使用Insight路径进行预测

思维过程中的模式通常会产生跨领域的见解。 在这里,我讨论了与抽象见解模式相匹配的思维路径的几个示例,这些模式可用于预测某个领域的创新。

例子

自动化的思想路径,以相关的驾驶概念为优先:

  • 我自己去做
    (独立,自大)
  • 我应该付钱给某人手工重复任务
    (委托,便利)
  • 我应该付钱给别人教别人手工做任务
    (缩放,降低成本,提供信息/见解)
  • 我应该创建一台机器来完成任务
    (扩展,降低成本,提供信息/见解,避免人为错误)
  • 我应该创建一台机器来创建自动化机器
    (扩展,降低成本,完善的信息或学习见解,避免人为和机器错误)

进化思路:

  • 人们似乎与父母相似
    (具体信息的模式匹配)
  • 人与父母之间有一些差异
    (具体信息的失真匹配)
  • 有差异的模式
    (概念信息的模式匹配)
  • 有一些看似随机的差异
    (评估可通过模式匹配解释的信息的比例)
  • 通过将它们与具有该特征的生命形式的种子混合,可以创建具有目标特征的动植物
    (获得原因/控制的见解,使用诸如组合之类的操作来创建属性失真的状态)
  • 特质(基因)有一个物理组成部分
    (从物理级别开始,以抽象级别搜索信息接口或聚合点)
  • 一些基因占主导
    (在因果信息和原因比率之间获得洞察力)
  • 一些基因被环境激活/失活
    (获得的见解解释了预期行为与观察到的行为的差异)

抽象洞察路径

两条路径共享相同的抽象概念路径:

  • 关联
  • 优化:高效的信息表示,高效的委派
  • 系统化:复杂到足以付钱给某人教书,由已知规则解释
  • 控制:自动化,实验
  • 抽象/元分析:元自动化,在其外部环境范围内评估基因

分形抽象路径与循环原因

将抽象路径应用于问题类型

让我们将此抽象轨迹应用于另一个相对理解的问题空间,以了解我们是否可以将机器学习创新的轨迹拟合到典型的抽象见解路径。

问题类型:机器学习

  • 相关性:我该如何学习? 让我们构建一个模仿我的学习方式的程序,例如在对某些事物进行分类时为某些信号分配重要性
  • 优化:超参数调整
  • 系统化:确定具体规则以确定为什么不同的参数和体系结构适用于不同的问题类型
  • 控制:自动ML —自动执行具体规则以选择问题类型的架构和参数/实现特定目标
  • 抽象的元分析:创建机器学习架构,可以评估概念对象(例如优先级/道德/策略)并动态适应自我优化

尽管我沿这条路径选择的五个点之间肯定还有更多步骤,但看起来这种抽象路径已经足够普遍适用于大多数创新路径。

让我们将此路径应用于一个相对较新的问题,以查看是否可以预测解决该问题的创新过程,然后稍后再查看是否正确。

问题类型:能源效率

  • 相关性:使用最方便的现有燃料解决相关的当代问题(上下班,移民,运输)
  • 优化:确定哪些化学物质导致最小的可预见问题
  • 系统化:从化学结构中找出问题的原因
  • 控制:采用环保的新材料
  • 抽象/元分析:自动化化学物质组合的实验,模拟推断的环境影响,并在全球范围内为每种情况选择最佳组合

能效洞察力路径的荟萃分析状态可以采用产品中实现的多种形式:

  • 基于优化算法的计算,在地面上调节使用量的能源调节装置,对过度使用征税
  • 一个程序,用于预测每个能源决策的影响并推荐涉及最小环境影响的化学组合,其中次优组合会被课以重税或遭到谴责
  • 一个程序,用于在使用已知化学规则和规则推导模式进行测试之前预测化学组合的有用性

考虑到监管,市场和税收体系中存在的激励机制,未注册的能源可能会出现黑市,因此需要将技术发布与技术配对以检测能源的产生和使用。

分形应用

这种抽象的洞察力路径可以应用于抽象或决策链的各个子级别,例如分形模式。 例如,我们可以深入研究机器学习主题,以将模式专门应用于指标:

度量调整思路

  • 相关性:在原始数据集中使用指标
  • 优化:使用常见的失真操作,例如“删除指标”,“组合指标”,“指标的元数据”,“选择可变指标”
  • 系统化:我应该对指标进行分类并得出指标类别的预测成功模式
  • 控制:我应该使用模式匹配来生成成功的预测指标列表
  • 抽象/元分析:我应该先尝试对问题类型进行分类,然后为该问题类型选择成功的指标

探索洞察路径

可能的替代洞察步骤包括抽象动词,例如:

  • 匹配/适合
  • 识别/分类
  • 派生
  • 查找/过滤
  • 歪曲

您还能想到哪些其他抽象功能来描述创新模式?

有关更多示例: