Розовый фламинго по имени Трамп

Наперекор прогнозам, это произошло – выборы выиграл Трамп.

О трех главных выводах из произошедшего я написал здесь на 2 мин. чтения.

А если на полминуты, то так.

—- Первый вывод: выигрыш Трампа – это Розовый фламинго для России.

Поскольку:

(1) это потенциально катастрофическое по последствиям для России событие,

(2) которое российское руководство допускало,

(3) но своими действиями лишь помогало ему свершиться.

—- Второй вывод: электоральный процесс иррационален

—- Третий вывод: технологии пока бессильны против человеческой иррациональности

Вот в итоге и получается -

для России в новом мире Розовых фламинго президентство Трампа лишь добавит непредсказуемости, иррациональности и корысти, наживающейся на первом и втором.

Не собирался больше писать в этом канале про президентские выборы в США.

Однако, полученный в ходе анализа результатов вывод показался мне столь интересным (и не буду скрывать – приятным), что умолчать о нем не cмог 😊

Этот вывод таков.

(1) Аллан Лихтмэн оказался единственным из всех авторитетных прогнозистов, кто уверенно предсказал победу Трампа еще в сентябре.

(2) Прогнозная методика Аллана Лихтмэна включает в себя 13 вопросов, на которые нужно ответить «да» или «нет». Если в результате ответов получится 6 или более «нет», то кандидат от правящей партии проиграет выборы.

(3) Пять «нет» получаются для президентской компании 2016, более или менее, очевидным образом и не вызывают споров или сомнений у других экспертов.


(4) Решающим фактором (шестым «нет»), по мнению Лихтмэна, стало участие в выборах кандидата от Либертарианской партии Гэри Джонсона. Вопрос звучит так - Third party: There is no significant third party or independent campaign (Третий кандидат: Нет значимого кандидата 3ей партии или независимого кандидата). Лихтмэн заявил – НЕТ есть такой кандидат, и это Гэри Джонсон. Так получилось шестое «нет».

(5) На деле так оно и оказалось – участие Гэри Джонсона решило исход выборов. Вот, например, как победу Трампа во Флориде обеспечило участие Гэри Джонсона

(6) А теперь возвращаемся к моей сентябрьской статье «Эффект Ленина-Трампа». В ней, со ссылкой на исследовательскую модель, говорилось:

—- что победа Трампа на отборочном этапе, в значительной степени, зависела от числа кандидатов – чем их больше, тем выше шансы выиграть у Трампа.

—- и что победа в финале выборов также увеличивается при увеличении числа кандидатов.

Т.о. итоговый вывод таков.

Итоги президентских выборов в США в 2016 году могут служить очередным практическим подтверждением существования «Эффекта Ленина-Трампа»

Как и обещал в посте от 5го ноября, начинаю рассказывать про Теорию сложных сетей (ТСС).

Но сначала поясню, зачем это вам вообще нужно – тратить свое драгоценное время на какую-то там теорию.

Во-первых, ТСС - это одна из самых перспективных (если ни самая перспективная) тем науки и технологий ближайшего будущего.

Еще 5 лет назад я назвал это направление «Теорией относительности XXI века», потому что:

—- в этом веке становится ясно, что «мир – это сеть», по принципам которой функционирует все живое (на уровне клеток) и все мыслящее (от мозга до социумов);

—- междисциплинарные исследования математиков, физиков, химиков, биологов, физиологов, антропологов и социологов, объединяемых этим направлением, могут фундаментально изменить наши представления о мире так, как в XX веке это сделала Теория относительности;

—- как и Теория относительности, ТСС не только теория (в смысле теоретических основ), но и смена многих парадигм – от философской до технологической, что, в частности, кардинально влияет на прикладные технологические тренды ближайшего будущего.

Во-вторых, ТСС остается одним из самых «неизвестных» направлений развития современной науки и технологий.

Это справедливо для всего мира. Но для России это справедливо в квадрате.


—- Гугл дает всего 3 ссылки на запрос "теория сложных сетей" в русском сегменте за последний месяц.

—- Яндекс дает около дюжины правильных ссылок (из 32 ссылок в выдаче есть, хоть и релевантные запросу, но прошлогодние и позапрошлогодние) и 2 результата при поиске в блогах. Сами понимаете, - это, практически, ничто. Т.е. тема практически неизвестна.

Резюмируя, можно сказать так.

ТСС – очень перспективная и крайне малоизвестная в России тема, имеющая колоссальное прикладное значение.

Продолжение следует

Успеть! Но не за секунду, а за 24 часа

Вчера канал «Технологии, медиа и общество» рассказал об интересной статье признанного гуру ИИ Эндрю Ына, в которой тот сформулировал простую формулу, определяющую круг первоочередных задач для ИИ.

«Если человек может выполнить некоторую задачу в уме за секунду, в ближайшее время эта задача будет автоматизирована с помощью ИИ».

Формула, конечно, правильная (кто бы спорил с Эндрю Ыном). Но не полная, т.к. определяет лишь ОЧЕВИДНЫЕ и ВЕРОЯТНЫЕ прикладные задачи для ИИ.

Ну а поскольку на этом канале пишется про НЕ ОЧЕВИДНЫЕ, но ВЕРОЯТНЫЕ вещи, приведу лишь один, самый свежий пример новой прикладной задачи для ИИ, никак не подпадающей под условие Эндрю Ына.

Эту задачу не только невозможно решить человеку за секунду. Ее люди пока вообще не научились продуктивно решать в течение суток.

Речь идет о задаче поиска пропавших людей в течение первых 24 часов после пропажи.
Хотя эта задача в последние годы, с появлением отряда «Лиза-Алерт», стала известна и в России, но в развитых странах запада она давно несравненно более широко известна. Например, в Британии существуют такие структуры, как государственное бюро UK Missing People Bureau и благотворительный фонд Missing People charity, с хорошим финансированием и современной технологической оснащенностью.

Но! Тысячи людей, по-прежнему, не удается найти или опознать среди найденных.

И вот только что запущен проект «Прожектор» (Searchlight), цель которого найти качественно более мощное и совершенное решение задачи поиска пропавших с помощью ИИ IBM Watson.

Речь идет о создании средств и инструментов анализа информации из многих несовместимых баз данных (от уличного наблюдения и транспорта, до трафика, автозаправок и погоды), способных уже к 2018 вдвое повысить эффективность кампаний поиска людей в течение самых критичных первых 24 часов после их пропажи.

Подобная технология сегодня используется для целей спецслужб США американской компанией Palantir. Однако там основные «мозги» при анализе информации пока что остаются человеческими – профильные эксперты. Тогда как в проекте Searchlight главная роль отводится «мозгам» IBM Watson.

Идея проекта Searchlight вчера стала одним из победителей международного конкурса «Do It Day 2016», ежегодно собирающего самых крутых брендов и самые светлые мозги мира для поиска наиболее актуальных, но пока не решенных задач. Эдакий однодневный брейнсторминг с привлечением маркетинговых супер-возможностей.

Так что теперь к решению с помощью ИИ IBM Watson таких далеко не односекундных задач, как диагностика рака, добавится и задача поиска пропавших в течение первых 24 часов.

Обращение к читателям (в особенности, к подключившимся к каналу сегодня)

Заранее прошу извинить, что отвлекаю!

Но уж очень хочется понять, что происходит с каналом.

Только что я сходил почистить снег вокруг дома (живу на даче).

За полтора часа, пока чистил снег, число подписчиков канала увеличилось больше чем на треть 😊

Кому я обязан этим взрывом популярности к, возможно, интересному, но абсолютно малоизвестному каналу?

Если кто-нибудь может помочь это прояснить, напишите пожалуйста мне на @Karelovs

Может мне дворником нужно устроиться для продвижения канала? 😊

ВСЕМ НАПИСАВШИМ МНЕ - БОЛЬШУЩЕЕ СПАСИБО!
Огромный респект Экономическому журналу https://telegram.me/econmag и его читателям!
Такому доверию читателей можно только позавидовать (белой завистью))
Есть чему учиться и к чему стремиться 😊

Продолжение про теорию сложных сетей (ТСС) – чем она занимается

Сверхзадача этого поста – за 5 мин познакомить с вопросом, изложить который менее чем за 3 часа считается невозможным.

Причина этого – в междисциплинарности ТСС. В этой области работают математики, физики, химики, биологи, физиологи, антропологи, социологи, ITшники и много кто еще.

У каждого своя терминология и свой подход. По этому поводу шутят:

—- выскажет, скажем, социолог новую идею в области ТСС;

—- психолог идею исправит, - ведь социология для него всего лишь прикладная психология;

—- биолог идею еще исправит, - ведь психология для него всего лишь прикладная биология;

—- химик идею опять исправит, - ведь биология для него всего лишь прикладная химия;

—- физик идею исправит, - ведь химия для него всего лишь прикладная физика (и как же здорово быть на вершине всех наук!)

—- последним приходит математик и (как лесник в анекдоте, выгнавший и нас, и немцев) отметает идею, т.к. видит в ней математический изъян, а мнения всех других наук он в гробу видал

Но все же решение поставленной сверхзадачи есть. И его предложил известный японский исследователь ТСС Hiroki Sayama.

Он изобразил основные объекты исследований ТСС в конкретном году в виде облака ключевых слов, прозвучавших на всех профильных конференциях по ТСС в этом году.

Размер букв каждого ключевого слова соответствует текущей популярности термина в этом году - т.е. сколько раз это слово использовалось в докладах в течение текущего года.

Цвет шрифта каждого ключевого слова показывает тренд изменения его популярности – т.е. как сильно выросла (или упала) популярность термина в сравнении с предыдущим годом:

—- чем «ТЕПЛЕЕ» цвет шрифта (ближе к красной границе спектра – помните, «Каждый Охотник Желает Знать …), тем больше ПОВЫСИЛАСЬ популярность этого термина по сравнению с предыдущим годом;

—- чем «ХОЛОДНЕЕ» цвет шрифта (ближе к фиолетовой границе спектра), тем больше УПАЛА популярность этого термина по сравнению с предыдущим годом.

На нижеследующей диаграмме (в следующем посте) показаны облака ключевых терминов ТСС этого и прошлого годов, представленные в конце августа Hiroki Sayama на симпозиуме NetecoSympo в Японии.

N.B. Перфекционисту Хироки не хватило 7 цветов радуги, и он добавил восьмой – «серый» для обозначения «совсем-совсем холодного цвета», отмечающего термины с максимально крутым падением популярности.

На чтение этого поста вы потратили, примерно, 1 минуту. И если теперь потратите еще 4 мин на изучение следующей ниже диаграммы, то имеете хорошие шансы всего за 5 мин понять, чем сейчас занимается одна из самых перспективных дисциплин, и какие здесь тематические тренды.

По-моему, очень достойное и крайне эффективное расходование вашего времени.

Текущая популярность основных тем ТСС в 2015 и 2016 гг., а также тренды изменения популярности тем от года к году (источник: 13th NetEco Symposium 2016, H. Sayama)

ЧЕМ ОТЛИЧАЮТСЯ НОВОСТИ С ПЕРЕДНЕГО КРАЯ ОТ НОВОСТЕЙ ИЗ-ЗА ПЕРЕДНЕГО КРАЯ

Да примерно тем же, чем отличается взгляд с видимого нам склона бугра от взгляда из-за бугра.

Этот канал задумывался НЕ для аннотирования новостей с переднего края хайтека. Такие каналы (интересные и полезные) в Телеграме уже есть. Кроме того, об этом пишут 99,99% всех медиа.

Этот канал задумывался для освещения вопросов из-за переднего края хайтека, т.е. как бы взгляд из-за бугра - из ближайшего будущего, когда видимый нам сегодня передний край будет уже пройден. А там, за передним краем:

1) во-первых, точка зрения на многие актуальные для сегодня события может довольно сильно отличаться;

2) во-вторых, много важных вопросов, которые сегодня, даже для находящихся на переднем крае хайтека экспертов, либо вообще не видны, либо видны, но не актуальны с точки зрения прагматики (бизнеса, внимания аудитории и т.п.).

Проиллюстрировать 1е из названных двух отличий можно на примере взаимосвязи широкого внедрения ИИ для автоматизации «умственной работы» и рынка труда и профессий.

—- 99,99% медиа источников обсуждают в этой связи проблему грядущего вытеснения умными машинами людей, роста безработицы и полного лишения людей места во многих сегодняшних профессиях (например, водителей).

—- А при попытке взглянуть на этот вопрос «из-за бугра», выявляется совсем иная и неожиданная точка зрения: люди пока что побеждают умных машин в борьбе за свои рабочие места, и главные проблемы здесь в ином – как мотивировать людей передать умным машинам свою работу, как при этом изменить законодательство и т.д.

Для иллюстрации 2го из названных отличий возьмем пример возникновения индустрии дронов.

—- В вестях с переднего края пишется про колоссальный рост рынков самих дронов и «дроновых услуг», про чарующее и манящее разнообразие этих услуг в скором будущем, про то, что дроны изменят сегодняшние представления о бизнесе.

—- А при попытке взглянуть на этот вопрос «из-за бугра», появляется, например, такая страшно интересная история, как возможность перехода к самоорганизующейся системе управления трафиком дронов.

Т.е. оказывается, что в новом мире дронов, эти дроны, скорее всего, будут летать без какой-либо человеческой системы управления воздушным трафиком. И это уже исследуется НАССА. Более того, эта система, скорее всего, будет не только самоуправляющей, но и эволюционирующей – т.е. как бы живой.

И это уже вовсю исследуется с помощью аппарата комплексных систем и комплексных сетей, про которые я так люблю писать на этом канале.

Надеюсь, приведенные примеры позволяют лучше понять, чем взгляд с видимого нам склона бугра может отличаться от взгляда из-за бугра. А заодно и сориентироваться, стоит ли вам впредь тратить свое драгоценное время на эту иззабугорщину.

Вчера мне прислали фото с проходящей в Берлине конференции NetApp Insight – Fujitsu рассказывает о 4ёх волнах, образующих одну побольше, называемую «Цифровизация» (что это значит, читайте дальше)

ВОЛНЫ ГАСЯТ ВОЛНЫ

Развитие технологий, как и в целом развитие человечества, происходит волнообразно – подъем-спуск, одна волна сменяет другую.

Знание того, как устроен этот волновой процесс, позволяет понимать и предсказывать, какие появятся новые технологии и когда они сменят предыдущие.

Есть три гигантские (по времени) волны Олвина Тоффлера. Третья из них еще только начнется лет через 10, а вторая называется Индустриальная волна.

Она состоит из 5 больших волн с периодом 50-60 лет. Это волны Кондратьева-Шумпетера-Фримона-Перез, знаменующие технологические революции. Последняя из больших волн называется Эпоха информационно-телекоммуникационных технологий (последняя четверть XX – первая четверть XXI вв.).

Эта большая волна состоит из малых волн: «Малые волны хардвера», «Малые волны софтвера» и т.д.

Обо всем этом я подробно писал здесь еще 5 лет назад. Рекомендую прочесть (примерно 3мин.).

С тех пор образовались «малые волны» новых типов. Например, «Малые волны цифровизации» (от Интернета до ИИ и роботов), про которые и рассказывал вчера представитель Fujitsu (см. предыдущий пост).

Желающим узнать подробней о том, что внутри малых волн, рекомендую прочесть Fujitsu Technology and Service Vision 2016.

А тем, кто хотел бы поподробней прочесть о технологических революциях (инициирующих новые большие волны не только в IT), рекомендую:

—- The Fourth Industrial Revolution: what it means, how to respond – общий взгляд с «холма» Всемирного экономического форума.

—- The Next Industrial Revolution - конкретный взгляд с позиций производства (среди прочего, удивитесь, что в 1800 г. треть мирового производства приходилась на Китай, на Индию - 20%, Россию - 5.6%, Англию – 4.3%)

—- The Coming Fifth Industrial Revolution - конкретный взгляд с позиций логистики (тоже не мало интересного)

ОТКРЫТ 1й ЗАКОН КАРШЕРИНГА

Данный закон, как и любой закон физики, выражается уравнением (например, уравнение Эйнштейна E=MC2). Это уравнение устанавливает функциональную зависимость шерабилити - доли индивидуальных поездок, переводимых на каршеринг – от 2х параметров: максимально допустимое увеличение времени поездки и максимально допустимое время ожидания машины.

Численное же значение шерабилити для конкретного города вычисляется на основе пространственно-временной плотности городских поездок. Она измеряеется числом поездок, инициированных за 1 час из района площадью в 1 кв. километр, и зависит от моря параметров: число жителей, площадь и планировка города, месторасположение района, организация движения, число такси и т.д. и т.п.). Потому для разных городов эта плотность сильно разнится (например, в Нью-Йорке - 344, а в Вене - меньше 1).

Смоделировать все это море параметров для 4х городов (Нью Йорк, Сан Франциско, Сингапур и Вена) оказалось возможным лишь при использовании аппарата комплексных сетей.

Исследователи построили пространственно-временную многоуровневую сеть (сеть из двумерных пространственных сетей, описывающих множество временных уровней) – см. диаграмму 1 (в следующем посте).

А потом отобразили на этой сети всю имеющуюся базу данных из 156 млн. поездок такси (множество черных точек, образующих маршруты поездок на двумерном уровне сети – см диаграмму 2)

Среди прочего, исследование показало, что в Нью Йорке можно перевести на каршеринг все индивидуальные поездки, а в Вене – до 85%.

Этим постом я начинаю рассказ о том, как с помощью комплексных сетей можно решать нерешаемые доселе задачи. И как междисциплинарные исследования комплексных систем (состоящих из комплексных сетей) меняют самые фундаментальные представления о возможностях физико-математического описания сложнейших техно-гуманитарных систем.

Ну а в качестве 1го примера таких систем взята область «Жизнь города и его населения». Не слабая такая системка, состоящая из миллионов аспектов, для большинства из которых есть тысячи неразрешенных задач.

Источник: Scaling Law of Urban Ride Sharing
- - - - -

P.S. Приведенный в этом посте пример относился к одной из нерешенных задач одного из перспективных аспектов «Жизни города и его населения» - кашерингу.
Но это только начало. Будут и другие. Следующий - на гиперактуальную тему интеграции иммигрантов в жизнь крупных городов (какие национальности хуже всех интегрируется в жизнь разных городов мира).

Диаграмма 1. Пространственно-временная многоуровневая сеть исследования (двумерная пространственная сеть из множества временных уровней)

Диаграмма 2. Отображение на двумерном уровне сети 156 млн. поездок такси по 4ем городам: Сан Франциско, Нью Йорк, Вена и Сингапур

ЭТО НЕ РАСИЗМ. ЭТО НОВАЯ ДОКАЗАТЕЛЬНАЯ НАУКА.

Можно ли доказательным образом (evidence-based) определить, насколько неуживчив конкретный народ в качестве иммигранта, и то, насколько данный город эффективен в качестве плавильного котла народов?

Теперь, оказывается, можно.

Проблема интеграции иммигрантов чрезвычайно актуальна для всего мира. Поэтому столь интересны и актуальны результаты нового кросс-дисциплинарного исследования. С помощью аппарата комплексных сетей и Big Data исследователи смогли определить степень интегрируемости в чужую культуру у 30+ национальностей (от албанцев до вьетнамцев), а также потенциал для интеграции различных культур у 50+ самых популярных городов мира (от Амстердама до Ванкувера).

Это первое подобное исследование в мире, выводы которого строго научны и численно верифицируемы.

Исследователи определяли пространственную интеграцию иммигрантов (где живут, работают и проводят время) в 53 городах на основе анализа всех гео-локализуемых сообщений Twitter за 5 лет (2010-2015). Для каждого твитта определялись: UserID, дата, время, место и язык написания. Специальным образом отфильтровывались твитты от ботов.

Национальность иммигранта определялась с помощью языкового детектора Chromium Compact Language Detector. Все исходные данные проходили жесткую процедуру валидации.

Результаты получились страшно интересные и показательные.

См. в следующем посте диаграмму 1:

—- Наихудшая степень интегрируемости в чужую культуру у арабов. Причем арабы плохо интегрируются во всех 5 странах, где проходило исследование, - от Австралии до Малайзии.

—- Также не очень хорошо интегрируются в чужую культуру турки, филиппинцы (Tagalog) и даже французы.

—- Русские, Белорусы и Украинцы (East Slavic) хуже всего интегрируются в Канаде. Но справедливости ради надо отметить, что в Канаде вообще плохо с интеграцией

См. в следующем посте диаграмму 2:

—- Самый высокий интеграционный потенциал у городов из кластера С1 (лучший в кластере – Лондон с потенциалом 0,79 – кто бы сомневался!)

—- Самый низкий интеграционный потенциал у городов из кластера С3 (лучшие в кластере – Рим, Майами и Торонто с потенциалом 0,12)

—- Потенциал Москвы - 0,113 чуть хуже Рима, но сильно лучше Санкт Петербурга – 0,035 (оба наших города в худшем 3ем кластере; Москва ближе к началу, Питер – к концу)

—- Метафора «США – плавильный котел народов» сильно преувеличена. Лос-Анжелес и Сан Франциско – хоть и не Лондон, но вполне себе приличные «котлы народов» (по 0,52). А например, Детройт и Даллас имеют потенциал всего 0,06 и 0,07 (хуже Москвы). Чуете, чем, оказывается, высокая преступность в городах обуславливается?

—- Удивительно, но среди городов, у которых интеграционный потенциал ниже плинтуса, есть богатые и бедные города (Брюссель и Богота – по 0,011), северные и южные (Стокгольм и Сеул), да и вообще сильно разные.
Можно перефразировать Льва Толстого – каждый несчастливый для иммигрантов город несчастлив по-своему.
- - - - -
Источник: Immigrant community integration in world cities https://arxiv.org/abs/1611.01056
Приложения: 2 диаграммы

Диаграмма 1. Иммигранты с наихудшей интегрируемостью (слева) в культуру чужой страны (справа); желтым отмечено - хуже всего интегрируются арабы

Диаграмма 2. Интеграционный потенциал 53 городов. Слева – лучшая интеграция. Справа – худшая. Лондон рулит. Осака – отстой.

СНОВА О ШАРЛАТАНСТВО В МАРКЕТИНГЕ НАУКИ И ТЕХНОЛОГИЙ

Формирование массовых ошибочных представлений – вредная и даже опасная штука. Но ничего не поделаешь.

Это делают журналисты, которым нужно зарабатывать на жизнь, а разбираться в сути того, о чем пишут, времени нет.

Это делают спецы по маркетингу технологий (о чем я уже писал), которым нужно подогревать интерес к своему бизнесу в массах наиболее простыми и понятными словами – аналогиями и метафорами из обыденной жизни.

Так появляются в самых солидных СМИ статьи типа вчерашней - Computer ‘Dreams’ to Improve Learning.

А вслед появляются весьма позитивные комментарии на эту статью от самых солидных специалистов. Приводить ссылки, извините, не буду. Кто читает самые популярные технологические каналы – сам увидит. А наезжать на профессионалов, выполняющих свою работу, - не хочу.

Однако, возвращаясь к вредности и опасности массовых ошибочных представлений, считаю необходимым уточнить для читателей этого канала. Хотя конечно, - это «канал для умных» и уж никак не массовый. Но все равно уточнить стоит.

1) Все использованные в упомянутой выше статье метафоры – интуиция, имитация "сновидений", стимуляция познаний у детей, научение компьютеров мечтать – независимо от закавыченности или отсутствия оной, - это чистая завлекуха для читателей, не имеющая никакого отношения к сути упомянутых в статье разработок Google и, вообще, к современному состоянию и видимым перспективам технологий ИИ.

2) Чисто для информации (если кто не в курсе):

—- Интуиция – это неосознаваемый когнитивный процесс, результат которого, тем не менее, способен осознаваться. Профессионально, но популярно про это можно послушать здесь.

—- В современных науках отсутствует какое-либо более-менее общепринятое понимание, что такое сознание. Т.е. мы понимаем, что означает вышеприведенное определение интуиции, НО что такое сознание, нам пока не известно. Профессионально, но популярно про это можно прочесть здесь и посмотреть тут

—- Поэтому говорить о понимании (и тем паче, - воспроизведении в методах машинного обучения) интуиции – разговор ни о чем. Аналогично и про остальные использованные в статье и в комментариях к ней метафоры. Профессионально, но популярно про это можно посмотреть в подборке здесь

3) И последнее, но, пожалуй, самое важное. Не смотря на колоссальные успехи Глубинного обучения нейронных сетей, этот подход «данные на входе – действия на выходе», скорее всего, принципиально ошибочен для сколь-нибудь адекватного научного описания феномена человеческого сознания и всех связанных с ним понятий (интуиция и т.д.)

Первым это обосновал еще Джефф Хокинс в замечательной книге «Об интеллекте» (очень рекомендую всем, кто не любит разводилово про ИИ, но хочет понимать его реальные перспективы).


А сегодня к такому заключению склоняются все больше ученых мирового уровня, сфокусированных на изучении этой мульти-дисциплинарной области науки. Профессионально и не очень популярно (но здорово интересно) про это можно посмотреть тут.

КАКИЕ ВЫГОДЫ СПОСОБНЫ ДАТЬ МЕЖДИСЦИПЛИНАРНЫЕ ИССЛЕДОВАНИЯ?

Прекрасная иллюстрация ответа на этот вопрос дается в новом исследовании «Голосовая коммуникация среди и между людей, животных и роботов»

Почти все животные используют голосовые сигналы для разнообразных экологически мотивированных целей: обнаружения хищников или добычи, пометки территории, выражения эмоций, установления социальных отношений и обмена информацией. Идет ли речь о птице, поднимающей тревогу, ките, призывающем потенциального партнера, собаке, реагирующей на человеческие команды, маме, читающей книжку ребенку или бизнесмене, запрашивающем цены на акции с помощью голосового интерфейса Siri, - всюду голос представляет собой ценный канал связи, посредством которого поведение может быть согласовано и проконтролировано, а информация может быть передана и получена.

Вездесущность голосовых взаимодействий определяет их исследования в чрезвычайно разнообразных областях - от оценки состояния животных для выяснения предшественников человеческого языка до развития голосовой коммуникации человек и компьютера. Здесь открывается обширное поле кросс-дисциплинарного обогащения разных дисциплин. Например, использование искусственных когнитивных агентов для исследования различных теорий возникновения языков или использование машинного обучения для анализа различных сред обитания или добавление голосовой выразительности к следующему поколению языков автономных агентов. Тем не менее, большая часть исследований проводится в рамках четко определенных дисциплинарных границ и потому остается много нерешенных фундаментальных проблем.

Данное исследование пытается восстановить баланс, представляя сравнительный обзор голосовых взаимодействий внутри-и-между людьми, животными и искусственными агентами (такими, как роботы). В результате в статье формулируется обширный набор открытых вопросов для исследований, способных обогатить многие дисциплины за счет междисциплинарного анализа.

Чтобы увидеть и почувствовать возможности, предоставляемые междисциплинарным подходом в этой области, во-первых, просто приведу оглавление названной статьи.

1 Введение

2 Голосовые сигналы при коммуникациях и взаимодействиях

2.1 Психология и морфология

2.2 Свойства и функции сигналов у животных

2.3. Свойства человеческого языка

2.3.1 Структура языка

2.3.2 Эволюция и развитие человеческого языка

2.3.3 Возможности собеседников

2.3.4 Передача эмоций

2.4 Сравнительный анализ голосовой коммуникации людей и животных

3 Голосовое взаимодействие

3.1 Использование голоса

3.2 Голосовое взаимодействие с «другими» (существами, способными действовать, но имеющими иные возможности голосовой коммуникации)

3.3 Системы голосовой коммуникации

4 Технологические методы исследований

Во-вторых, назову число цитируемых здесь научных источников - 206.

А в-третьих, назову число неисследованных вопросов, названных в статье первоочередными для понимания того, как устроена голосовая коммуникация среди и между людей и животных, а также того, как это использовать в коммуникации между людьми и роботами - 45.

Вот такой фронт работ предстоит освоить междисциплинарным исследователям.

Неужели не впечатляет глубина и масштаб перспектив?

О СИЛЕ ПИАРА, КОНКУРЕНЦИИ И ГЛУБИННОМ ОБУЧЕНИИ

Один весьма мною уважаемые знакомый написал мне после публикации моего поста «Снова про шарлатанство …» (кстати, извините за очепятку в заголовке):

- Ну что ты опять наезжаешь на журналистов и маркетеров? Чем уж так вредны массовые ошибочные представления о глубинном обучении нейронных сетей? Ведь для большинства читателей разбираться в этих дебрях просто не интересно.

Тогда я понял, что этот момент обязательно нужно прояснить. И как смог, прояснил здесь - чтения на 5 минут.

Если совсем коротко, то выводы такие.

А) В сегодняшнем мире правит пиар. Именно он, а не качество и перспективность, определяет уровень финансирования и внимания к новой технологии.

Б) Из-за лавинообразного роста числа источников и объемов информации (статей, идей, компаний, исследовательских групп и т.д.), отслеживать все это с каждым годом все труднее. Потому ограниченное число самых популярных идей, теорий и технологий получают львиную долю внимания и финансирования. Что существенно снижает конкуренцию, отрубая от нее многих.

В) В области ИИ это особенно опасно. Ставка только на самое популярное направление - глубинное обучение нейронных сетей – пока что ведет к непредсказуемым результатам из-за невозможности понять логику машинных решений.

Изложил я вышеприведенную аргументацию своему знакомому, но увы – не убедил.

Он ответил на мои соображения так:

А) Хорошие идеи и теории себе всегда дорогу пробьют. И никакой пиар это не изменит.

Б) Отсутствие конкуренции не мешает поиску лучших идей и теорий. Просто время изменилось и теперь будет так.

В) Ничего страшного. В будущем рано или поздно научаться понимать логику принятия компьютерных решений при использовании глубинного обучения. А пока и так ничего.

Решайте сами, какая точка зрения вам ближе.