Hirdetés
. Hirdetés

Előre jelző közösségi hálózat

|

Képzeljünk el egy, a Különvélemény bűnöket elkövetésük előtt megérző (prekog) egységéhez hasonló, a felhasználók tevékenységét prognosztizáló, egyfajta "elő-közösségi" - vagy talán előre jelző közösségi - hálózatot (pre-social network). A hálózat előre jelezné, hogy ki hova megy, hol mennyi időt tölt el, illetve kikkel valószínűsíthető a találkozás az adott helyszínen.

Hirdetés

A gondolat elsőre orwelli disztópiát idéz, de legalábbis a Különvélemény irodalmi nyersanyagát jegyző Philip K. Dick klausztrofóbiás világához hasonlót kivitelező törekvésnek tűnik. Csakhogy a koncepcióhoz szükséges technológiát kidolgozó csoport szerint elképzelésük cseppet sem negatív utópia, hanem teljesen új típusú közösségi hálózatokat eredményezhet – olyanokat, amelyek „megmondják” a felhasználóknak, hogy mikor és hol találkozhatnak, gyűlhetnek össze hasonló érdeklődésű és beállítottságú személyekkel vagy éppen új kapcsolatokat alakíthatnak ki velük. Másrészt, a már létező közösségi hálózatokat újabb dimenziókkal gazdagíthatják, dinamizálhatják, azaz lényegesen több a pozitív, mint a negatív hozadékuk, ráadásul ezek a „szokásos” félelmek majdnem minden új infokommunikációs technológiai megoldással kapcsolatban (okkal, ok nélkül, de általában eltúlozva) felmerülnek.

Különvélemény (Minority Report) precog
Különvélemény (Minority Report) precog

Prediktív modell asztrológia helyett

A rendszer neve, a Jyotish a védikus hindu asztrológiára utal; a szanszkrit szó egy ősi asztrológiai rendszer neve, szabályait évezredekkel ezelőtt jegyezték le, tudományát Indiában még ma is tanítják felsőoktatási intézményekben. A „posztmodern változatnak” – a név kivételével – azonban vajmi kevés köze van az eredetihez. Irracionális (legalábbis annak tűnő) csillagjóslás – jövendőmondás – helyett racionális tényekből, számsorokból következtet az egészen közeli jövőre. Az Illinois Egyetem (Urbana-Champaign) Boeing kutatási központjának két munkatársa, Long Vu és Klara Nahrstedt fejlesztette. A repülőgépgyártó óriáscég azért kérte fel őket a kutatásokra, mert pontosabban szeretnék ismerni munkacsoportjaik tevékenységét, hogy az adott nagyüzemben a dolgozók mit és mikor tesznek, mi várható tőlük, és aztán ezen ismeretek birtokában elképzeléseik alapján az eddiginél is hatékonyabbá tegyék a munkát, növeljék a termelékenységi mutatókat. A két fejlesztő szerint a rendszer – különösen a közösségi médiával, például a Facebookkal kombinálva – ennél sokkal többre is képes, és számos más területen (várostervezés, közlekedés stb.) szintén alkalmazható.

A Jyotish a különböző személyek mozgását okostelefonjaik (száz- és tízméteres körzetben) Wi-Fi és Bluetooth hálózatokhoz való kapcsolódásaik monitorozásával igyekszik értelmezni, miközben térképrajzokat készít róluk. Ezek a távolságok épp elég kicsik ahhoz, hogy az illetők tartózkodási helye (és természetesen azoké is, akikkel találkoznak) egész pontosan bemérhető és azonosítható legyen.

Miért egyedi a Jyotish?

A fejlesztők abból a (sok korábbi és jelenlegi kutatás tárgyát képező) tényből indultak ki, hogy az emberek helyváltoztatásában gyakori ismétlődés mutatható ki, ugyanazok a minták tűnnek fel – napi tevékenységünk során rendszeresen felkeresünk adott helyeket, és szintén rendszeresen kapcsolatba lépünk egyes személyekkel. Az erre alapuló prediktív modell három fontos kérdésre képes választ adni: hol tartózkodunk, mennyi ideig tartózkodunk az adott helyszínen, kivel találkozunk.

Az eddigi kísérletek két előre jelző módszercsoportot alkalmaztak: a személyek mozgásának helyszínére fókuszáló első csak a legelső kérdéssel foglalkozott – a következtetéseket notebook/PDA és Wi-Fi hozzáférési pontok (WLAN-„nyomok”) alapján vonták le. A módszer gyengéje, hogy például a laptopok nincsenek mindig bekapcsolva, és nincsenek mindig a tulajdonosaiknál. Így a kapcsolódások inkább a Wi-Fi használatról, és nem az adott személy potenciális helyváltoztatásával kapcsolatban szolgálnak hasznos információkkal. Ráadásul az alapállomás lehet fél, de éppenséggel harminc kilométerre is, tehát a lokalizáció finoman fogalmazva sem nevezhető pontosnak; viszonylag nagy a tévedés valószínűsége.

A második módszercsoportot alkalmazva az első két kérdés (például, hogy az ingázók mennyi időt töltenek külvárosi vonatokon, metrón és hasonlók) megválaszolható, ugyanakkor az előző csoportra vonatkozó problémákat (van-e náluk notebook, bekapcsolják-e) ezúttal sem tudták megnyugtatóan kezelni.

Néhány újabb projekt iMote-ot, mobiltelefont, PDA-t és más hordozható készüléket használva kifejezetten a harmadik kérdést tanulmányozza, viszont megoldásaik nem alkalmazhatók az első kettőre, azaz az Illinois Egyetem kutatásfejlesztése tekinthető az első olyan kezdeményezésnek, amely egyszerre mindhárom (kardinális) kérdéssel, Wi-Fi és Bluetooth adatokat egyaránt hasznosítva foglalkozik, ráadásul az eddigi teszteredmények alapján a megoldás határozottan pontosnak tekinthető, és a közeljövőben nyilvánvalóan finomítani is fognak rajta.

A Jyotish-modellhez Vu és Nahrstedt a Wi-Fi hozzáférési pontokból érkező adatok alapján ezeket a pontokat csoportokba gyűjtő hatékony klaszterező algoritmust, majd a helyszíneket (az erre utaló Bluetooth-nyomokat is figyelembe véve) meghatározó – Bayes-logikán alapuló – osztályozót dolgoztak ki. A következő lépésben a finom szemcsézettségű (fine granularity) mozgások alapján létrehozták az említett kérdéseket megválaszoló tényleges prediktív modellt. (A granularitás arra vonatkozik, hogy egy rendszer, nagyobb egység meddig osztható további részekre. Finom szemcsézettség esetén apró komponensek összességéről, jelen esetben a kis adatcsomagokban folyamatosan érkező információ rendszeres feldolgozásáról, a szóban forgó mozgások aprólékos értékeléséről beszélhetünk.)

A kutatás harmadik fázisa

A kutatásfejlesztés harmadik fázisát a tesztelés jelentette. Vu 79 önkéntessel tesztelte a rendszert. Androidos okostelefonjaik Wi-Fi és Bluetooth modemekhez kapcsolódva váltak pontosan követhetővé. A mozgásukról és szokásaikról készült részletes log alapján elvileg például olyan mobil Facebook-változat is készíthető, amely lehetővé teszi, hogy azonos térségben tartózkodó személyek közösségi eseményeket szervezzenek, vagy egyszerűen csak együtt töltsék az időt. A közösségi hálózatokról összegyűjtött adatokat a sajátjaival kombináló rendszer akár ajánlásokat is tehet, mivel előre látja, hogy az illetők (akik lehetnek barátok, de egymás számára ismeretlenek is) ugyanabban az időpontban valószínűleg pontosan ugyanazon a helyszínen lesznek.

Előnyök és félelmek

A Jyotish egyik várható hozadéka: okostelefonjaink immár nemcsak kapcsolattartásra, létező kapcsolatok ápolására, hanem a prediktív közösségi modellel kiegészítve új kapcsolatok felvételére is alkalmasak, legalábbis kimutatják, hogy a közelünkben lévő ismeretlenek közül kit érdekel ugyanúgy például a filatélia, foci és egyebek, mint minket.

Peter Bentley, a londoni University College számítástudományi szakembere szerint az ilyen jellegű prediktív adottságok és rendszerek kifejezetten hasznosak, viszont csak addig a pontig (szabad élni velük), amíg a felhasználók személyazonossága titokban marad. Képzeljük el, hogy a Jyotish jól végzi munkáját, és idővel létező Facebook-accountokhoz társít majd egy-egy járókelőt… Lényegében azonosítja őket, és újabb adatokat szolgáltat az illető közösségihálózat-profiljához.

A privacy azonban nemcsak ezért, hanem más szempontból is megkerülhetetlen kérdés: egyáltalán nem tudni, miként reagál a felhasználó arra, ha jövőbeli találkozásait pontosan elő rejelzik. Senki nem örül annak, ha a hálózat tagjai már azelőtt tudják, hogy kivel futunk össze, mielőtt valóban összefutnánk a szóban forgó személlyel. Beépítenek-e vajon olyan mechanizmusokat a rendszerbe, amelyek megakadályozzák, hogy féltve őrzött titkaink kiszivárogjanak, vagy csak annyi váljon közkinccsé belőlük, amennyit akarunk?

Ezeket a kérdéseket feltétlenül rendezni kell a rendszer (esetleges) kereskedelmi forgalmazása előtt, máskülönben az általunk látogatott helyszínekből a prediktív modell segítségével bárki következtethet az érdeklődési körünkre, és így például keresetlen hirdetők prédájává válhatunk. Talán pont e félelmek és aggályok miatt borítékolható, hogy a Jyotish széles körű hasznosulása egy ideig még minden bizonnyal várat magára.

A rendszer üzemeltetőinek egyébként arra sem árt majd figyelniük, hogy a számítógépes erőforrások a megfelelő időben a megfelelő helyen legyenek, például mindenkinek legyen jó Wi-Fi kapcsolata.

Bayes-féle logika

A londoni születésű, presbiteriánus Thomas Bayes (1702–1761) 1736-ban, Newton logikai nézeteit megvédve Berkeley püspök ellenében, felvételt nyert a Királyi Természettudományos Akadémiára. Isten létezését különböző egyenletekből vezette le, kidolgozta – a Pierre-Simon de Laplace francia matematikus által a feledéstől megmentett, általánosított – valószínűségszámítási tételét, majd teljes ismeretlenségben meghalt. Főművét (Essay Towards Solving a Problem in the Doctrine of Chances – Kísérlet a valószínűség-elmélet egy problémájának a megoldására) halála után két évvel, 1763-ban publikálták.

A számítástudomány tette halhatatlanná: a szakértői rendszerek, keresőprogramok, ok-okozati összefüggések modellezésének logikai-matematikai megalapozása a tiszteletesig vezethetők vissza.

A Bayes-tétel egy szabály, amellyel néhány tény alapján kiszámolhatjuk a felállított hipotézis valószínűségét a rendelkezésre álló valószínűségek alapján. Úgy kapcsolunk okokhoz következményeket, hogy tudjuk, milyen valószínűséggel járnak az adott következményekkel, azaz a következmény ismeretében kutatjuk az okot. Numerikus, kvantitatív módszer: a bizonytalanság jellemzésére, a feltételekhez valószínűség jellegű, [0, 1] tartományba eső számértéket rendelünk. Lehetővé teszi, hogy ismert megbízható valószínűségekből számítsunk ki ismeretleneket. Bayes egyébként viszonylag egyszerű feltevésből indult ki: a jövőbeli események bizonyossága korábbi előfordulásuk gyakorisága alapján számolható ki.

A Bayes-hálók – gráfok, csomópontjaikban valószínűségi változók halmazaival. A csomópontpárokat élek (ábrákon nyilak) kapcsolják egymáshoz. Az összes csomópontot az előző csomópontok (szülők) hatását megadó feltételes valószínűségi táblázattal látjuk el.

Hardverek, szoftverek, tesztek, érdekességek és színes hírek az IT világából ide kattintva!

Hirdetés
0 mp. múlva automatikusan bezár Tovább az oldalra »

Úgy tűnik, AdBlockert használsz, amivel megakadályozod a reklámok megjelenítését. Amennyiben szeretnéd támogatni a munkánkat, kérjük add hozzá az oldalt a kivételek listájához, vagy támogass minket közvetlenül! További információért kattints!

Engedélyezi, hogy a https://computerworld.hu értesítéseket küldjön Önnek a kiemelt hírekről? Az értesítések bármikor kikapcsolhatók a böngésző beállításaiban.