รายงานชนกลุ่มน้อยตามตัวอักษร: อคติอัลกอริทึมของตำรวจเชิงคาดการณ์

ตำรวจคาดการณ์ ควรจะเปลี่ยนวิธีการดำเนินการของตำรวจ และนำเราเข้าสู่โลกแห่งกฎหมายที่ชาญฉลาด การบังคับใช้ซึ่งขจัดอคติออกไปและตำรวจจะสามารถตอบสนองต่อข้อมูลนั้นได้ ไม่ใช่ ลางสังหรณ์ แต่หนึ่งทศวรรษหลังจากที่พวกเราส่วนใหญ่ได้ยินคำว่า “ตำรวจเชิงคาดการณ์” เป็นครั้งแรก ดูเหมือนชัดเจนว่ามันไม่ได้ผล ด้วยแรงผลักดันจากกระแสตอบรับจากสาธารณะ เทคโนโลยีนี้กำลังเผชิญกับการใช้งานที่ลดลงอย่างมาก เมื่อเทียบกับเมื่อไม่กี่ปีที่ผ่านมา

ในเดือนเมษายนของปีนี้ ลอสแองเจลิสซึ่งตามรายงานของ LA Times “เป็นผู้บุกเบิกการทำนายอาชญากรรมด้วยข้อมูล” ได้ตัดเงินทุนสำหรับโครงการตรวจรักษาแบบคาดการณ์ล่วงหน้า โดยกล่าวโทษค่าใช้จ่าย “นั่นเป็นการตัดสินใจที่ยากลำบาก” หัวหน้าตำรวจ มิเชล มัวร์ บอกกับ LA Times. “มันเป็นกลยุทธ์ที่เราใช้ แต่ต้องเสียค่าใช้จ่ายหลายแสนดอลลาร์เพื่อใช้จ่ายอย่างถูกต้อง ตอนนี้เทียบกับการหาเงินนั้นและนำเงินนั้นไปทำกิจกรรมหลักอื่น ๆ คือสิ่งที่ฉันต้องทำ”

เกิดอะไรขึ้น? สิ่งที่โฆษณาว่าเป็นเทคโนโลยี "อัจฉริยะ" จะช่วยลดอคติและการเลือกปฏิบัติได้อย่างไร และความฝันของการรักษาพยาบาลแบบคาดการณ์ล่วงหน้าที่สามารถปรับแต่งได้ด้วยอัลกอริธึมที่ถูกต้อง หรือทางตันในสังคมที่ยุติธรรมกว่าซึ่งปัจจุบันกำลังต่อสู้กับวิธีการทำงานของตำรวจ

คำมั่นสัญญาของการรักษาการณ์เชิงคาดการณ์

การตรวจรักษาเชิงคาดการณ์ในรูปแบบปัจจุบันมีขึ้นประมาณหนึ่งทศวรรษในรายงานปี 2009 โดยนักจิตวิทยา Colleen McCue และ Charlie Beck หัวหน้าตำรวจลอสแอนเจลิส ซึ่งมีชื่อว่า "ตำรวจเชิงคาดการณ์: เราเรียนรู้อะไรได้บ้างจาก Walmart และ Amazon เกี่ยวกับการต่อสู้กับอาชญากรรมในภาวะเศรษฐกิจถดถอยในรายงานนี้ พวกเขาได้ค้นพบวิธีที่ผู้ค้าปลีกรายใหญ่ใช้ข้อมูลขนาดใหญ่เพื่อช่วยเปิดเผยรูปแบบพฤติกรรมของลูกค้าในอดีตที่สามารถนำมาใช้ทำนายพฤติกรรมในอนาคตได้ ด้วยความก้าวหน้าทั้งในด้านการประมวลผลและการรวบรวมข้อมูล McCue และ Beck แนะนำว่าเป็นไปได้ที่จะรวบรวมและวิเคราะห์ข้อมูลอาชญากรรมแบบเรียลไทม์ ข้อมูลนี้สามารถใช้เพื่อคาดการณ์ ป้องกัน และตอบสนองต่ออาชญากรรมที่ยังไม่เกิดขึ้นได้อย่างมีประสิทธิภาพมากขึ้น

ในช่วงหลายปีที่ผ่านมา ตำรวจเชิงคาดการณ์ได้เปลี่ยนจากแนวคิดที่ไม่ใช้แล้วมาสู่ความเป็นจริงในหลายพื้นที่ของสหรัฐอเมริกา รวมถึงที่อื่นๆ ในโลก ในกระบวนการนี้ ได้กำหนดไว้ว่าจะเปลี่ยนการรักษาพยาบาลจากกองกำลังตอบโต้ไปเป็นกองกำลังเชิงรุก ดึงเอาความก้าวหน้าบางประการของเทคโนโลยีที่ขับเคลื่อนด้วยข้อมูล มาใช้ ซึ่งทำให้สามารถระบุรูปแบบได้แบบเรียลไทม์ และดำเนินการตามรูปแบบเหล่านั้นได้

“การรักษาแบบคาดการณ์ล่วงหน้ามีสองรูปแบบหลัก” แอนดรูว์ เฟอร์กูสันศาสตราจารย์ด้านกฎหมายที่มหาวิทยาลัยดิสตริกต์ออฟโคลัมเบีย David A. โรงเรียนกฎหมายคลาร์กและเป็นผู้เขียน การเพิ่มขึ้นของการรักษาข้อมูลขนาดใหญ่: การเฝ้าระวัง เชื้อชาติ และอนาคตของการบังคับใช้กฎหมายบอกกับ Digital Trends "[เหล่านี้คือ] การตรวจรักษาแบบคาดการณ์ตามสถานที่และการตรวจรักษาแบบคาดการณ์ตามบุคคล"

ในทั้งสองกรณี ระบบตำรวจคาดการณ์จะกำหนดคะแนนความเสี่ยงให้กับบุคคลหรือสถานที่ที่เป็นปัญหา ซึ่งสนับสนุนให้ตำรวจติดตามผลในช่วงเวลาที่กำหนด แนวทางแรกคือ ตำรวจเชิงคาดการณ์ตามสถานที่ มุ่งเน้นไปที่การลาดตระเวนของตำรวจเป็นหลัก โดยเกี่ยวข้องกับการใช้การทำแผนที่อาชญากรรมและการวิเคราะห์เกี่ยวกับสถานที่ที่อาจเกิดอาชญากรรมในอนาคต โดยอิงตามสถิติก่อนหน้านี้

แนวทางที่สองมุ่งเน้นไปที่การคาดการณ์แนวโน้มที่บุคคลจะก่อให้เกิดความเสี่ยงที่อาจเกิดขึ้นในอนาคต ตัวอย่างเช่น ในปี 2013 ผู้บังคับการตำรวจชิคาโกคนหนึ่งถูกส่งไปที่บ้านของ Robert McDaniel วัย 22 ปี ผู้ที่ถูกระบุว่ามีความเสี่ยงหรือเป็นผู้ก่อความรุนแรงจากอาวุธปืนในเมืองชั้นในของชิคาโกโดย อัลกอริทึม อัลกอริธึมช่วยรวบรวม "รายการความร้อน" เพื่อค้นหารูปแบบที่อาจทำนายผู้กระทำความผิดในอนาคตได้ หรือเหยื่อ แม้ว่าพวกเขาเองจะไม่ได้ทำอะไรเลยเพื่อรับประกันการตรวจสอบข้อเท็จจริงนี้ นอกเหนือจากการปฏิบัติตามก ประวัติโดยย่อ.

ในฐานะที่เป็น ชิคาโก ทริบูน ตั้งข้อสังเกต: “กลยุทธ์เรียกร้องให้เตือนผู้ที่อยู่ในรายชื่อที่ร้อนแรงเป็นรายบุคคลว่ามีกิจกรรมทางอาญาเพิ่มเติม แม้ความผิดอันเป็นความผิดลหุโทษที่สุดก็ยังมีผลใช้บังคับตามกฎหมายได้เต็มที่ พวกเขา."

ความฝันของการรักษาพยาบาลแบบคาดการณ์คือ การดำเนินการกับข้อมูลเชิงปริมาณ จะทำให้การรักษาไม่เพียงแต่มีประสิทธิภาพมากขึ้นเท่านั้น แต่ยังมีแนวโน้มที่จะคาดเดาน้อยลง และเป็นผลให้เกิดอคติอีกด้วย ผู้เสนออ้างว่าจะเปลี่ยนแปลงการรักษาพยาบาลให้ดีขึ้น และนำเข้าสู่ยุคใหม่ของการรักษาพยาบาลที่ชาญฉลาด อย่างไรก็ตาม ตั้งแต่เกือบจะเริ่มต้นแล้ว ตำรวจเชิงคาดการณ์ก็มีการวิพากษ์วิจารณ์อย่างแข็งขัน พวกเขาแย้งว่า แทนที่จะช่วยขจัดปัญหาต่างๆ เช่น การเหยียดเชื้อชาติและอคติเชิงระบบอื่นๆ การตรวจรักษาแบบคาดการณ์ล่วงหน้าอาจช่วยรักษาพวกเขาได้จริงๆ และเป็นการยากที่จะโต้แย้งว่าพวกเขาไม่มีประเด็น

อัลกอริธึมการเลือกปฏิบัติ

แนวคิดที่ว่าระบบการรักษาการณ์แบบคาดการณ์ด้วยการเรียนรู้ของเครื่องสามารถเรียนรู้ที่จะแยกแยะตามปัจจัยต่างๆ เช่น เชื้อชาติได้นั้นไม่ใช่เรื่องใหม่ เครื่องมือแมชชีนเลิร์นนิงได้รับการฝึกฝนด้วยข้อมูลจำนวนมหาศาล และตราบใดที่ข้อมูลนั้นถูกรวบรวมโดยระบบที่เชื้อชาติยังคงเป็นปัจจัยที่ท่วมท้น ก็สามารถนำไปสู่การเลือกปฏิบัติได้

รับบทเป็น เรนาตา เอ็ม. O'Donnell เขียนในรายงานปี 2019 เรื่อง “อัลกอริธึมการรักษาแบบทำนายการเหยียดเชื้อชาติที่ท้าทายภายใต้มาตราการคุ้มครองที่เท่าเทียมกัน” อัลกอริธึมการเรียนรู้ของเครื่องกำลังเรียนรู้จากข้อมูลที่ได้จากระบบยุติธรรมซึ่ง “คนอเมริกันผิวดำถูกคุมขังในเรือนจำของรัฐในอัตรา ซึ่งมากกว่าการจำคุกคนผิวขาวถึง 5.1 เท่า และชายผิวดำ 1 ใน 3 คนที่เกิดในปัจจุบันสามารถคาดหวังที่จะติดคุกตลอดชีวิตหากมีแนวโน้มในปัจจุบัน ดำเนินการต่อ."

“ข้อมูลไม่มีวัตถุประสงค์” เฟอร์กูสันบอกกับ Digital Trends “เราลดเหลือโค้ดไบนารี่แล้ว ระบบที่ขับเคลื่อนด้วยข้อมูลที่ทำงานในโลกแห่งความเป็นจริงนั้นไม่ได้มีวัตถุประสงค์ ยุติธรรม หรือเป็นกลางมากไปกว่าโลกแห่งความเป็นจริง หากโลกแห่งความเป็นจริงของคุณมีโครงสร้างไม่เท่าเทียมกันหรือเลือกปฏิบัติทางเชื้อชาติ ระบบที่ขับเคลื่อนด้วยข้อมูลจะสะท้อนความไม่เท่าเทียมทางสังคมเหล่านั้น อินพุตที่เข้าไปนั้นเสียเพราะอคติ การวิเคราะห์มีอคติ และกลไกของอำนาจตำรวจไม่เปลี่ยนแปลงเพียงเพราะมีเทคโนโลยีคอยนำทางระบบ”

เฟอร์กูสันยกตัวอย่างการจับกุมว่าเป็นปัจจัยหนึ่งที่ดูเหมือนเป็นกลางในการทำนายความเสี่ยง อย่างไรก็ตาม การจับกุมจะบิดเบือนเนื่องจากการจัดสรรทรัพยากรของตำรวจ (เช่น สถานที่ลาดตระเวน) และประเภทของอาชญากรรมที่โดยปกติแล้วจะต้องถูกจับกุม นี่เป็นเพียงตัวอย่างหนึ่งของข้อมูลที่อาจเป็นปัญหา

อันตรายจากข้อมูลสกปรก

ข้อมูลที่หายไปและไม่ถูกต้องบางครั้งเรียกว่า data mining ว่าเป็น “ข้อมูลสกปรก” ก บทความประจำปี 2019 โดยนักวิจัยจาก A.I. ปัจจุบันเป็นสถาบันที่มหาวิทยาลัยนิวยอร์ก ขยายคำนี้ให้หมายถึงข้อมูลที่ได้รับอิทธิพลจากการทุจริต อคติ และผิดกฎหมาย การปฏิบัติ — ไม่ว่าจะมาจากการบงการโดยเจตนาซึ่งถูกบิดเบือนโดยบุคคลและ อคติทางสังคม ตัวอย่างเช่น อาจรวมถึงข้อมูลที่สร้างขึ้นจากการจับกุมผู้บริสุทธิ์ซึ่งมีหลักฐานปรากฏอยู่ในตัวพวกเขา หรือผู้ที่ถูกกล่าวหาอย่างเป็นเท็จ

มีการประชดบางอย่างในความจริงที่ว่าในช่วงทศวรรษที่ผ่านมาความต้องการของสังคมข้อมูลซึ่ง ทุกอย่างเป็นเรื่องเกี่ยวกับการหาปริมาณและเป้าหมายเชิงตัวเลขที่เป็นเหล็กหล่อ ซึ่งนำไปสู่… จริงๆ แล้ว ข้อมูลไม่ดี ซีรีส์เอชบีโอ ลวด แสดงให้เห็นถึงปรากฏการณ์ในโลกแห่งความเป็นจริงของ "การดึงสถิติ" และหลายปีที่ผ่านมานับตั้งแต่รายการออกอากาศได้นำเสนอเรื่องราวมากมาย ตัวอย่างของการบิดเบือนข้อมูลอย่างเป็นระบบ รายงานของตำรวจปลอม และการกระทำที่ขัดต่อรัฐธรรมนูญที่ส่งผู้บริสุทธิ์ไป คุก.

ข้อมูลที่ไม่ดีที่ทำให้ผู้มีอำนาจสามารถโจมตีเป้าหมายปลอมได้ก็เรื่องหนึ่ง แต่เมื่อรวมเข้ากับอัลกอริธึมและแบบจำลองการทำนายที่ใช้สิ่งนี้เป็นพื้นฐานในการสร้างแบบจำลองโลก และคุณอาจได้รับสิ่งที่แย่กว่านั้นมาก

นักวิจัยได้แสดงให้เห็นว่าข้อมูลอาชญากรรมที่น่าสงสัยที่เสียบเข้ากับอัลกอริธึมการรักษาเชิงคาดการณ์สามารถสร้างสิ่งที่เรียกว่า “ลูปป้อนกลับแบบรันอะเวย์” โดยการส่งตำรวจไปยังละแวกเดิมซ้ำแล้วซ้ำอีก โดยไม่คำนึงถึงอัตราการเกิดอาชญากรรมที่แท้จริง หนึ่งในผู้ร่วมเขียนรายงานฉบับนั้น นักวิทยาศาสตร์คอมพิวเตอร์ Suresh Venkatasubramanianกล่าวว่าโมเดลการเรียนรู้ของเครื่องสามารถสร้างสมมติฐานที่ผิดพลาดผ่านการสร้างแบบจำลองได้ เช่นเดียวกับคำพูดเก่าๆ สำหรับคนที่ใช้ค้อน ทุกปัญหาดูเหมือนตะปู ระบบเหล่านี้จะจำลององค์ประกอบบางอย่างของปัญหาเท่านั้น และจินตนาการถึงผลลัพธ์ที่เป็นไปได้เพียงผลลัพธ์เดียว

“[บางสิ่งที่] ไม่ได้รับการแก้ไขในแบบจำลองเหล่านี้คือคุณกำลังสร้างแบบจำลองความจริงที่ว่าการโยนตำรวจเข้าไปในพื้นที่มากขึ้นนั้นสามารถ ทำให้คุณภาพชีวิตของผู้คนที่อาศัยอยู่ที่นั่นลดลง?” Venkatasubramanian ศาสตราจารย์ใน School of Computing แห่งมหาวิทยาลัย Utah กล่าวกับ Digital เทรนด์ “เราถือว่าการมีตำรวจมากขึ้นเป็นสิ่งที่ดีกว่า แต่อย่างที่เราเห็นอยู่ตอนนี้ การมีตำรวจเพิ่มขึ้นไม่จำเป็นต้องเป็นสิ่งที่ดีเสมอไป มันสามารถทำให้สิ่งต่าง ๆ แย่ลงได้จริงๆ ไม่ใช่โมเดลเดียวที่ฉันเคยเห็น ไม่มีใครเคยถามว่าการนำตำรวจเข้ามาในพื้นที่ต้องเสียค่าใช้จ่ายเท่าไร”

อนาคตที่ไม่แน่นอนของการรักษาพยาบาลแบบคาดการณ์ล่วงหน้า

ผู้ที่ทำงานในตำรวจเชิงคาดการณ์บางครั้งใช้คำว่า “รายงานชนกลุ่มน้อย” อย่างไม่แดกดันเพื่ออ้างถึงประเภทของการทำนายที่พวกเขากำลังทำอยู่ คำนี้มักถูกใช้เพื่ออ้างอิงถึง 2545 ภาพยนตร์ชื่อเดียวกันซึ่งอิงจากเรื่องสั้นปี 1956 ของ Philip K. กระเจี๊ยว. ใน รายงานผู้ถือหุ้นส่วนน้อยซึ่งเป็นกรมตำรวจพิเศษ PreCrime จับกุมอาชญากรโดยอาศัยความรู้ล่วงหน้าถึงอาชญากรรมที่จะเกิดขึ้นในอนาคต การคาดการณ์เหล่านี้จัดทำโดยนักพลังจิต 3 คนที่เรียกว่า "พรีคอก"

แต่การพลิกผันเข้ามา. รายงานผู้ถือหุ้นส่วนน้อย คือคำทำนายไม่ได้แม่นยำเสมอไป นิมิตที่ไม่เห็นด้วยโดยพรีค็อกตัวใดตัวหนึ่งทำให้เกิดมุมมองทางเลือกของอนาคต ซึ่งถูกระงับเพราะกลัวจะทำให้ระบบดูไม่น่าเชื่อถือ

ขณะนี้ ตำรวจเชิงคาดการณ์กำลังเผชิญกับอนาคตที่ไม่แน่นอนของตัวเอง นอกเหนือจากเทคโนโลยีใหม่ๆ เช่น การจดจำใบหน้าแล้ว เทคโนโลยีที่หน่วยงานบังคับใช้กฎหมายสามารถใช้งานได้ไม่เคยมีประสิทธิภาพมากเท่านี้มาก่อน ในเวลาเดียวกัน ความตระหนักรู้เกี่ยวกับการใช้ระบบตำรวจเชิงคาดการณ์ได้ก่อให้เกิดการฟันเฟืองในที่สาธารณะซึ่งอาจช่วยปราบปรามได้จริง Ferguson บอกกับ Digital Trends ว่าการใช้เครื่องมือตรวจรักษาเชิงคาดการณ์อยู่ในช่วง “ขาลง” ในช่วงไม่กี่ปีที่ผ่านมา

“ที่จุดสูงสุด [การรักษาแบบคาดการณ์ตามสถานที่] อยู่ในเมืองใหญ่กว่า 60 เมืองและกำลังเติบโต แต่เป็นผลจาก การจัดระเบียบชุมชนที่ประสบความสำเร็จ ส่วนใหญ่ลดลงและหรือแทนที่ด้วยรูปแบบอื่นของการขับเคลื่อนด้วยข้อมูล การวิเคราะห์” เขากล่าว “โดยสรุป คำว่าการรักษาพยาบาลแบบคาดการณ์เริ่มเป็นพิษ และหน่วยงานตำรวจเรียนรู้ที่จะเปลี่ยนชื่อสิ่งที่พวกเขาทำกับข้อมูล การตรวจรักษาแบบคาดการณ์ตามบุคคลมีแนวโน้มลดลงอย่างมาก เมืองหลักสองแห่งที่ลงทุนในการสร้างสรรค์เมืองแห่งนี้ ได้แก่ ชิคาโกและลอสแองเจลิส ต่างละทิ้งการพึ่งพาตนเองเป็นหลัก กลยุทธ์หลังจากการวิพากษ์วิจารณ์อย่างรุนแรงของชุมชนและการตรวจสอบภายในที่ทำลายล้างซึ่งแสดงให้เห็นว่ากลยุทธ์ไม่ได้เป็นเช่นนั้น งาน. รายการคาดการณ์ไม่เพียงแต่มีข้อบกพร่องเท่านั้น แต่ยังไร้ประสิทธิภาพอีกด้วย”

เครื่องมือที่ผิดสำหรับงาน?

อย่างไรก็ตาม, ราชิดา ริชาร์ดสัน, ผู้อำนวยการฝ่ายวิจัยนโยบาย A.I. ตอนนี้สถาบันกล่าวว่ามีความทึบมากเกินไปเกี่ยวกับการใช้เทคโนโลยีนี้ “เรายังไม่ทราบเนื่องจากขาดความโปร่งใสเกี่ยวกับการได้มาซึ่งเทคโนโลยีของรัฐบาลและอื่นๆ อีกมากมาย ช่องโหว่ในขั้นตอนการจัดซื้อที่มีอยู่ซึ่งอาจป้องกันการจัดซื้อเทคโนโลยีบางอย่างจากการตรวจสอบข้อเท็จจริงของสาธารณะ” เธอพูด. เธอยกตัวอย่างเทคโนโลยีที่อาจมอบให้กับกรมตำรวจได้ฟรีหรือซื้อโดยบุคคลที่สาม “เรารู้จากการวิจัยเช่นเดียวกับของฉันและสื่อรายงานว่าหน่วยงานตำรวจที่ใหญ่ที่สุดหลายแห่งในสหรัฐอเมริกาได้ใช้ เทคโนโลยีในบางจุดแต่ก็มีหน่วยงานตำรวจเล็กๆ จำนวนมาก ที่ใช้หรือใช้งานมาเป็นระยะเวลาจำกัด ของเวลา”

เมื่อพิจารณาถึงบทบาทของตำรวจในปัจจุบัน จะมีการล่อลวงให้กลับมายอมรับอีกครั้งหรือไม่ การตรวจรักษาเชิงคาดการณ์เป็นเครื่องมือในการตัดสินใจโดยอาศัยข้อมูล ซึ่งอาจอยู่ภายใต้ไซไฟดิสโทเปียน้อยกว่า การสร้างแบรนด์? มีความเป็นไปได้ที่การฟื้นคืนชีพดังกล่าวจะเกิดขึ้น แต่ Venkatasubramanian ไม่เชื่ออย่างยิ่งว่าการเรียนรู้ของเครื่องเป็นเครื่องมือที่เหมาะกับงานนี้ตามที่ปฏิบัติกันในปัจจุบัน

“การเรียนรู้ของเครื่องจักรทั้งหมดและความสำเร็จในสังคมยุคใหม่นั้นมีพื้นฐานอยู่บนสมมติฐานที่ว่า ไม่ว่าจะเกิดขึ้นจริงก็ตาม ปัญหาในท้ายที่สุดก็คือการรวบรวมข้อมูล สร้างแบบจำลอง คาดการณ์ผลลัพธ์ และคุณไม่ต้องกังวลเกี่ยวกับโดเมน” เขาพูดว่า. “คุณสามารถเขียนโค้ดเดียวกันและนำไปใช้ในที่ต่างๆ ได้ 100 แห่ง นั่นคือคำมั่นสัญญาของนามธรรมและการพกพา ปัญหาก็คือว่า เมื่อเราใช้สิ่งที่ผู้คนเรียกว่าระบบทางสังคม-เทคนิค ซึ่งคุณมีมนุษย์และเทคโนโลยีผสมผสานกันเป็นคลื่นที่ซับซ้อน คุณไม่สามารถทำเช่นนี้ได้ คุณไม่สามารถเสียบปลั๊กชิ้นส่วนแล้วคาดหวังให้มันใช้งานได้ เพราะ [มี] เอฟเฟกต์ระลอกคลื่นเมื่อใส่ชิ้นส่วนนั้นเข้าไป และความจริงที่ว่ามีความแตกต่างกัน ผู้เล่นที่มีวาระที่แตกต่างกันในระบบดังกล่าว และพวกเขาก็ล้มล้างระบบตามความต้องการของตนเอง วิธีทางที่แตกต่าง. สิ่งเหล่านี้ทั้งหมดจะต้องนำมาพิจารณาเมื่อคุณพูดถึงความมีประสิทธิผล ใช่ คุณสามารถพูดได้ในเชิงนามธรรมว่าทุกอย่างจะทำงานได้ดี แต่ก็มีอยู่ เป็น ไม่มีนามธรรม มีเพียงบริบทที่คุณกำลังทำงานอยู่”