Инфографика Инфографика (от лат.&nbsp;informatio&nbsp;&mdash; осведомление, разъяснение, изложение; и др.-греч. &gamma;&rho;&alpha;&phi;&iota;&kappa;ό&sigmaf;&nbsp;&mdash; письменный, от &gamma;&rho;ά&phi;&omega;&nbsp;&mdash; пишу)&nbsp;&mdash; это графический способ подачи информации, данных и знаний, целью которого является быстро и чётко преподносить сложную информацию. Одна из форм информационного дизайна. Спектр её применения огромен: география, журналистика, образование, статистика, технические тексты. Инфографика способна не только организовать большие объёмы информации, но и более наглядно показать соотношение предметов и фактов во времени и пространстве, а также продемонстрировать тенденции. Подробнее &nbsp; Videographics https://www.kiln.digital/ Инструменты расследователя Top Infographics of 2016 http://so-l.ru/tags/show/infografika Tue, 28 Jan 2020 05:08:08 +0300 <![CDATA[День памяти жертв Холокоста]]> http://so-l.ru/news/y/2020_01_27_den_pamyati_zhertv_holokosta Mon, 27 Jan 2020 12:31:42 +0300 <![CDATA[Как правильно: инфографикА или инфографик?]]>
image

Например, в последней нашей статье о трендах дизайна презентаций снова началась подобная дискуссия. Редактор блога студии VisualMethod, в которой делают инфографику, разобрала случаи использования слов «инфографика» или «инфографик».

image
Читать дальше →]]>
http://so-l.ru/news/y/2020_01_16_kak_pravilno_infografika_ili_infografi Thu, 16 Jan 2020 18:43:14 +0300
<![CDATA[Главное отличие Homo — не интеллект]]>

Главное отличие Homo — не интеллект. Неучет этого грозит роду уничтожением.
Новые мысли о главном двух известных техно-пророков
Разговор самых авангардных мыслителей переднего края дискурса 21-го века о науке, технологиях, обществе и будущем.
По мне, так эта часовая беседа Харари и Тегмарка – самое полезное и интересное в мировых медиа за прошедшие 2 недели.
По ссылке на подкаст Apple, Google, Spotify, Soundcloud вы найдете и поминутную разбивку и транскрипт.

FLI Podcast: On Consciousness, Morality, Effective Altruism & Myth with Yuval Noah Harari & Max Tegmark


Ну а за мной, как обычно, субъективное просеивание сухого остатка.

1) Философы и богословы 2+ тыс. лет обсуждают, что происходит, когда мир становится разумней (в мире больше интеллекта). При этом всегда предполагалось, что любой Большой Разум (сверхчеловеческий или воплощенный в человеке) будет сознательным и хорошим.
2) 1е означает, что ему будет понятно, что творится в нашем сознании (чувства, переживания, опыт). 2е – что он будет морален, различая правильное / неправильное и хорошее / плохое в нашем поведении.
3) Работы по созданию Большого Разума (названного ИИ: слабый, сильный, сверхсильный) уже ведутся. Но ИИ не сознательный и не хороший (мы пока вообще не понимаем, что это и как тут подступиться в плане алгоритмической реализации).
РЕЗЮМЕ
Все, что мы делали в течение тысячелетий, на самом деле, не подготовило нас к такого рода вызовам. И пора признать – спички детям не игрушка. Их нужно, до поры до времени, у детей отобрать. Любым способом

4) Представления об осознающей себя жизни стремительно меняются. Но пока мы даже не знаем наверняка, какие виды обработки информации являются сознательными, а какие – нет. Например, нам говорили, что можно кидать живых омаров в кипяток, потому что они не чувствуют боли и не испытывают страданий. Но недавнее исследование показало, что омары чувствуют боль. После чего в Швейцарии запретили варку живых лобстеров. В других же странах продолжают варить.
5) У людей и животных сознание и интеллект объединены. Мы не знаем, является ли это «законом природы». Знаем лишь, что интеллект — это способность решать проблемы. А сознание — это способность чувствовать боль, удовольствие, любовь, ненависть …
6) Пока мы не знаем о сознании главного. А) Является ли оно продуктом вычислений или это эмерджентный физический феномен? Б) Возможно ли неорганическое сознание?
7) При принятии решений люди полагаются на свои чувства. Но не обладающие сознанием и моралью компьютеры принимают решения совершенно по-другому. Как же нам полагаться на такие решения?
РЕЗЮМЕ
Нужно вкладывать, как минимум, столько же средств в исследование сознания, сколько и в исследование ИИ

8) Мы теперь как бы безответственные боги. Число потенциальных апокалипсисов растет в геом. прогрессии за последние 50 лет. Посему, людям нужно не просто оценивать вероятность каждого плохого события. Нужно ориентироваться на ожидаемый ущерб, который оно нанесет, если все же произойдет.
9) Все гадают о вероятности появления зловредного сильного ИИ в ближайшие 10-30 лет. Но ведь вероятность того, что примитивный ИИ полностью разрушит экономику, политическую систему и человеческую жизнь в следующие 30 лет, составляет около 100%. Просто в ходе гибридной войны ядерных держав.
РЕЗЮМЕ
В 70-х получилось запретить биологическое оружие и провести четкую красную линию, где неприемлемо использование биологии. Теперь на очереди ИИ

ИТОГО
• Если алгоритмы следят за мной и знают обо мне все – нам нужна совершенно другая политическая система.
• Если клиент не прав, а алгоритм верен, — нам нужна совершенно другая экономическая система.
• Если корпорации и правительства взламывают нас при оказании медиа-услуг, чтобы привлечь наше внимание или нажать кнопку ненависти в нашем уме — нам нужна совершенно другая медиа система.

Источник — «канал малоизвестное интересное»

]]>
http://so-l.ru/news/y/2020_01_16_glavnoe_otlichie_homo_ne_intellekt Thu, 16 Jan 2020 13:59:37 +0300
<![CDATA[Старый Новый год. Исторический феномен]]> http://so-l.ru/news/y/2020_01_13_stariy_noviy_god_istoricheskiy_fenomen Mon, 13 Jan 2020 12:58:55 +0300 <![CDATA[300 лет неэргодичности]]>

Представьте себе совершенно дикий по идиотизму пример.
Допустим, что в наше время общепринятым представлением о мироустройстве является геоцентрическая система: центральное положение во Вселенной занимает неподвижная Земля, вокруг которой вращаются Солнце, Луна, планеты и звёзды. И этим представлениям о мироустройстве уже 300 лет.
Но 10 лет назад была сформулирована альтернативная — гелиоцентрическая гипотеза: будто Земля и другие планеты вращаются вокруг Солнца.
А в 2016 году двумя известными физиками (один из них Нобелевский лауреат, совершивший переворот в физическом представлении о мире) была опубликована статья, в которой гелиоцентрическая гипотеза доведена до уровня физической теории (эта статья стала самой читаемой научной публикацией года в журнале).
И совсем недавно — в июле сего года вышло экспериментальное психологическое исследование, показывающее, что вшитые в человека от рождения нейробиохимические механизмы (биоритмы и т.д.), как бы настроены на то, что Земля вращается.
И не смотря на все это, геоцентрическое представление о неподвижной Земле остается общепринятым. А присущее людям врожденное представление о вращающейся Земле признано иррациональным искажением несовершенной человеческой психики…
Согласитесь, — пример действительно дурацкий.
Разве подобное возможно?
Оказывается, да. Вот уже 300 лет люди используют концептуально несовершенную и потому ошибочную концепцию вероятности. Все к этому за 300 лет привыкли…
И вот в начале декабря случилась сенсация.
Авторитетный научный журнал Nature Physics публикует статью «The ergodicity problem in economics». Ее автор Оле Питерс — продолжает тему, начатую в знаменитой статье 2016 года «Evaluating gambles using dynamics», написанной совместно с нобелевским лауреатом великим Мюрреем Гелл-Манном (тот, к сожалению, уже умер).
В новой статье утверждается, типа, —
«И все-таки она вертится!».
В смысле, что пора науке решиться и поменять-таки представления о вероятности. Потому что, если коротко, ситуация такова.
Многие современные науки основаны на искаженном представлении о реальности. Это искажение является следствием сложившихся около 300 лет назад ошибочных представлений о вероятности (риска, удачи, счастья …).
Лежащее в основе этих представлений формальное понимание математики случайности 300 лет назад было в зачаточном состоянии и концептуально наивно. Предполагалось:
— что случайность, возникающая в единственно существующем пространстве с необратимым временем, имеет тот же эффект,
— что и случайность, возникающая в ансамбле параллельных вероятностных миров.
В 18 веке экономика (первая дисциплина, веком раньше разработавшая математику случайности ) заметила нестыковки теории и практики, возникающие из-за подмены временной вероятности на ансамблевую, и разработала инструменты (типа теории полезности), хоть как-то смягчающие некоторые из нестыковок. Там же, где наблюдалось резкое отклонение поведения людей от предсказаний экономических моделей, просто было объявлено, что это следствие иррациональности человеческой психики.
В 19 веке в физике, а именно в термодинамике и статистической механике, была разработана новая концептуализация случайности. Эта концептуализация с самого начала признавала центральную роль времени в случайных процессах. Тем самым в физике был устранен фундаментальный недостаток — путаница в применении временной и ансамблевой вероятностей.
В экономике же и прочих неточных дисциплинах, изучающих принятие людьми решений в условиях неопределенности (финансы, социология, психология и т.д.), все пока что остается, как и 300 лет назад.
В результате этого человечество имеет массу проблем:
неизбывное наступание на грабли ошибочных решений (и в том, числе, крайне важных), основанных на неверных методах управления рисками, базирующихся на изучении прошлого;
наличие неразрешимых парадоксов, головоломок и аномалий, беззащитность перед «черными лебедями» и т.д.;
доминирование в мире модели рациональности, не соответствующей человеческому опыту и тому факту, что люди живут в единственно существующем пространстве с необратимым временем, а не в параллельных вероятностных мирах.
Чтобы исправить все это, необходима смена человечеством модели рациональности. А это влечет за собой будет весьма серьезные последствия:
— полный пересмотр экономической теории и практики финансовых спекуляций;
— кардинальное изменение трактовки причин нарастающего неравенства;
— принципиальная смена подходов в практике прогнозирования и принятия решений;
— отказ от использования многих привычных показателей и индикаторов (типа понятия ВВП в качестве индикатора уровня процветания);
— демонтаж и замена существующих систем страхования и пенсионной системы
… и много чего еще.
✔ Так что ж, если такая научная трактовка прошла рецензирование и опубликована в Nature Physics, — мы на пороге новой научной революции?
Полагаю, что это весьма возможно. Но решать не мне.
Моя же задача — всего лишь попытаться на простом языке объяснить, в чем суть крупнейшего прорыва человечества в понимании случайности.
И желательно, чтобы каждый из читателей мог проверить это на простом и интуитивно понятном примере. С которого мы и начнем.
Из прошлого в будущее много путей, но реализуется лишь один
«Учитывая ход времени, ваша способность играть в игру завтра зависит от последствий сегодняшних решений».
Оле Питерс
Bот уже 300 лет считается, что поток времени не имеет отношения к вероятности. Но это не так. На самом деле, существуют два типа вероятности: временная и ансамблевая. Проще всего понять разницу между ними на простом примере игры в орлянку. Эта простая игра хорошо иллюстрирует общепринятый способ мышления при оценке вероятности и принятия решений в рисковых ситуациях, зависящих от случайности.
Игра такова.
У меня $100 (это мой начальный баланс).
Я подбрасываю монету (она симметричная и бросаю ее без жульничества).
Если выпадает орел, я выигрываю 50% от моего текущего баланса.
Если выпадает решка, я теряю 40% текущего баланса.
Таким образом, если после 1го броска монеты выпадет орел, я выигрываю $50, а если решка, то потеряю $40.

С такими правилами игра выглядит весьма привлекательно, хотя и есть, конечно, некоторый риск.
Под риском понимается ситуация, когда, зная вероятность каждого возможного исхода, все же нельзя точно предсказать конечный результат. Но можно оценить риск и потенциальную выгодность игры. Дабы принять решение — играть в нее или нет.
Напомню.
Ожидаемое значение случайной величины (в нашем примере, очередной орел или решка) подсчитывается по формуле математического ожидания:
Е(х) = p1*х1 + p2*х2 + … + pn*xn
где р1, р2, … pn — вероятности каждого исхода, х1, х2, … xn — значения каждого исхода: либо прибавка 50% к текущему балансу, либо его сокращение на 40%.
Тогда, математическое ожидание денежного выигрыша после первого броска монеты, составляет (0,5*$ 50 + 0,5*$ — 40) = $5 или 5% прироста текущего баланса. Рассуждая дальше, матожидание денежного выигрыша после второго броска монеты составляет (0,5*52,5 + 0,5*$ -42) = $5,25. Еще 5% прироста текущего баланса.
Предполагается, что этот процесс с течением времени будет генерировать 5%-ную скорость роста денежного выигрыша. И если играть достаточно долго, эта скорость будет все более приближаться к своему расчетному значению 5%.
Теперь начинаю играть.

Желающие могут далее либо смотреть видео, на котором Оле Питерс рассказывает (по англ.) о ходе игры и обнаруживаемых поразительных сюрпризах;

либо читать далее эту главу, где поясняющих картинок будет даже больше, чем в рассказе Оле.
Игра в миллионе параллельных реальностей
Бросаю 5 мин (по 1 броску в минуту). Получилось вот что. Красная линия показывает состояние текущего баланса после броска. Первые 2 раза была решка, потом орел, снова решка и опять орел.

Пока что ожидаемого 5%ного роста дохода не видно. Проклятая случайность играет против меня. Это ничего. Нужно просто подольше поиграть, чтобы флуктуации случайности уравновесились. И никуда оно не денется, в среднем все придет к обещанным 5%.
Играю дальше еще 55 мин (все так же, по броску в минуту). Получилась 60-минутная серия бросков.

Был и в проигрыше, и в выигрыше. Но все равно, что-то тренда пока не видно. Все забивают флуктуации случайности. Не хай. Буду дальше играть, и все само образуется. Сделаю еще 9 таких же серий, чтоб всего было 10 серий по 60 бросков.

Кто-нибудь видит здесь хоть какой-то тренд? Я не вижу. Значит все еще мало бросали. Делаю еще 10 серий. Итого получаю 20 серий бросков по 60 раз.

От результатов начинает рябить в глазах. Но тренд на 5%ный выигрыш, хоть убей, не просматривается. Понимаю, что зря я на эту рябь смотрю и нужно просто посчитать средние поминутные значения по всем 20 сериям. Получается вот так.

Тренда пока не просматривается. Но я не сдаюсь. Делаю 1 тыс. серий и вычисляю для каждой минуты средние значения…
Тру-ту-ту-ту! Приз в студию! Вот что получилось.

Чем ни тренд? Жаль только в конце график почему-то вниз повалился. Надо еще больше серий сделать.
Делаю 1 миллион серий. И каков результат — загляденье!

Четкий линейный тренд с ростом дохода в 5%. Игра, как и подсказывала интуиция, выгодная. Нужно было лишь подождать, чтобы в результате многих бросков отфильтровался шум случайностей. Что и было получено.
Но постойте. Надеюсь вы понимаете, что на самом деле,
я не бросал монету 114 лет, чтобы сделать 1 млн. серий по 60 бросков в час.
Вместо этого я рассчитал средние значения по 1 млн. ансамблей, каждый из которых состоял из 60 бросков за час.
Каждый ансамбль имел свою траекторию, которая для простоты различия была покрашена в уникальный цвет, как было показано на картинке из 20 траекторий.
✔Но что означает тот факт, что полученное мною итоговое усреднение было сделано для 1 млн. траекторий?
Я как бы набрал 999999 студентов и одновременно с ними сделал 1 млн. серий, каждая из которых включала 60 попыток по одной в минуту?
Как будто каждый из нас делал свою серию в собственной параллельной реальности, а результат я просто усреднил по всем этим реальностям.
Но нет у меня никаких параллельных реальностей.
Кроме того, в некоторых параллельных реальностях (на части траекторий) я проигрался в ноль, не завершив серию. А ведь в жизни-то я так не смогу: если на одной траектории проигрался, просто возвращаюсь во времени назад и перехожу на более удачную траекторию.
Нет, это какой-то бред. Надо уходить от параллельных реальностей.
Но что получится, если я буду делать свои попытки один, — в необратимом потоке времени, так сказать, в единственной доступной нам реальности?
Игра в единственной существующей реальности
Начну, как и раньше, сделав 60 бросков.

Потом просто стану бросать дальше в течение суток.

По горизонтальной оси теперь откладываются не минуты, а часы. Зеленым цветом в левой части красного графика показана траектория 1го часа игры, вынесенная на вставку в правой верхней части рисунка.
Продолжаю играть все ту же единственную игру. Но черт побери! Я все больше и больше проигрываю. Начальные 100 баксов быстро растаяли до малых долей цента. Попробую играть целую неделю. Вдруг начнет везти.

Теперь по горизонтальной оси показаны дни. А результат становится все хуже и хуже. Флуктуаций, правда, становится все меньше. Но тренд однозначно направлен на безальтернативный проигрыш. Но я упорный. Буду играть целый год.

Теперь по горизонтальной оси уже месяцы. Флуктуации окончательно сгладились. Но результат ужасен.
✔В чем же дело? Почему получились две несравнимо разные картины?
В ансамблевом варианте, когда были усреднены 1 млн. игр, как бы сыгранных в параллельных мирах 1 млн. людей, получился ожидаемый выигрыш.
В единственной игре, сыгранной мною за целый год, я проигрался в пух и прах.
Получается, как будто:
— если играет большое количество людей (ансамблевой вариант), средний результат получается положительным (что не удивительно, т.к. ожидаемый выигрыш игры положительный);
— но если кто-то один достаточно долго играет в эту игру (временной вариант), он теряет почти все свои деньги.
Какой-то бред сумасшедшего получился!
Может ошибка какая вкралась?
Надо проверить оба варианта на симуляторе.
Проверка ансамблевого варианта
Желающие могут сами это сделать, воспользовавшись анимированным симулятором игры, запрограммированным Сидом Шанкером (правила в этой игре чуть-чуть численно отличаются: за орла и решку выдается не +50% и -40%, а +55% и -45%, но это принципиально ничего не меняет).
В ансамблевом варианте в игру играют 40 человек, и каждый бросает монету 20 раз. Начальный баланс у всех одинаковый — $100.
Вот перед вами итоги 4х игр (вы сами можете сгенерировать еще хоть 1000 подобных игр на симуляторе).

На вышеприведенной картинке показано для каждой из 4х игр:
траектории выигрыша двадцатки (больше на анимированном графике не умещается) наиболее успешных (по размеру итогового выигрыша) игроков;
сумма итогового выигрыша этой же «великолепной двадцатки» после последнего 20го броска (на анимированном графике симулятора, перемещая курсор, можно смотреть также все промежуточные результаты после каждого броска);
среднее значение итоговых выигрышей всех 40 игроков.
Что особенно интересно.
— Среднее значение выигрыша для всех игроков в конце игры (указано сверху слева), как правило, выше $100 (оно и понятно, игра же выгодная).
— Однако, как правило, в результатах получается огромный разброс. Почти всегда, один или два игрока выигрывают большие деньги, тогда как большинство теряют.
Например, в 1й (самой «несправедливой») игре, средний итог игры составил аж $754, но это большущее среднее получилось так:
игрок №23 огреб $28+ тыс.,
а игроки №№39, 37, 34, 32 (а также игроки 2й («омерзительной») двадцатки, продули почти все, имея к концу игры лишь по $7.
А в самой «справедливой» 3й игре, средний итог игры составил $118, а это скромное среднее получилось из такого разброса:
игроки №№35 и 13 огребли по $1279,
а игроки №№37, 34, 32, а также №№28, 22, 21, 18 остались после игры всего с парой десятков баксов (а игроки «омерзительной» двадцатки еще с меньшими суммами).
Возникает резонный вопрос.
✔С кем из игроков я должен себя ассоциировать при принятии мною решения?
И вообще:
— выгодная это игра или нет?
— стоит ли мне в нее играть?
Мне равняться на результат игрока №23, что огреб $28+ тыс. в 1й игре?
Или на его же результаты в играх с 2й по 4ю, где он сильно продул, не выйдя из «омерзительной» двадцатки?
Ведь ориентироваться на среднее между всеми игроками нет смысла: я же один буду играть и всего один раз, сделав 20 бросков монеты.
Попробую снова воспользоваться анимированным симулятором игры Сида Шанкера, чтобы проверить, что меня ждет если я буду долго играть один (временной вариант).
Проверка временного варианта
В этом варианте симулятора вы просто жмете на «Play» (на статичном рисунке ниже это клавиша в состоянии «Сброс»/«Reset», т.к. это скриншоты с анимации) и игра идет до бесконечности, совершая все новые и новые случайные броски монеты и, соответственно, увеличивая или уменьшая текущий баланс игрока.
Вот пример одной игры.

На верхнем графике показана траектория текущего баланса игрока до 65го броска монеты. Как видите, 35 бросков сказочно везло, что позволило на 33м броске довести выигрыш до $2 тыс. Но потом везение кончилось, и к 65у броску баланс устремился к нулю.
Подобный плачевный итог повторился в еще паре десятков игр, сыграных мною на симуляторе.
Вот 4 из них в качестве примера. Игры довольно длинные (количество бросков монеты: 158, 175, 652 и 872), чтобы не вкралось сомнение, будто их плачевный исход — плод недостаточно длинных серий бросков.

Увы. Исход у меня получился всегда один и тот же.
Были взлеты и были падения.
Но, в конечном итоге, мой баланс всегда стремился к 0.
Т.е. игра, в которой каждый ход имеет положительное ожидаемое значение выигрыша, в конечном итоге ведет к абсолютному проигрышу.
Вывод
Проверка на симуляторе подтвердила наш предварительный довольно нелогичный вывод.
В 2х вариантах этой игры получаются кардинально разные результаты.
✔Когда много людей играют в игру небольшое количество раз, происходит усреднение по ансамблю, и ожидаемый выигрыш положительный.
✔А когда один человек играет в игру много раз, происходит усреднение по времени, и ожидаемый выигрыш отрицательный (то есть неотвратимый проигрыш).

В ансамблевом варианте 1 млн. человек играли по часу в неких параллельных реальностях. В среднем у них получился устойчивый выигрыш. При этом, правда, большинство игроков из параллельных реальностей проиграли. Но зато один или двое из них сорвали большой куш. И этот куш столь велик, что, если сложить его с теми крохами, что остались у большинства, среднее значение выигрыша получится положительным.
Во временном варианте 1 человек играл целый год и проигрался в дым, поскольку у него была всего одна игра и откатить назад во времени (если вдруг проиграл) он не мог.
✔ Но как же такое может получаться — игра одна, а результаты разные?
Оказывается, ничего удивительного. Просто в данном примере мы столкнулись со случайной системой, являющейся неэргодичной.
Эргодичность
«Нет вероятности без эргодичности»
Нассим Талеб
Мы привыкли, что вероятность, применимая к группе людей (ансамблевая вероятность) и вероятность, применимая к одному человеку (временная) совпадают.
Если вы бросите игральную кость 100 раз, сколько раз выпадет шестерка? Нет сомнений, что где-то в районе 17 раз.
А если попросить 100 человек по разу бросить кость, то сколько шестерок в сумме у них выпадет? И опять нет сомнений, — тоже примерно 17.
Т.е. получается, что в примере с игральной костью среднее по времени и среднее по ансамблю получаются одинаковые, а в примере из предыдущего раздела поста — с бросанием монеты и +50%ным или -40%ным изменением баланса — они разные.
Объяснение этому отличию было предложено еще в 1884 великим австрийским физиком-теоретиком, основателем статистической механики и молекулярно-кинетической теории Людвигом Больцманом.
Он ввел новое понятие — эргодичность для процессов, в которых среднее по ансамблю и среднее по времени совпадают.
Такие процессы были названы эргодическими. Соответственно, процессы, в которых эти 2 средних не совпадают, были названы неэргодическими.
Это слово, являющееся определением важнейшего класса случайных процессов, столь редко в использовании, что Google на запрос «неэргодический» дает всего около 600 ссылок (для сравнения, на запрос «вероятность» выдается 63+ млн. ссылок — в 100 тыс. раз больше). И это соотношение таково, поскольку, на самом деле, лишь 1 человек из примерно 100 тыс. слышал, что бывают неэргодические случайные процессы. А их в реальной жизни пруд пруди, т.к.
сама жизнь по своей природе неэргодична,
— время в жизни необратимо, и каждый из нас живет в единственном варианте реальности, не предлагающем нам иных средних значений, чем среднее по времени.
Если мы, оценивая рискованность (привлекательность) какого-то своего действия (напр. инвестиции или ставки в игре случая), не заморачиваемся с вопросом эргодичности, это грозит нам печальным результатом. Как было показано в предыдущем разделе,
можно полагать ожидаемую доходность игры (или любого иного процесса, где правит бал случай) положительной, тогда как, на самом деле, она отрицательная.
Напомню уже известный вам рисунок.

Такое запросто может быть в жизни. Вы полагаете, что у вас будет гарантированный плюс (левый график), а вас ждет непременный минус (правый график).
✔ Но в чем же коренится столь коварная иллюзия?
✔ Что заставляет человека столь кардинально лопухнуться с оценкой перспектив, приняв неэргодический процесс за эргодический?
Причин, по большому счету, две.
Первая, — замена временной вероятности на ансамблевую.
В этой простодушной замене при оценке ожидаемой выгоды, среднее по времени просто заменяется на среднее по ансамблю. Это ловкий трюк, многим кажется чрезвычайно полезным, так как ансамбль средних значений, как правило, значительно проще и, главное, гораздо быстрее вычислять по сравнению со средним по времени. Ждать, когда последовательно произойдет множество событий, долго. А как говорил О.Бендер, — время, которое у нас есть, — это деньги, которых у нас нет.
Вот только выходит потом себе дороже. В итоге такой замены для неэргодических процессов (коих в жизни предостаточно) мы обрекаем себя на ошибочную оценку перспектив.
Другая причина — наличие в жизни необратимых последствий.
В результате этого,
для неэргодических процессов наблюдаемая в прошлом вероятность не применима к будущим процессам.
Нассим Талеб называет такие необратимые последствия «гибелью» — попаданием в экстремально поганую ситуацию, не подразумевающую восстановление.
Поясняя это, Нассим Талеб использует такой экстремальный пример, использованный им в качестве базового объяснения в книге «Одураченные случайностью».
Предположим, что шестеро людей играет в русскую рулетку: каждому по выстрелу и приз в $1 млн. долларов.

После шести выстрелов, скорее всего, пять из шести играющих останутся в выигрыше. Если использовать стандартный анализ выгоды и затрат, можно утверждать, что вероятность выигрыша у каждого из игроков составляет 83,33%, а «ожидаемый» средний доход в результате каждого выстрела составит около $833333. Но проблема в том, что при многократной игре в русскую рулетку (более одного прохода по всем стреляющим) кто-то непременно попадет на кладбище. И поэтому, ожидаемый доход… просто не вычисляем.
Этот пример запросто переносится на куда менее экстремальную игру в казино.

На рисунке показана разница между ситуациями, когда:
100 человек идут вечерком развлечься в казино, и кому-то, возможно, не повезет (верхний рисунок);
один человек ходит в казино каждый день в течение 100 дней.
В первом варианте нет никакой зависимости от каких-либо событий в прошлом. И потому привычное понимание вероятности (ансамблевой) здесь вполне применимо. А если кто-то из 100 пришедших проигрывает все, что имел, — это, при расчете средних значений, как бы происходит в одном из «виртуальных вероятностных миров», а во всех остальных «мирах» (где как бы играют другие 99 игроков) все нормально.
Второй вариант совсем иной. В нем вероятность зависит от прошлого. Идя в казино сотый раз человек имеет за плечами 99 предыдущих игровых вечеров. Поэтому:
здесь не только должна применяться другая вероятность — временная, вместо ансамблевой,
но и «гибель» — полный проигрыш человеком всего, что у него есть, — происходит отнюдь не в одном из «виртуальных миров», а в единственно существующем для него мире.
И естественно, что после «гибели» уже нет смысла рассчитывать ожидаемый доход от новых походов в казино, даже если «гибель» случилась в первый же вечер. Этой вероятности просто не существует, поскольку больше походов в казино уже не будет.
Ошибка неразличения 1го и 2го вариантов сохраняется в экономике, психологии и социальных науках с незапамятных времен.
А в наши дни это неразличение разных вероятностей при анализе больших данных (основанном на вероятности больших ансамблей) грозит еще большим масштабом заблуждений и ошибочных решений при:
оценке ситуаций,
выборе вариантов действий,
анализе поведения и пристрастий людей,
прогнозировании сценариев развития событий.
Т.е. по сути, это равносильно жизни людей в некой искаженной реальности, где оценка ими вероятности многих событий просто ошибочна.
Но люди привыкли. Ведь человечество живет в этой искаженной реальности уже около 300 лет, с тех пор, как пути ансамблевой и временной перспектив разошлись.

Как видно из рисунка, за обе перспективы (ансамблевую и временную) топили многие великие умы.
Но в итоге, к концу 2019 мир живет все в той же искаженной реальности, изобилующей старыми парадоксами и новыми ошибками.
Рассмотрим чуть подробней конкретные последствия подобных ошибок.
Цена искаженной реальности
«Экономика так и не состоялась, как наука, поскольку мы должным образом так и не определились с ее основанием. Если в экономике никогда не было Галилея, как же здесь могут появиться Ньютон или Эйнштейн?»
Джеффри Уэст
Вынесенные в эпиграф слова Джеффри Уэста, на мой взгляд, исчерпывающе описывают состояние современной экономики, как науки.
Экономика — это наука.
Но ее уровень сейчас примерно таков, как в физике был до Галилея.
Причина же этого в зыбкости и неопределенности основ этой науки — оценки выгоды и рисков экономической деятельности.
Сегодняшнее управление рисками часто полагается исключительно на инвесторов, определяющих свои предпочтения в отношении риска через функцию полезности без явного учета влияния времени.
Литература по управлению капиталом и управлению рисками в значительной степени использует комбинация средних значений ансамбля и полезность, пренебрегая временем или в лучшем случае инкапсулируя его эффекты в функции полезности. При таком подходе необратимость времени, непоколебимая физическая мотивация воздержания от чрезмерного риска, заменяется произвольно определяемым риском предпочтения. После создания соответствующих академических рамок (примерно с 1970-х годов), нормативные ограничения, которые были в значительной степени основаны на здравом смысле, были постепенно ослаблены.
В итоге, ранние математические методы, разработанные в экономике в 17 и 18 веках, по-прежнему лежат в основе многих проблем, стоящих перед современной теорией экономики. Их нужно менять, исправляя наивные взгляды на случайность.
Новая теория экономики должна учитывать понятие эргодичности, разработанное в 20-м веке и без которого немыслима современная физика.
Так почему же это не делается?
Прямолинейный Нассим Талеб винит тупость и упертость экономистов. Более политкорректные специалисты объясняют это мотивацией ключевых акторов, заинтересованных, чтобы ситуация не менялась.
Страховщики заинтересованы продолжать свой немалый бизнес. А при переходе к «эргодической экономике» его можно будет закрывать. Как минимум в том виде, в каком он существует сегодня.
Правительства заинтересованы продолжать балаган с пенсионными системами. А при переходе к «эргодической экономике» они просто накроются медным тазом, в связи с осознанием их ненужности.
Международные эксперты, как и правительства всех стран, заинтересованы продолжать морочить людям голову, измеряя рост благосостояния в стране показателями ВВП и ВВП на душу населения. А при переходе к «эргодической экономике» всем станет понятно, что этот показатель имеет весьма косвенное отношение к росту благосостояния страны, ибо его довольно просто увеличить, сначала выкопав котлован на полстраны, а затем его закопав.
Богатая «элита» заинтересована продолжать объяснять растущее имущественное неравенство всем, чем угодно, но не тем, что иначе быть просто не может при современном устройстве экономики, где правит «закон Матфея». А при переходе к «эргодической экономике» все псевдо-объяснительные уловки вылезут наружу, и потребуются совсем иные методы и механизмы выравнивания экономического неравенства.
Похожая картина с мотивацией ключевых акторов, заинтересованных, чтобы ситуация не менялась, царит в социологии, психологии и прочих науках, создающих теории поведения и деятельности людей в условиях реальной жизни.
Ведь как я уже писал выше.
Жизнь, сама по себе, неэргодична.
Она неповторима и нетиражируема в других вероятностных реальностях, протекая в необратимом потоке времени.
И, что самое интересное, — свойство чувствовать разницу между эргодическими процессами и неэргодическими в вероятностном пространстве жизни, встроено в нас, подобно чувству ориентации в окружающем нас 3х мерном пространстве.
В этом году было доказано —
люди интуитивно различают эргодические процессы от неэргодических.
Экспериментальная проверка показала, что, вопреки современной науке, люди отказываются от стратегии линейной оценки полезности, когда сталкиваются с процессами с мультипликативной динамикой (как в примере с монетой, где выигрыш оценивался мультипликативно — в процентах от текущего баланса). При смене динамики процесса с аддитивной (выпал орел — получи $50, выпала решка — отдай $40) на мультипликативную, люди, как показал эксперимент, интуитивно переходят на логарифмическую оценку полезности на (см. рис. ниже).

На этом рисунке показано, что, в зависимости от динамики азартных игр (мультипликативной или аддитивной) люди меняют свою стратегию оценки риска, исходя:
либо из оценки логарифмической полезности — для мультипликативной (красной) динамики игры,
либо из оценки линейной полезности, для аддитивной (синей) динамики игры.
Этот эксперимент убедительно показал, что эволюция встроила в человека верную оценку рисков в плане выгодность/невыгодность. Куда более верную, чем навязывают ему современные экономические теории, заодно объясняя, что он — дурашка и не может по своей природной иррациональности сделать правильный выбор.
✔ Так чем тогда экономика отличается от религии, если оказывает большее уважение к авторитету, чем к реальности?
Великий Л.Д.Ландау писал, что
науки делятся на естественные, неестественные и противоестественные.
Противоестественные — это те, что убеждают нас в представлениях, не соответствующих реальности.
Так не пора ли, наконец, перевести экономику и прочие науки, не признающие эргодичность в жизни людей, из класса противоестественных в класс неестественных наук, где они заняли бы свое достойное и заслуженное место.
Ведь это возможно. Единственное, что требуется, как пишет в декабрьской редакционной статье журнал Nature Physics, — выйти за рамки привычного «среднего мышления». И, похоже, что время для этого пришло: Time to move beyond average thinking.
И тогда, впервые за 300 лет, наш мир перестанет быть искаженным, а наши модели, наконец, совпадут с реальностью.

Источник

]]>
http://so-l.ru/news/y/2020_01_11_300_let_neergodichnosti Sat, 11 Jan 2020 11:14:44 +0300
<![CDATA[Оборона Порт-Артура]]> http://so-l.ru/news/y/2020_01_02_oborona_port_artura Thu, 02 Jan 2020 11:27:53 +0300 <![CDATA[Главные технологии десятилетия по версии Хабра]]>

Команда Хабра составила рейтинг из 10 технологий и устройств, которые изменили мир и повлияли на нашу жизнь. За пределами первой десятки остались еще около 30 крутых вещей — о них коротко в конце поста. Но самое главное — нам хочется, чтобы в составлении рейтинга поучаствовало всё сообщество. Мы предлагаем оценить эти 10 технологий так, как хотите именно вы. Вдруг вы считаете, что машинное обучение куда сильнее повлияло на мир, чем экономика совместного потребления? Голосуйте — ваш выбор будет учтен в общем рейтинге. Читать дальше →]]>
http://so-l.ru/news/y/2019_12_25_glavnie_tehnologii_desyatiletiya_po_versii Wed, 25 Dec 2019 23:02:42 +0300
<![CDATA[Что изменится для москвичей в 2020 году]]> http://so-l.ru/news/y/2019_12_17_chto_izmenitsya_dlya_moskvichey_v_2020_godu Tue, 17 Dec 2019 18:31:47 +0300 <![CDATA[Первый глобальный форум по проблеме беженцев]]> http://so-l.ru/news/y/2019_12_17_perviy_globalniy_forum_po_probleme_bezhe Tue, 17 Dec 2019 16:36:59 +0300 <![CDATA[Как уровень безубыточности майнинга позволяет определить точку разворота биткоина]]>
imageУровень безубыточности майнеров

Один из самых известных и распространенных майнеров в мире, Asic S9, имеет самые худшие показатели по безубыточности: чтобы получать прибыль от этого устройства, необходимо, чтобы цена биткоина была выше $7,643.
Читать дальше →]]>
http://so-l.ru/news/y/2019_12_16_kak_uroven_bezubitochnosti_mayninga_pozv Mon, 16 Dec 2019 18:11:35 +0300
<![CDATA[Подборка занимательных статистических фактов]]> Подборка графиков и результатов различных исследований c короткими аннотациями.




Подсмотрел у Германа Каплуна в Facebook график, озаглавленный им как «Супермаркеты онлайн — всё только начинается». России в списке нет, но если сравнить обороты «Утконоса», Instamart и iGooods с одним X5 Retail Group или «Магнитом», будет понятно, что мы где-то рядом с Бразилией и Индией.


Но культура потребления не может оставаться неизменной. Да и «Яндекс» не просто так начал экспериментировать c «Лавкой».

Читать дальше →]]>
http://so-l.ru/news/y/2019_12_13_podborka_zanimatelnih_statisticheskih_fa Fri, 13 Dec 2019 18:12:23 +0300
<![CDATA[Топ-12 самых интересных ИТишных динамических инфографик]]>
Инфографика/видеографика/динамическая статистика — это такое медиа, которое отлично обходится без текстовых пояснений, можно налить пятничного чаю, включить видео и наслаждаться.

Языки программирования



Я, кстати, удивился, что язык ADA был не каким-то маргинальным направлением, а доминирующим несколько лет средством разработки. Интересно, кстати, как автор данной статистики собирал информацию про прошлые годы, когда не было Гитхаба и автоматической статистики (сам автор говорит, что опросниками, но интересно узнать методику, выборки и пр).
Читать дальше →]]>
http://so-l.ru/news/y/2019_12_13_top_12_samih_interesnih_itishnih_dinamiche Fri, 13 Dec 2019 14:46:08 +0300
<![CDATA[Республика Никарагуа и её отношения с Россией]]> http://so-l.ru/news/y/2019_12_12_respublika_nikaragua_i_ee_otnosheniya_s_ro Thu, 12 Dec 2019 13:17:09 +0300 <![CDATA[Россия и Чили. История дипломатических отношений]]> http://so-l.ru/news/y/2019_12_11_rossiya_i_chili_istoriya_diplomaticheskih_o Wed, 11 Dec 2019 14:17:19 +0300 <![CDATA[Большинство наших гипотез, с которыми мы входим в 2020-е годы, окажутся неудачными (Д.Песков)]]>

Мне бы хотелось, чтобы 2020-е годы не отличались от 2010-х так же сильно как 1990-е от 1980-х или как 2000-е от 1990-х. Но мы точно понимаем, что они будут другими. Большинство наших гипотез, с которыми мы входим в 2020-е годы, основаны на опыте 2010-х и окажутся неудачными, поэтому нам придется отказаться от многих подходов. Это осознание будет болезненным, если подходить по-честному, то есть относиться максимально критично к тому, что делают и другие, и я сам.

Перед нами стоят вопросы: чему, как и кого учить в 2020-е годы. Есть 3 аудитории:
1. Чему мы будем учить своих детей? Предполагается, что мы будем учить их самому важному и лучшему.
2. Чему учиться нам самим?
3. Чему мы должны учить других как представители системы образования, лидеры в своих областях?

Для начала немного поговорим о контексте: возьмем понятный горизонт в 100 лет и посмотрим, как менялись представления, насколько сильны наши искажения, насколько устойчивы наши ставки. Вот пример: всего 100 лет назад Силиконовая долина была местом нефтедобычи. На длинном горизонте наши основания, связанные с любыми вещами, в том числе с добычей природных ресурсов, не очень актуальны. Мы верим в базовый сценарий, что добыча ресурсов будет обеспечивать нашу жизнь, но в столетнем горизонте меняется практически все.

Мы видим две противоположные тенденции:
1. Развитие техники идет по вроде бы понятному сценарию и боевые человекоподобные роботы кажутся практически неизбежными.
2. С другой стороны, традиционные уклады могут сосуществовать с самыми передовыми достижениями науки и техники.

Многоукладность, многовариантность скорее всего останутся для нас общими в течение всего 21 века. А значит, никакая модель, с которыми мы работаем, не будет универсальной. Будут одновременно существовать разные модели и подходы к образованию. В политике прошлое остается более актуальным чем будущее. Практически все правительства мира осуществляют политику, развернутую в прошлое. Все страны мира копаются в собственном прошлом, переигрывают гражданские войны, свергают статуи и т.д.

В ближайшие десятилетия главной историей, определяющей массовое сознание, станет страх. Страх, который возникает в новых поколениях и будет тиражироваться на более взрослое поколение. Это страх потери управляемости и осознание того, что мы не просто летим на одиноком шарике во Вселенной, а стремительно его уничтожаем. И темпы уничтожения собственного жилья стали настолько быстрыми и настолько мало зависят от нас самих, что мы уже ничего не можем сделать. Это страх в сочетании с обреченностью и одновременным возложении вины на предыдущее поколение, назначение их ответственными за то, что мы сделали. Этот страх побуждает к действию.

Не технологическое развитие и цифровизация будут ключевой повесткой 2020-х. Это будет попытка понять степень ужаса, безостановочности сценария, в котором мы потеряли власть над собственной планетой. Россия до сих пор отказывалась принять неизбежность темпов изменения климата и природной среды. И это понятно, так как разрушает основания с точки зрения нашего экономического развития. Это невыгодно нашему укладу. Но это изменение неизбежно и первыми его примут наши дети. Они будут отрицать наше отрицание и воевать с нами за принятие.

Это неизбежное будущее опирается на мифологический концепт, понятный молодому поколению, которое плохо знает историю, географию, но хорошо знает комиксы. Недавно министр иностранных дел Ирана посоветовал Трампу перестать «вести себя как Танос». Так что если хотите следить за современностью, надо следить за молодежным жаргоном и визуальными мифами и паттернами.

Несколько базовых посылок, предопределяющих чему и как учить:
1. Баланс будет сдвигаться в сторону страха. Мы входим в эпоху неопределенности. Она означает крах большинства форм взаимодействия друг с другом. Также крах доверия, выраженного в стандартных формах: никого не интересуют дипломы, мало кто доверяет соглашениям, стандарты подвергаются сомнениям.
2. Первая волна цифровизации, которая связана с искусственным интеллектом (ИИ). На горизонте ближайших 10 лет ИИ не лишит работы никого. Страх потери рабочих мест ложный. К 2030 году водители продолжат водить автомобили, юристы – проверять договора. Дроны массово не полетят, беспилотные такси массово на дороги не выйдут.

2020-е годы радикально меняют спрос на образование из-за демографического тренда. Рост среднего класса в Китае и Индии удваивает новый средний класс. И его первый запрос – запрос на образование. Спрос на образование резко возрастает.

У нового среднего класса есть два главных страха помимо климатического:
1. Страх инвестиций. Раньше были стабильные финансовые инструменты, вы могли купить недвижимость, золото, валюту. Сейчас надежных инструментов сохранения сбережений на горизонте 5 лет нет.
2. Как сберегать, чтобы не остаться в старости без всего.

Решение – вы инвестируете в детей. Если они подготовлены к будущему, они обеспечат вам комфортную старость. Для этого они должны быть хорошо образованы, хорошо зарабатывать и вас любить. Финансовые инвестиции и детская педагогика – в общем-то про одно и то же.

Одна из ключевых компетенций – работа с неопределенностью. Мы как люди стремимся к уменьшению неопределённости, хотим ее снижать и знать, что будет завтра. Мы хотим иметь долгое и стабильное расписание, а не как на «Острове», но жизнь именно такая, как на «Острове».

Я хочу закончить свою лекцию одним примером. Это произошло почти 100 лет назад в 1921 году в советской России, еще разрушенной, голодной. Однажды к одному известному художнику пришли двое молодых людей и попросили написать их портреты. А он тогда был занят и рисовал Шаляпина. Он им сказал: «Почему я должен бросить портрет Шаляпина и рисовать вас?». Они ответили, что будут знаменитыми. 1921 год, два молодых человека, каждому чуть больше 20 лет в тот момент. Они его смогли переубедить, он отставил Шаляпина и взялся за их портреты. Они заплатили ему тем, что у них было. А до этого они подрабатывали на мельнице, таскали мешки с мукой. Мельник расплатился с ними мешком муки и петухом. И двое недоедающих молодых людей берут муку, петуха и относят это художнику, чтобы он нарисовал их портрет. Они в этот момент фиксируют ставку, они делают то, что называется в этой модели risk taking. Они делают командный проект с высокой вероятностью потери активов, но с долгой качественной ставкой.

Автор этой картины – Борис Кустодиев – нарисовал двух будущих лауреатов премий по физике и по химии Петра Капицу и Николая Семенова. У них в тот момент даже в 1921 году были глубокие фундаментальные знания, потому что вузы в царской России давали крутые качественные знания, они сделали высокую ставку, зафиксировали ставку. Каждый из них не был предпринимателем, но был предприимчивым. И каждый из них сделал крупные шаги в науке. Они научились сочетать глобальные и национальные ценности.

Через год Капица уехал в Англию в лабораторию Резерфорда изучать атом, а еще через десять лет вернулся в советскую Россию и встал у основ атомного проекта, во многом благодаря которому, мы сегодня существуем. Каждый из них опирался на сеть доверия в команде, с которой они занимались в науке, которая была выше национальных границ, и которая впоследствии в жизни их много раз спасала. Это уверенность в будущем как метакомпетенция.

Я уверен в одном: несмотря на то, что нам предстоят бурные 20-е, эти годы будут далеко не так тяжелы, трагичны и сложны как то, что было с нашими предками 100 лет назад. А если они справились с гораздо более сложными задачами, то, что нам остается кроме того, чтобы тоже справиться.

Добро пожаловать в 2020-е годы.

Источник

]]>
http://so-l.ru/news/y/2019_12_04_bolshinstvo_nashih_gipotez_s_kotorimi_mi Wed, 04 Dec 2019 03:37:11 +0300
<![CDATA[Спинтроника снова. И снова]]>

Ученые из Массачусетского технологического института (MIT) предложили новый метод для вычислительных процессов, при которых устройство не будет использовать электричество и выделять тепло. Вместо него исследователи используют магнитные материалы и их свойства.

Ученые также используют квантовые эффекты — например, перенос спинового момента элементарных частиц. Таким образом, их устройство может переключаться из одного состояния в другое без потребления электричества, только на магнитных и спиновых эффектах. Ученые уверены, что это позволит сократить выбросы вредных веществ в окружающую среду и увеличит мощность устройств в будущем.

Мощность увеличится из-за того, что классические компьютеры используют огромное количество электроэнергии для вычислений и хранения данных и производят много тепла впустую. В поисках более эффективных альтернатив исследователи приступили к разработке «спинотронных» устройств на магнитной основе, которые потребляют относительно мало электроэнергии и практически не производят тепла.

Чемпион по го заявил, что ИИ невозможно победить, и завершил карьеру

Для того, чтобы увеличить потенциал устройств, исследователи использовали явление под названием спиновая волна. Это квантовое свойство электронов в магнитных материалах с решетчатой структурой. В таких материалах намагниченность упорядочена, а возникающие нарушения не локализуются, а начинают распространяться в виде волны.

Источник

]]>
http://so-l.ru/news/y/2019_12_03_spintronika_snova_i_snova Tue, 03 Dec 2019 04:28:30 +0300
<![CDATA[Мировое народонаселение и вариации климата]]>

Алексей Бялко
«Природа» №7, 2018

Алексей Владимирович Бялко («Природа» №7, 2018)
Об авторе
Алексей Владимирович Бялко — доктор физико-математических наук, ассоциированный сотрудник Института теоретической физики им. Л. Д. Ландау РАН, заместитель главного редактора журнала «Природа». Область научных интересов — теоретическая физика, науки о Земле.

Эта статья готовилась как отклик на публикацию серии статей Е. Н. Черныха об эволюции человечества. Заключительная часть серии — «Эпоха Нового времени: планетарные метаморфозы», в отличие от предшествующих, основана не на археологических открытиях, а на письменных источниках. История, написанная людьми, в первую очередь показывает влияние человеческого фактора на развитие событий, подчеркивает роль личности в истории. Конечно, письменные источники описывают также следствия событий, не зависящих от воли людей: землетрясений, эпидемий, череды неурожаев. В летописях и в сознании современников эти негативные явления чаще всего воспринимаются как «божья воля». Они были непредсказуемыми, но в какой степени случайными? Попробуем ответить на этот вопрос, сравнив динамику численности людей с известным нам объективным внешним фактором — колебаниями климата.

Человек — уникальный биологический вид. Во-первых, его численность росла аномально быстро, по гиперболическому закону. Иные примеры такого роста в биологии отсутствуют. Во-вторых, человечество сумело победить голод: на сегодняшний день оно обеспечено питанием. Способ, правда, оказался довольно жестоким [1]: сейчас из всех млекопитающих только 4% (по массе) — дикие, 60% — домашний скот, а остальные 36% приходятся на людей. Дикие птицы составляют лишь 40% от общей птичьей массы, а ее основная часть — домашняя птица, которую люди выращивают для еды. В-третьих, человек так изменил атмосферу планеты, что началось потепление климата, и оно происходит все заметнее. Как мы увидим (это главный качественный вывод этой работы), в истории последнего тысячелетия потепление положительно сказывалось на росте народонаселения. По этой причине оно вольно или невольно приобрело психологически позитивную окраску. Это приведет нас к выводу, что сегодня человечество находится в ситуации неустойчивого и плохо предсказуемого развития, которое к тому же сопровождается ошибочным моральным оправданием.

Рост мирового народонаселения
В середине прошлого века австрийский физик Хейнц фон Фёрстер (1911–2002) заметил, что численность человечества N(t) с достаточно высокой точностью возрастает по гиперболическому закону, асимптотически стремясь к бесконечности [2]. Такая зависимость подчиняется дифференциальному уравнению dN/dt = N2/K, где K — некоторая постоянная, имеющая размерность человеко-год. Решение этого уравнения есть N(t) = K/(t0 − t), где постоянная интегрирования t0 есть момент асимптотической бесконечности. Сопоставление с данными о численности, известными к середине XX в., дало Фёрстеру следующую величину предельного времени t0 = 2026,87, или 13 ноября 2026 г. Естественно, при приближении к этому пределу отклонения от гиперболического роста должны были нарастать.

С момента появления первых статей Фёрстера прошло немало времени, отклонения от гиперболы стали весьма заметны, появились уточненные данные о мировом народонаселении в прошлом. По этой тематике возникла обширная литература. Отметим прежде всего книги Сергея Петровича Капицы [3, 4]. Он был членом редколлегии «Природы» и в 1995 г. предлагал напечатать в нашем журнале свою статью о гиперболическом росте численности человечества. Приходится только сожалеть, что по ряду соображений его предложение тогда не было принято.

Капица и многие другие авторы [5–9] предложили свои объяснения гиперболического поведения численности человечества. Их суть в двух словах состоит в том, что благосостояние, обеспеченное техническим прогрессом, стимулирует прогрессивное увеличение численности. Но поскольку рост людей на Земле явление уникальное, то возможность экспериментально проверить истинность теорий отсутствует. По этой причине к объяснениям гиперболического роста приходится относиться только как к гипотезам.

Здесь будет предложен иной метод исследования динамики народонаселения. Математически он очень прост, но не имеет своей целью объяснение факта почти гиперболического роста. Его результат — меняющийся во времени, но ограниченный по амплитуде индекс народонаселения. В силу этой ограниченности он более удобен для сравнения его с вариациями климата.

Сравнение данных по народонаселению и их аппроксимаций
Обратимся к результатам недавних исследований изменения народонаселения за последние два тысячелетия, показанным на рис. 1. В течение последних 70 лет данные из двух источников совпадают с точностью 0,5%, что в логарифмической шкале неразличимо. Расхождения в течение остального времени использованы для определения переменного уровня ошибок, с избытком покрывающего их разность.

Рис. 1. Мировое народонаселение («Природа» №7, 2018)
Рис. 1. Мировое народонаселение. Красная кривая показывает данные Всемирного банка; оранжевая ломаная — данные сайта Worldometers. Две синие штриховые гиперболы построены по приближениям Фёрстера (верхняя) и Капицы (нижняя), красная — по формуле (1). На врезе синяя кривая есть функция N−1(t), обратная народонаселению, голубая заливка вокруг нее — область возможных ошибок, штриховая синяя кривая — ее квадратичное приближение A(t)

Функция, обратная к гиперболе, вблизи асимптотической точки линейна по времени. Поэтому имеет смысл анализировать обратную функцию N−1(t). Эта функция пропорциональна плотности людей, равномерно распределенных по площади суши или по всему земному шару. Аппроксимация почти линейной функции позволяет увеличить точность. Найдем ее квадратичное приближение:

N−1(t) ≈ A(t) = (t − t0)/246,75 − 7,13 · 10 7 (t − t0)2. (1)

Здесь t0 = 2063 ± 5 есть момент асимптотической бесконечности. Первый, линейный, член (1) при обращении дает гиперболическую зависимость N(t) ≈ 247/(t0 − t) (в миллиардах человек). Второй, квадратичный, член описывает отклонения от гиперболы при ранних временах. Функция N−1(t) и ее приближение A(t) показаны на врезе рис. 1.

Отметим, что момент асимптотики t0 с улучшением статистики заметно вырос. У Фёрстера и Капицы он приходился на 2025–2027 гг., а для современных данных отдалился до 60-х годов текущего столетия.

Возможные ошибки использованных данных можно оценить, сравнивая данные разных источников. Естественно, они довольно велики в начале нашей эры и в Средневековье, но для последних двух столетий в логарифмическом масштабе ошибки незаметны.

Найдем относительную разность между фактической численностью народонаселения и его параболической аппроксимацией:

IP(t) = 1/N(t)A(t) − 1; |IP(t)| < 0,5; < IP(t) > ≈ 0. (2)

Эта функция безразмерна и ограниченна. Ее среднее значение на интервале (1–2000) почти равно нулю. Максимумы соответствуют ускоренному росту населения, минимумы — его замедлению, глубокие минимумы — падению численности людей, что случалось довольно редко. Назовем функцию IP(t) индексом народонаселения. Он вместе с интервалом ошибок изображен на рис. 2, где дано его сравнение с вариациями климата.

Рис. 2. Температура приземного воздуха и индекс народонаселения («Природа» №7, 2018)
Рис. 2. Температура приземного воздуха и индекс народонаселения. Красными точками показана температура [11], смещенная вверх на 0,35°, красной кривой — усреднение точечных данных по скользящему интервалу 100 лет. Синяя кривая — индекс народонаселения (голубая заливка — диапазон ошибок). Среднее значение обеих кривых по интервалу 50–1930 гг. равно нулю

Индекс народонаселения и вариации климата
Суша Земли расположена преимущественно в Северном полушарии, где и обитает большая часть человечества. Глобальный климат определяется главным образом состоянием поверхности океана, а для нашей задачи основной интерес представляет климат полушария за последние два тысячелетия. Есть несколько исследований [10–12], которые восстанавливают региональные и средние температуры суши по историческим хроникам и косвенным данным. Последние состоят из результатов дендрохронологического и изотопного анализов озерных осадков и сталагмитов пещер. Очень важна и методика обработки этих разнородных данных. Их дисперсия в любом случае оказывается высокой. В качестве основной базы данных был выбран список температур с 1-го по 1979 г. [11] и его столетняя скользящая средняя. Поскольку для сравнения с индексом представляют интерес только относительные вариации температуры, то исходные данные на графике смещены вверх на 0,35° с целью обнуления средней температуры по интервалу (1–1979).

События истории на фоне климата и народонаселения
Посмотрим на рис. 2, вспоминая историю. В течение первой тысячи лет не было заметных экстремумов ни температуры, ни индекса мирового населения: их максимумы и минимумы лежат в пределах ошибок. Тем не менее рост и убывание индекса населения отвечают расцвету и падению Римской империи, а небольшой климатический минимум VI в. предваряет длительный застой индекса в Средневековье.

Первый существенный максимум температур отмечен в XI в., он называется средневековым климатическим оптимумом. За ним вскоре последовал и максимум народонаселения. Растущая плотность населения Европы, возможно, стала одной из причин походов крестоносцев XII–XIII вв. Не исключено также, что экспансия монголов, начавшаяся в XIII в., также была следствием средневекового климатического оптимума. Но в этом случае личная роль Чингисхана оказалась настолько значительной, что влияние климата на монгольские завоевания не выглядит убедительно.

Температурный минимум конца XIII в. привел к Великому голоду 1315 г., обезлюдившему значительную часть Европы. За ним последовала «Черная смерть» — чума, начавшаяся в Азии в 1330-х и продолжившаяся в Европе в 1340–1350-х годах. Восстановление населения после этих двух катастроф происходило очень медленно: индекс достиг максимума только через 150 лет, после небольшого потепления в начале XV в. Но вскоре, в начале XVII в., наступило существенное похолодание, известное как малый ледниковый период. За ним последовало падение индекса, а минимум народонаселения пришелся на окончание XVII в.

Причины запаздывания отклика на вариации климата
Разница между последовательными экстремумами температуры и индекса народонаселения оказалась весьма значительной, она составляет 103 ± 23 года (табл.). Такое запаздывание подтверждает корреляционная функция температуры и индекса народонаселения, она имеет максимум при запаздывании индекса на 91 год.

Таблица. Экстремумы температуры и индекса населения

Экстремумы температуры и индекса населения («Природа» №7, 2018)
В чем же причины такой задержки индекса на 3–4 поколения относительно температуры? Одна из них очевидна: от максимума рождаемости до максимума населенности (и от минимума рождаемости до минимума населенности) проходит время, близкое к средней продолжительности жизни. В течение последних двух тысячелетий она менялась, поэтому для оценки будем считать ее равной 50 годам. Но максимум рождаемости тоже не обязан быть близок по времени к периодам роста урожайности, которые в Северном полушарии долго были связаны с потеплением климата. Между ними пролегало время постепенного накопления богатства (или траты накопленного добра при плохих урожаях либо стихийных бедствиях). Длительность периода смены благосостояния трудно определить количественно, для оценки можно принять те же два поколения. В сумме и получится примерно столетие запаздывания.

Нарастающие противоречия динамики народонаселения и потепления климата
Число людей, как видно из рис. 1, изменяется во времени достаточно гладко. Причина непрерывности функции N(t) и ее первых производных ясна из исторического анализа: численность населения отстает от момента изменения рождаемости на среднюю продолжительность жизни. Конечно, разрывность этой функции в принципе может возникнуть вследствие неожиданной пандемии или, скажем, падения на Землю крупного астероида. Если считать вероятности этих событий низкими, то реальны предсказания численности людей на Земле на достаточно длительные сроки. В настоящий момент ожидаемая продолжительность жизни по разным странам варьируется от 50 до 83 лет, а по миру в среднем она составляет 67 лет. Таким образом, можно было бы оценить численность человечества примерно до 2085 г. К сожалению, так это не получается.

Есть разные методики предсказания будущего народонаселения планеты. Наиболее распространенный подход основан на предположении, что в будущем число людей должно достичь некоторого предела в диапазоне 10–12 млрд человек, и эта численность окажется устойчивой. Плавный переход к этому пределу предполагает, что ежегодный прирост численности будет монотонно убывать до нуля и около него остановится. Но принципиального запрета отрицательного прироста населения не существует.

Здесь для предсказания будут использованы методы экстраполяции как прямой, так и обратной численности народонаселения; последний близок к способу, примененному для интерполяции в начале этой статьи; ранее он использовался в работах [13, 14]. При этом мы будем искать экстраполяции в виде полиномов разной степени, оставляя только те из них, которые приводят к максимуму численности, а не уходят в бесконечность. Поэтому среди полиномиальных приближений обратной функции N−1(t) оставим лишь те из них, которые не пересекают нуля.

Используются данные о народонаселении Всемирного банка за 1950–2015 гг. (будем обозначать эти данные и результаты экстраполяций как A), а также сайта Worldometers за 1951,5–2018,5 гг. (обозначим их B). Оказалось, что небольшие различия исходных данных A и B в 1980–1990-х годах приводят к существенной разнице в прогнозах.

Прямая экстраполяция численности мирового народонаселения N(t) дает только кубические полиномы с максимумами, обозначим их как A и B; полиномы остальных степеней неудовлетворительны, поскольку на больших временах они устремляются к бесконечности.

Экстраполяции обращения N−1(t) исходных данных численности полиномами от третьей до седьмой степени изображены на рис. 3. При этом полиномы четвертой степени пересекают нуль и, следовательно, не представляют дальнейшего интереса для прогноза. Приближения пятой, шестой и седьмой степеней обоих исходных данных оказались близкими друг к другу, что повышает вероятность развития по этим сценариям по сравнению с кубическими экстраполяциями.

Рис. 3. Обратная численность (плотность) народонаселения с 1950 г. по настоящее время и ее экстраполяции полиномами («Природа» №7, 2018)
Рис. 3. Обратная численность (плотность) народонаселения с 1950 г. по настоящее время (синяя кривая, исходные варианты А и В неразличимы) и ее экстраполяции полиномами. Степени полиномов обозначены после букв А или В. Полиномы четвертой степени пересекают нуль, эти экстраполяции неприемлемы. Экстраполяции А5, А6, А7, а также В5, В6, В7 близки между собой. Область наиболее вероятных прогнозов плотности населения показана голубой заливкой для вариантов А и синей для В

Прогнозы численности человечества, полученные всеми перечисленными способами, показаны на рис. 4. Максимумы народонаселения, соответствующие разным степеням экстраполяций В, оказались достаточно близкими по времени: 2039 г. для кубической аппроксимации при численности 8,1 млрд и 2045–2046 гг. при численности 9,8–10,4 млрд человек. Экстраполяции обратных данных A приводят к худшей предсказуемости, их максимумы лежат в более широких диапазонах по сравнению с вариантами B, они отстоят дальше по времени. Максимальное народонаселение Земли в диапазоне 12,5–13,5 млрд человек достигается при обращении экстраполяций A5, A6, A7 в 2055–2060 гг., после чего происходит резкое снижение численности. Наиболее узкий диапазон дают прямые экстраполяции численности: они проходят свои максимумы в 2049 г. (8,7 млрд) и в 2057 г. (9,2 млрд).

Рис. 4. Численность народонаселения с 1950 г. по настоящее время, прогноз Worldometers до 2050 г., а также обращения полиномиальных экстраполяций плотности населения, показанных на рис. 3 («Природа» №7, 2018)
Рис. 4. Численность народонаселения с 1950 г. по настоящее время (красная кривая), прогноз Worldometers до 2050 г. (черная штриховая кривая), а также обращения полиномиальных экстраполяций плотности населения, показанных на рис. 3 (штриховые кривые). Степени обратных экстраполяционных полиномов показаны цифрами после букв A или B. Области наиболее вероятных прогнозов численности населения показаны розовой заливкой для исходных данных A, красной для данных B, зеленой для прямых экстраполяций A и B третьего порядка

Таким образом, рассчитать численность населения на ожидаемую сегодня продолжительность жизни, т.е. на 60–65 лет вперед, к сожалению, не удается. Надежный прогноз ограничивается всего лишь 40–45 годами, достигая 60-х годов текущего столетия. Причины этой ограниченности кроются как в небольших ошибках исходных данных, так и в том обстоятельстве, что после достижения максимума прогноз становится неустойчивым вследствие непредсказуемого влияния социальных факторов.

Каким именно социальным напряжением будет сопровождаться снижение численности мирового народонаселения, сказать трудно. Предыдущие снижения в течение двух тысячелетий были следствиями неурожаев и пандемий, сравнение предстоящих событий с ними вряд ли уместны. Уменьшение рождаемости в глобальном масштабе уже происходит, и в случае его постепенного продолжения оно не предвещает миру значительных кризисов. Такой сценарий, по-видимому, соответствует кубическим полиномам A и B (рис. 4), т.е. плавному достижению относительно невысокого максимума около 9 млрд человек и последующему плавному снижению. Но вполне вероятным сценарием представляется и достижение высокого максимума около 12 млрд человек, за которым следует снижение численности. В этом случае само падение, более похожее на катастрофу, скорее всего, станет следствием чрезвычайных социальных напряжений.

Используя полученные прогнозы, вычислим индекс народонаселения на будущее и сравним его с предстоящими изменениями климата. Ранее мы видели, что индекс уже прошел максимум в 1996 г. Отклонения от гиперболы только нарастают со временем, поэтому снижение индекса продолжится. С климатом ситуация несколько сложнее. Ранее для оценок использовалась температура Северного полушария, рассчитанная до 1979 г. и смещенная на 0,35°. Примерно такой же сдвиг соответствует приведению температурных данных от средней высоты Евразии к уровню моря. Поэтому для оценки температур второй половины будем использовать глобальные данные, которые зависят главным образом от температуры океана.

Начиная с 1996 г. углубляется расхождение между растущей глобальной температурой и падающим индексом народонаселения (рис. 5). Тот факт, что климат теплеет, уже мало у кого вызывает сомнения; два с половиной года назад он был признан мировым сообществом. Напомню, что Парижский климатический договор 2015 г. планирует предельное повышение температуры на 1,5° или 2° к концу столетия. Достижение этих целей требует согласованного снижения выбросов в атмосферу диоксида углерода, т.е. сокращения сжигания ископаемых топлив, в первую очередь угля. Но даже при сокращении выбросов ведущими индустриальными странами, цели, намеченные на 2100 г., труднодостижимы.

Рис. 5. Индекс народонаселения и глобальная температура («Природа» №7, 2018)
Рис. 5. Индекс народонаселения (синяя кривая и синяя заливка прогнозного диапазона) и глобальная температура (красная кривая и розовая заливка диапазона прогнозов). В текущем столетии тенденция их противоположного изменения практически необратима

Возможность их выполнения становится еще более сомнительной, когда в действие вступают непредсказуемые негативные факторы, такие, например, как производство криптовалют. Недавно было отмечено влияние биржевой торговли биткойнами (рис. 6) на выбросы CO2*. Производство каждого биткойна сегодня требует объемных вычислений на мощных компьютерах. Они потребляют электроэнергию в количестве, заметном в мировом масштабе [15]. Для ее получения используются в основном ископаемые топлива. Так, в Китае и США в 2017 г. заметно увеличилось сжигание угля. Поэтому выбросы в атмосферу CO2 в прошлом году возросли, хотя за предыдущий год намечалось если еще не снижение выбросов, то, по крайней мере, их выход на постоянный уровень.

Рис. 6. Курс биткойна и его гиперболическая аппроксимация («Природа» №7, 2018)
Рис. 6. Курс биткойна и его гиперболическая аппроксимация

Как может сказаться на выбросах парниковых газов сокращение численности мирового населения, которое, вполне вероятно, начнется в 2060-х годах, сказать достаточно сложно. Возможно, даже положительно, если сокращающееся население перестанет сжигать ископаемое топливо ранее сроков, предусмотренных Парижским соглашением. Но может развиться и обратная ситуация: стресс, вызванный убыванием числа людей, приведет к пренебрежению ранее достигнутыми договоренностями. В любом случае что-то планировать на конец текущего столетия затруднительно: никто пока не принимает во внимание, что кризис народонаселения наступит всего лишь через 30–40 лет, и именно он определит дальнейшее развитие событий. Насколько справедливы высказанные здесь прогнозы, станет ясно заметно раньше 2060 г., когда численность человечества станет приближаться к своему максимуму. Осталось ждать недолго.

Подведем итоги. «Встарь, во время оно» потепление климата приводило к ускорению роста населения, а похолодание — к его угнетению. В настоящее время и в ближайшем будущем имеет место обратная ситуация: климат становится теплее, а рост народонаселения все более замедляется

Источник

]]>
http://so-l.ru/news/y/2019_12_03_mirovoe_narodonaselenie_i_variacii_klima Tue, 03 Dec 2019 04:22:02 +0300
<![CDATA[Реклама в инете как новый «пузырь доткомов»]]>

Федерик и Мартийн начали статью с описания встречи Мела Кармазина, президента Viacom, с основателями и генеральным директором Google, Ларри Пейджем, Эриком Шмидтом и Сергеем Брином, в июне 2003 года.

Шмидт объяснил Кармазину как зарабатывает их компания. Бизнесы платят за ссылки, которые появляются первыми при поисковом запросе, и Google также является посредником между сайтом, продающим рекламное место и компанией, которая хочет разместить баннер. Шмидт заявил, что успех той или иной рекламной кампании легко измерить.

Дженна Артс
Кармазин был поражён. Он продавал рекламу во время финала Суперкубка за $3 млн. Почему? Потому что столько она стоила, без всяких измерений прибыльности. Тогда он сказал основателям Google, что они «лезут в магию».

Залез ли Google к вам в голову?
На протяжении более ста лет реклама была скорее искусством, чем наукой. Ролик шёл в эфир, объявление публиковалось в газете — после этого оставалось лишь молиться, что кто-то обратит на них внимание.

Но с начала 1990-х всё изменилось. Гиганты сбора данных Google и Facebook оказались способны в нужное время донести нужное сообщение о вашем продукте до нужного человека. Но работают ли они? Получается ли у рекламных платформ манипулировать нами?

Если посмотреть на размер рынка, то ответ кажется очевидным: да, получается. Каждый год количество денег, вложенных в рекламу, растёт. Согласно исследованию фирмы eMarketer, в 2018 году на интернет-рекламу было потрачено более $273 млрд, причём большинство объявлений были куплены у Google ($116 млрд в 2018 году) и Facebook ($54,5 млрд в 2018 году).

Медиа тем временем пестрят заголовками о тёмных делах этих ИТ-гигантов, а писатели один за другим публикуют статьи о «закате эры свободной воли».

Юваль Ной Харари, например, утверждает, что не за горами время, когда системы сбора и обработки данных «будут знать людей лучше, чем мы сами знаем себя». Профессор Гарвардского университета Шошанна Зубофф прогнозирует «седьмое массовое вымирание», жертвой которого станет «воля к волеизъявлению».

«Лучшие умы поколения»
Один из разработчиков Facebook как-то сказал: «Лучшие умы моего поколения размышляют над тем, как заставить людей переходить по рекламным ссылкам». Для написания этой статьи авторы поговорили с этими умами: экономистами, работающими или работавшими на крупнейшие компании Кремниевой долины: Yahoo!, Google, Microsoft, eBay, Facebook, Netflix, Pandora и Amazon.

Разобравшись в экономической терминологии, журналисты поняли, что законы рынка стоимостью четверть триллиона долларов далеки от логичности. Что даже известная информация и крупнейшие массивы данных не всегда могут помочь. Что организации тяжело поддаются изменениям. И что нами легко манипулировать.

Одним из первых, кто ответил на просьбу об интервью, стал Стив Таделис, бывший профессор экономики Калифорнийского университета и консультант eBay. Когда Таделис только начал знакомство с компанией, он встретился с маркетинговыми консультантами eBay, которые заявили, что точно знают, насколько прибыльной была та или иная рекламная кампания eBay.

Таделис спросил о методах, используемых для вычисления, и услышал, что используются «собственные функции преобразования» — но за этим термином скрывается обычная статистика. Еженедельные расходы на рекламу объединяются с продажами за неделю, а затем составляется точечный график.

Но, как заметил сам Таделис, это бред. Базовый принцип статистики гласит, что корреляция не означает причинно-следственной связи. График не имеет никакого смысла, потому что не исключает людей, которые и так собирались зайти на eBay — это, всё-таки, не маленькая компания. Если человек хочет купить ботинки в интернете, рано или поздно он скорее всего окажется на сайте, независимо от того, видел он рекламу или нет.

Таделис решил уточнить, как консультанты eBay различают пользователей, которые и так собираются купить что-то на сайте, от пользователей, которые увидели рекламное объявление, перешли по ссылке и что-то купили. Оказалось, никак.

Не такая и удачная рекламная кампания
Спустя две недели Таделис пришёл на презентацию отдела маркетинга eBay. Основной упор во время совещания маркетологи делали на рекламу по ключевому слову «eBay». За небольшую цену Google помещал ссылку на сайт первой в результатах поиска. Согласно их вычислениям, за каждый доллар, который компания тратит на рекламу, она зарабатывает $12,28.

Отношение Таделиса к этому выводу было скептическим. Да, люди часто переходят по платной ссылке, но следующей ссылкой идёт бесплатная ссылка на сайт eBay.com. Вероятнее всего, что люди переходили бы и по ней.

Тогда учёный предложил эксперимент: ненадолго прекратить рекламную кампанию и проверить, работала ли она. Маркетологам эта идея не понравилась, но спустя несколько месяцев условия изменились. eBay хотел добиться снижения цен у сети MSN (Bing и Yahoo!) и в качестве рычага воздействия согласился прекратить рекламную кампанию по ключевому слову «eBay».

Таделис возглавил проведение эксперимента, и спустя три месяца выяснилось, что тот трафик, который сайт получал с помощью перехода по платным ссылкам, теперь поступал через обычные ссылки. Таделис всё это время был прав, а eBay ежегодно тратил $20 млн на рекламу по ключевому слову.

После этого финансовый отдел компании встрепенулся. Таделис получил разрешение прекратить рекламировать сайт на Google на три месяца на трети территории США, а также добавить к «eBay» такие ключевые слова, как «ботинки», «рубашки» и «стеклянная посуда».

Отдел маркетинга прогнозировал падение продаж по меньшей мере на 5%, но спустя одиннадцать недель отсутствие рекламы не возымело практически никакого эффекта. Согласно подсчётам Таделиса, на каждый доллар, который eBay тратила на контекстную рекламу, она теряла примерно 63 цента.

Фредерик также поговорил с Рэнделлом Льюисом, экономистом, работавшим в Yahoo!, Google и Netflix, который сейчас возглавляет отдел исследований рекламной платформы Nanigans. Специализация Льюиса — научные эксперименты, связанные с рекламой, что сделало его профессионалом в области разочарования рекламодателей.

Ошибку, которую допустила eBay, повторяют и рекламные баннеры, видео в Instagram и реклама в Facebook. Методы, которые используют компании для измерения количества переходов, продаж и загрузок после просмотра рекламы, в корне неверны.

Ни один из методов не может отличить переходы, продажи и загрузки, которые совершаются без просмотра рекламы от тех, которые не совершились бы без рекламы. Более того, величайшие умы поколения создают алгоритмы, которые делают систематическую ошибку отбора ещё сильнее.

​Дженна Артс
Например, если Amazon покупает переходы у Facebook и Google, алгоритмы этих платформ будут искать тех пользователей, которые переходят по ссылкам на Amazon. А какие пользователи чаще всего переходят по ссылкам на Amazon? Логично предположить, что постоянные покупатели Amazon. Да, алгоритм будет создавать переходы, но не будет создавать их больше, чем и так совершалось бы.

Такой ошибочный подход применяют не только рекламные платформы, но и рекламодатели. Они делают рекламу для тех, кто и так готов совершить покупку.

Если посмотреть рекламу машины Renault, то вскоре весь монитор будет забит баннерами с рекламой Renault. Если отправить в корзину онлайн-магазина платье, то оно будет преследовать тебя по всему интернету.

Таргет на основе алгоритма звучит технологически здорово, но зачастую бесполезен, потому что большинство рекламных платформ не может ответить на вопрос, совершает ли их алгоритм ошибку отбора или реклама действительно работает.

Ещё одна ошибка системы связана с поведением пользователей. Люди видят рекламу в интернете только когда они сидят в интернете, а сам факт того, что они сидят в интернете, означает, что они могут совершить покупку в интернете. Экономисты Yahoo! продемонстрировали верность этого утверждения с помощью эксперимента.

Несколько недель сайт Yahoo.com отображал рекламный баннер Audi. За это время его увидели 35 млн посетителей. Исследование показало, что те люди, которые видели баннер, в 12 раз чаще вводили в поисковике запрос «Audi», чем те, которые баннер не видели.

Кампанию можно было бы назвать успешной, вот только 15 миллионам других посетителей сайта показывали баннер НКО, призывающий к спасению черепах. И оказалось, что эти пользователи тоже в 12 раз чаще искали Audi, чем те, кто не видел ни того, ни другого баннера.

У черепах и Audi, конечно, нет ничего общего, в отличие от пользователей, которые смотрели на баннеры: обе группы были в интернете, обе группы видели какую-то рекламу и обе группы хотели найти что-то с помощью поисковика.

Сейчас считается, что чем больше данных у платформы, тем успешнее будет рекламная кампания. Конечно, реклама игр больше понравится геймерам. Но компании, продающие рекламу, загружают в свои сложные алгоритмы тонны данных, хотя на деле оказывается, что это не приносит желаемого результата.

Проведите эксперимент!
К счастью, есть надёжный способ проверки работы рекламы: эксперимент с разделением целевой аудитории на две случайные группы, одна из которых будет видеть рекламу, а другая — нет. Так можно исключить ошибку отбора.

Экономисты Facebook провели пятнадцать экспериментов, которые показали, насколько велико воздействие ошибки отбора. Крупный онлайн-магазин запустил кампанию на Facebook. Предполагалось, что на 1 490 просмотров рекламы приходится одна покупка.

Но эксперимент показал, что многие из тех, кто видел рекламу, и так планировали совершить покупку в этом магазине, и лишь один пользователь из 14 300 нашёл магазин благодаря рекламе. Другими словами, воздействие ошибки отбора было в десять раз выше, чем эффективность рекламы!

Похожие эксперименты с другими видами компаний показали схожие результаты, а в одном случае влияние ошибки отбора оказалось в пятьдесят (!) раз сильнее. А в семи из пятнадцати экспериментов эффективность рекламной кампании без влияния ошибки отбора оказалась столь низкой, что статистически могла быть приравнена к нулю.

Итак, что же необходимо знать для успешной рекламной кампании? Можно ли рекламодатель точно узнать, насколько выгодна та или иная реклама?

Во время работы в Yahoo! Рэнделл Льюис провёл двадцать пять крупных экспериментов в области рекламы, а после этого написал исследовательскую работу под названием «О практической невозможности измерения прибыльности рекламы».

Почему же у него ничего не вышло? Если хочешь измерить что-то небольшое, необходим большой охват. Фредерик предложил такой пример. Предположить, что он хочет узнать, сколько людей имеют редкое заболевание, кистозный фиброз (один человек из 3 400, но допустим, что это неизвестная информация). Итак, он открывает телефонную книгу и звонит десяти тысячам человек. А потом ещё десяти тысячам. И ещё десяти тысячам.

Как видите, результаты опроса неоднозначны, потому что десять тысяч — слишком маленькая выборка для получения достоверных данных. Лучше позвонить миллиону человек. И ещё миллиону. И ещё одному миллиону. Тогда результат становится более верным.

После этого Фредерик предлагает предположить, что информация о том, сколько людей болели гриппом в прошлом году, является неизвестной (каждый двадцатый). Десяти тысяч звонков было бы достаточно для получения объективных данных. Так как грипп встречается часто, размер испытательной группы может быть небольшим.

Вот в чём смысл этого примера: реклама — это кистозный фиброз, а не грипп. И даже это утверждение несправедливо по отношению к фиброзу, потому что люди, которые покупают что-то благодаря рекламе встречаются реже, чем кистозный фиброз.

Автор предлагает повторно взглянуть на эксперимент Таделиса для eBay. Он выяснил, что компания теряла 63 цента на каждый доллар, который вкладывала в рекламу Google, но эта оценка является не совсем точной. Если бы этот эксперимент повторялся бесконечно, в 95% всех случаев прекращения рекламной кампании выяснялось бы, что eBay теряет от $1,24 до $0,03.

В статистике это называется доверительным интервалом, и в рекламном бизнесе доверительный интервал, обычно, огромен. С таким показателем логичным решением для eBay было бы прекратить покупать рекламу.

Но если бы их маркетинговый отдел показал чуть большую эффективность — например, на каждый доллар, который компания вкладывала в рекламу, она теряла бы 10 центов, — то диапазон доверительного интервала составил бы от потери в 70 центов до прибыли в 50 центов.

Чем может быть полезна такая информация? Если нельзя дать однозначного ответа на вопрос, была ли рекламная кампания успешной или нет, то откуда рекламодатели знают, стоит ли кампания своих денег? «По сути, они не знают», — отвечает Рэнделл Льюис.

Итак, применяются ли эти знания в бизнесе? На этот вопрос решил ответить Джастин Рао, бывший сотрудник Yahoo!, Microsoft и других компаний.

До того, как Рао пришёл в рекламный бизнес, он занимался полевым исследованием секты, которая верила в то, что конец света наступит 21 мая 2011 года. Он предлагал членам секты денежное вознаграждение. В случае, если они согласятся на его получение после Судного дня, размер вознаграждения увеличится. Но их вера оказалась непоколебимой. В своём исследовании Рао написал: «Чем сложнее доказать убеждение, тем сложнее его опровергнуть».

Исследование Стива Таделиса в eBay в своё время наделало много шума: о нём писали Harvard Business Review, The Economist, The Atlantic, BBC и различные блоги о маркетинге. Но возымело ли оно эффект?

Рао выяснил, что после публикации новости о миллионах долларов, которые eBay потратила впустую, количество поисковой рекламы снизилось всего на 10%. Несмотря на существование экспериментальных доказательств бесполезности такой рекламы, компании продолжали скупать одно рекламное место за другим.

Аналитика #FitGirl
Стив Таделис смог лично убедиться в непоколебимости веры маркетологов. Финансовый директор eBay попросил его провести исследование успешности партнёрского маркетинга. Например, когда какой-нибудь инфлюенсер отмечает на фотографии в Instagram бренд леггинсов.

Директор партнёрского маркетинга тогда сказал Таделису, что даже если выводы по результатам эксперимента окажутся неутешительными, он в них не поверит.

Звучит неправдоподобно, но компании не обладают ресурсами, чтобы узнать, приносит ли реклама доход. eBay хотелось бы знать, прибыльны ли её рекламные кампании, но её отделу маркетинга эта информация не нужна.

Ему важно лишь получить максимально большой бюджет на проведение собственно кампании, а сделать это проще, когда можно продемонстрировать её успешность. Внутри маркетингового отдела существует конкуренция между ТВ-рекламой, печатной рекламой и интернет-рекламой, а такие отношения едва ли приветствуют независимые отчёты.

Плохая методология устраивает всех. Она устраивает издательство, владельца того или иного медиа, начальника владельца медиа и рекламное агентство. Каждый сможет похвастаться успешной кампанией.

Дэвид Райли
Бывший глава экономического отдела Yahoo!, сотрудник стримингового сервиса Pandora.
Джесси Фредерик заключает, что лучше всего маркетологи справляются с маркетингом собственного маркетинга.

Работает ли интернет-реклама? Мы попросту не знаем
Компании ищут ответа на вопрос у специалистов по анализу данных, а специалисты вроде Льюиса не могут его найти. И тогда компании нанимают чрезмерно уверенных в себе людей, которые делают вид, что знают то, чего никак не могут знать

Источник

]]>
http://so-l.ru/news/y/2019_12_03_reklama_v_inete_kak_noviy_puzir_dotkom Tue, 03 Dec 2019 04:13:28 +0300
<![CDATA[Зимняя война: 80 лет с момента начала]]> http://so-l.ru/news/y/2019_11_30_zimnyaya_voyna_80_let_s_momenta_nachala Sat, 30 Nov 2019 10:33:19 +0300 <![CDATA[График Гартнера-2019]]>

График Гартнера 2019: о чём все эти модные слова?
График Гартнера для тех, кто работает в сфере технологий, – всё равно что выставка высокой моды. Взглянув на него, вы можете заранее узнать, какие слова самые хайповые в этом сезоне и что вы услышите на всех ближайших конференциях.

Мы расшифровали, что скрывается за красивыми словами на этом графике, чтобы вы могли тоже говорить на этом языке.

Для начала буквально пару слов, что же это за график. Каждый год в августе консалтинговое агенство Гартнер выпускает отчёт – Gartner Hype Curve. По-русски это «кривая ажиотажа», или, проще говоря – хайпа. 30 лет назад рэперы из группы Public Enemy пели: «Don’t believe the hype». Верить или нет, вопрос личный, но хотя бы знать эти ключевые слова стоит, если вы работаете в сфере технологий и хотите знать мировые тренды.

Это график общественных ожиданий от той или иной технологии. По мнению Гартнера, в идеальном случае технология последовательно проходит 5 стадий: запуск технологии, пик завышенных ожиданий, долина разочарования, склон просвещения, плато продуктивности. Но бывает и так, что она тонет в «долине разочарования» — примеры можете вспомнить сами очень легко, взять те же самые биткоины: изначально попав на пик как «деньги будущего», они быстро скатились вниз, когда стали очевидны недостатки технологии, прежде всего ограничения на количество транзакций и бешеное количество электроэнергии, требуемое на порождение биткоинов (что влечет уже проблемы с экологией). И конечно, нельзя забывать, что график Гартнера – это всего лишь прогноз: тут, например, можно почитать подробную статью, где разбираются самые яркие несбывшиеся предсказания.

Итак, пробежимся по новому графику Гартнера. Технологии разделены на 5 больших тематических групп:

Продвинутый ИИ и аналитика (Advanced AI and Analytics)
Постклассические вычисления и коммуникации (Postclassical Compute and Comms)
Сенсорика и мобильность (Sensing and Mobility)
«Дополненный» человек (Augmented Human)
Цифровые экосистемы (Digital Ecosystems)

1. Продвинутый ИИ и аналитика (Advanced AI and Analytics)

Последние лет 10 мы видим звёздный час глубокого обучения (Deep Learning). Эти сети по-настоящему эффективны для своего круга задач. В 2018 году Ян Лекун, Джеффри Хинтон и Йошуа Бенжио получили за открытия в них премию Тьюринга – самую престижную премию, аналог «Нобелевки» в информатике. Итак, основные тренды в этой области, которые вынесены на график:

1.1. Перенос обучения (Transfer Learning)

Вы не обучаете нейронную сеть с нуля, а берёте уже обученную, и назначаете ей другую цель. Иногда для этого нужно переучить часть сети, но не всю сеть, что гораздо быстрее. Например, взяв готовую нейронную сеть ResNet50, обученную на датасете ImageNet1000, вы получите алгоритм, способный классифицировать по изображению очень много разных объектов на очень глубоком уровне (1000 классов по признакам, выработанным 50 слоями нейронной сети). Но вам не нужно обучать всю эту сеть целиком, что заняло бы месяцы.

В онлайне-курсе Samsung «Нейронные сети и компьютерное зрение», для примера, в финальной Kaggle-задаче с классификацией тарелок на чистые и грязные, демонстрируется подход, который за 5 минут даёт вам в распоряжение глубокую нейронную сеть, способную отличать грязные тарелки от чистых, построенную по вышеописанной архитектуре. Исходная сеть не знала, что такое тарелки вообще, она лишь училась отличать птичек от собачек (см. ImageNet).

Источник: онлайн-курс Samsung «Нейронные сети и компьютерное зрение»

Для Transfer Learning нужно знать, какие подходы работают, какие есть готовые базовые архитектуры. В целом, это очень ускоряет появление практических применений машинного обучения.

1.2. Генеративно-состязательные сети (Generative Adversarial Networks, GAN)

Это для тех случаев, когда нам очень сложно сформулировать цель обучения. Чем ближе задача к реальной жизни, тем она понятнее нам («принеси тумбочку»), но тем сложнее её сформулировать как техническое задание. GAN — как раз попытка избавить нас от этой проблемы.

Здесь работают две сети: одна генератор (Generative), другая дискриминатор (Adversarial). Одна сеть учится делать полезную работу (классифицировать картинки, распознавать звуки, рисовать мультики). А другая сеть учится учить ту сеть: у неё есть реальные примеры, и она учится находить заранее неизвестную сложную формулу для сравнения порождений генеративной части сети с объектами реального мира (обучающей выборкой) по действительно важным глубоким признакам: количество глаз, близость к стилю Миядзаки, правильность произношения английского.

Пример результата работы сети для порождения аниме-персонажей. Источник

Но там, конечно же, сложно выстроить архитектуру. Недостаточно просто бросить нейронов, их нужно готовить. И учить приходится неделями. Темой GAN занимаются мои коллеги в Центре искусственного интеллекта Samsung, у них это один из ключевых исследовательских вопросов. Например, вот такая разработка: использование генеративных сетей для синтеза реалистичных фотографий людей с изменяемой позой — например, чтобы создать виртуальную примерочную, или для синтеза лица, что может позволить снизить количество информации, которое нужно хранить или передавать для обеспечения качественной видеосвязи, вещания или защиты персональных данных.

Источник

1.3. Объясняемый ИИ (Explainable AI)

В некоторых редких задачах прогресс в глубоких архитектурах внезапно приблизил возможности глубоких нейросетей к человеческим. Теперь битва идёт за то, чтобы круг таких задач увеличить. Например, робот-пылесос мог бы легко отличить кошку от собаки при лобовой встрече. Но в большинстве жизненных ситуаций он будет неспособен найти кошку, спящую среди белья или мебели (впрочем, как и мы, в большинстве случаев…).

В чем причина успехов глубоких нейронных сетей? Они вырабатывают представление задачи, основанное не на «видимой невооружённым глазом» информации (пикселях фотографии, скачках громкости звука…), а на признаках, полученных после предобработки этой информации несколькими сотнями слоёв нейронной сети. К сожалению, эти взаимосвязи могут также быть бессмысленными, противоречивыми или нести следы несовершенства исходного набора данных. Например, о том, к чему может привести бездумное применение AI в рекрутинге, есть небольшая компьютерная игра Survival Of The Best Fit.

Система для разметки изображений назвала человека, который готовит, женщиной, хотя на картинке на самом деле мужчина (Источник). Это заметили в Институте Виргинии.

Чтобы анализировать сложные и глубокие взаимосвязи, которые мы часто не можем сами сформулировать, и нужны методы Explainable AI. Они организуют признаки глубоких нейросетей так, чтобы после обучения мы могли анализировать выученное сетью внутреннее представление, а не просто полагаться на её решение.

1.4. Периферийная аналитика / AI (Edge Analytics / AI)

Всё, где есть слово Edge, означает буквально следующее: перенос части алгоритмов из облака/сервера на уровень конечного устройства/шлюза. Такой алгоритм будет срабатывать быстрее и не будет нуждаться в подключении к центральному серверу для своей работы. Если вам знакома абстракция «тонкого клиента», то здесь мы этого клиента немного утолщаем.
Это может быть важно для Интернета вещей. К примеру, если станок перегрелся и нуждается в охлаждении, имеет смысл подать сигнал об этом сразу же, на уровне завода, не дожидаясь, пока данные попадут в облако и оттуда уже мастеру смены. Или другой пример: автомобили-беспилотники могут разобраться с дорожной обстановкой самостоятельно, без обращения к центральному серверу.

Источник

Или другой пример, почему это важно с точки зрения безопасности: когда вы на своем телефоне набираете тексты, он запоминает типичные для вас слова, чтобы дальше вам клавиатура телефона их удобно подсказывала – это называется предиктивный ввод текста. Отправлять куда-то в дата-центр все, что вы вводите на клавиатуре, было бы нарушением вашей приватности и попросту небезопасно. Поэтому обучение клавиатуры происходит только в рамках самого вашего устройства.

1.5. ИИ-платформа как услуга (AI PaaS)

PaaS – Платформа-как-услуга – это бизнес-модель, при которой мы получаем доступ к интегрированной платформе, включая её облачное хранилище данных и готовые процедуры. Таким образом, мы можем освободить себя от инфраструктурных задач, и полностью сконцентрироваться на производстве чего-то полезного. Пример платформ PaaS для задач ИИ: IBM Cloud, Microsoft Azure, Amazon Machine Learning, Google AI Platform.

1.6. Адаптивное машинное обучение (Adaptive ML)

Что, если мы позволим искусственному интеллекту адаптироваться… Вы спросите – то есть как?.. Разве он и так не адаптируется к задаче? Проблема вот в чём: каждую такую задачу мы кропотливо оформляем, прежде чем построить для ее решения алгоритм искусственного интеллекта. Вам ответят – оказывается, можно и эту цепочку упростить.

Обычное машинное обучение работает по принципу открытой системы (open-loop): вы готовите данные, придумываете нейронную сеть (или что угодно), обучаете, потом смотрите на несколько показателей, и если вам всё нравится, можно отправить нейросеть в смартфоны – решать задачи пользователей. Но в применениях, где данных очень много и их характер постепенно меняется, нужны другие методы. Такие системы, которые адаптируются и обучают сами себя, организуют в закрытые, самообучающиеся контуры (closed-loop), и они должны работать бесперебойно.

Применения — это может быть потоковая аналитика (Stream Analytics), на основании которой множество бизнесменов принимают решения, или адаптивное управление производством. В масштабе современных применений и с учётом лучше понимаемых рисков для людей, методы, которые составляют решение этой проблемы, все эти методы собираются под общим названием Adaptive AI.

Источник

Глядя на эту картинку, сложно отделаться от ощущения, что футурологов хлебом не корми – дай научить робота дышать…

Постклассические вычисления и коммуникации (Postclassical Compute and Comms)

2.1. Мобильная связь пятого поколения (5G)

Это настолько интересная тема, что сразу отсылаем к нашей статье. Ну а здесь краткая выжимка. 5G за счет повышения частоты передачи данных сделает скорость Интернета нереально быстрой. Коротким волнам сложнее проходить через препятствия, поэтому устройство сетей будет совершенно другим: базовых станций нужно в 500 раз больше.

Вместе со скоростью мы получим новые явления: реалтайм-игры с дополненной реальностью, выполнение сложных задач (таких, как хирургия) через телеприсутствие, предотвращение аварий и сложных ситуаций на дорогах через коммуникацию между машинами. Из более прозаичного: наконец-то перестанет падать мобильный Интернет во время массовых мероприятий, таких как матч на стадионе.

Источник картинки — Reuters, Niantic

2.2. Память следующего поколения (Next-Generation Memory)

Здесь речь идёт о пятом поколении оперативной памяти – DDR5. Samsung анонсировала, что до конца 2019 года появятся продукты на базе DDR5. Ожидается, что новая память будет в два раза быстрее и в два раза более ёмкая с сохранением форм-фактора, то есть мы сможем получить для своего компьютера плашки памяти с ёмкостью до 32Гб. В будущем это будет особенно актуально для смартфонов (новая память будет в версии с низким энергопотреблением) и для ноутбуков (где количество DIMM-слотов ограничено). А ещё машинное обучение требует больших объёмов оперативной памяти.

2.3. Низкоорбитальные спутниковые системы (Low-Earth-Orbit Satellite Systems)

Идея замены тяжелых, дорогих, мощных спутников на рой маленьких и дешевых далеко не нова и появилась ещё в 90-е. Про то, что «Илон Маск скоро будет раздавать всем Интернет со спутника» сейчас не слышал уже только ленивый. Здесь самая известная компания – это Iridium, которая обанкротилась в конце 90-х, но была спасена за счёт Минобороны США (не путать с iRidium – российской системой умного дома). Проект Илона Маска (Starlink) далеко не единственный – в спутниковой гонке участвуют Ричард Брэнсон (OneWeb – 1440 предполагаемых спутников), Boeing (3000 спутников), Samsung (4600 спутников), и другие.

Как обстоит дело в этой области, как там выглядит экономика – читайте в обзоре. А мы ждём первых тестов этих систем первыми пользователями, которые должны состояться уже в следующем году.

2.4. 3D-печать в наномасштабах (Nanoscale 3D Printing)

3D печать, хоть и не вошла в жизнь каждого человека (в форме, обещанной индивидуальной домашней пластиковой фабрики), тем не менее давно вышла из ниши технологий для гиков. Судить можно по тому, что о существовании хотя бы 3D-скульптурных ручек известно любому школьнику, и многие мечтают приобрести себе коробку с полозьями и экструдером для… «просто так» (или уже приобрели).

Стереолитография (лазерные 3D принтеры) позволяют печатать отдельными фотонами: исследуются новые полимеры, для затвердевания которых достаточно двух фотонов. Это позволит в не-лабораторных условиях создавать совершенно новые фильтры, крепления, пружины, капилляры, линзы и… ваши варианты в комментариях! И здесь недалеко до фотополимеризации – только эта технология позволяет «печатать» процессоры и вычислительные схемы. Помимо этого, не первый год существует технология печати графеновых 500-нм трёхмерных структур, но без радикального развития.

Источник

3. Сенсорика и мобильность (Sensing and Mobility)

3.1. Беспилотные автомобили, уровень 4 и 5 (Autonomous Driving Level 4 & 5)

Чтобы не запутаться в терминологии, стоит разобраться в том, какие уровни автономности различают (взято из подробной статьи, к которой мы отсылаем всех заинтересовавшихся):

Уровень 1: Круиз-контроль: помощь водителю в очень ограниченных ситуациях (например – удержание автомобиля на заданной скорости после того, как водитель снял ногу с педали)
Уровень 2: Ограниченная помощь с рулением и торможением. Водитель должен быть готов взять управление на себя практически мгновенно. Его руки находятся на руле, взгляд направлен на дорогу. Это то, что уже есть в Tesla и General Motors.
Уровень 3: Водитель больше не должен постоянно следить за дорогой. Но должен оставаться начеку и быть готов взять управление на себя. Это то, чего пока нет у имеющихся в продаже автомобилей. Все существующие на настоящий момент – на уровне 1-2.
Уровень 4: Настоящий автопилот, но с ограничениями: только поездки в известной области, которая тщательно картографирована и в целом известна системе, и при определенных условиях: например, в отсутствие снега. Такие прототипы есть у Waymo и General Motors, и они планируют запускать их в нескольких городах и тестировать в реальной обстановке. У «Яндекса» есть тестовые зоны беспилотного такси в Сколково и Иннополисе: поездка происходит под присмотром инженера, сидящего на месте пассажира; к концу года компания планирует расширить парк до 100 беспилотных машин.
Уровень 5: Полное автоматическое вождение, полная замена живого водителя. Таких систем не существует, и вряд ли они появятся в ближайшие годы.

Насколько реалистично всё это увидеть в обозримое время? Здесь хотелось бы переадресовать читателя к статье «Почему запустить роботакси к 2020 году, как обещает Tesla, невозможно». Это отчасти связано с отсутствием связи 5G: имеющихся скоростей 4G недостаточно. Отчасти с очень высокой стоимостью автономных машин: они пока нерентабельны, непонятна бизнес-модель. Словом, здесь «всё сложно», и неслучайно Гартнер пишет, что прогноз массового внедрения Уровня 4 и 5 – не раньше, чем через 10 лет.

3.2. Камеры с 3D-зрением (3D Sensing Cameras)

Восемь лет назад игровой контроллер Microsoft Kinect наделал шуму, предложив доступное и сравнительно недорогое решение для 3D-зрения. С тех пор физкультурно-танцевальные игры с Кинектом пережили свой недолгий взлёт и упадок, зато 3D-камеры стали использоваться в промышленных роботах, беспилотных автомобилях, мобильных телефонах для идентификации по лицу. Технология стала дешевле, компактнее и доступнее.

В телефоне Samsung S10 стоит времяпролетная (Time-of-Flight) камера, которая измеряет расстояние до объекта – для упрощения фокусировки. Источник

Если вас заинтересовала эта тема, то переадресуем к очень хорошему подробному обзору камер глубины: часть 1, часть 2.

3.3. Дроны для доставки небольших грузов (Light Cargo Delivery Drones)

В этом году Amazon наделала шуму, когда показала на выставке новый летающий дрон, способный перевозить небольшие грузы до 2 кг весом. Для города, с его пробками, это кажется идеальным решением. Посмотрим, как эти дроны проявят себя уже в самом ближайшем будущем. Пожалуй, здесь стоит включить осторожный скепсис: есть множество проблем, начиная с возможности легкой кражи дрона, и заканчивая законодательными ограничениями на БПЛА. Amazon Prime Air существует уже шесть лет, но по-прежнему находится на этапе тестирования.

Новый дрон Amazon, показанный этой весной. Что-то есть в нем от «Звездных войн». Источник

Помимо Amazon, есть и другие игроки на этом рынке (есть подробный обзор), но ни одного готового продукта: всё – на стадии тестирования и маркетинговых акций. Отдельно стоит отметить достаточно интересные узкоспециализированные медицинские проекты в Африке: доставка донорской крови в Гане (14 000 доставок, компания Zipline) и Руанде (компания Matternet).

3.4. Летающий автономный транспорт (Flying Autonomous Vehicles)

Здесь сложно сказать что-то определённое. По мнению Гартнера, это появится не ранее, чем через 10 лет. В общем-то, здесь все те же самые проблемы, что и в беспилотных автомобилях, только они приобретают новое измерение — вертикальное. О своих амбициях построить летающее такси заявляют Porsche, Boeing, Uber.

3.5. Облако дополненной реальности (AR Cloud)

Постоянная цифровая копия реального мира, позволяющая создать новый слой реальности, общий для всех пользователей. Если говорить более техническим языком, то речь о том, чтобы сделать открытую облачную платформу, в которую разработчики могли бы интегрировать свои AR-приложения. Модель монетизации понятна, это некий аналог Steam. Идея настолько укоренилась, что теперь уже некоторые считают, что AR без облака попросту бесполезно.

Как это может выглядеть в будущем, нарисовано в небольшом ролике. Выглядит как очередная серия «Чёрного зеркала»:

Ещё можно почитать в статье-обзоре.

4. «Дополненный» человек (Augmented Human)

4.1. ИИ для эмоций (Emotion AI)

Как измерить, симулировать и среагировать на человеческие эмоции? Одни из клиентов здесь – компании, производящие голосовых ассистентов наподобие Amazon Alexa. По-настоящему вжиться в дома они смогут, если научатся распознавать настроение: понять причину недовольства пользователя, попробовать исправить ситуацию. Вообще в контексте гораздо больше информации, чем в самом сообщении. А контекст – это и выражение лица, и интонация, и невербальное поведение.

Из других практических применений: анализ эмоций во время собеседования на работе (по видеоинтервью), оценивание реакции на рекламные ролики или иной видеоконтент (улыбки, смех), помощь при обучении (например, для самостоятельных практик в искусстве публичных выступлений).

На эту тему сложно высказаться лучше, чем автор 6-минутной короткометражки Stealing Ur Feeling. В остроумно и стильно сделанном ролике показано, как можно измерять наши эмоции в маркетинговых целях, и из сиюминутных реакций вашего лица узнать: любите ли вы пиццу, собак, Канье Уэста, и даже каков ваш уровень дохода и примерный IQ. Перейдя на сайт фильма по ссылке выше, вы становитесь участником интерактивного видео с использованием встроенной камеры вашего ноутбука. Фильм уже был показан на нескольких кинофестивалях.

Источник

Есть даже такое интересное исследование: как распознавать сарказм в тексте. Взяли твиты с хэштегом #сарказм и сделали обучающую выборку из 25 000 твитов с сарказмом и 100 000 обычных твитов обо всем на свете. Применили библиотеку TensorFlow, обучили систему, вот результат:

Источник

Поэтому теперь, если вы не уверены насчет вашего коллеги или приятеля – сказал он вам что-то всерьез или с сарказмом, — вы можете воспользоваться уже обученной нейросетью!

4.2. Дополненный интеллект (Augmented Intelligence)

Автоматизация интеллектуального труда при помощи методов машинного обучения. Казалось бы, ничего нового? Но здесь важна сама формулировка, тем более, что она совпадает по аббревиатуре с Artificial Intelligence. Это отсылает нас к полемике о «сильном» и «слабом» ИИ.
Сильный ИИ – это тот самый искусственный интеллект из фантастических фильмов, который полностью эквивалентен человеческому разуму и осознает себя как личность. Такого ещё не существует и непонятно, будет ли существовать вообще.

Слабый ИИ – это не самостоятельная личность, а помощник-ассистент человека. Он не претендует на человекоподобное мышление, а просто умеет решать информационные задачи, например, определять, что изображено на картинке или переводить текст.

Источник

В этом смысле Augmented Intelligence – это в чистом виде «слабый ИИ», и формулировка представляется удачной, поскольку не вносит путаницы и соблазна увидеть здесь тот самый «сильный ИИ», о котором все мечтают (или боятся, если вспомнить многочисленные рассуждения о «восстании машин»). Используя выражение Augmented Intelligence, мы сразу же как бы становимся героями другого фильма: из научной фантастики (наподобие «Я, робот» Азимова) мы попадаем в киберпанк («аугментациями» в этом жанре называют всевозможные имплантанты, расширяющие возможности человека).

Как сказали Эрик Бриньольфссон и Эндрю МакАффи: «За следующие 10 лет произойдет вот что. Не ИИ заменит менеджеров, а те менеджеры, которые используют ИИ, заменят тех, которые еще не успели»

Примеры:

Медицина: Стэнфордский университет разработал алгоритм, который справляется с задачей распознавания патологий на рентгене грудной клетки в среднем настолько же успешно, как и большинство врачей
Образование: помощь ученику и учителю, анализ отклика учеников на материалы, построение индивидуальной траектории обучения.
Бизнес-аналитика: предобработка данных, по статистике, занимает 80% времени исследователя, и только 20% — сам эксперимент

4.3. Биочипы (Biochips)

Это любимая тема всех киберпанк-фильмов и книг. Вообще чипирование домашних животных – практика не новая. Но теперь эти чипы стали вживлять ещё и людям.

В данном случае хайп, скорее всего, связан с нашумевшим случаем в американской компании Three Square Market. Там работодатель начал предлагать вживлять под кожу чипы в обмен за вознаграждение. Чип позволяет открывать двери, логиниться в компьютеры, покупать перекусы в автомате – то есть такая универсальная карточка сотрудника. При этом такой чип служит именно как карточка идентификации, в нем нет GPS-модуля, поэтому и отследить никого по нему невозможно. А если человек хочет удалить чип из руки, это занимает 5 минут при помощи доктора.

Чипы обычно вживляются между большим и указательным пальцем. Источник

Читайте подробную статью о состоянии дел с чипированием в мире.

4.4. Иммерсивное рабочее пространство (Immersive Workspace)

«Иммерсивный» — ещё одно новое слово, от которого просто некуда деться. Оно повсюду. Иммерсивный театр, выставка, кино. Что же имеется в виду? Иммерсивность – это создание эффекта погружения, когда теряется граница между автором и зрителем, виртуальным и реальным миром. Применительно к рабочему месту, надо полагать, это означает стирание границы между исполнителем и инициатором и поощрение сотрудников к более активной позиции через переформатирование окружающей его среды.

Раз уж у нас повсюду теперь Agile, гибкость, тесное взаимодействие – то и рабочие места должны быть максимально легко конфигурируемы, должны поощрять групповую работу. Экономика диктует свои условия: становится больше временных сотрудников, стоимость аренды офисных помещений растет, а в условиях конкурентного рынка труда в IT компании стараются повышать удовлетворение сотрудников от работы, создавая рекреационные зоны и прочие преимущества. И всё это отражается на дизайне рабочих мест.

Из отчета Knoll

4.5. Персонификация (Personification)

Все знают, что такое персонализация в рекламе. Это когда вы сегодня обсуждаете с коллегой, что в помещении что-то воздух суховат, и надо бы купить в офис увлажнитель, а назавтра видите у себя в соцсети рекламу – «купите увлажнитель воздуха» (реальный случай, произошедший со мной).

Источник

Персонификация же, по определению Гартнера – это ответ на возрастающее беспокойство пользователей по поводу использования их персональных данных в целях рекламы. Цель – выработать подход, при котором нам будет показываться реклама, соответствующая контексту, в котором мы находимся, а не нам лично. Например, наша локация, тип устройства, время суток, погодные условия – это то, что не нарушает наших персональных данных, и мы не чувствуем неприятное ощущение «слежки».

О разнице между этими двумя понятиями, читайте заметку Эндрю Франка в блоге на сайте Гартнера. Тут настолько тонкое различие и настолько похожие слова, что вы, не зная разницы, рискуете долго спорить с собеседником, не подозревая, что в общем-то, оба правы (и это тоже реальный случай, произошедший с автором).

4.6. Биотех – Искусственные ткани (Biotech – Cultured or Artificial Tissue)

Это, в первую очередь, идея выращивания искусственного мяса. Одновременно несколько команд по всему миру заняты разработкой лабораторного «Мяса 2.0» – ожидается, что оно станет дешевле обычного, и на него переключатся фастфуды, а затем и супермаркеты. Из инвесторов в эту технологию – Билл Гейтс, Сергей Брин, Ричард Брэнсон и другие.

Источник

Причины, почему всех так интересует искусственное мясо:

Глобальное потепление: выброс метана с ферм. Это 18% от мирового объёма газов, влияющих на климат.
Рост численности населения. Потребность в мясе растет, и накормить всех натуральным мясом не получится – оно попросту дорогое.
Нехватка места. 70% лесов Амазонки уже вырублены ради пастбищ.
Этические соображения. Есть те, для кого это важно. Зоозащитная организация PETA уже предлагала приз в 1 миллион долларов тому ученому, который выпустит на рынок искусственное куриное мясо.

Подмена настоящего мяса на соевое – это частичное решение, ведь люди хорошо чувствуют разницу во вкусе и текстуре, и вряд ли откажутся от стейка в пользу сои. Так что необходимо настоящее, именно органически выращенное мясо. Сейчас, к сожалению, искусственное мясо обходится слишком дорого: от 12$ за килограмм. Это связано со сложным техпроцессом выращивания такого мяса. Читайте обо всем этом статью.

Если говорить о других кейсах выращивания тканей – уже в медицине — то интересна тема с искусственными органами: например, «пластырь» для сердечной мышцы, напечатанный специальным 3D-принтером. Известны истории наподобие выращенного искусственно мышиного сердца, но в целом всё пока не выходит за рамки клинических испытаний. Так что Франкенштейна в ближайшие годы мы вряд ли увидим.

Здесь Гартнер очень осторожен в оценках, видимо держа в уме свое провалившееся предсказание 2015 года о том, что в 2019 году 10% населения развитых стран будут иметь 3D-напечатанное медицинское устройство-имплантант. Поэтому и обозначает время выхода на плато продуктивности – не менее 10 лет.

5. Цифровые экосистемы (Digital Ecosystems)

5.1. Децентрализованный Веб (Decentralized Web)

Это понятие тесно связано с именем изобретателя веба, лауреатом премии Тьюринга, сэра Тима Бёрнерса-Ли. Для него всегда были важны вопросы этики в информатике и важна коллективная сущность Интернета: закладывая основы гипертекста, он был убежден, что сеть должна работать как паутина, а не как иерархия. Так и было на раннем этапе развития сети. Однако с ростом Интернета его структура по целому ряду причин стала централизоваться. Оказалось, что доступ к сети для целой страны можно легко перекрыть при помощи всего нескольких провайдеров. А данные пользователей превратились в источник силы и дохода интернет-компаний.

«Интернет уже децентрализован, — говорит Бёрнерс-Ли. — Проблема в том, что доминирует одна поисковая система, одна большая социальная сеть, одна платформа для микроблогинга. У нас нет технологических проблем, но есть социальные».

В своем открытом письме к 30-летию World Wide Web создатель Веба очертил три основные проблемы Интернета:

Целенаправленное причинение вреда, такое как спонсируемые государством хакерские атаки, криминал и онлайн-харассмент
Само устройство системы, которое в ущерб пользователю создает почву для таких механизмов, как: финансовое поощрение кликбейта и вирусное распространение ложной информации
Непреднамеренные последствия дизайна системы, которые ведут к конфликтам и снижению качества онлайн-дискуссии

И у Тима Бернерса-Ли уже есть ответ, на каких принципах мог бы базироваться «Интернет здорового человека», лишенный проблемы номер 2: «Для многих пользователей единственной моделью взаимодействия с вебом остается доход с рекламы. Даже если люди напуганы тем, что происходит с их данными, они согласны пойти на сделку с маркетинговой машиной за возможность получать контент бесплатно. Представьте себе мир, в котором плата за товары услуги легка и приятна для обеих сторон». Из вариантов того, как это может быть устроено: музыканты могут продавать свои записи без посредников в виде iTunes, а новостные сайты — использовать систему микроплатежей за чтение одной статьи, вместо того чтобы зарабатывать на рекламе.

В качестве экспериментального прототипа такого нового Интернета, Тим Бернерс-Ли запустил проект SOLID, суть которого в том, что вы храните свои данные в «поде» — хранилище информации, и можете предоставлять эти данные сторонним приложениям. Но в принципе, вы сами – хозяева своих данных. Всё это тесно связано с понятием пиринговых сетей, то есть ваш компьютер не только запрашивает сервисы, но и предоставляет их, чтобы не полагаться на один сервер в качестве единственного канала.

Источник

5.2. Децентрализованные автономные организации (Decentralized Autonomous Organizations)

Это организация, которая управляется правилами, записанными в виде компьютерной программы. Её финансовая деятельность происходит на базе блокчейна. Цель создания таких организаций – устранить государство из роли посредника и создать общую доверенную среду для контрагентов, которой не владеет никто единолично, а владеют все вместе. То есть в теории, это должно, если идея приживется, упразднить нотариусов и другие привычные институты верификации.

Самым известным примером такой организации была ориентированная на венчурный бизнес The DAO, которая в 2016 году собрала 150 миллионов долларов, из которой 50 моментально украли через легальную «дырку» в правилах. Тут же наступила сложная дилемма: или откатить назад и вернуть деньги, или признать, что изъятие денег было легально, ведь оно никоим образом не нарушало правил платформы. В итоге, чтобы вернуть деньги инвесторам, создателям пришлось уничтожить The DAO, переписав блокчейн и нарушив его основной принцип – неизменяемость.

Комикс про Ethereum (слева) и The DAO (справа). Источник

Вся эта история испортила репутацию самой идеи DAO. Тот проект делался на базе криптовалюты Ethereum, в следующем году ожидается версия Эфир 2.0 – возможно, авторы (среди которых известный Виталик Бутерин) учтут ошибки и покажут что-то новое. Наверное, поэтому Gartner и поместил DAO на восходящую линию.

5.3.Синтетические данные (Synthetics Data)

Для обучения нейросетей нужны большие объёмы данных. Размечать данные вручную – огромный труд, который может быть выполнен только человеком. Поэтому можно создавать искусственные наборы данных. Например, те же самые коллекции человеческих лиц на сайте https://generated.photos. Создаются они при помощи GAN – алгоритмов, о которых было уже сказано выше.

Эти лица не принадлежат людям. Источник

Большой плюс таких данных – в том, что не возникает юридических затруднений в их использовании: согласие на обработку персональных данных выдавать некому.

5.4.Digital Ops

Суффикс «Ops» стал невероятно модным с тех пор, как в нашей речи прижилось DevOps. Теперь о том, что такое DigitalOps – это просто обобщение DevOps, DesignOps, MarketingOps… Вы ещё не заскучали? Короче говоря, это перенос подхода, принятого в DevOps, из сферы программного обеспечения на все остальные стороны бизнеса – маркетинг, дизайн и т.д.

Источник

Идеей DevOps было убрать барьеры между собственно Development (разработкой) и Operations (бизнес-процессами), через создание общих команд, где и программисты, и тестировщики, и безопасники, и администраторы; внедрение определенных практик: непрерывная интеграция, инфраструктура как код, сокращение и усиление цепочек обратной связи. Цель была – ускорить вывод продукта на рынок. Если вы подумали, что это похоже на Agile, вы правильно подумали. Теперь мысленно перенесите этот подход из сферы разработки ПО к разработке вообще – и вы поняли, что такое DigitalOps.

5.5. Графы знаний (Knowledge Graphs)

Программный способ моделировать область знаний, в том числе — при помощи алгоритмов машинного обучения. Граф знаний строится поверх существующих баз данных, чтобы связать воедино всю информацию: как структурированную (список событий или персон), так и неструктурированную (текст статьи).

Самый простой пример – это та карточка, которую вы можете увидеть в поисковой выдаче Google. Если вы ищете какую-то персону или учреждение, то вы увидите справа карточку:

Обратите внимание, что «Предстоящие мероприятия» — это не копия информации с Google-карт, а интеграция расписания с Яндекс.Афиши: вы легко увидите это, если кликнете по событиям. То есть это объединение нескольких источников данных воедино.

Если вы запросите список – например, «известные режиссеры» — вам покажут «карусель»:

Бонус для тех, кто дочитал до конца

И вот теперь, когда мы прояснили для себя значение каждого из пунктов, можем посмотреть на ту же картинку, но уже на русском языке:

Источник

]]>
http://so-l.ru/news/y/2019_11_27_grafik_gartnera_2019 Wed, 27 Nov 2019 08:08:23 +0300
<![CDATA[Международный день против насилия в отношении женщин]]> http://so-l.ru/news/y/2019_11_25_mezhdunarodniy_den_protiv_nasiliya_v_otno Mon, 25 Nov 2019 11:58:58 +0300