 Helo, okey. Hai, semua. Terima kasih. Terima kasih kerana berkata-kata. Saya rasa saya masih melihat banyak orang. Saya tidak menunggu banyak orang pada masa ini. Tapi terima kasih kerana menunggu. Nama saya Sao Xiong dan saya akan bercakap tentang kompleksiti program ini hari ini, tentang sistem kompleksiti modern dengan Ruby and React. Jadi beberapa tahun lalu saya bercakap tentang sesuatu yang sangat berbeza. Dan jika anda pernah bercakap itu, anda boleh berkata-kata ini untuk menjadi sesuatu yang sangat berbeza. Tapi untuk bermula, saya hanya ingin menunjukkan bahagian ini. Winston, ini untuk anda. Ini adalah post yang pertama saya lakukan pada 2006. Apabila kita pertama membuat Singapura Ruby Brigade Google Group dan Chunket adalah orang yang membuat group ini. Adakah Chunket di sini? Oh, anda tinggal? Ya, betul. Jadi dia membuat group ini dan saya cepat menghidupkan dia dan menghidupkan post pertama. Sekarang anda tahu apa yang kawan saya ada. Saya hanya ingin bercakap dengan saya sebab saya adalah nasib yang saya ada. Jadi nama saya Sao Xiong. Ini e-mel saya. Ini bagaimana bagaimana anda dapat mengenai saya. Dan sejak kami bergerak, saya sebenarnya menjadi beberapa kerja di Ruby sejak 2001. Jadi saya sebenarnya bercakap sejak pertama sehingga hari ini daripada pada tahun 2014. Jadi ini adalah masa kedua saya di sini. Dan saya... saya benar-benar terkejut dengan emosi. Bukan saya benar-benar terkejut. Jadi saya baru-baru berubah dan saya baru-baru berubah dan saya baru-baru berubah baru-baru berubah untuk mengambil perniagaan utiliti. Jadi ini adalah perniagaan yang sebab perniagaan menghubungi kekuatan dan air dan air ke dalam Singapura. Jadi jika anda berminat mengenai mengapa saya membuat perubahan yang sangat berubah, anda boleh datang nanti. Tapi saya juga mengambil perniagaan ini. Dan ia adalah itu. Saya telah melakukan Ruby sejauh masa yang lama. Saya seharusnya 11 tahun sekarang dan berjaya. Sejauh masa perniagaan, saya sebenarnya menulis 3 buku. Dan buku yang paling baru adalah satu perniagaan. Jadi itu juga. Ia sepatutnya dibuat minggu depan. Jadi jika anda mempunyai perniagaan web, saya akan beritahu anda untuk membeli buku saya. Bagaimanapun, saya rasa beberapa orang bercakap tentang perkara yang benar-benar secara teknik hari ini. Saya hanya ingin berkata bahawa ini bukan salah satu. Presentasi sebenarnya akan menunjukkan kota. Tapi saya ada kota. Jadi jika anda ingin melihatnya nanti, anda boleh sebenarnya masuk ke dalam kota dan anda boleh periksa kota. Saya juga boleh menunjukkan kepada anda jika cukup orang bercakap dan bercakap. Saya akan menunjukkan kepada anda perempuan saya, yang adalah apa yang saya gunakan. Bagaimanapun, mari saya mulakan dengan hal yang saya ingin bercakap tentang hari ini. Sebenarnya saya ingin bercakap tentang kompleksiti. Kompleksiti, apa yang itu? Bukan hanya tentang mempunyai sistem yang sangat sulit dan sangat sulit untuk memahami. Ini sebenarnya mempunyai sebuah termasuk yang penting. Ia adalah tentang bahagia yang mempunyai daripada sebuah grup yang memperkenalkan bahagian. Tapi ia bukan sebuah keputusan antara bahagian antara bahagian itu. Sebaiknya, sesuatu yang keluar dari bahagian tetapi ia tidak nampak seperti jika ia dari bahagian itu. Biar saya menjelaskan dengan sebuah contoh yang berkenal. Jadi, anda melihat seperti bahagian yang memperkenalkan bahagian. Jadi, bahagian yang memperkenalkan bahagian adalah sebuah keperluan yang sangat mudah. Mereka akan mencari bahagian di depan bahagian. Mereka akan cuba mengejar bahagian dan akan mengubah ke arah bahagian yang berkembang. Tetapi, bahagian yang terkenalkan bahagian yang berkenalkan bahagian adalah sesuatu yang tidak yang anda akan menunggu dan memperkenalkan bahagian. Saya rasa ia adalah sebuah keputusan. Di sebuah cara, bahagian yang memperkenalkan bahagian adalah sebuah keperluan yang sama. Jadi, ini adalah apa yang saya beritahu oleh keperluan. Begitu keperluan berkembang dari perkara individu yang berlaku yang anda tidak menunggu. Dan apa yang saya cuba buat hari ini dalam bahagian ini adalah bercakap tentang keperluan keperluan yang berkenal. Dan keperluan itu sudah telah diperkenalkan. Jadi, apa yang saya akan bercakap dengan hari ini adalah tidak sesuatu yang baru bersama-sama. Sesuatu yang sebenarnya sangat tua. Sebenarnya, ada sebuah bahagian yang saya akan bercakap adalah apa yang saya sebenarnya beritahu sebelum saya dilahirkan. Jadi, anda dapat mengingatkan bagaimana yang berlaku. Biar saya jumpa ke dalam perkara pertama. Jadi, perkara pertama yang saya akan bercakap adalah mengenai keperluan kultur. Dan sejak tahun ini tahun 2016, saya hanya perlu menunjukkan gambar ini. Ada sesiapa yang faham? Sebaiknya, saya akan beritahu. Jadi, keperluan kultur. Jadi, keperluan dan bagaimana anda akan memperkenalkan keperluan kultur. Sesetengah contoh yang lain, seperti Mickey Mouse di Disneyland. Berapa banyak anda sebenarnya datang ke Disneyland di Tokio? Anda nampak Mickey Mouse sebenarnya bercakap di Jepun. Dan Donald Duck dan semua orang lain. Jadi, saya sangat memasangkan bagaimana saya di sana. Starbucks dan Beijing di Kuala Bermanja. Makanan Periuk Periuk pada Amerika. Yoga. Dan juga, monstrositi. Saya tidak tahu apa yang akan dipanggil. Tapi, kejadian ini seorang pizak. Jadi, saya rasa yang saya cuba beritahu adalah, kultur berinterak dengan orang lain dan perkara yang lalu berlaku. Dan seseorang sebenarnya saya menerima sesuatu tentangnya pada tahun 1997, seorang pelajar politik amerikan, nama dia Robert Axelrod. Jadi, saya sebenarnya melakukan beberapa simulasi yang berdasarkan kerja dia dalam bahagian sebelumnya. Apa yang dia lakukan adalah, dia juga seorang pelajar teori kompleksiti dan medan nasional secara luar biasa. Jadi, dia adalah seseorang yang penting dan seseorang yang benar-benar senang. Jadi, dia sebenarnya membuat sebuah model yang berdasarkan dua pilihan, sebuah model kultural yang berdasarkan dua pilihan. Yang penting adalah orang yang lebih senang dan lebih senang untuk berbincang. Apabila pelajar berbincang dengan pelajar, mereka menjadi lebih senang dengan pelajar. Jadi, saya bermakna, jika saya berfikir sedikit tentang beberapa contohnya, saya pasti sekarang ada beberapa contoh. Jadi, apa yang saya akan lakukan adalah saya akan membuat model pelajar teori yang berdasarkan sebuah model pelajar teori. Kemudian saya akan mencari mereka ke dalam eksperimen yang saya akan mencari dan kita akan lihat apa yang berlaku. Jadi, mari kita lihat eksperimennya. Saya mempunyai pelajar sebuah setiap keputusan. Maafkan saya, keputusan bermakna keadaan, kemasan, kemasan, makanan yang anda makan dan sebagainya. Dalam setiap keputusan, ada sebuah setiap keputusan. Jadi, keputusan adalah keputusan kecuali dari sebuah keputusan. Kemudian saya model keputusan ke dalam ke-36x6 ke-6an semasa setiap keputusan adalah keputusan. Jadi, setiap keputusan adalah keputusan. Setiap keputusan ada enam keputusan. Dan setiap keputusan ada 16 keputusan yang mungkin terjadi. Jadi, pertanyaannya, kenapa saya memilih ke-6 dan 16? Apa yang anda fikir? Ya? Tidak. Terima kasih, Team. Jadi, ia cara lelaki-laki mengandung modelnya. Sebenarnya, saya menggunakan warna kecuali, warna kecuali, warna merah, warna merah, warna kecuali, dan setiap keputusan ada 16 keputusan yang mungkin terjadi. Jadi, pertanyaannya, untuk setiap keputusan, ada 8 keputusan yang mungkin terjadi jika anda berada di kawasan atau di kawasan, dan algoritma berjalan seperti ini. Di setiap keputusan, saya memilih ke-6 dan ke-6. Dan saya akan mempunyai keputusan kecuali dengan orang-orang. Jika keputusan berbeda untuk kecuali yang sama dalam dua keputusan, ia lebih daripada ke-6. Kemudian, saya akan mempunyai ke-6 kecuali ke-6 kecuali ke-6. Banyak keputusan, saya akan menunjukkan kepada anda dengan cara lebih kecuali. Jadi, kita untuk kata A dan B adalah dua keputusan yang berdiri. Kuali A mempunyai ke-6 kecuali ke-6 kecuali ke-6. Saya akan mempunyai ke-6 dan mempercewakan ke-6. Jadi, saya akan mempercewakan ke-6 ke-6 dalam ke-3. Di ke-3, kecuali ke-6 adalah ke-3. Saya akan membuat itu untuk semua orang. Kemudian, saya akan membuat semua. Dan kecuali ke-6 ke-6 menjadi ke-34. Sekarang, jika mereka sangat berbeza, kecuali ke-6 kemungkinan adalah 96, dan jika mereka adalah sebuah kultur yang sama, tidak ada kemungkinan adalah 0. Jadi, kultur yang lebih berbeza adalah kemungkinan yang lebih berbeza adalah kultur. Jadi, kemungkinan kultur ini adalah kemungkinan yang satu minus kemungkinan antara kultur yang berbeza adalah 96. Maksudnya, erf medic. Berkulit kemungkinan, dalam kes ini untuk contohnya, dan apabila kemungkinan terjadi, saya menggabung satu perjalanan ke mereka. Jadi, seperti yang anda lihat di sini, satu perjalanan kemungkinan mempunyai satu yang lain. Satu perjalanan tersebut untuk satu yang lain dan sebagainya sesuatu yang berubah. Ada hubungan. Jadi, apa yang kita mahu melepaskan di sini? Kita sebenarnya melepaskan simulasi. Apa yang kita mahu melepaskan? Sebenarnya, saya mahu melepaskan tiga perkara. Pertama, adalah kemungkinan kemungkinan yang lebih berbeza. Ini beritahu kami berapa berbeza berbeza berbeza dari setiap kemungkinan. Perkara unik beritahu kami berapa berbeza berbeza berbeza berbeza berbeza. Mereka ada pada masa yang diberikan. Terakhir, perubahan beritahu kami berapa berbeza berbeza berbeza berbeza berbeza berbeza berbeza berbeza. Jadi, saya mahu melepaskan tiga perkara untuk simulasi. Dan saya akan cepat menggunakan simulasi. Jadi, saya akan menggunakan Puma. Saya akan menggunakan simulasi. Jadi, ini hidup. Jadi, saya akan mulakan simulasi. You can see from the chart on the left, you have short Blue which is the distance between the average distance between 2 cultures. And ret is the number of changes and yellow is the number of uniques. You see over time, the average distance reduces. So over time you see as experiment goes, the differences between cultures actually reduce. Pertama, unik juga digunakan sebab semasa masa berlaku, kultur menjadi lebih dan lebih seperti satu sama lain. Dan akhirnya, anda dapat melihat bahawa perubahan mereka selalu berubah. Dan anda dapat melihatnya di sini pada pilihan yang baik yang berubah, anda lihat bahawa ada beberapa peluang yang besar dari kolor yang penting. Ia bermakna bahawa kultur mempunyai simulasi yang penting. Selama masa anda melihat bahawa ia tidak tetap berubah, beberapa peluang yang berubah, beberapa peluang yang berubah dan beberapa peluang yang berubah. Saya akan menghentikan ini untuk sekarang kembali ke pilihan yang berlaku. Baiklah, ini adalah simulasi. Sebelum masa yang berlaku, kerana saya tidak akan menghentikan semuanya ke pilihan, tetapi sebelum masa yang berlaku, ia mungkin yang anda dapat. Pilihan yang berlaku, ia berlaku sebab sebuah peluang yang berubah untuk berubah ke perubahan yang penting, perubahan yang berlaku adalah sama, dan perubahan sebenarnya tidak berubah ke bawah atau tidak berubah di bawah. Jadi mari kita melihat beberapa peluang yang berubah. Sekarang, seperti yang saya katakan, ini adalah simulasi. Saya tidak sebenarnya memplikannya. Dan ini hanya melihat dari simulasi. Pilihan yang berlaku adalah bahawa ada beberapa peluang yang berlaku. Itu juga untuk dikejapkan. Seperti peluang yang berlaku dengan orang lain, seorang akan berlaku dengan peluang yang berlaku. Peluang yang berlaku boleh berlaku dengan berlaku dengan orang lain. Jadi kita lihat bahawa peluang boleh berlaku dengan berlaku dengan orang lain. Jadi jika saya menerima peluang yang berlaku, saya akan menggunakan pilihan 36x36 tapi saya boleh menggunakan pilihan smaller atau lebih besar. Pilihan yang lebih kecil diserahkan dalam tilakan lengkuan keperluan dan peluang yang lebih kecil. Jadi jika anda mempunyai pilihan kelas geografi yang paling kecil, anda akan melihat bahawa mustard yang lebih kecil dan ada beberapa peluang yang lebih meningkat. Tapi sebuah perkara yang tidak seharusnya saya tidak menunggu di dalam¸ yang saya lihat di sini adalah peluang yang lebih kelihatan pada suatu saat tidak berlaku dengan di penjara. Dan kultur dominan tidak bermakna satu kultur mempunyai sebuah kultur. Pada akhirnya, ketika dua kultur memperkenalkan, mereka sebenarnya membuat sebuah kultur yang berdasarkan dua. Dan itu yang menjadi dominan. Jadi, dalam cara itu, itu adalah simulasi bagaimana kultur memperkenalkan. Jika anda mahu membuat lebih banyak periksaan, atau anda mahu cuba arah, tolong rasa bersyukur untuk mengambil kota ini di GitHub. Sekarang itu adalah kultur. Mari kita bercakap tentang simulasi lain. Bagaimana secara rasio? Singapura adalah... Untuk orang yang berada di sini, anda akan tahu bahawa Singapura adalah sebenarnya sangat berdasarkan. Ada banyak kebenaran di sini. Jadi, rasio secara rasio adalah sesuatu yang penting di Singapura. Dan keadaan di sebuah dunia, anda mungkin akan menyebut... ...sebagai orang yang bergerak ke negara lain dan sebagainya. Sebegini orang yang berbeza atau kultur yang berbeza menjadi penting. Jadi, saya rasa ini adalah model yang menarik. Tetapi, sekali lagi, saya sedang memikirkan bahawa ini adalah model simulasi komputer. Ini bukan sebuah kehidupan real. Jadi, dalam 2,000 kartu-grafa yang dipanggil Girl Rankin, apa yang dia lakukan adalah... ...dia mengambil map dan dia... ...basikal mengambil setiap 25 orang di dalam... ...dan kemudian dia akan mengambil warna untuk membuat orang itu... ...dan dia membuat map. Dan apa yang berlaku sangat bermula... ...awak melihat bahawa ini adalah pelu, pink dan orang orang... ...dan mereka mengandungkan raci yang berbeza di Chicago. Jadi, jelas-jelas, ada sesetengah segil rasio... ...saya berlalu di atas keadaan yang sangat kecil. Anda akan lihat bahawa orang yang berbeza dan orang orang yang berbeza... ...saya ada kadang-kadang menerimanya. Jadi, itu sangat berlaku. Bukan hanya di Chicago? Mungkin tidak. Jadi, keadaan lain di U.S. juga... ...saya berlaku sama seperti yang berlaku di keadaan lain... ...dan keadaan yang sama seperti yang ditulis... ...untuk keadaan lain. Dan keadaan ini berlaku seperti yang berlaku di keadaan... ...di Detroit. Saya rasa ia sangat serius. Bebera dan pakaian. New York, L.A., W.D.C. Ketika beberapa negara di dunia... ...berkata-kata-kata di dunia... ...pakaian dan London juga menunjukkan sesuatu yang sangat berlaku. Jadi, pertanyaannya adalah... ...perkata-kata mengapa ada sebuah segitigasi? London sepatutnya adalah salah satu... ...berkata-kata sebuah segitigasi di dunia. Jadi, apa yang berlaku? Bagaimana dengan segitigasi? Bagaimana dengan segitigasi? Jadi, Thomas Schelling... ...berkata-kata sebuah ekonomi di Amerika... ...2005 novel... ...Memoral Price in Economic Sciences. Saya sanggup bahawa Thomas Schelling... ...berkata-kata, saya telah memakai sebuah ekonomi... ...semasa saya sudah terlalu terangkali... ...sehingga saya sangat kena berkata-kata... ...saya perlukan sebuah ekonomi... ...in Economic Sciences. Jadi, dia menerima pabok ini di 1971... ...kemudian model dynamik segitigasi... ...di mana saya membuat simulasi... ...berapa rancangan yang diperkata-kata... ...dalam cara yang dia lakukan... ...berkata-kata sangat berbeza... ...dalam cara yang saya akan gunakan hari ini... ...biasanya memakai sebuah ekonomi... ...selepas 12 x 12 x 12 koin... ...dan kemudian dia memakai koin... ...semasa ada pertunangan. Apa yang saya akan lakukan hari ini... ...tidak akan saya gunakan koin. Saya ada komputer untuk membantu saya... ...jadi saya akan memakai simulasi. Saya akan gunakan model yang sama yang saya gunakan... ...berkata-kata sebelah-belah sebuah ekonomi... ...selepas 8 orang... ...tapi sebuah algodon yang sederhana... ...sebelah sekarang, saya akan melihat setiap seluruh... ...semasa setiap seluruh. Jika setiap seluruh negara-negara... ...saya akan memakai sama rs. Saya tidak akan membuat apa-apa saja. Jadi, jika setiap seluruh... ...kemampuan mengalami seorang... ...dan jika saya tahu... ...maku-maku seorang... ...saya akan memakai sama rs. Saya tidak akan memakai apa-apa saja. Tapi jika mereka lebih... ...maksud saya... ...saya akan berkata bahawa... ...berkata-kata seluruh... ...sereka ada lebih banyak negara-negara yang berbeza... kemudian saya akan cuba mencari tempat lain untuk bergerak. Saya akan mempunyai sel dan bergerak di sana. Jadi apa yang saya akan mencari? Saya akan mencari. Dan saya akan menggunakan untuk melakukan simulasi ini. Jadi pertama, saya akan mempunyai panggilan. Ia bermaksud lebih banyak panggilan, lebih besar panggilan adalah, saya akan mempunyai panggilan yang saya sebenarnya okey dengan hidup dengan panggilan di rumah. Pertama, ia adalah panggilan yang bergerak di dalam panggilan. Jadi saya akan memulangkan juga, tapi seperti yang anda lihat, saya akan mempunyai panggilan yang bergerak di dalam panggilan. Kemudian, perasaan panggilan yang bergerak. Sudah tentu jika ada panggilan yang bergerak, saya tidak boleh bergerak di mana-mana. Oleh itu, ia adalah panggilan yang bergerak. Tapi jika saya mempercayai perasaan panggilan yang bergerak, bagaimana itu? Bagaimana lebih baik jika lebih spesias? Bagaimana ada lebih banyak panggilan? Itu adalah panggilan yang saya mempunyai. Dan akhirnya, saya gunakan panggilan yang bergerak. Ini telah dilakukan di banyak negara semasa anda katakan bahawa perasaan atau perasaan tidak dapat mempunyai panggilan yang bergerak atau sebagainya. Jadi itu panggilan yang bergerak. Saya juga mahu mempunyai untuk melihat jika ia berguna, atau ada sesuatu yang akan membantu untuk menggurut panggilan. Jadi, saya akan memulangkan panggilan. Baiklah, ini selesai. Anda dapat melihat panggilan yang bergerak di sini. Panggilan yang bergerak di sini. Jadi, mari saya pergi ke sini. Jadi, saya beritahu panggilan yang bergerak untuk menjadi dua. Panggilan yang bergerak menjadi dua. 20% perasaan adalah panggilan yang bergerak. Dan kota di sini, basically the policy, is eight. Jadi, saya akan memulang lagi, it's randomly assigned. Apa yang saya akan lakukan, saya akan memulangkan simulasi. Dan seperti yang anda dapat lihat, simulasi segera menjadi secukup. Jadi, dengan setiap parameter particular ini, ia menjadi secukup segera menjadi secukup segera. Jadi, mari saya memulangkan panggilan yang bergerak yang bergerak. Jadi, jika anda melihat lebih awal, sebenarnya, keadaan besar di mana ada orang yang secukup, mari kita mulakan simulasi lagi. Okey, mungkin ia hanya terlalu banyak. Mari kita memulangkan. Mari kita lakukan itu lagi. Selain itu, anda melihat secukup, tapi anda akan nampak sesuatu yang berbeda sekarang. Ia adalah panggilan yang lebih besar. Dan seperti yang anda lihat tadi, sehingga saya memulangkan setiap beberapa orang orang, saya akan mulakan lagi. sesuatu yang berlaku berlaku, ia terus bergerak. Ia tidak sebenarnya mengalami. Ia tidak sebenarnya berlaku ke segera. Jadi itu berlaku sesuatu yang berlaku juga. Jadi lagi, saya dapat mengubah beberapa panggilan di sini. Okey, mungkin ini adalah panggilan yang salah untuk digunakan. Okey, setuju. Dan anda dapat melihat bahawa ia sebenarnya bergerak dengan panggilan. Baiklah, dan ini berlaku. Jika saya memulangkan ke-4, ia sebenarnya tidak berlaku. Selepas ke-4, ia akan menjadi panggilan yang berlaku. Okey, mari kita kembali kepada panggilan. Saya tidak akan terlalu cepat, bukan? Ia okey? Okey, jadi bercakap tentang itu. Sekarang, panggilan. Terutamanya, seperti yang saya beritahu, anda dapat mengambil panggilan yang sama yang saya gunakan dan bermain dengan ia. Terima kasih untuk mengambil panggilan dan mencoba panggilan sendiri. Jadi segera berlaku, bahawa ada sebuah panggilan untuk orang-orang yang sama. Walaupun saya sangat terima kasih kepada panggilan yang lain dan panggilan yang berlaku. Segera berlaku mengingat panggilan yang lebih mula. Jadi kalau saya okey dengan panggilan seorang panggilan yang berlaku, kemudian, panggilan yang lebih tepat, yang merupakan panggilan yang baik. Sebenarnya, kita berkata panggilan yang lebih mula daripada panggilan yang lebih tinggi ialah panggilan yang baik untuk kita, overall. Perasaan yang lebih kuat untuk dipercayakan, yang lain yang saya katakan tadi, pada perasaan yang lebih kuat, perasaan yang kuat, menjaga keadaan yang tak dipercayakan. Jadi, ia bagus untuk dipercayakan, tetapi pada masa yang sama, orang terus bergerak, jadi ia tidak bagus. Ia bermaksud ia adalah keadaan, keadaan di mana keadaan, keadaan di mana keadaan, keadaan di mana-mana-mana, ia adalah keadaan yang bergerak. Rasa-rasa tak mempunyai keadaan, ini sedikit mengalami, tetapi, kamu mempunyai dua kena-kena, kamu mempunyai dua pembunyi, kamu mempunyai 10 pembunyi, kamu mempunyai 10 pembunyi. Dan, sebuah pembunyi tak mempunyai keadaan. Pada masa yang lebih kuat, keadaan tidak mempunyai keadaan, kamu akan masih terbeza. Tentu-entang, policy and enforcement has a limited impact on segregation. So it does have certain impact because you do get people to not be so segregated, but at the same time if you impose policies that are too strong, what happens is that it will result in an unstable state, again undesirable. Now what is the solution to this? I have no solution, I'm just running a simulation, right? So take the simulation, try it out and see what happens. Okay, so I've done two simulations now. I'm going to switch gears a little bit to something slightly different. I'm going to model something called the bystander effect. So this is a very famous case. In 1964, a 19-year-old girl called Kitty Genovesi in New York, recently graduated from high school, she was working in a bar and she was walking home and she was attacked by intruder. And what happened was she was actually attacked a couple of times and it was not in bright daylight but it was close enough to an apartment block and apparently, at least from this sensationalist headline, it says that 37 people saw the murder but didn't do anything about it. So that was like a big wake-up call for a lot of people and say, what's happening to this world? So it's desensitised to violence that we no longer care about the people around us and that was in 1964. In October 2001 in Forsa, in China, a two-year-old girl was hit by a white van and then run over by a truck again and she was basically not helped by any bystander until about, I mean like a large group of people basically ignored her until after a while, until she was actually rescued quite a while later. Unfortunately, she passed away as a result of that. So again, there's another example of what certain people call the bystander effect and the bystander effect is something that's been talked about in game theory. So this is the next thing that I'm going to model. Game theory is a study of medical-medical models. So it's mathematics, more mathematics here. Within conflict and cooperation and it's using economics and political science and it's an example I will use for complexity science as well. So the particular topic is what is called volunteer's dilemma. Basically, if there's a large group of people witnessing something and if he or she, does he or she volunteer or not? Because there is a cost to volunteering and there's a cost to not volunteering. So modelling that in, with mathematics, you will have variables, you have V, which is a value gain if at least one person volunteers which means if somebody actually volunteer and shout and say, stop, stop their murderer or whatever, thief or robber or whatever, then that act would have been stopped. But at the same time, individual cost of volunteering. Volunteer, maybe it takes up their time, maybe it cause attention to them and therefore they will be attacked instead of the other person. And of course, overall cost is no one volunteers. So what's the cost of that when no one volunteers? In which case, we saw earlier just now, people actually died when no one volunteers. So it is actually a tragedy. So game theory actually has something called a payoff matrix. While the payoff matrix for those cases I showed just now is much larger, I will just start off with a two player game where it's you and me and in the case of say, so you have you and me and you form a matrix where I volunteer or you volunteer. In cases where I volunteer and you volunteer or you don't volunteer, it seems to be the same. There doesn't seem to be any difference. If I don't volunteer, whether you volunteer or you don't volunteer, there is a difference, right? So V and V minus A. So using this payoff matrix, we come up with something called a mixed strategy Nash equilibrium, which is actually the best case for the game theory. So we have this equation V minus C equals to, the Pp is the probability of volunteering, multiple by V plus and so on and so forth. So with this particular equation, we change it to an end player game. So instead of having just two players, we change to end player and the probability of volunteering becomes N minus 1. So instead of P, it becomes P to the power of N minus 1. And therefore the probability of not volunteering is 1 minus V to the power of N minus 1. Because if you put everything together, you come up with this particular formula and then you derive it, you get into a final formula, right? So that's the mathematics part of it. What I do with this particular probability, then I run some multicolor simulation on it and I'll show you the model still going on. Alright, so this is the volunteer's dilemma. So the X axis is the number of agents, basically number of players, number of witnesses or what have you not. And the Y axis is the probability of volunteering, whether it's likely that somebody would volunteer and say something about it. So let's look at increasing or decreasing the cost of volunteering. So if I decrease the cost of volunteering, naturally we would realise that, okay, it's less costly to volunteer, therefore more people will volunteer and as you can see, that's true, because if it becomes trivial for me to volunteer, then there will be more people volunteering. And of course, if the cost of volunteering is larger than the overall cost, then there's nobody will volunteer. Now let's look at it the way around, the overall cost of volunteering. If the overall cost of volunteering, if I don't volunteer and do something, then there will be total disaster. If I don't shout fire, when there's a fire, the whole block burns down, everybody dies. So that's the worst case possible. So if I increase the cost of volunteering, of not volunteering, then basically what happens is that, of course, the likelihood of somebody volunteering increases as well. So you can see something interesting though as I share with you this particular model. At the start, the probability of, with the three agents, with three players, the probability of volunteering is 62%. As the number of agents increases, the probability of volunteering actually decreases. So we sort of reflect back to the example that I gave just now, Qidid Genovesi. So if there was actually just one person witnessing the murder, then the probability of that person actually shouting out and maybe scaring off the attacker might be a lot higher than say there were 37 people. So you can see that that being model here. So let's look at the last piece that I wanted to model. Increasing the number of agents generalize what's happened here. It doesn't really matter how many agents they are. The probability is just the same. It doesn't mean that the more people venestize something, then the more likely somebody will shout out loud. That's not the case. Now what does this tell us? Well, let me get back to the slides. Again, I'm just running a simulation. I'm not telling you what happened because I I mean, this is a simulation. It's not the real life. Observations, what can we do? So first of all, we need to decrease the cost of volunteering. If we don't want such tragedies tragedies to happen, we should decrease the cost of volunteering. Make it easier for people to volunteer. Increase overall cost or impact of not volunteering. Of course, we don't really want that, right? You don't want to make things worse if nobody volunteers. But nonetheless, that is a way of increasing the probability of somebody volunteering. You notice again, it's actually not really about the exact number, the absolute numbers, but it's the difference between the individual cost and the overall cost. So maybe the answer is really to while you reduce the overall cost, but you also make it such that the difference between the individual cost and the overall cost are very high, right? This is a bit counter-interactive because if you reduce the number of players, number of agents, basically what happens is there's likelihood of probability of volunteering increases. So that's maybe what should happen. Not necessarily for an accident, in such case, it's possible because there are just so many people there, but maybe there are other ways or maybe anonymously volunteering, so that could be a way of doing something to reduce the number of players. And finally, the observation here is that increasing the number of players have negative or even have no impact or even a negative impact on the overall probability of volunteering. So, I hope you guys are still with me. I actually come to the end of this talk. I hope it has been interesting for you. If you want to, you can actually take a look at the GitHub repository. I have this here. Just feel free to play around with it. And if you have any sort of questions, please feel free to ask as well. Thank you. Thank you very much, Sasha. Anyone would anyone like to pose a question for her? Is there a switch here? Oh, okay. Yeah. You said if we shouted and screamed, you'd show us a bit of the code. So, I thought I'd ask this question. You showed basically three different simulations and I'm wondering what commonalities underline the code. Maybe that would be an interesting way to show off the code. What do you think? I can show you, you don't need to shout actually. Thank you. So, basically this is, I use I use Sinatra. Because it's simple enough, right? Sinatra and Jason and I create three different simulations here. The first one is the culture simulation and it uses a grid. So, grid simple it's quite simple kind of algorithm. Culture, I use combination of the bit mask to sort of make the tell differences and some very simple algorithms to just find the distance between the two two different numbers and so on. I didn't want to show it because it's not very sexy nor very complicated, right? It's just so simple, right? Simple code is sexy. Thank you. I wasn't fishing for it by the way. Ya, so hope that. It's okay. One last question. Okay, thank you. Regarding the volunteers dilemma, where does personal choice, freedom of thought come in in terms of attitudes? So, I think definitely those things do count except that this is a medical model so it basically models a large group of people. It's a bit like psychohistory if you guys read it as a morph. No, never mind. But it is status status, whatever. It's a mathematical modeling. So, ya, individual will does count but in this case I didn't put that into the model. Okay. Thank you very much. Sousheng. Thank you.