا بشین، چیزیه که بهش میگیم الگوریتم ثبت نام.

وقتی یه آدم جدید رو تازه استخدام میکنین، سخته که بفهمین چه مقدار کار رو باید بهش واگذار کنین.

شما میخواین که حداکثر مهارتش رو به کار بگیرین ولی نمیخواین که اون قدر کار رو سرش بریزین که باعث بروز اشتباه بشه، به خواسته‌تون نرسین و یه مشکل بزرگ به وجود بیاد. واسه سال‌ها دانشمندای کامپیوتر با یه مشکل مشابه دست و پنجه نرم می‌کردن.

وقتی یه کامپیوتر به یه شبکه از کامپیوترهای دیگه وصل می‌شد، گرفتار درخواست‌های مکرر می‌شد و تو نمایش اطلاعاتی که ازش خواسته شده بود به مشکل بر‌می‌خورد.

واسه حل این مسئله، دانشمندای کامپیوتر یه راه حل مبتکرانه ابداع کردن که به عنوان پروتکل ( protocol )‌ مدیریت انتقال یا تی سی پی ( TCP )‌ شناخته میشه.

وقتی یه کامپیوتر جدید به یه شبکه تی سی پی وصل میشه، شروع به دریافت یه بسته از اطلاعات میکنه و با ارسال یه بسته اطلاع دهنده به ارسال کننده اجازه میده تا متوجه دریافت بسته توسط اون بشه. با دریافت هر بسته اطلاع دهنده، شبکه بسته بعدی رو به طرف کامپیوتر جدید ارسال میکنه.

ولی به محض اینکه سیستم جدید دچار اختلال بشه و نتونه بسته اطلاع دهنده رو به سمت شبکه ارسال کنه، الگوریتمی به اسم افزایش افزایشی / کاهش چند برابر یا ای آی ام دی ( AIMD ) وارد عمل میشه.

الگوریتم ای آی ام دی تعداد بسته های ارسالی رو کاهش میده. با این کار فضای بیشتری تو شبکه ذخیره میشه و به کامپیوتر اجازه میده تا اطلاعات رو راحت تر ذخیره کنه.

جناب نویسنده میگه : ای آی ام دی مثل کسیه که مدام میگه یه کم دیگه، یه کم دیگه، یه کم دیگه، خب بسه کافیه. شما هم میتونین یه الگوریتم مشابه رو واسه رسیدن به موفقیت تو استخدام یه کیس جدید به کار بگیرین.

فرض کنین یه فریلنسر ( freelancer ) رو استخدام کردین و بهش یه کار ساده واسه انجام دادین.

وقتی که اون کار رو با جزئیات و سروقت بهتون تحویل داد، پروژه‌ رو دو برابر میکنین و این روند رو تا جایی ادامه میدین که فریلنسرتون کاری رو تحویل بده که ازش راضی نیستین.

وقتی به اون نقطه رسیدین، سریع مقدار کار رو نصف کنین. با این رشد تصاعدی تو کار میتونین به سرعت ظرفیت فریلنسر رو پیدا کنین. بعد از مدتی، کم کم دوباره واحد کاری رو افزایش بدین.

اینجوری میتونین به فریلنسر یه شانس دوباره واسه تلاش بیشتر هدیه کنین. این دفعه شانس موفقیت و اعتماد به نفس اون بیشتره و احتمال اینکه کاری که دفعه پیش نتونست رو این دفعه کامل انجام بده بیشتره.

الگوریتم بعدی، الگوریتم تعویضه.

اگه یه فریلنسر یا هر کسی که استخدام کردین که انتظارات‌تون رو همیشه برآورده میکنه، پس نیازی به تعویضش ندارین.

ولی اگه فقط تو پنجاه درصد موارد کارتون رو درست و به موقع بهتون تحویل میده، باید یه فکری به حالش بکنین و دنبال گزینه های جدید باشین. پیشنهاد کتاب اینه که از شاخص گیتینز( Gittins Index ) استفاده کنین. تو سال ۱۹۷۰ یه ریاضیدان جوان به اسم جان گیتینز( John Gittins ) توسط بخش سرمایه گذاری شرکت دارویی یونیلیور ( unilever ) به کار گرفته شد.

وظیفه گیتینز این بود که مطمئن بشه آیا شرکت باید سرمایه اش رو صرف داروهای شناخته شده کنه؛ یا اون رو واسه آزمایش روی داروهای جدید خرج کنه.

بر اساس ماه ها تکرار آزمایش و محاسبات، گیدنز به یه جدول مقادیر رسید تا به شرکت کمک کنه که مطمئن بشن میتونن سرمایه‌شون رو به دارویی اختصاص بدن که تخمین زده میشه به احتمال ۹۰ درصد میتونه موثر باشه و به اندازه یه داروی شناخته شده سود برسونه.

شرکت یونیلیور از این جدول به عنوان یه آمار واسه این که تو چند درصد موارد هر کدوم از داروها تونستن بیمار رو نجات بدن، استفاده کرد.

بعد، از شاخص گیتنز واسه ارزیابی نتایج به دست اومده استفاده کردن و دارویی که بالاترین امتیاز تو شاخص گیتنز رو به دست آورد تونست سرمایه شرکت رو به خودش اختصاص بده.

شاخص گیتنز امروزه به عنوان یه روش مطمئن تو تصمیم گیری‌ها به حساب میاد. شما هم میتونین از شاخص گیتنز واسه تصمیم گیری درباره کارهای خودتون استفاده کنین. اینکه یه پروژه رو ادامه بدین یا متوقف کنین، یا به همکاری‌تون با کسی که استخدامش کردین ادامه بدین یا اخراجش کنین.

به محض اینکه نسبت موفقیت و شکست پروژه رو بدست آوردین، از شاخص گیتنز استفاده کنین تا ببینین کدوم گزینه بالاترین نمره رو بدست میاره و میتونین انتخابش کنین. تنها دو چیز نیازه که به خاطر بسپارین. اول؛ اینکه یه گزینه تست نشده با آمار شکست و موفقیت صفر و صفر، توی شاخص گیتنز امتیاز ۰.۷ رو میگیره.

این یعنی اگه یه پروژه یا کارمند توی حداقل ۷۰ درصد موارد انتظاراتتون رو برآورده نمی‌کنه، نیازه که اون پروژه رو تعویض کنین یا به فکر یه کارمند جدید باشین؛ البته اگه فکر میکنین گزینه های بهتری رو میتونین پیدا کنین.

دومین چیزی که نیازه به خاطر بسپارین اینه که اگه یه گزینه جدید رو امتحان کردین و نسبت موفقیت به شکستش بدتر از کیس قبلی بود، همچنان ممکنه که گزینه بهتری واستون باشه.

مثلا اگه یه کاندید جدید سه موفقیت و چهار شکست داشت، یعنی تو سه بار از هفت بار تونست انتظاراتتون رو برآورده کنه، نمره بالاتری تو شاخص از کسی داره که هزار بار موفقیت و هزار بار شکست تو کارنامه‌اش داره.

نویسنده های کتاب میگن :

کارمند تازه کاری که امتحان نشده شاید هنوز روی کاغذ آمار خوبی نداشته باشه اما امکانش هست که تو بلند مدت بتونه خودش رو اثبات کنه. خلاصه اینکه استرس رو با اعتماد به الگوریتم‌های ریاضی اثبات شده از تصمیم گیری هاتون دور کنین.

دفعه بعدی که خواستین واسه کاری از بین گزینه های موجود کسی رو انتخاب کنین، قانون ۳۷ درصدی رو از یاد نبرین. تعداد کاندیدا یا دوره زمانی رو به خاطر بسپارین و از ۳۷ درصد از کاندیدا یا زمانتون واسه به دست آوردن یه معیار استفاده کنین.

بعد، اولین گزینه مناسبی که بعد از این سی و هفت درصد دیدین رو انتخاب کنین.

پروتکل مدیریت انتقال و الگوریتم ای آي دی ام رو به خاطر بسپرین. با کار کم شروع کنین و تا جایی که با شکست مواجه بشین به اضافه کردن وظیفه ادامه بدین. بعد از شکست، وظیفه رو نصف کنین ولی عقب نشینین و دوباره کم کم به مقدار کار اضافه کنین.

در نهایت، یافته کلیدی گیتینز یعنی همون شاخص گیتینز رو به خاطر بسپرین. وقتی دو تا گزینه قابل مقایسه دارین، جدیدترین رو انتخاب کنین که کمتر آزمایش شده. تا بتونین از سود و پتانسیل بیشترش استفاده کنین.

چیزی که شنیدین، لب مطلب کتاب الگوریتم هایی برای زندگی نوشته برایان کریستین و تام گریفیتس بود. این کتاب بهتون یه دید روشنی تو تصمیم گیری هاتون میده. امیدواریم از شنیدن این پادکست لذت برده باشین.

در آخر، يک جمله طلایی از ايلان ماسک :