3 ways to make better decisions -- by thinking like a computer | Tom Griffiths

Translator: Hiwa Foundation Reviewer: Hiwa Foundation II

If there's one city in the world

ئەگەر شوێنێکی جیهان هەبێت

where it's hard to find a place to buy or rent,

کە دۆزینەوەی شوێنێک بۆ کڕین یان کرێ قوورس بێت،

it's Sydney.

سیدنییە.

And if you've tried to find a home here recently,

ئەگەر بەم دواییەش ویستبێتت لێرە ماڵێک بدۆزیتەوە،

you're familiar with the problem.

ئەوا ئاشنایت بە کێشەکە.

Every time you walk into an open house,

هەرجارێک ئەچیتە ناو ماڵێکی کراوە،

you get some information about what's out there

هەندێک زانیاری دەزانیت لەسەر ئەوەی چی هەیە لەوێ، و

and what's on the market,

چیش هەیە لە بازاڕدا،

but every time you walk out,

بەڵام هەرجارێک ئەچیتە دەرەوە،

you're running the risk of the very best place passing you by.

خۆت ئەخەیتە بەر مەترسی ئەوەی باشترین شوێنت لەکیس بچێت.

So how do you know when to switch from looking

کەواتە چۆن ئەزانیت کە کەی ئەتوانی هەنگاو بنێیت

to being ready to make an offer?

لە ئامادەبوونەوە بۆ بڕیاردان؟

This is such a cruel and familiar problem

ئەمە کێشەیەکی قورسە و ئاشناین پێی

that it might come as a surprise that it has a simple solution.

کە لەوانەیە سەرت بسوڕمێت لەوەی چارەسەرێکی سادەی هەیە.

37 percent.

لەسەدا ٣٧.

(Laughter)

(پێکەنین)

If you want to maximize the probability that you find the very best place,

ئەگەر ئەتەوێت ئەگەرەکان زۆرترین بکەیت کە باشترین شوێنت پێئەدۆزرێتەوە،

you should look at 37 percent of what's on the market,

پێویستە سەیری لەسەدا ٣٧ی شوێنەکانی بازاڕ بکەیت، و

and then make an offer on the next place you see,

ئینجا بڕیار بدە لەسەر شوێنی دواتر کە ئەیبینیت،

which is better than anything that you've seen so far.

کە باشتر ئەبێت لە هەر شتێک کە پێشتر بینیبێتت.

Or if you're looking for a month, take 37 percent of that time --

یان ئەگەر مانگێکە ئەگەڕێیت، لەسەدا ٣٧ی کاتەکە وەرگرە --

11 days, to set a standard --

واتە ١١ ڕۆژ، بۆ دانانی ستانداردێک -- و

and then you're ready to act.

ئینجا ئامادە ئەبیت.

We know this because trying to find a place to live

ئەمە ئەزانین چونکە هەوڵدان بۆ دۆزینەوەی شوێنی ژیان

is an example of an optimal stopping problem.

نموونەیەکە بۆ کێشەی باشترین هەلومەرج بۆ وەستان.

A class of problems that has been studied extensively

پۆلێک کێشە کە بە چڕی توێژینەوەیان بۆ کراوە

by mathematicians and computer scientists.

لەلایەن بیرکاری زانەکان و زاناکانی کۆمپیتەر.

I'm a computational cognitive scientist.

من زانام لە بوواری توانای لێکدانەوە.

I spend my time trying to understand

کاتی خۆم بەسەر ئەبەم لە هەوڵدان بۆ تێگەشتنی

how it is that human minds work,

ئەوەی مێشکی مرۆڤ چۆن کار ئەکات،

from our amazing successes to our dismal failures.

لە سەرکەوتنە سەرسوڕهێنەرەکانمانەوە بۆ شکستە قوورسەکانمان.

To do that, I think about the computational structure

بۆ ئەوە، بیر لە پێکهاتەی ژماردن ئەکەمەوە

of the problems that arise in everyday life,

بۆ کێشەکانی کە لە ژیانی ڕۆژانەیا سەرهەڵئەیەن، و

and compare the ideal solutions to those problems

چارەسەر نموونەییەکان بەراورد ئەکەین بەو کێشانە

to the way that we actually behave.

بە شێوازی هەڵسوکەوتکردنمان.

As a side effect,

وەک کاریگەری لاوەکی،

I get to see how applying a little bit of computer science

ئەتوانم ببینم کە چۆن بەکارهێنانی کەمێک لە زانستی کۆمپیتەر

can make human decision-making easier.

ئەکرێت بڕیاردان بۆ مرۆڤ ئاسانتر بکات.

I have a personal motivation for this.

پاڵنەرێکی کەسیم هەیە بۆ ئەمە.

Growing up in Perth as an overly cerebral kid ...

کە گەورەبووم لە پێرس وەک کوڕێک کە زۆر بە وریاییەوە ئەجوڵامەوە...

(Laughter)

(پێکەنین)

I would always try and act in the way that I thought was rational,

هەمووکات هەوڵم ئەیا بەو شێوەیە بجوڵێمەوە کە ژیرانە بوو بەلامەوە،

reasoning through every decision,

بۆ هەموو بڕیارێک لێکدانەوەم ئەکرد،

trying to figure out the very best action to take.

هەوڵم ئەیا بزانم باشترین هەلبژاردن چی ئەبێت.

But this is an approach that doesn't scale up

بەڵام ئەمە نزیکبوونەوەیەکە کە زۆر بەسوود نییە

when you start to run into the sorts of problems

کاتێک ئەکەویتە ناو ئەو جۆرە کێشانەی تووشیان ئەبیت

that arise in adult life.

کاتێک گەورە ئەبیت.

At one point, I even tried to break up with my girlfriend

لە خاڵێکدا، تەنانەت هەوڵمیا لەگەڵ خۆشەویستەکەم جیابمەوە

because trying to take into account her preferences as well as my own

چونکە هەوڵدان بۆ لەبەرچاوگرتنی ویستەکانی ئەویش و خۆشم و

and then find perfect solutions --

ئینجا دۆزینەوەی باشترین چارەسەر --

(Laughter)

(پێکەنین)

was just leaving me exhausted.

زۆر ماندووی ئەکردم.

(Laughter)

(پێکەنین)

She pointed out that I was taking the wrong approach

پێی وتم کە نزیکبوونەوەیەکی هەڵەم گرتۆتە بەر

to solving this problem --

بۆ چارەسەرکردنی کێشەکە -- و

and she later became my wife.

دوواتر بوو بە هاوسەرم.

(Laughter)

(پێکەنین)

(Applause)

(چەپڵەلێدان)

Whether it's as basic as trying to decide what restaurant to go to

ئەگەر هێندە بچووک بێت وەک هەڵبژاردنی چێشتخانەکەی ئەچیت بۆی

or as important as trying to decide who to spend the rest of your life with,

یان هێندەی ئەوە گرنگ بێت بڕیار بەیت هەتا ماویت ژیانت لەگەڵ کێ ئەبەیتە سەر،

human lives are filled with computational problems

ژیانی مرۆڤەکان پڕە لە کێشەکانی لێکدانەوەی ژمارەیی

that are just too hard to solve by applying sheer effort.

کە تەنیا بە هەوڵدانی خۆت چارەسەرکردنی قورس ئەبێت.

For those problems,

بۆ ئەو کێشانە،

it's worth consulting the experts:

باشترە ڕاوێژ بە پسپۆڕەکان بکرێت:

computer scientists.

زاناکانی کۆمپیتەر.

(Laughter)

(پێکەنین)

When you're looking for life advice,

کاتێک بۆ ئامۆژگاری تەمەن ئەگەڕێیت،

computer scientists probably aren't the first people you think to talk to.

لەوانەیە زاناکانی کۆمپیتەر یەکەمین کەس نەبن قسەیان لەگەڵ بکەیت.

Living life like a computer --

ژیان بەسەر بردن وەک کۆمپیتەرێک --

stereotypically deterministic, exhaustive and exact --

بەشێوەیەکی سادەکراو پێشبینی بۆکراو گشتگیر و ورد --

doesn't sound like a lot of fun.

زۆر لە خۆش ناچێت.

But thinking about the computer science of human decisions

بەڵام بیرکردنەوە لە زانستی کۆمپیتەری بڕیارەکانی مرۆڤ

reveals that in fact, we've got this backwards.

دەریئەخات کە لە ڕاستیدا، پاشەوپێش لەمە تێگەشتووین.

When applied to the sorts of difficult problems

کاتێک بەکاریئەهێنیت بۆ کێشە قورسە هەمەجۆرەکانی

that arise in human lives,

لە ژیانی مرۆڤدا سەرهەڵئەیەن،

the way that computers actually solve those problems

شێوەی چارەسەرکردنی ئەو کێشانە لەلایەن ئەو کۆمپیتەرانەوە

looks a lot more like the way that people really act.

زۆر لە شێوەی هەلسوکەوتی کەسەکان ئەچن.

Take the example of trying to decide what restaurant to go to.

بۆ نموونە هەوڵی بڕیاردان لەسەر ئەوەی بچیت بۆ کام رێستۆرانت.

This is a problem that has a particular computational structure.

ئەمە کێشەیەکە کە بەدیاریکراوی پێکهاتەیەکی لێکدانەوەی ژمارەیی هەیە.

You've got a set of options,

ژمارەیەک هەڵبژاردن لەبەردەستدایە،

you're going to choose one of those options,

یەکێک لەوانە هەڵئەبژێریت، و

and you're going to face exactly the same decision tomorrow.

بۆ ڕۆژی دواتریش ڕووبەڕووی هەمان بڕیار ئەبیتەوە.

In that situation,

لەو هەلومەرجەدا،

you run up against what computer scientists call

ئەکەویتە ناو ئەو دەستەواژەیەی زانایانی کۆمپیتەر پێی ئەڵێن

the "explore-exploit trade-off."

"ئاڵوگۆڕی لێکۆڵینەوە-قۆستنەوە."

You have to make a decision

پێویستە بڕیارێک بەیت

about whether you're going to try something new --

کە ئایا ئەتەوێت شتێکی نوێ تاقی بکەیتەوە --

exploring, gathering some information

لێکۆڵینەوە، و کۆکردنەوەی هەندێک زانیاری

that you might be able to use in the future --

کە لەوانەبێت لە داهاتوودا بتوانیت بەکاریبێنیت --

or whether you're going to go to a place that you already know is pretty good --

یان تەواو ئەچیت بۆ شوێنێک کە خۆت ئەزانیت زۆر باشە --

exploiting the information that you've already gathered so far.

ئەو زانیارییانە بەکار ئەهێنیت کە تا ئەو ساتە کۆتکردۆتەوە.

The explore/exploit trade-off shows up any time you have to choose

ئاڵوگۆڕی لێکۆڵینەوە/قۆستنەوە هەموو جارێک دەرئەکەوێت کاتێک ئەتەوێت هەڵبژێریت

between trying something new

لەنێوان تاقیکردنەوەی شتێکی نوێ و

and going with something that you already know is pretty good,

ڕۆشتن لەگەڵ شتێکا کە خۆت ئەزانیت زۆر باشە،

whether it's listening to music

ئەگەر گوێگرتن بێت لە گۆرانی

or trying to decide who you're going to spend time with.

یان هەوڵدان بۆ بڕیاردان لەسەر ئەوەی کاتی خۆت لەگەڵ کێ بەسەر ئەبەیت.

It's also the problem that technology companies face

هەروەها کێشەیەکیشە کە کۆمپانیاکانی تەکنەلۆجیا ڕووبەڕووی ئەبنەوە

when they're trying to do something like decide what ad to show on a web page.

کاتێک هەوڵئەیەین شتێک بکەن وەک بڕیاردان لەسەر نیشاندانی کام ریکلام لەسەر ماڵپەڕ.

Should they show a new ad and learn something about it,

ئەبێت ریکلامێکی نوێ نیشان بەن یان شتێک فێربن لەبارەیەوە،

or should they show you an ad

یان ئەبێت ریکلامێکت نیشان بەن

that they already know there's a good chance you're going to click on?

کە خۆیان ئەزانن ئەگەری زۆری هەیە کلیکی لەسەر بکەیت؟

Over the last 60 years,

بەدرێژایی ٦٠ ساڵی ڕابردوو،

computer scientists have made a lot of progress understanding

زانایانی کۆمپیتەر بەرەوپێشچوونێکی زۆریان کردووە لە تێگەشتن لە

the explore/exploit trade-off,

ئاڵووگۆڕی لێکۆڵینەوە/قۆستنەوە، و

and their results offer some surprising insights.

ئەنجامەکانیان هەندێک تێگەشتنی سەرسوڕهێنەر ئەیات.

When you're trying to decide what restaurant to go to,

کاتێک هەوڵ ئەیەیت بڕیار بەیت بۆ کام رێستۆرانت بچیت،

the first question you should ask yourself

یەکەم پرسیار کە ئەبێت لەخۆتی بکەیت ئەوەیە

is how much longer you're going to be in town.

کە چەندێک زیاتر لەناو شارەکەیا ئەبیت.

If you're just going to be there for a short time,

ئەگەر تەنیا بۆ ماوەیەکی کورت لەوێبیت،

then you should exploit.

کەواتە ئەبێت بیقۆزیتەوە.

There's no point gathering information.

کۆکردنەوەی زانیاری هیچ سوودی نییە.

Just go to a place you already know is good.

تەنیا بڕۆ بۆ شوێنێک کە ئەزانیت خۆشە.

But if you're going to be there for a longer time, explore.

بەڵام ئەگەر ئەزانیت بۆ ماوەیەکی زیاتر ئەمێنیتەوە، بگەڕێ.

Try something new, because the information you get

شتێکی نوێ تاقیکەرەوە، چونکە زانیارییەکەی دەستت ئەکەوێت

is something that can improve your choices in the future.

شتێکە ئەکرێت لە داهاتووشا هەڵبژاردنەکانت باشتر بکات.

The value of information increases

بەهای زانیارییەکە زیاد ئەکات

the more opportunities you're going to have to use it.

ئەگەر دەرفەتی زیاترت هەبێت بۆ ئەوەی بەکاریان بهێنیت.

This principle can give us insight

ئەم بنەمایە ئەتوانێت تێگەشتنمان باتێ

into the structure of a human life as well.

لەسەر پێکهاتەی ژیانی مرۆڤیش.

Babies don't have a reputation for being particularly rational.

منداڵان ناوبانگێکی باشیان نییە کە ژیرانە بجووڵێنەوە.

They're always trying new things,

هەمووکات شتی نوێ تاقی ئەکەنەوە، و

and you know, trying to stick them in their mouths.

هەوڵ ئەیەن بیخەنە دەمییانەوە.

But in fact, this is exactly what they should be doing.

بەڵام ڕاستییەکەی، ئەمە ڕێک ئەو شتەیە کە ئەبێ بیکەن.

They're in the explore phase of their lives,

لە قۆناغی لێکۆڵینەوەی ژیانیاندان، و

and some of those things could turn out to be delicious.

لەوانەیە هەندێک لەو شتانەش تامیان خۆش دەرچێت.

At the other end of the spectrum,

لە کۆتاییەکەی تری شەبەنگەکەشدا،

the old guy who always goes to the same restaurant

پیاوە پیرەکەی هەموو جارێک ئەچێت بۆ هەمان چێشتخانە و

and always eats the same thing

هەموو جارێک هەمان شت ئەخوات

isn't boring --

کەسێکی وشک نییە --

he's optimal.

لەبارترین هەڵئەبژێرێت.

(Laughter)

(پێکەنین)

He's exploiting the knowledge that he's earned

ئەو زانیارییانە ئەقۆزێتەوە کە دەستی کەوتووە

through a lifetime's experience.

لەڕێگەی ئەزموونی ژیانییەوە.

More generally,

بەشێوەیەکی گشتی تر،

knowing about the explore/exploit trade-off

زانین دەربارەی ئاڵووگۆڕی لێکۆڵینەوە/قۆستنەوە

can make it a little easier for you to sort of relax and go easier on yourself

ئەکرێت کەمێک ئاسانتری بکات بۆت کە پشوو بەیت و ئاسانتری بکات بۆت

when you're trying to make a decision.

کاتێک هەوڵ ئەیەیت بڕیارێک بەیت.

You don't have to go to the best restaurant every night.

پێویست ناکا هەموو شەوێک بچیت بۆ باشترین چێشتخانە.

Take a chance, try something new, explore.

سەرکێشی بکە، شتێکی نوێ تاقی بکەرەوە، بگەڕێ.

You might learn something.

لەوانەیە شتێک فێربیت. و

And the information that you gain

زانیارییەکەی کە دەستت ئەکەوێت

is going to be worth more than one pretty good dinner.

لە تەنیا ژەمە خۆراکێکی باش زیاتر ئەهێنێت بۆت.

Computer science can also help to make it easier on us

زانستی کۆمپیتەریش ئەکرێت یارمەتیدەربێت ئاسانتری بکات بۆمان

in other places at home and in the office.

لە شوێنەکانی تری ماڵەوە و لە شوێنی کاریش.

If you've ever had to tidy up your wardrobe,

ئەگەر هەرجارێک پێویستی کردبێت دۆڵابەکەت ڕێک بخەیت،

you've run into a particularly agonizing decision:

بڕیارێکی یەکلاکەرەوەی قورس یەتە بەردەمت:

you have to decide what things you're going to keep

ئەبێ بڕیار بەیت کام لە شتەکان ئەهێڵیتەوە

and what things you're going to give away.

کام لە شتەکانیش فڕێ ئەیەیت.

Martha Stewart turns out to have thought very hard about this --

دەرکەوت مارتا ستیوارت زۆری بیر لەمە کردۆتەوە --

(Laughter)

(پێکەنین)

and she has some good advice.

هەندێک ئامۆژگاری باشی هەیە.

She says, "Ask yourself four questions:

ئەڵێت، "چوار پرسیار لەخۆت بکە:

How long have I had it?

چەندێکە هەمە؟

Does it still function?

هێشتا سوودی هەیە؟

Is it a duplicate of something that I already own?

هاوشێوەی شتێکە کە هێشتا هەمە؟

And when was the last time I wore it or used it?"

ئەی دوایین جار کەی بوو کە لەبەرم کرد یان بەکارم هێنا؟"

But there's another group of experts

بەڵام کۆمەڵێکی تر پسپۆڕیش هەیە

who perhaps thought even harder about this problem,

کە زیاتر بیریان لەم کێشەیە کردۆتەوە، و

and they would say one of these questions is more important than the others.

ئەلێن کە یەکێک لەم پرسیارانە لەوانی تر گرنگترە.

Those experts?

ئەو پسپۆڕانە؟

The people who design the memory systems of computers.

ئەو کەسانەی نەخشەی سیستمی یادەوەری کۆمپیتەرەکان دائەنێن.

Most computers have two kinds of memory systems:

زۆربەی کۆمپیتەرەکان دوو جۆر سیستمی یادەوەرییان هەیە:

a fast memory system,

سیستمێکی یادەوەری خێرا،

like a set of memory chips that has limited capacity,

وەک چەند خەریتەیەکی یادەوەری کە توانای سنورداریان هەیە،

because those chips are expensive,

چونکە ئەو خەریتانە گرانن، و

and a slow memory system, which is much larger.

سیستمێکی یادەوەری خاو، کە زۆر گەورەترە.

In order for the computer to operate as efficiently as possible,

بۆ ئەوەی کۆمپیتەر بە باشترین شێوە کار بکات،

you want to make sure

ئەبێت دڵنیابیت لەوەی کە

that the pieces of information you want to access

ئەو پارچە زانیارییانەی کە ئەتەوێت بەردەست بێت بۆت

are in the fast memory system,

لە سیستمی یادەوەری خێرایا بێت،

so that you can get to them quickly.

بۆ ئەوەی خێرا بچیتە سەریان.

Each time you access a piece of information,

هەرجارێک ئەچیتە سەر پارچە زانیارییەک،

it's loaded into the fast memory

ئەچێتە سەر یادەوەری خێرا و

and the computer has to decide which item it has to remove from that memory,

ئەبێ کۆمپیتەرەکە بڕیار بات کام شت لابەرێت لەسەر ئەو یادەوەرییە،

because it has limited capacity.

چونکە توانای سنووردارە.

Over the years,

بەدرێژایی ساڵەکان،

computer scientists have tried a few different strategies

زانایانی کۆمپیتەر چەند ستراتیجییەکی جیاوازیان تاقیکردۆتەوە

for deciding what to remove from the fast memory.

بۆ بڕیاردان لەسەر ئەوەی چی لە یادەوەری خێرا لابەرن.

They've tried things like choosing something at random

هەندێک شتیان تاقیکردۆتەوە وەک هەڵبژاردن بە هەڕەمەکی

or applying what's called the "first-in, first-out principle,"

یان بەکارهێنانی ئەوەی پێی ئەوترێت "بنەمای، یەکەم بۆ ناوەوە، یەکەم بۆ دەرەوە،

which means removing the item

واتە لابردنی ئەو شتەی

which has been in the memory for the longest.

زۆرترین ماوە لەناو یادەوەرییەکەیا بووە.

But the strategy that's most effective

بەڵام ستراتیجییەکەی کاریگەرترینە

focuses on the items which have been least recently used.

تیشک ئەخاتە سەر ئەو شتانەی بەو دواییە کەمترین جار بەکارهێنراوە.

This says if you're going to decide to remove something from memory,

واتە ئەگەر بڕیاری ئەوە بەیت کە شتێک لە یادەوەری دەربکەیت،

you should take out the thing which was last accessed the furthest in the past.

پێویستە ئەو شتە دەربکەیت کە دوایین جار لە دوورترین کاتی ڕابردوودا کراوەتەوە. و

And there's a certain kind of logic to this.

ئەمەش جۆرە لۆجیکێکی دیاریکراوی هەیە.

If it's been a long time since you last accessed that piece of information,

ئەگەر ماوەیەکی زۆر تێپەڕیوە بەسەر دوایین جار کە ئەو زانیارییەت بۆ بەردەست بووە،

it's probably going to be a long time

ئەوا ماوەیەکی درێژخایەن ئەبێت

before you're going to need to access it again.

پێش ئەوەی پێویست بکات بەوەی دووبارە بیکەیتەوە.

Your wardrobe is just like the computer's memory.

دۆڵابەکەشت هەر وەک یادەوەری کۆمپیتەرەکەیە.

You have limited capacity,

شوێنێکی سنووردارت هەیە، و

and you need to try and get in there the things that you're most likely to need

پێویستە ئەو شتانە بهێڵیتەوە کە ئەگەری هەیە زیاتر پێویست پێیان بێت

so that you can get to them as quickly as possible.

بۆ ئەوەی بە زووترین کات بەردەست بن بۆت.

Recognizing that,

ناسینەوەی ئەوە،

maybe it's worth applying the least recently used principle

لەوانەیە شایەنی بێت ئەو بنەمایە بەکاربێنیت کە بەو دواییە کەمترین بەکارهێنراوە

to organizing your wardrobe as well.

بۆ ڕێکخستنەوەی دۆڵابەکەشت.

So if we go back to Martha's four questions,

بۆیە ئەگەر بگەڕێینەوە سەر چوار پرسیارەکەی مارتا،

the computer scientists would say that of these,

زاناکانی کۆمپیتەر ئەڵێن کە لەناو ئەمانەیا،

the last one is the most important.

دوایین دانە گرنگترینە.

This idea of organizing things

بیرۆکەی ڕێکسختنی شتەکان

so that the things you are most likely to need are most accessible

بۆ ئەوەی ئەو شتانەی زۆرترین پێویستیت پێیەتی زیاتر بەردەست بێت

can also be applied in your office.

لە شوێنی کارەکەشت بەکاریەت.

The Japanese economist Yukio Noguchi

ئابوریناسی ژاپۆنی یوکیۆ نۆگوچی

actually invented a filing system that has exactly this property.

سیستمێکی فایل دانانی داهێناوە کە ڕێک ئەم خاسیەتەی هەیە.

He started with a cardboard box,

بە سندووقێکی کارتۆنی دەستیپێکرد، و

and he put his documents into the box from the left-hand side.

بەڵگەنامەکانی خۆی خستە ناو سندوقەکەوە لە بەری لای چەپەوە.

Each time he'd add a document,

هەرجارێک کە بەڵگەنامەیەکی دائەنا،

he'd move what was in there along

ئەوانەی تری ئەخستە ئەو لاوە و

and he'd add that document to the left-hand side of the box.

ئەو بەڵگەنامەیەی ئەخستە بەری لای چەپی سندووقەکە. و

And each time he accessed a document, he'd take it out,

هەرجارێک بەڵگەنامەیەکی ئەویست، دەری ئەهێنا،

consult it and put it back in on the left-hand side.

سەیری ئەکرد و دووبارە ئەیخستەوە بەری لای چەپەوە.

As a result, the documents would be ordered from left to right

دەرئەنجام، بەڵگەنامەکان لە چەپەوە بۆ ڕاست ڕێز ئەکران

by how recently they had been used.

بەپێی ئەوەی دواین جار بەکارهێنراون.

And he found he could quickly find what he was looking for

بۆی دەرکەوت ئەتوانێت بەخێرایی ئەوە بدۆزێتەوە کە بۆی ئەگەڕێت

by starting at the left-hand side of the box

بە دەستکردن بە گەڕان لە لای چەپی سندوقەکە و

and working his way to the right.

ڕۆشتن بەرەو لای ڕاست.

Before you dash home and implement this filing system --

پێش ئەوەی خۆت بکەیت بەماڵەوەیا و ئەم سیستمی جیاکردنەوەیە بەکاربێنیت --

(Laughter)

(پێکەنین)

it's worth recognizing that you probably already have.

شایەنی ئەوەیە درک بەوە بکەیت کە خۆت هەر وات کردووە.

(Laughter)

(پێکەنین)

That pile of papers on your desk ...

ئەو تۆپەڵە کاغەزەی سەر مێزەکەت

typically maligned as messy and disorganized,

کە وەک شێواو و ڕێکنەخراو سەیر ئەکرێت،

a pile of papers is, in fact, perfectly organized --

ڕاستییەکەی ئەو کاغەزانە زۆر باش کۆکراوەن --

(Laughter)

(پێکەنین)

as long as you, when you take a paper out,

ئەگەر کاتێک کاغەزێک دەر ئەکەیت،

put it back on the top of the pile,

بیخەیتەوە سەری سەرەوەی تۆپەڵە کاغەزەکە،

then those papers are going to be ordered from top to bottom

ئینجا ئەو کاغەزانە لە سەرەوە بۆ خوارەوە ڕێک ئەخرێن

by how recently they were used,

بەپێی ئەوەی کامیان دوایین جار بەکارهاتوون،

and you can probably quickly find what you're looking for

لەوانەشە خێرا ئەوە بدۆزیتەوە کە بۆی ئەگەڕێیت

by starting at the top of the pile.

بە سەیرکردنی سەری سەرەوەی کاغەزەکان.

Organizing your wardrobe or your desk

ڕێکخستنی دۆڵابەکەت یان سەر مێزەکەت

are probably not the most pressing problems in your life.

لەوانەیە گەورەترین کێشەی ژیانت نەبێت.

Sometimes the problems we have to solve are simply very, very hard.

هەندێک جار کێشەکانی ژیانمان کە ئەبێت چارەسەریان بکەین زۆر زۆر قورسن.

But even in those cases,

بەڵام تەنانەت ئەو جارانەش،

computer science can offer some strategies

زانستی کۆمپیتەر ئەکرێت هەندێک ستراتیجیمان باتێ و

and perhaps some solace.

لەوانەشە دڵنەواییەک.

The best algorithms are about doing what makes the most sense

باشترین ئەلگۆریتم ئەوەیە ئەو شتە بکەیت کە زیاتر ڕێی تێئەچێت

in the least amount of time.

لە کەمترین کاتدا.

When computers face hard problems,

کاتێک کۆمپیتەرەکان کێشەی گەورەیان تێئەکەوێت،

they deal with them by making them into simpler problems --

ئەیانکەن بە کێشەی بچوکەوە بۆ مامەڵەکردن لەگەڵی --

by making use of randomness,

بە بەکارهێنانی بەهەڕەمەکی کردنیان،

by removing constraints or by allowing approximations.

بە لابردنی بەربەستەکان یان ڕێگەدان بە نزیککردنەوەکان.

Solving those simpler problems

چارەسەرکردنی ئەو کێشە سادەترانە

can give you insight into the harder problems,

ئەکرێت تێگەشتنت باتێ بۆ کێشەکانی قورسترن، و

and sometimes produces pretty good solutions in their own right.

هەندێک جاریش بەشێوەی خۆیان چارەسەری زۆر باش بەرهەم ئەهێنن.

Knowing all of this has helped me to relax when I have to make decisions.

زانینی هەموو ئەمە یارمەتی یاوم پشوو بەم کاتێک ئەزانم ئەبێت بڕیارێک بەم.

You could take the 37 percent rule for finding a home as an example.

ئەکرێت یاسای لەسەدا ٣٧ەکەی دۆزینەوەی ماڵێک وەرگری وەک نموونە.

There's no way that you can consider all of the options,

بەهیچ شێوەیەک ناتوانیت هەموو هەڵبژاردنەکان لەبەرچاو بگریت،

so you have to take a chance.

بۆیە پێویستە سەرکێشی بکەیت. و

And even if you follow the optimal strategy,

تەنانەت ئەگەر ستراتیجی لەبارترینیش بەکاربێنیت،

you're not guaranteed a perfect outcome.

گرنتی باشترین ئەنجامت نابێت.

If you follow the 37 percent rule,

ئەگەر شوێن یاسای لە سەدا ٣٧ بکەویت،

the probability that you find the very best place is --

ئەگەری ئەوەی کە باشترین شوێن بدۆزیتەوە --

funnily enough ...

کە جێی پێکەنینە ...

(Laughter)

(پێکەنین)

37 percent.

لەسەدا ٣٧ە.

You fail most of the time.

زۆربەی جارەکان شکست ئەهێنیت.

But that's the best that you can do.

بەڵام ئەوە باشترینە پێت بکرێت.

Ultimately, computer science can help to make us more forgiving

دەرئەنجام، زانستی کۆمپیتەر ئەکرێت یارمەتیمان بات لێبووردەتر بیت

of our own limitations.

بۆ سنوورەکانی بۆمان دانراوە.

You can't control outcomes, just processes.

ناکرێت کۆنترۆڵی ئەنجامەکان بکەیت، تەنیا پرۆسەکان ئەکرێت.

And as long as you've used the best process,

هەتا باشترین پرۆسەکانی خۆت بەکارهێنابێت،

you've done the best that you can.

ئەوا باشترینت کردووە کە پێتبکرێت.

Sometimes those best processes involve taking a chance --

هەندێک جار ئەو باشترین پرۆسانە سەرکێشی کردن لەخۆ ئەگرێت --

not considering all of your options,

هەموو هەلبژاردنەکان لەبەرچاو نەگریت،

or being willing to settle for a pretty good solution.

یان ئامادەبیت جێگیر ببیت لەسەر چارەسەرێکی باش.

These aren't the concessions that we make when we can't be rational --

ئەمانە خۆبەدەستەوەیانەکان نین کە پێویستە بیکەین کاتێک ناتوانین ژیر بین --

they're what being rational means.

ئەوە واتای ژیر بوونە.

Thank you.

زۆر سوپاس.

(Applause)

(چەپڵەلێدان)