חלק מהמהפכות הן גלויות, כאלה שכל אחד יכול למשש - המחשב האישי, האינטרנט, הרשתות החברתיות והסמארטפון, חלק מהמהפכות הטכנולוגיות מתרחשות דווקא מאחורי הקלעים ומספקות את היכולות לאותן מהפכות גלויות, הדוגמאות הבולטות מתחום המיחשוב היא מהפכות הטרנזיסטורים, הסיליקון וטכנולוגיות המיזעור. מהפכה בטכנולוגיית הבטריות לדוגמה היא זו שאיפשרה את חזרת המכוניות החשמליות לקידמת הבמה.
המהפכה הנוכחית, שעליה אדבר בפוסט זה, היא מסוג המהפכות שמאחורי הקלעים, שבתורה כנראה תייצר כמה וכמה מהפכות נראות יותר לעין שיתבססו עליה. זוהי מהפכת הבינה המלאכותית שבין היתר תהיה אבן פינה להצלחת מהפכת הרכב האוטונומי, אבל בפוסט זה אני אשאל את השאלה כיצד היא תתרום לעיצוב רשתות התחבורה הציבורית.
מהי בינה מלאכותית?
אם אתם בקיאים בתחום תוכלו פשוט לעבור לסעיף הבא, אני לא איש מחשבים אז אחטא כאן כנראה בפישוט יתר ועם קוראיי המבינים יותר הסליחה.
60 שנה של מחקר הניבו תוצאות נחמדות מאד בתחום הבינה המלאכותית אבל פריצת הדרך האמיתית בתחום הבינה המלאכותית הגיעה ממש לא מזמן, ב-2012, כאשר תת תחום של "למידה עמוקה" הנשענת על רשתות עצביות מלאכותיות החל לצבור תאוצה ממש מהירה.
אחת הדרכים של למידה עמוקה היא על ידי רשת עצבית "מאמנת" ורשת עצבית "מתאמנת" האחת שולחת לשניה תמונות והשניה מנסה לנחש מה הן. הראשונה עונה לה רק בכן ולא. מכל תשובה הרשת המתאמנת לומדת עוד קצת ועוד קצת. בהתחלה היא כל הזמן טועה, אחר כך אחוזי ההצלחה הולכים ועולים עד שהיא רוב הזמן צודקת. היא מנסחת לעצמה את הכללים שבעזרתם היא מנחשת וזה מאד דומה לדרך שבה המוח שלנו מתפתח כתינוקות וכילדים. עכשיו אפשר לשלוח לרשת המאומנת שלנו תמונה שאנחנו לא יודעים עליה כלום ויש סיכוי סביר שהיא תנחש נכון. זה נשמע תהליך שלוקח הרבה זמן, אבל בעידן בו אלפי חישובים נעשים במילי-שניות זה תהליך קצר מאד. כל מה שצריך הוא גישה למאגרי מידע גדולים עם תשובות ידועות (דבר די קל בעידן האינטרנט) ואנחנו יכולים לאמן את הרשת לזהות דברים שהאדם לא מסוגל לזהות, או לפחות לא מסוגל לזהות מהר כמוה.
כל פעם שגוגל ביקשה ממכם ללחוץ על תמונות של רמזורים או אופניים, היא בעצם הגדילה את מאגר התמונות הזמינות לרשת המתאמנת עם תשובה ידועה. בזכותכם המכונית האוטונומית של גוגל תדע לזהות רמזורים או אופניים אחרים בזמן אמת בצורה טובה יותר. אם טעיתם אז אל חשש, הטעות שלכם תיזרק הצידה באמצעות מנגנון סטטיסטי די פשוט בהנחה שרבים אחרים ענו תשובה נכונה.
עכשיו תחליפו את התמונות בדוגמה שנתתי בתמונות רנטגן, או בבדיקות לזיהוי סרטן וקיבלתם כלי רב עוצמה לשיפור האבחון המהיר ולהקטנת מקרים של זיהוי מוטעה. זוהי דוגמה אחת, אמיתית מאד, לשימוש נוכחי בבינה מלאכותית שהולך וצובר תאוצה. מכאן השמיים הם הגבול.
בינה מלאכותית ותחבורה ציבורית - החזון
לכאורה אפשר לקחת רשתות תחבורה ציבורית, להגדיר להן קריטריונים שונים להצלחה (מספרי נוסעים, יעילות כלכלית וכו'), להזין את כל המידע למחשב המתאמן ולתת לו להבין לבד איך היא קיבלה את הציון. המחשב יזהה את המבנה של הרשת ואת מה שלדעתו הביא לחוזקה או לחולשה שלה ביחס לציון שקיבלה. אחר כך אפשר לזרוק לו רשת שלא נבחנה ולא דורגה והוא יזהה את החוזקות והחולשות שלה ויעביר אינפוטים הלאה לשיפור הרשת.
בואו ניקח את הרשת של לונדון (אוטובוסים ורכבת תחתיות) וניתן לה ערכים במונחי כיסוי, מהירות נסיעה, מספרי נוסעים, צפיפויות במקטעים השונים, מספרי עולים ויורדים בתחנות, מספר המעברים, עלות הפעלה לק"מ ואולי נתונים נוספים זמינים כמו סקר שביעות רצון, למען פשטות הדוגמה נשים את כל המידע הזה עדיין על "מפה אילמת" של רשת הדרכים. כל הערכים האלה שהכנסנו לתוכו יתורגמו ל"ציון" לרשת.
אחר כך ניקח את הרשת של ניו-יורק, איסטנבול, פריז, אמסטרדם וכו', נדרשות מאות ואולי אלפי רשתות שכאלה בשביל האימון ואת כולן נדרג באותה השיטה. נזין את המידע הזה לרשת המאמנת שלנו. כדי שתוכל להעביר אותו הלאה, לרשת המתאמנת.
הרשת המתאמנת תנסה "לנחש" את הציון לכל רשת תחבורה ציבורית ותקבל משוב מהרשת המאמנת (צודקת/טועה) עד שתגיע לתוצאה הרצויה. בדרך לשם היא תנסה לנחש את החוקיות, אנחנו לא נגיד לה שרשת שאין בה מטרו מורידה את הציון בשל פרמטר המהירות שנפגע, היא תצטרך להבין את זה לבדה, כל זה יתנהל במעין קופסה שחורה שלא נתערב בה, כן נוכל לדרוש מהרשת המתאמנת להפיק דוח מפורט של כל הפרמטרים "שלה" שהביאו לתוצאה שלה.
עכשיו, אחרי אלפי אימונים כאלה, אנחנו זורקים לרשת המתאמנת שלנו עיר חדשה ועובדים הפוך. הרשת נותנת ציון ואנחנו הולכים ובודקים אותו בשיטה הישנה שלנו, בשלב זה סביר שנקבל תוצאות דומות לציון של העיר, אבל יכול להיות שכל רשימת הפרמטרים שהובילו לציון תהיה שונה. כבר התחלנו ללמוד משהו שלא ידענו קודם.
השלב הבא הוא לתת לרשת משימה, להציע טיובים לרשת התח"צ בכדי להעלות לה את הציון, זה יכול וצריך גם להיות תחת אילוצים (נניח באותה עלות כלכלית אם נלך לפי הגישה האמריקאית של ג'ארט ווקר), בשלב הזה הבינה המלאכותית שלנו צריכה להתחיל לנתח לבד, היא תעשה את זה על ידי בדיקת עשרות אלפי תרחישים שונים (בפרק זמן קצר יחסית לפי כוח המיחשוב) ותצביע על התרחיש שנותן את התוצאה הטובה ביותר. מה שנותר לנו זה רק לקחת וליישם, ואז לחזור ולבדוק.
הרשת הממוחשבת שלנו לא צריכה לדעת איפה זה עזריאלי ואיפה זה הקריה, היא תזהה את עוצמת המקום על פי מספר הנוסעים העולים והיורדים בתחנה, היא תדע להבדיל בין שכונות מגדלים לשכונות וילות גם על מפה אילמת, אבל דווקא המידע הזה של שימושי קרקע קיים וזמין וככל שיינתן לה היא תוכל להפיק סט תובנות אחר, כך היא יכולה להסיק לגבי פוטנציאל לא מנוצל בשכונת מגדלים כזו או אחרת (במקום לסווג אותה בטעות כשכונה דלילה). כך גם מידע לגבי מצב סוציו-אקונומי, היקף בעלות על רכב, פקקי התנועה באזור (בנוסף להסקה המתבקשת ממהירות הנסיעה של האוטובוס), וכן תוכניות עתידיות שניתן להזין אליה. אם זה נשמע לכם כמו מודל אז כן, זה לגמרי המידע הנדרש ליצירת מודל טוב, אבל אנחנו גם יודעים שבסוף תוצאות המודל נקבעות לפי כל ההנחות והאילוצים שבני אדם מכניסים אליו, ולפי כל הדרכים שבני אדם מנתחים את תוצאותיו אחר כך, ולרוב על מספר תרחישים מאד מוגבל. כל זה יכול להשתנות.
החזון הזה כנראה עוד מאד רחוק, לא מצאתי איזכורים ברשת לגביו, חלק מהסיבה נובע מכך שעולם האוטובוסים תמיד קצת נשכח מאחור, ולכן כל נושא המידע המפורט שכל כך חשוב למערכת AI לא תמיד מספיק זמין, חלק מזה נובע מכך שזהו הפרי הגבוה ביותר שעל העץ ולכן כרגע הגורמים שמנסים לשלב בין AI לתחבורה ציבורית מנסים לקטוף את הפירות הנמוכים יותר.
הפירות הנמוכים - דוגמה אחת ממוחי הקודח
דמיינו רכבת עם שמונה קרונות ותחנת רכבת עם רציף באורך 16 קרונות. על הרציף ממתינים אנשים רבים שמטבעם מתקבצים קרוב לאיפה שהמדרגות הנעות הביאו אותן. הסדרן כורז ומתחנן בפני האנשים להתפזר על פני הרציף אבל זה לא ממש קורה. הרכבת עוצרת והנוסעים מנסים לעלות, רק כדי לגלות שהקרון שבדיוק מולם די עמוס, כי גם בתחנה הקודמת במקרה הדרגנוע הוביל אל אותה נקודה ברציף. זה פוגע בחוויית השירות ועשוי ליצור עיכובים.
בעולם המידע המתקדם שטרם ה-AI - התקינו כבר מצלמות לאורך הרציפים ובכל הקרונות, המסוגלות להעריך את כמות הצפיפות, שמו שלטי לד מאירי עיניים מעל הרציף המציגים לנוסעים הממתינים על הרציף בזמן אמת את העומס על כל קרון, במיקום העתידי בו הולך לעצור בעוד כמה דקות, בתקווה שחלק יבינו את הרמז וילכו קצת ימינה או שמאלה לקרונות פנויים יותר. זה עבד לא רע, אבל הסיבה שאתם לא רואים את זה בהרבה רכבות בעולם היא שזה כנראה לא הניב תועלות מספיק טובות לעומת ההשקעה.
עכשיו תדמיינו מערכת AI - היא יודעת בדיוק איפה אנשים מתרכזים ברציפים וכמה מקום יש בקרונות, היא יודעת שיש לה רק 8 קרונות אבל יש רציף ארוך פי שתיים. המטלה שלה היא לפזר את הנוסעים באופן יותר אחיד על פני כל הרכבת. היא הולכת להחליט בדיוק היכן תעצור הרכבת לאורך הרציף. זה ישתנה מרכבת לרכבת ומיום ליום, וסט ההחלטות יהיה מושפע גם מהתחנות הבאות בתור והיכן נוסעים מחכים בהן ולא רק מהתחנה הנוכחית. כי המטרה היא מיקסום לאורך כל הנסיעה. בכל נסיעה יזרום האינפוט לרשת המתאמנת והיא תלמד כיצד להשתפר ברמת הסנטימטרים, עכשיו אפשר בשקט לפרק את שלטי הלד הגדולים ולתת לציבור להתנהג כמו שציבור מתנהג, המערכת תתאים את עצמה אליו בצורה הטובה ביותר האפשרית והוא אפילו לא יידע את זה. זו הגדולה של AI.
הפירות הנמוכים - דוגמאות מהעולם האמיתי
כאמור אין הרבה. חיפוש באינטרנט מראה שכרגיל את מירב הפוקוס תופס דווקא הרכב הפרטי ה"חכם" או לחלופין פונקציות של תחבורה ציבורית גמישה בסגנון באבל (שלמעשה מנסה לחקות את הרכב הפרטי). על ייעול התחבורה הציבורית המסורתית באוטובוסים וברכבות כמעט אין כלום, וזאת למרות שברור לכולם שהיא לא הולכת להיעלם ושהיא זקוקה ל-AI באופן נואש כדי להתייעל.
הבוסריות הזו זועקת לשמיים במסמך מ-2019 שהוציא ארגון ה-UITP, העוסק במחקר בינלאומי של תחבורה ציבורית. מסמך שמסביר בגדול כמה הבינה המלאכותית חשובה לכולנו, אבל לא מצהיר שום דבר למעט הצורך הנואש במחקר ופיתוח בתחום זה. להלן וידאו שמסכם את המסמך
לפי המסמך, כרגע רתימת ה-AI מתמקדת בשישה תחומים ש(עדיין) לא מדברים בינהם ליצירת תמונת כוללת. אלה בדיוק הפירות הנמוכים.
- ניתוח התנהגות לקוחות (בדרך כלל במקומות ספציפיים ולא בתמונה רשתית)
- ניהול תפעול התחבורה הציבורית בזמן אמת, קרי הצמדת אוטובוסים ונהגים לסידורי נסיעה בצורה היעילה ביותר
- שיפורים טכנולוגיים בכל נושא התשלום, לרבות זיהוי פנים אוטומטי של לא משלמים (בברצלונה).
- תחזוקה מונעת (מתי הכי טוב לשלוח כל רכב לטיפול קטן או גדול, זה יותר יעיל מסתם "טיפול תקופתי קבוע".
- יצירת לוחות זמנים וזמני יציאה לאוטובוסים, לרוב תוך התחשבות רק בהיבט אחד, או מיקסום הנוסעים על האוטובוס או מיקסום ההתאמה בין רכבים ונהגים פנויים ללוח הזמנים, עוד לא ראיתי גם וגם.
- "מסלולן" - תכנון נסיעה עבור הנוסע תוך שימוש במגוון אמצעי ניידות. (google maps, moovit etc)
יש שני מקורות מידע קיימים שצריכים להירתם: אמצעי התשלום והמידע הסלולרי. אמצעי התשלום נותנים מידע לגבי הביקוש של הנוסעים במערכת (במערכת עם תיקוף ביציאה המידע מלא יותר) והסלולר נותן מידע לא רק על משתמשי המערכת אלא גם על משתמשי כביש כמו רוכבי אופניים ונהגי רכבים.
השבמחקבלונדון הייתי עד לכמה מקרים שקווי אוטובוסים חדשים (בתיכנון אנושי) מילאו חורים ברשת. הגמישות היחסית של האוטובוסים איפשרה ליצור קווים חדשים שמילאו את החסר בתחומים כמו קו תלמידים או קו נוסעים למרכז הפנאי של העיר מאזור שאין בו רכבות תחתיות ( Hackney Box , אזור בין קו הויקטוריה לקו המרכזי ). מצד שני הגמישות הזו לא יצרה קו די מתבקש בין השכונות Highgate ו Crouch End שניתן ללכת ביניהן ברבע שעה או עשרים דקות אבל ניסיון להגיע מאחת לשניה בתח"צ יקח לפחות חצי שעה.
בעבר ראיתי אנימציה של התנועה במרכז לונדון באמצעות נקודות אור קטנות שייצגו רכבים (לפי מערכת המעקב של מצלמות התנועה) בין 5 בבוקר לנקודה מסויימת בערב. היה אפשר לראות את כל הצירים הראשיים נדלקים ונהיים בהירים יותר ויותר, היה אפשר להתרשם מזרימת התנועה, אם כי לא היה אפשר לעקוב אחרי התנועה ולאתר מסלולים.
הכנסת המידע ל AI יכולה לחבר בין המוצאים ליעדים בצורה מדויקת ולאתר דפוסי תנועה שאינם זוכים למענה במערכת הקיימת. הפוטנציאל מבחינת האלמנטים הגמישים יותר במערכת (האוטובוסים ואמצעים מזינים אחרים) יכול להתבטא במסלולים חדשים בעוד שמבחינת המערכת המסילתית הקשיחה יותר השינוי יתבטא בהזנה טובה יותר וב"שבירת" המערכת על ידי הזנה לקווים שכנים.
כבר כיום יש אתגר שדורש חשיבה גמישה דמויית A1 - אתגר הנסיעה בכל התחתית ביום אחד. חלק מהפתרונות לאתגר בונים על קישורי אוטובוס בין הקווים הפרבריים כך שאפשר לעלות בקו אחד ולחזור בשני, או על מספר תחנות צמודות גאוגרפית אך "מרוחקות" בדיאגרמה. זה אתגר מעניין שאם AI יפתור אותו אז הוא יצליח לפתור סדר יום של נוסע עם 2 עד 5 נקודות מוצא ויעדים.
כנראה שאני צריך לעשות מתישהו פוסט על המידע הזמין לנו.
מחקנושא המעקב אחר טלפונים סלולריים בהחלט הולך ומתפתח וכבר נמצא בשימוש משרד התחבורה לצרכים שונים, בין היתר לבניית מודלים ומטריצות של מוצא יעד.נעשה בזה שימוש גם לצד הכבישי של משרד התחבורה וגם לצד התח"צי, כי זה מזין מודל (יש ארצי ויש מודל לכל מטרופולין). ומאפשר גם כיול המודל בהתאם להתפתחויות אורבניות עתידיות צפויות.
תוכנית המטרו התבססה בין השאר על המודל המטרופוליני, והמודל המטרופוליני התבסס (למיטב ידיעתי) גם על נתוני סלולר. כך גם לדעתי הJNET של ירושלים.
מידע התיקופים בתחבורה הציבורית גם קיים ומשמש בהיקפים הולכים וגדלים את נושא תכנון הקווים. עליו מתווספת עוד שכבה של מערכת ספירות נוסעים שוספרת את העולים ואת היורדים בתחנות.
כל אלה ביחד כבר מייצרים מספיק מידע בכדי להזין אלגוריתם חכם שיזהה פערים ברשת
מי שהנתונים שלהם הכי טובים זה גוגל. בהנחה שיש לך מפות גוגל על הסמארטפון תפתח את ה Timeline ותראה איך שמרו על המסלולים והאמצעים שהשתמשת בהם בחודש האחרון. אם יזינו מידע כזה ממאות אלפי משתמשים או אפילו ממיליון משתמשים ל AI אז תיווצר הבנה טובה יותר של דפוסי תנועה בכל האמצעים.
מחקלישראל יש שני יתרונות מידע בהשוואה לעיר כמו לונדון: 99% מהתנועה מתבצעת על פני השטח אז אין אובדן קליטה סלולרית נרחבת באמצעים תת קרקעיים. במערכות מורכבות יש יותר מדרך אחת להגיע ממקום למקום מתחת לקרקע. מערכת התימחור של האוטובוסים כוללת מספר מחירים ובחירת תעריף מראש, בהשוואה לתעריף האחיד של האוטובוסים בלונדון. כתוצאה גם מידע חלקי בתיקוף באוטובוסים יכול לתת מידע נוסף על אזורי היעד של הנוסעים.
לגבי מה שאמרתי על הציון בתפוז - לא יזיק שיהיה איזה ציון כאמצעי השוואה, אבל אני לא חושב שזו ה-דרך לשפר את המערכות. בכל מערכת מסובכת יש נקודות תורפה של אזורים שהציון הספציפי שלהם יהיה נמוך מהציון הכולל של המערכת, ונקודות חוזק עם ציון שיהיה מעל לממוצע.
א. לא יפתיע אותך שגוגל מאחסנת את המידע הזה ומוכרת אותו בכסף טוב לגורמים שונים, ובינהם למשרד התחבורה (כנתונים אגרגטיביים כמובן, לא פרטניים, המקובל הוא שלא מציגים מידע, לדוגמה מאזור סטטיסטי A לאזור סטטיסטי B בין 7 ל-8 בבוקר אם הוא כולל פחות מ-50 יוניקים וזה מקבל את הערך 0 במקום). מעבר לתנועת הסמארטפונים על פני המרחב גוגל טוענת שהיא יודעת לזהות את דפוס התנועה, ולהחליט האם מדובר ברכב פרטי, אוטובוס, אופניים או הליכה ברגל, וזה גם אם לא ביצעת חיפוש שאילתא בגוגל מפות. איך היא עושה את זה זה כמובן סוד מסחרי ולכן אין לנו דרך לדעת את מהימנות הטענה שלה, אבל מאחר ולא בדיוק מדובר בחברה קיקיונית, היא זוכה לאמון שהיא עושה עבודה טובה (מה גם שאפשר להצליב עם מקורות אחרים ובדרך כלל הנתונים "עושים שכל").
מחקאת החורים במידע כתוצאה מקטעים של אי קליטת סלולרי אפשר כמובן להשלים בניחוש מושכל והיתרונות של ה-AI זה בעיקר שהוא יכול לעשות את הניחושים המושכלים האלה מהר יותר מכל מנחש אנושי.
אתה צודק שגם תעריפים שונים הם מקור מידע כלשהו שמצטרף לסל.
לגבי הציון, הצגתי את זה בפשטות בפוסט, אבל אין ספק שזה נושא מאד מורכב, והוא בהחלט יכול וצריך להסתמך על תאי שטח קטנים יותר, בין אם אזורי התנועה של הלמ"ס ובין אם בשיטה אחרת כמו פשוט משבצות של קילומטר על קילומטר. לכל תא שטח שכזה (לא משנה באיזה שיטה) יהיה ציון, לכל חיבור בין תאי שטח שונים יהיה ציון במטריצה גדולה ולכל המערכת יהיה ציון שנגזר מסך הציונים הממוקדים יותר. גם כאן כמובן אני חוטא בפשטנות של תיאור העניין הזה, אתה לרוב מציין בעיקר את הקישור למוקדים מרכזיים ולא סתם בין כל תא שטח לכל תא שטח, אבל אני מקווה שזה ברור.
גוגל שולחת לי הזמנה לעיין ב Timelime הפרטי שלי פעם בחודש. איסוף המידע מתבצע ברקע, זה לא עניין של חיפוש מסלול אלא מעקב מסויים אחרי תנועה בפועל. אני מתפתה לעיין וזה באמת מעניין. ברמת המאקרו המיפוי די מדוייק, גם אם יש אי אילו חריגות לפי משדר סלולרי. בימינו יש ייצוג של קו חום שמופיע לעיתים בין המסלול למשדר במקרים של "מיקום" שקופץ ביניהם בצורה בלתי הגיונית. ניתוח האמצעי שאני משתמש בו די מדוייק, אבל היו מקרים שהאופניים שלי סווגו כמכונית. ניתוח המעבר בין רכב להליכה מאד מדוייק. עיקר השימוש התח"צי שלי הוא במערכות מסילתיות אז קל למערכת להבין את זה לפי המסלול. לצערי השימוש הנרחב אחרון שלי באוטובוסים היה בקיץ 2019 ובעיון ב Timeline נראה שקשה למפות גוגל להבחין בין נהיגה ונסיעה באוטובוס. היו מספר מקרים מובהקים של אוטובוס שסווג כנהיגה שאולי אעלה בפורום אם תבקש. חלק מהמקרים מגוכחים כמו "מכונית" שנסענו בה באי וואיט אחרי שהגענו לשם ללא רכב, או "מכוניות" בגלאזגו אליה הגענו במסע הבכורה של הטסלה אבל לא הוצאנו אותה מהחנייה הצרה של בית ההארחה לאורך כל הביקור. באדינברה - בה החנינו את הטסלה בחניון נמל התעופה וגוגל יודעת שהגענו לעיר ברק"ל אני חושב שאולי היו "מכוניות" אבל הטעות המוזרה ביותר היתה "רכבת" שלכאורה נסעתי בה במצב שתחנת הרק"ל שלנו היתה די צמודה לתחנת רכבת פרברית.
מחקמשיקולי פרטיות לא אעלה מסלולים מהבתים שלי, אבל אם אינך מפעיל את ה Timeline שלך אשמח להראות לך במה מדובר.
אכן, בכל מערכת כזו אין 100% כי היא מבוססת על ניחוש מושכל מבוסס אלגורתם, והדיוק מושפע הן מטיב המידע שאתה אוסף והן מטיב האלגורתים שלך, (כלומר כמה הוא צריך ממש לנחש ואחר כך האם הוא עושה את היחוש הזה טוב) אבל כשאתה מוכר נתונים אגרגטיביים השאלה היא "כמה אתה מתקרב ל-100%. כמו שציינת, בדרך כלל גוגל קולעת בול אבל יש טעויות.
מחקיש שני סוגים של טעויות, האחד הוא טעות ביוניק כלשהו (נניח היא טעתה בך בגלזגו, אבל היא צודקת עבור רוב האנשים האחרים בגלזגו, ולכן הטעות שאתה רואה אצלך לא תשפיע על התמונה הכללית כמעט.
2, טעות מערכתית בגלזגו בגלל סיבות שאני לא יודע אותם, כלומר, כללית בכל העולם בדרך כלל גוגל די מדייקת, אבל כל המידע על מרכז גלזגו שגוי.
הבעיה עם המידע הזה (שהוא כאמור קופסה שחורה) היא שבהתחלה אתה בודק אותו באמצעות כל מיני סקרים ומחקרים ומקבילים עד שאתה מקבל תחושת ביטחון שיש לך נתונים מהימנים ברמה של 90%, ואז אתה מפסיק לבדוק אותו ומסתמך על הקופסה השחורה הזו באופן עיוור. אם באמת יש מקרים כמו גלזגו בדוגמה השניה שבהם המידע פשוט לא נכון, אף אחד לא יעלה על זה וזה עשוי להביא להחלטות פיתוח שגויות.