意外 (Surprise)，是意想不到的事，沒有心理準備會發生的事，一旦發生，免不了吃驚，感到意外。現代人要預測許多事情，天氣會不會影響農作物價格，股票行情會不會影響房價，下一屆大選誰會當選，許多藉用電腦模型的預測雖準確到相當程度，意外仍屬難免，但微軟的科學家 Eric Horvitz 博士卻想辦法來預測意外，意外一旦能預測、就不再叫意外了，他說雖然不能完全消彌意外的發生，至少可以減少教人驚異事件的數量。
預測意外，聽起來似乎矛盾，意外既然是想不到的事，如何能預測？Horvitz 博士解釋說，我們至少可以回塑既往，從以前發生過教我們驚訝的事情，用電腦的複雜運算推演，預測以後可能會再讓我們驚訝的事情，這不是說以前意外的重演，因為那已經不再算是意外了，推演出來的是新的、我們還沒想過的意外。Horvitz 把這個方法稱為「意外模型」(Surprise Modeling)，為了實驗證實這個方法，先以微軟所在地美國西雅圖的交通流動為工具，發展一個稱為 SmartPhlow 的系統，放入五千名微軟員工的手機裡實驗。（如上動畫圖、點選放大）
SmartPhlow 從 2003 年開始規劃，先把西雅圖的高速公路地圖與即時交通流量資料結合，紅色表示擁塞、綠色表示暢通，可以在手機畫面一目了然，但西雅圖的人對各路段交通情況早就知道，手機的圖示用處不大。Horvitz 所率領的團隊決定反過來做，不再提示大家習以為常的交通狀況，改為提示與平常不同的意外交通情況，哪一平日暢通的路段將會擁塞，或哪一平日擁塞的路段即將暢通。但怎麼預測？Horvitz 說系統要知道兩件事，一是要知道什麼狀況讓人驚訝感到意外，二是預測之後要給人足夠的時間來反應，免得讓人措手不及。
Horvitz 的團隊先取得把西雅圖過去幾年的路況資料，包括全部靜態與動態狀況，然後把可能影響交通流動的因素，像是天氣、車禍、假日、體育比賽、重要人物來訪等資料加了進去，再把重要路段以 15 分鐘切割，套入資料，運算出每一路段的機率分配 (Probability Distribution)，成為當地人所熟知的正常路況模式。有了正常模式，再回到資料裡尋找與正常有顯著差異的情況，而製作成一個龐大的意外路況資料庫。
每當發覺意外的情況，研究人員就把時間倒回 30 分鐘，回到正常的路況，然後用一個機器學習 (Machine Learning) 的軟體，找出兩個時段差異的細節，用作預測意外的基礎。這個軟體採用貝氏模型 (Bayesian Modeling) 技術，藉以前的經驗、加上研究人員主觀的權衡，來預估即將發生事件的可能性。這一模型運算的結果，Horvitz說頗為讓人滿意，可以把正誤差 (False-Positive) 縮小到百分之五，把西雅圖交通路況的意外減少了一半。
SmartPhlow 目前僅在微軟內部試用，尚未成為商品，2005 年微軟將核心技術授權 Inrix 公司，發展成行動應用軟體在美國與英國出售，可以在幾分鐘到五天之前，預測當地交通的路況。史坦福大學機率模型教授 Daphne Koller 認為 SmartPhlow 有獨特的地方，很多預測的系統，都是探測到目前的狀況與正常狀況的差異，但 SmartPhlow 的目標在預測近期的未來，而也些預測系統不顧統計以外的資料，但 SmartPhlow 卻把人的因素納入系統模型，成為優勢的一部份。
技術的核心之一的貝氏理論 (Bayes Theorem)，讀者若不熟習，可以看成是對一項假設的信任程度。有兩盒大小一樣、各裝 40 片餅乾的餅乾盒，甲盒裝有 10 片巧克力餅乾、30 片普通餅乾，乙盒則巧克力與普通餅乾各裝 20 片，現在問：有一個人從甲盒取出一片普通餅乾的機會是多少？「從甲盒取出一片普通餅乾」是假設，「機會」就是對這個假設的信任程度，這個答案是 60%，有興趣的讀者可以花一點時間琢磨。
SmartPhlow 用的邏輯運算，雖然限於交通領域，但 Horvitz 認為可以通式化，用在更多的領域，且已經並與一些政治學者談到預測無法預知的政治衝突。用同樣的方法，也可以預測經濟上的意外，股票市場、貨幣匯率、甚至商業的走勢。Horvitz 說，過去幾十年有不少公司倒閉，因為他們沒有預先看到科技的發展改變了競爭的板塊，雖然把意外模型運用這些領域上為時尚早，但這是智慧的基礎：瞭解我們不知道的事。
|
