Како што науката продолжува да ни открива тајни, така моделите развиени врз основа на новите сознанија стануваат сè покомплицирани. Тие ги интегрираат овие нови откритија и механизми за подобро да го отсликаат светот околу нас. Голем број истражувачи сметаат дека колку што одреден модел е подетален, толку би биле попрецизни проценките, затоа што на тој начин тие се поблиску до реалноста.
Но ново истражување, објавено во списанието Science Advances, сугерира дека работата стои обратно.
Претпоставката дека „повеќе детали е подобро“ важи за голем број дисциплини. Последиците од ова се огромни. Универзитетите набавуваат сè помоќни компјутери затоа што сакаат да тестираат сè посложени модели, за што е потребна зголемена компјутерска моќност. Неодамна, Европската Комисија инвестираше 8 милијарди евра за да создаде многу детална симулација на Земјата (сосе луѓето), под името „дигитален близнак“, надевајќи се дека подобро ќе ги реши моменталните социјални и еколошки предизвици.
Во спомнатата статија се анализираат стотици илијади модели со различни конфигурации и се мери колку се сигурни (односно несигурни) нивните проценки. Контраинтуитивно, поголемиот број детали произведуваат понеодредени проценки. Ова е поради постојаното додавање нови параметри и механизми. Секој нов параметар, на пример ефектот на мастика за џвакање врз ширењето на некоја болест, треба да биде МЕРЕН, што значи е подложен на грешки во мерењето и на несигурност. Истовремено, оние кои го прават моделот можеби користат различни равенки за математички да опишат еден ист феномен.
Така, во моделите - кои самите по себе можеби стануваат поблиски до реалноста - се трупаат грешки и непрецизности, до степен во кој самиот модел почнува да работи против себеси. Ова особено важи за оние кои немаат можност за споредба со друг сет податоци за да ја проверат својата точност. Ова ги вклучува глобалните модели на климатски промени, хидрологија, производство на храна и епидемиологија, како и моделите кои предвидуваат идни влијанија.
Во 2009, инженери креирале алгоритам наречен Гугл Флу Трендс, кој требало да ја предвиди зачестеноста на посетите на доктор во САД поради симптоми на грип. И покрај тоа што бил базиран на 50 милиони пребарувања кои луѓето ги правеле на Гугл, моделот не бил во можност да ја предвиди епидемијата на свински грип од 2009. Како реагирале инженерите на ова? Нормално, со уште поголемо усложнување на моделот. Ретроспективно се видело дека тој покажувал дури и до 50% поголем број посети на доктор отколку што реално се случиле во период од 2011-2013. Според истражување на германскиот психолог Герд Гигеренцер, моделот можел да даде многу подобри резултати врз основа само на ЕДЕН податок: колку пациенти отишле на доктор претходната недела.
Друг пример е глобалниот хидролошки модел, предвидувањето на тоа како и каде се движат водите, кој во 1960-тите се базирал исклкучиво на процесот на испарување на водата на терени покриени со растенија. Наскоро тој бил проширен со податоци за користење домашни, индустриски и земјоделски води на глобално ниво. Сега обидот е да се симулираат потребите за вода на Земјата за секој километар, на секој час.
Но што се добива со толку детали? Потрошени се многу ресурси, време, пари и енергија за податоци кои стануваат сè понепредвидливи и понесигурни. Советот за избегнување на ваквиот ќорсокак е да не се оди по дефиниција на зголемување на моделите, а доколку тоа се прави да се посвети време на откривање како додавањето на секој поединечен елемент влијае врз целината, и да се најде најдобриот баланс помеѓу нивото на деталност и несигурноста на проценката. На овој начин истражувачите можат да проценат дали воопшто се исплати преминот на ново ниво, или потрагата по прецизност би ја уништило смислата и на она што веќе постои и им служи на науката и на општеството, макар и не одело до трета децимала.
