ОТДЕЛЯЙТЕ ЗЕРНА ОТ ПЛЕВЕЛ
Умение отделить зерна техно-перспектив от плевел медиа-шумихи в наше время господства пиара и фейков особенно ценно. Журналисты и стартаперы, IT-шники и инженеры, инвесторы и просто энтузиасты – всем нужно такое умение, когда речь идет о модных терминах, смысл которых уже замылился, но актуальность все продолжает расти.
СНАЧАЛА О ПЛЕВЕЛАХ
Вот отличный пример – Big Data и AI. При соразмерной важности обеих групп технологий, внимание к ним определяется вовсе не техно-перспективностью, а банальной медиа-шумихой. А она, в свою очередь, - лишь способ привлечь внимание масс с помощью броских «сенсаций».
Так, например, неимоверно раздутая история - «компьютер победил чемпиона по игре в Го» - стала своеобразным стартером. Он запустил не только механизм отрыва популярности AI от Big Data, но и волну инвестиций и слияний, превращающуюся на глазах в цунами.
ТЕПЕРЬ О ЗЕРНАХ
1. В ближайшие 3 года группа технологий Big Data столкнется с технологическим фазовым переходом.
✔️ развитие Интернета Вещей (IoT) уже через 3 года приведет объемы накапливаемых Big Data в область технологической сингулярности (когда время удвоения объемов станет измеряться уже не годами, а месяцами, неделями, днями …)
Источник
2. В ближайшие 3 года группа технологий AI подведет развитую часть человечества к цивилизационному фазовому переходу.
✔️ AI превратится в культурную категорию, изменяющую человеческую культуру путем изменения характера и способов взаимодействия людей.
Источник
#AI #BigData #Культура #ТехнологическаяСингулярность
Умение отделить зерна техно-перспектив от плевел медиа-шумихи в наше время господства пиара и фейков особенно ценно. Журналисты и стартаперы, IT-шники и инженеры, инвесторы и просто энтузиасты – всем нужно такое умение, когда речь идет о модных терминах, смысл которых уже замылился, но актуальность все продолжает расти.
СНАЧАЛА О ПЛЕВЕЛАХ
Вот отличный пример – Big Data и AI. При соразмерной важности обеих групп технологий, внимание к ним определяется вовсе не техно-перспективностью, а банальной медиа-шумихой. А она, в свою очередь, - лишь способ привлечь внимание масс с помощью броских «сенсаций».
Так, например, неимоверно раздутая история - «компьютер победил чемпиона по игре в Го» - стала своеобразным стартером. Он запустил не только механизм отрыва популярности AI от Big Data, но и волну инвестиций и слияний, превращающуюся на глазах в цунами.
ТЕПЕРЬ О ЗЕРНАХ
1. В ближайшие 3 года группа технологий Big Data столкнется с технологическим фазовым переходом.
✔️ развитие Интернета Вещей (IoT) уже через 3 года приведет объемы накапливаемых Big Data в область технологической сингулярности (когда время удвоения объемов станет измеряться уже не годами, а месяцами, неделями, днями …)
Источник
2. В ближайшие 3 года группа технологий AI подведет развитую часть человечества к цивилизационному фазовому переходу.
✔️ AI превратится в культурную категорию, изменяющую человеческую культуру путем изменения характера и способов взаимодействия людей.
Источник
#AI #BigData #Культура #ТехнологическаяСингулярность
Yandex.Disk
AI vs BD.JPG
View and download from Yandex.Disk
КАК СТАТЬ БОЛЕЕ ПРОДУКТИВНЫМ И ЭФФЕКТИВНЫМ С ПОМОЩЬЮ AI-ИНСТРУМЕНТОВ
ℹ️
— Главная задача экономики – повышение производительности.
— Существующий подход в развитии AI – создание интеллектуальных автоматов – заменителей человека.
— Этот подход не способен кардинально решить главную задачу экономики, т.к. в большинстве профессий задач, доступных для полной автоматизации, меньшинство.
— Никому не нужен просто заменитель человека, - нужны новые ВЫСОКОПРОИЗВОДИТЕЛЬНЫЕ ВЕРСИИ ЛЮДЕЙ
▶️
— Вместо усовершенствования интеллектуальных автоматов для замены человека, предлагается направить развитие AI на разработку усовершенствованных личностей, способных выполнять свои функции с производительностью, в разы превышающей нынешнюю.
— Ключевым элементом такого альтернативного подхода должен стать «Рекомендательный ассистент»:
✔️ анализирующий деятельность человека при решении конкретных задач
✔️ и вырабатывающий рекомендации человеку, как повысить его производительность.
— Процесс организации ЦИФРОВОЙ ПОМОЩИ прост:
✔️ определение атрибутов, повышающих производительность (которые нужно усилить), и атрибутов, снижающих производительность (их нужно ослабить). Другими слова, использовать технологию НЕ для создания «ЛУЧШЕГО ИНТЕЛЛЕКТУАЛЬНОГО АГЕНТА», а для создания «УЛУЧШЕННОГО СЕБЯ» - улучшенного варианта собственной личности.
1️⃣ Носимые гаджеты и приложения для мобильных устройств, способные строить «количественные самоотчеты» о здоровье, можно настроить на оценку умственной готовности и внимания при выполнении интеллектуальной деятельности.
2️⃣ Анализаторы эффективности действий человека по выполнению персональных KPI можно строить при наличии Больших данных о предыдущем выполнении тех же функций многими людьми.
3️⃣ В долгосрочной перспективе, детальные данные интроспекции и их аналитика будут определять необходимые ингредиенты для повышения личной эффективности и производительности, как на работе, так и вне ее.
Бизнес кейс прост и понятен: хорошо управляемые человеком множество его усовершенствованных личностей на порядок превзойдут в эффективности и производительности обычную среднюю личность, деятельность которой автоматизирована интеллектуальными агентами.
🔀
✔️ Здесь анализ темы на 5-15 мин чтения
✔️ Здесь оригинальное изложение идеи ее автором (тоже на 5-15 мин)
✔️ Здесь работы Нобелевского лауреата Дэниела Канемана по определению когнитивных предубеждений, устанавливающих четкие рамки для проектирования «цифровых себя».
✔️ Здесь книга Марвина Мински «Общество разума», описывающая дорожную карту усовершенствования конкретных «модулей ума», имеющих лучшие шансы цифрового улучшения.
Работы Канемана и Мински показывают - «усовершенствованные личности» могут экспоненциально повысить индивидуальную производительность труда.
#AI #DataScience #BigData #Экономика #Производительность
ℹ️
Существующее направление развития AI – это УСТАРЕВШИЙ ПОДХОД к решение НЕ САМОЙ АКТУАЛЬНОЙ ЗАДАЧИ — Главная задача экономики – повышение производительности.
— Существующий подход в развитии AI – создание интеллектуальных автоматов – заменителей человека.
— Этот подход не способен кардинально решить главную задачу экономики, т.к. в большинстве профессий задач, доступных для полной автоматизации, меньшинство.
— Никому не нужен просто заменитель человека, - нужны новые ВЫСОКОПРОИЗВОДИТЕЛЬНЫЕ ВЕРСИИ ЛЮДЕЙ
▶️
Альтернативный подход предлагает сменить фокус в разработке AI с создания ЦИФРОВЫХ ПОМОЩЬНИКОВ на создание ЦИФРОВОЙ ПОМОЩИ. Иными словами, пойти по пути развития Виртуальной реальности в направлении Дополненной реальности и превратить Искусственный интеллект в средство Дополнительной интроспекции — Вместо усовершенствования интеллектуальных автоматов для замены человека, предлагается направить развитие AI на разработку усовершенствованных личностей, способных выполнять свои функции с производительностью, в разы превышающей нынешнюю.
— Ключевым элементом такого альтернативного подхода должен стать «Рекомендательный ассистент»:
✔️ анализирующий деятельность человека при решении конкретных задач
✔️ и вырабатывающий рекомендации человеку, как повысить его производительность.
— Процесс организации ЦИФРОВОЙ ПОМОЩИ прост:
✔️ определение атрибутов, повышающих производительность (которые нужно усилить), и атрибутов, снижающих производительность (их нужно ослабить). Другими слова, использовать технологию НЕ для создания «ЛУЧШЕГО ИНТЕЛЛЕКТУАЛЬНОГО АГЕНТА», а для создания «УЛУЧШЕННОГО СЕБЯ» - улучшенного варианта собственной личности.
1️⃣ Носимые гаджеты и приложения для мобильных устройств, способные строить «количественные самоотчеты» о здоровье, можно настроить на оценку умственной готовности и внимания при выполнении интеллектуальной деятельности.
2️⃣ Анализаторы эффективности действий человека по выполнению персональных KPI можно строить при наличии Больших данных о предыдущем выполнении тех же функций многими людьми.
3️⃣ В долгосрочной перспективе, детальные данные интроспекции и их аналитика будут определять необходимые ингредиенты для повышения личной эффективности и производительности, как на работе, так и вне ее.
Бизнес кейс прост и понятен: хорошо управляемые человеком множество его усовершенствованных личностей на порядок превзойдут в эффективности и производительности обычную среднюю личность, деятельность которой автоматизирована интеллектуальными агентами.
🔀
Прочесть обо всем этом✔️ Здесь анализ темы на 5-15 мин чтения
✔️ Здесь оригинальное изложение идеи ее автором (тоже на 5-15 мин)
✔️ Здесь работы Нобелевского лауреата Дэниела Канемана по определению когнитивных предубеждений, устанавливающих четкие рамки для проектирования «цифровых себя».
✔️ Здесь книга Марвина Мински «Общество разума», описывающая дорожную карту усовершенствования конкретных «модулей ума», имеющих лучшие шансы цифрового улучшения.
Работы Канемана и Мински показывают - «усовершенствованные личности» могут экспоненциально повысить индивидуальную производительность труда.
#AI #DataScience #BigData #Экономика #Производительность
Irving Wladawsky-Berger
Become a More Productive, Empathetic, Creative Person With the Help of AI-Based Tools
Despite dramatic advances in technology, most of the world’s economies have been stuck in a long period of slow growth and slow productivity. This is one of the most serious challenges in our 21st century economy. Opinions abound, but there’s...
США РАСКАЛЫВАЮТСЯ НА 20 ЧАСТЕЙ
Число наций (стран) в мире растет. С 1990 появилось 34 новых. А за следующие 10-15 лет появится еще, как минимум, 10.
Новые страны появляются в следствие раскола на части старых. Причины такого раскола разнообразны. О них можно спорить. Но не признавать объективно наблюдаемый тренд раскола невозможно.
Объединение Европы и «плавильный котел» США, лишь на первый взгляд, опровергают «тренд раскола». Прогнозы междисциплинарной науки говорят об обратном.
Новейшие исследования, анализирующие Большие Данные Гео-локализуемых Сообщений, наглядно показывают, где пройдут границы новой тектоники национальных расколов.
Для справки. Большие Данные Гео-локализуемых Сообщений содержат информацию о пространственном расположении и перемещении отдельных узлов (людей) и их кластеров (сообществ), образующих виртуальные и реальные социальные сети. Пример 1х – Facebook, 2х – сеть, отображающая ваших родственников, знакомых и коллег - их встречи и разговоры вживую или по телефону.
Про анализ европейских данных желающие могут почитать, например, здесь. Я же хочу рассказать о примере США, рассчитанном на сетевой модели Института комплексных систем Новой Англии (NECSI).
Авторов интересовало существуют ли реальные физические границы, уже сегодня образующие «мини-нации» в США - большие сообщества, лишь на 1-2 порядка меньшие, чем вся нация.
Принадлежность к «мини-нации» определялась по гео-принципу - персоны А и Б принадлежат к одной «мини-нации», если бОльшую часть времени они проводят внутри некоторых «мини-национальных границ», а за их пределы они выбираются сравнительно редко.
Исходной информацией этого исследования были полученные из Twitter Большие Данные Гео-локализуемых Сообщений о физическом перемещении жителей США в течение года.
В результате оказалось, что в США уже существуют 20 «мини-наций», перемещающихся, в основном, внутри своих «мини-стран».
Границы «мини-стран» довольно четко очерчены (см. приложенный рис С), а их размеры существенно превышают размеры даже самых крупных городских агломераций, показанных на рис В.
Лишь некоторые из «мини-стран» (Флорида, Техас, Мичиган) совпадают по своим границам с конкретными штатами. С большинством же «мини-стран» все иначе.
Поразительно, но аналогичное разделение на «мини-страны» получается и при анализе телефонных разговоров, и при анализе обмена твиттами в Twitter (скоро будет опубликовано NECSI, а пока что на рис. А показана теплограмма плотности активности в Twitter, максимальная в крупнейших городах).
Т.е. население «мини-стран» предпочитает не только замыкаться в рамках своих физических границ, но и привносит эти границы в пространство своих виртуальных коммуникаций.
#BigData #ГеоЛокализация #Раскол
Революция Больших Данных Гео-локализуемых Сообщений прогнозирует создание новых нацийЧисло наций (стран) в мире растет. С 1990 появилось 34 новых. А за следующие 10-15 лет появится еще, как минимум, 10.
Новые страны появляются в следствие раскола на части старых. Причины такого раскола разнообразны. О них можно спорить. Но не признавать объективно наблюдаемый тренд раскола невозможно.
Объединение Европы и «плавильный котел» США, лишь на первый взгляд, опровергают «тренд раскола». Прогнозы междисциплинарной науки говорят об обратном.
Новейшие исследования, анализирующие Большие Данные Гео-локализуемых Сообщений, наглядно показывают, где пройдут границы новой тектоники национальных расколов.
Для справки. Большие Данные Гео-локализуемых Сообщений содержат информацию о пространственном расположении и перемещении отдельных узлов (людей) и их кластеров (сообществ), образующих виртуальные и реальные социальные сети. Пример 1х – Facebook, 2х – сеть, отображающая ваших родственников, знакомых и коллег - их встречи и разговоры вживую или по телефону.
Про анализ европейских данных желающие могут почитать, например, здесь. Я же хочу рассказать о примере США, рассчитанном на сетевой модели Института комплексных систем Новой Англии (NECSI).
Авторов интересовало существуют ли реальные физические границы, уже сегодня образующие «мини-нации» в США - большие сообщества, лишь на 1-2 порядка меньшие, чем вся нация.
Принадлежность к «мини-нации» определялась по гео-принципу - персоны А и Б принадлежат к одной «мини-нации», если бОльшую часть времени они проводят внутри некоторых «мини-национальных границ», а за их пределы они выбираются сравнительно редко.
Исходной информацией этого исследования были полученные из Twitter Большие Данные Гео-локализуемых Сообщений о физическом перемещении жителей США в течение года.
В результате оказалось, что в США уже существуют 20 «мини-наций», перемещающихся, в основном, внутри своих «мини-стран».
Границы «мини-стран» довольно четко очерчены (см. приложенный рис С), а их размеры существенно превышают размеры даже самых крупных городских агломераций, показанных на рис В.
Лишь некоторые из «мини-стран» (Флорида, Техас, Мичиган) совпадают по своим границам с конкретными штатами. С большинством же «мини-стран» все иначе.
Например, «Северо-западная мини-страна» объединяют регионы из штатов Вашингтон, Орегон, Монтана и большую часть штата Айдахо.
Эта «мини-страна» граничит с двумя другими «мини-странами», одна из которых включает южные штаты Айдахо, Юту, Вайоминг и Колорадо, а другая - Минесоту, Айову, восточный Висконсин и обе Дакоты.
Поразительно, но аналогичное разделение на «мини-страны» получается и при анализе телефонных разговоров, и при анализе обмена твиттами в Twitter (скоро будет опубликовано NECSI, а пока что на рис. А показана теплограмма плотности активности в Twitter, максимальная в крупнейших городах).
Т.е. население «мини-стран» предпочитает не только замыкаться в рамках своих физических границ, но и привносит эти границы в пространство своих виртуальных коммуникаций.
#BigData #ГеоЛокализация #Раскол
О новом законе Мура (а также о Шерлоке Холмсе, Больших данных, связи музыки с математикой и о кошке Споути).
Довольно часто приходится слышать от весьма умных и уважаемых мною людей об их довольно скептическом отношении к междисциплинарным исследованиям.
Будучи убежденным сторонником таких исследований, продолжаю (как вещий Олег 😃) гнуть свою линию.
Вот прекрасный пример – одна из самых-самых актуальных проблем современной науки и технологий, пока что не решаемая ни одной из этих наук и технологий – проблема извлечения смыслов из зашумленных Больших данных (привет от «Гласа Господа» Лема)
Еще 5 лет назад я писал об этом, как проблеме №1, в своей статье «Долой Шерлока Холмса! Как победить на рынке Big Data» https://goo.gl/o62z2H .
За прошедшие годы проблема стала лишь гораздо острее.
И самые оригинальные и перспективные её решения – междисциплинарные.
Например, решение на стыке физики, компьютерных наук и математики, предлагаемое проф. Кристофером Муром, вот уже много лет работающим над применением аппарата фазовых переходов в задачах поиска и оптимизации.
На 1й взгляд, предлагаемый Муром подход, - какая-то фантастика и эзотерика.
Мур предполагает, что сети могут подвергаться фазовым переходам, переводящим их от порядка к беспорядку, подобно тому, как расплавляется лед или размагничивается железо.
При низких температурах магнитные поля атомов железа, в основном, ориентированы в одном направлении. Но стоит поднять температуру до определенного предела, и магнитная сила железа резко упадет до нуля.
Эта аналогия, по заключению Мура, распространяется и на сети. Имея достаточную информацию о связях каждого из узлов с другими узлами, - сеть может быть легко классифицирована на группы аналогичных элементов (кластеров).
Но если в сети увеличивается уровень шума из-за добавления узлов с неполной информацией о соединениях или непредсказуемыми соединениями, то, в конечном итоге, этот шум подавляет сигнал.
И в этом причина того, почему становится невозможным или крайне маловероятным найти осмысленные паттерны.
Предлагаемый Муром метод может помочь выявлять разницу между реальными и иллюзорными паттернами.
Дело в том, что все большее число областей работы с Большими данными начинают рассматривать их, как обширные сети данных.
Исследователи ищут в этих сетях паттерны и связи, которые могут помочь решить конкретные проблемы: остановить хакеров, увеличить выживаемость, улучшить коммуникацию.
Но есть проблема. Шум в высокоразмерных наборах данных легко затушевывает реальные корреляции. А это ведет к выявлению иллюзорных паттернов, которые ничего не значат (подробней см. в упомянутой ранее статье про Шерлока Холмса).
Все усугубляется тем, что люди очень хорошо выявляют (как им кажется) паттерны, даже там, где их нет, а есть только шум. И в результате растет тенденция к «ложным срабатываниям».
А нейронные сети глубокого обучения лишь усугубляют ситуацию, поскольку способны выявлять паттерны даже там, где их не видят люди (вы наверняка видели всякие чудные картинки, как сеть «видит», например, кисок среди фото цветов или наоборот).
Каким образом применение аппарата статистической физики для выявления фазовых переходов может помочь поиску паттернов в зашумленных данных, - в следующей 2х частной видеолекции Мура (2 по 1 часу): https://goo.gl/xUE9Ey https://goo.gl/rm1WtN .
А здесь https://goo.gl/WuHGCy:
— про все его работы (коих несколько сотен)
— фантастически интересную книгу «Природа вычислений» (тысячестраничный улет – будто фиолетовых грибов наешься 😃)
— про крышесрывательный Youtube канал Мура «Музыка + Математика» о переплетении языков музыки и математики у Баха и Бетховена, а также о математических открытиях и приложениях от Муга и Терменвокса
— ну и конечно, про кошку по имени Споути, без которой ничего из всего вышеназванного у Мура бы не получилось https://goo.gl/9qYZDy
Короче, интеллектуальный кайф на все выходные обеспечен.
#BigData
Довольно часто приходится слышать от весьма умных и уважаемых мною людей об их довольно скептическом отношении к междисциплинарным исследованиям.
Будучи убежденным сторонником таких исследований, продолжаю (как вещий Олег 😃) гнуть свою линию.
Вот прекрасный пример – одна из самых-самых актуальных проблем современной науки и технологий, пока что не решаемая ни одной из этих наук и технологий – проблема извлечения смыслов из зашумленных Больших данных (привет от «Гласа Господа» Лема)
Еще 5 лет назад я писал об этом, как проблеме №1, в своей статье «Долой Шерлока Холмса! Как победить на рынке Big Data» https://goo.gl/o62z2H .
За прошедшие годы проблема стала лишь гораздо острее.
И самые оригинальные и перспективные её решения – междисциплинарные.
Например, решение на стыке физики, компьютерных наук и математики, предлагаемое проф. Кристофером Муром, вот уже много лет работающим над применением аппарата фазовых переходов в задачах поиска и оптимизации.
На 1й взгляд, предлагаемый Муром подход, - какая-то фантастика и эзотерика.
Мур предполагает, что сети могут подвергаться фазовым переходам, переводящим их от порядка к беспорядку, подобно тому, как расплавляется лед или размагничивается железо.
При низких температурах магнитные поля атомов железа, в основном, ориентированы в одном направлении. Но стоит поднять температуру до определенного предела, и магнитная сила железа резко упадет до нуля.
Эта аналогия, по заключению Мура, распространяется и на сети. Имея достаточную информацию о связях каждого из узлов с другими узлами, - сеть может быть легко классифицирована на группы аналогичных элементов (кластеров).
Но если в сети увеличивается уровень шума из-за добавления узлов с неполной информацией о соединениях или непредсказуемыми соединениями, то, в конечном итоге, этот шум подавляет сигнал.
И в этом причина того, почему становится невозможным или крайне маловероятным найти осмысленные паттерны.
Предлагаемый Муром метод может помочь выявлять разницу между реальными и иллюзорными паттернами.
Дело в том, что все большее число областей работы с Большими данными начинают рассматривать их, как обширные сети данных.
Исследователи ищут в этих сетях паттерны и связи, которые могут помочь решить конкретные проблемы: остановить хакеров, увеличить выживаемость, улучшить коммуникацию.
Но есть проблема. Шум в высокоразмерных наборах данных легко затушевывает реальные корреляции. А это ведет к выявлению иллюзорных паттернов, которые ничего не значат (подробней см. в упомянутой ранее статье про Шерлока Холмса).
Все усугубляется тем, что люди очень хорошо выявляют (как им кажется) паттерны, даже там, где их нет, а есть только шум. И в результате растет тенденция к «ложным срабатываниям».
А нейронные сети глубокого обучения лишь усугубляют ситуацию, поскольку способны выявлять паттерны даже там, где их не видят люди (вы наверняка видели всякие чудные картинки, как сеть «видит», например, кисок среди фото цветов или наоборот).
Каким образом применение аппарата статистической физики для выявления фазовых переходов может помочь поиску паттернов в зашумленных данных, - в следующей 2х частной видеолекции Мура (2 по 1 часу): https://goo.gl/xUE9Ey https://goo.gl/rm1WtN .
А здесь https://goo.gl/WuHGCy:
— про все его работы (коих несколько сотен)
— фантастически интересную книгу «Природа вычислений» (тысячестраничный улет – будто фиолетовых грибов наешься 😃)
— про крышесрывательный Youtube канал Мура «Музыка + Математика» о переплетении языков музыки и математики у Баха и Бетховена, а также о математических открытиях и приложениях от Муга и Терменвокса
— ну и конечно, про кошку по имени Споути, без которой ничего из всего вышеназванного у Мура бы не получилось https://goo.gl/9qYZDy
Короче, интеллектуальный кайф на все выходные обеспечен.
#BigData
Формула бестселлера
Эйнштейн XXI века Альберт Барабаши создал матмодель, точно предсказывающую продажи книги
Наука Больших Данных добралась до анализа книжного рынка и описала его законы, вычислив:
✔️ универсальный паттерн динамики продаж бестселлеров;
✔️ универсальную модель «всемподходящести», «бурнопродажности» и «быстроприедаемости» любой книги: фикшн или нонфикшн, в картонном, мягком или вообще без переплета (е-книга).
Научная работа проводилась на базе данных самого известного и авторитетного еженедельного списка бестселлеров New York Times, ежегодно просеивающего около 3 млн. книг (включая 100+ тыс. новых) в поисках примерно 500 бестселлеров.
Результаты этой работы https://goo.gl/NJCXiG столь же потрясающие, сколь и обескураживающие.
➖ Потрясность в том, что найденная модель математически подтвердила, что экономика цифрового мира стоит всего на одном ките – внимании массовой аудитории. Чем привлекать это внимание: рекламным бюджетом, создавая впечатление, подкупом инфлюэнсеров или фейковыми новостями, – все равно. Главное – захватить внимание и держать.
➖ Обескураживающий вывод груб и банален. В цифровом мире Закон Матфея («Богатые будут богаче, а бедные беднее») уже не просто закон, а Основной закон – т.с. Конституция Цифрового Мира.
Резюме результатов работы.
1) Созданная модель не только воспроизводит всю траекторию продаж книги, но также предсказывает общее количество копий, которые будут проданы в течение всей «жизни» книги, исходя из объема ее «ранних продаж» (предзаказ до официального выхода).
2) Точная модель, помимо «бурнопродажности» (объема «ранних продаж») содержит еще 2 параметра: «всемподходящесть» - широта охвата аудитории и «быстроприедаемость» - как быстро затухает интерес к книге.
3) Жизнь и судьба книги описывается до банальности просто:
▪️ стартовая маркетинговая кампания (деньги + инфлюэнсеры) – это основной фактор «бурнопродажности»;
▪️ последняя – это основной фактор рейтинга в списке бестселлеров;
▪️ последний – это основной фактор продаж 1й недели и даже месяца.
▪️ а дальше Закон Матфея: чем выше продажи 1й недели, тем выше они будут и дальше.
И самый потрясающий результат.
✔️ Универсальный паттерн динамики продаж бестселлеров оказался абсолютно таким же, как и у цитирования научных статей, ссылок между документами в Интернете, «формулы городов», «формулы жизни» … и любых иных безмасштабных сетей https://goo.gl/UZQ72e .
Это «предпочтительность установления связей» (preferential attachment) (например, новый документ в сети более вероятно будет иметь ссылку на уже существующий документ, на который уже есть много ссылок).
Т.е. preferential attachment – это и есть Закон Матфея Цифрового Мира.
Кто-то скажет, - ну и что нового? Все и так известно — бабло побеждает все, а пиар – это то же бабло. Инфлюэнсеры рулят, а пипл хавает…
Не соглашусь. Одно дело хоть и двухтысячелетняя, но лишь вербальная формулировка Закона Матфея. Другое дело – универсальный паттерн и подкрепляющая его матмодель.
Вывод из всего этого, увы, грустный.
Появление новых супербестселлеров теперь просчитывается и (внимание!) проплачивается по математически выверенной таксе.
И никаких сюрпризов! Но только для тех, кто в курсе и понимает цифровой мир. Т.е. для диджитал гроков.
Грок (Grok) – это тот, кто умеет «переваривать» и превращать новые смыслы в часть себя, делать их частью своей жизни.
Для таких диджитал гроков пишет на авторском канале @groks Илья Пестов — о технологических трендах и маркетинге (отчёты, данные, графики, новости, подборки статей на русском и английском, собственный взгляд на события от человека, работающего в этой индустрии).
Ведь одно дело - смотреть на диджитал мир со стороны, а другое - жить в нём и уже сегодня делать его таким, каким он только станет.
#BigData
Эйнштейн XXI века Альберт Барабаши создал матмодель, точно предсказывающую продажи книги
Наука Больших Данных добралась до анализа книжного рынка и описала его законы, вычислив:
✔️ универсальный паттерн динамики продаж бестселлеров;
✔️ универсальную модель «всемподходящести», «бурнопродажности» и «быстроприедаемости» любой книги: фикшн или нонфикшн, в картонном, мягком или вообще без переплета (е-книга).
Научная работа проводилась на базе данных самого известного и авторитетного еженедельного списка бестселлеров New York Times, ежегодно просеивающего около 3 млн. книг (включая 100+ тыс. новых) в поисках примерно 500 бестселлеров.
Результаты этой работы https://goo.gl/NJCXiG столь же потрясающие, сколь и обескураживающие.
➖ Потрясность в том, что найденная модель математически подтвердила, что экономика цифрового мира стоит всего на одном ките – внимании массовой аудитории. Чем привлекать это внимание: рекламным бюджетом, создавая впечатление, подкупом инфлюэнсеров или фейковыми новостями, – все равно. Главное – захватить внимание и держать.
➖ Обескураживающий вывод груб и банален. В цифровом мире Закон Матфея («Богатые будут богаче, а бедные беднее») уже не просто закон, а Основной закон – т.с. Конституция Цифрового Мира.
Резюме результатов работы.
1) Созданная модель не только воспроизводит всю траекторию продаж книги, но также предсказывает общее количество копий, которые будут проданы в течение всей «жизни» книги, исходя из объема ее «ранних продаж» (предзаказ до официального выхода).
2) Точная модель, помимо «бурнопродажности» (объема «ранних продаж») содержит еще 2 параметра: «всемподходящесть» - широта охвата аудитории и «быстроприедаемость» - как быстро затухает интерес к книге.
3) Жизнь и судьба книги описывается до банальности просто:
▪️ стартовая маркетинговая кампания (деньги + инфлюэнсеры) – это основной фактор «бурнопродажности»;
▪️ последняя – это основной фактор рейтинга в списке бестселлеров;
▪️ последний – это основной фактор продаж 1й недели и даже месяца.
▪️ а дальше Закон Матфея: чем выше продажи 1й недели, тем выше они будут и дальше.
И самый потрясающий результат.
✔️ Универсальный паттерн динамики продаж бестселлеров оказался абсолютно таким же, как и у цитирования научных статей, ссылок между документами в Интернете, «формулы городов», «формулы жизни» … и любых иных безмасштабных сетей https://goo.gl/UZQ72e .
Это «предпочтительность установления связей» (preferential attachment) (например, новый документ в сети более вероятно будет иметь ссылку на уже существующий документ, на который уже есть много ссылок).
Т.е. preferential attachment – это и есть Закон Матфея Цифрового Мира.
Кто-то скажет, - ну и что нового? Все и так известно — бабло побеждает все, а пиар – это то же бабло. Инфлюэнсеры рулят, а пипл хавает…
Не соглашусь. Одно дело хоть и двухтысячелетняя, но лишь вербальная формулировка Закона Матфея. Другое дело – универсальный паттерн и подкрепляющая его матмодель.
Вывод из всего этого, увы, грустный.
Появление новых супербестселлеров теперь просчитывается и (внимание!) проплачивается по математически выверенной таксе.
И никаких сюрпризов! Но только для тех, кто в курсе и понимает цифровой мир. Т.е. для диджитал гроков.
Грок (Grok) – это тот, кто умеет «переваривать» и превращать новые смыслы в часть себя, делать их частью своей жизни.
Для таких диджитал гроков пишет на авторском канале @groks Илья Пестов — о технологических трендах и маркетинге (отчёты, данные, графики, новости, подборки статей на русском и английском, собственный взгляд на события от человека, работающего в этой индустрии).
Ведь одно дело - смотреть на диджитал мир со стороны, а другое - жить в нём и уже сегодня делать его таким, каким он только станет.
#BigData
SpringerOpen
Success in books: a big data approach to bestsellers - EPJ Data Science
Reading remains the preferred leisure activity for most individuals, continuing to offer a unique path to knowledge and learning. As such, books remain an important cultural product, consumed widely. Yet, while over 3 million books are published each year…
Два гения из Facebook и Google революционизируют HR
Новый класс решений для раскрытия будущего потенциала таланта
Когда рано или поздно упадет спрос на нефть, России либо придется переключиться на экспорт воды из Байкала, либо-таки осознать, что ее самая большая национальная ценность – это мозги проживающих здесь людей.
И если начать готовиться к такому осознанию уже сегодня, то самым правильным было бы приглядеться к наиболее прорывным и т.с. «загоризонтным» решениям для раскрытия будущего потенциала таланта.
Ведь что ни говорите, а именно здесь кроется возможность для любой компании уйти в отрыв от конкурентов. Конечно, и эффективный найм, и управление персоналом тоже важны. Но все же они про экономию денег, а не про их добычу.
Тогда как раскрытие будущего потенциала таланта – это, по сути, как умение найти золотую жилу и застолбить вокруг ее свой участок. Т.е. лучшее, к чему только можно стремиться.
Среди самых-самых интересных подходов в этой области, несомненно, объединение возможностей поиска и аналитики больших данных с технологиями ИИ.
И номером 1 здесь (имхо) Благородный Восьмистадийный Путь - стартап Eightfold.ai с его первой в отрасли Talent Intelligence Platform, созданной для комплексного подхода к поиску и управлению талантами.
Этот стартап создан Ашутошем Гаргом, бывшим экспертом по поиску и персонализации в Google и IBM Research, и Варуном Качолия, возглавлявшим команду поискового ренкинга в Google и YouTube, а потом и команду News Feed в Facebook.
Оба основателя вдохновлены древней философией Восьмеричного Пути, который позволяет людям идти по пути их выбора, побуждая их учиться, отучивая от дурных привычек и развивая лучшие навыки, необходимые для достижения целей и устремлений.
Но помимо философской основы, у основателей компании есть 80 патентов и более 6 тыс. ссылок в научных публикациях ни их исследования и разработки (собственно, почему я их давно и хорошо знаю).
Назначение Talent Intelligence Platform - предсказать для каждого сотрудника наилучший путь карьеры и его развития, чтобы он мог полностью реализовать свой потенциал и принести максимум пользы компании.
Другой ключевой функцией Talent Intelligence Platform является предоставление рекрутерам и менеджерам по найму глубинного зондирования всей доступной в сети информацию о человеке, позволяющего резко увеличить количество квалифицируемых кандидатов и при этом выявлять опасных кандидатов посредством слепого скрининга.
Подробней в многочисленных статьях:
https://techcrunch.com/2018/04/17/two-facebook-and-google-geniuses-are-combining-search-and-ai-to-transform-hr/
https://www.forbes.com/sites/louiscolumbus/2018/04/17/how-to-close-the-talent-gap-with-machine-learning/#2232434d4e96 и т.д.
и на сайте компании http://eightfold.ai/
N.B. Это не реклама. Ребята и их решения реально крутые, и перспектива за их подходом.
#HR #BigData #ИИ
Новый класс решений для раскрытия будущего потенциала таланта
Когда рано или поздно упадет спрос на нефть, России либо придется переключиться на экспорт воды из Байкала, либо-таки осознать, что ее самая большая национальная ценность – это мозги проживающих здесь людей.
И если начать готовиться к такому осознанию уже сегодня, то самым правильным было бы приглядеться к наиболее прорывным и т.с. «загоризонтным» решениям для раскрытия будущего потенциала таланта.
Ведь что ни говорите, а именно здесь кроется возможность для любой компании уйти в отрыв от конкурентов. Конечно, и эффективный найм, и управление персоналом тоже важны. Но все же они про экономию денег, а не про их добычу.
Тогда как раскрытие будущего потенциала таланта – это, по сути, как умение найти золотую жилу и застолбить вокруг ее свой участок. Т.е. лучшее, к чему только можно стремиться.
Среди самых-самых интересных подходов в этой области, несомненно, объединение возможностей поиска и аналитики больших данных с технологиями ИИ.
И номером 1 здесь (имхо) Благородный Восьмистадийный Путь - стартап Eightfold.ai с его первой в отрасли Talent Intelligence Platform, созданной для комплексного подхода к поиску и управлению талантами.
Этот стартап создан Ашутошем Гаргом, бывшим экспертом по поиску и персонализации в Google и IBM Research, и Варуном Качолия, возглавлявшим команду поискового ренкинга в Google и YouTube, а потом и команду News Feed в Facebook.
Оба основателя вдохновлены древней философией Восьмеричного Пути, который позволяет людям идти по пути их выбора, побуждая их учиться, отучивая от дурных привычек и развивая лучшие навыки, необходимые для достижения целей и устремлений.
Но помимо философской основы, у основателей компании есть 80 патентов и более 6 тыс. ссылок в научных публикациях ни их исследования и разработки (собственно, почему я их давно и хорошо знаю).
Назначение Talent Intelligence Platform - предсказать для каждого сотрудника наилучший путь карьеры и его развития, чтобы он мог полностью реализовать свой потенциал и принести максимум пользы компании.
Другой ключевой функцией Talent Intelligence Platform является предоставление рекрутерам и менеджерам по найму глубинного зондирования всей доступной в сети информацию о человеке, позволяющего резко увеличить количество квалифицируемых кандидатов и при этом выявлять опасных кандидатов посредством слепого скрининга.
Подробней в многочисленных статьях:
https://techcrunch.com/2018/04/17/two-facebook-and-google-geniuses-are-combining-search-and-ai-to-transform-hr/
https://www.forbes.com/sites/louiscolumbus/2018/04/17/how-to-close-the-talent-gap-with-machine-learning/#2232434d4e96 и т.д.
и на сайте компании http://eightfold.ai/
N.B. Это не реклама. Ребята и их решения реально крутые, и перспектива за их подходом.
#HR #BigData #ИИ
TechCrunch
Two Facebook and Google geniuses are combining search and AI to transform HR
Two former product wizards from Facebook and Google are combining Silicon Valley’s buzziest buzz words — search, artificial intelligence, and big data — into a new technology service aimed at solving nothing less than the problem of how to provide professional…
Изображение дома предсказывает риск автомобильной аварии его жителя - практическая магия больших данных.
Хотите узнать самую надежную оценку риска вашего попадания в серьезную автоаварию?
Скопируйте изображение вашего дома из Google Street View и отправьте его на вход новой системы статистического выявления паттернов (в простонародье ИИ), придуманной двумя молодыми польскими исследователями.
Оценив дом по 7 параметрам (тип, возраст, состояние, плотность застройки, соседство …) вероятностной моделью, отлаженной на 20 тыс. домов попавших в серьезные аварии людей, система выдаст предсказание вашего риска с точностью на 20% лучше всех существующих оценок.
Вот такой переворот в страховом бизнесе.
И не только.
Магия больших данных о наших домах способна вызнать о нас еще многое …, что ставит ребром кучу правовых и социальных проблем приватности.
Вот отчет, подтверждающий эффективность работы новой системы https://arxiv.org/abs/1904.05270
#BigData
Хотите узнать самую надежную оценку риска вашего попадания в серьезную автоаварию?
Скопируйте изображение вашего дома из Google Street View и отправьте его на вход новой системы статистического выявления паттернов (в простонародье ИИ), придуманной двумя молодыми польскими исследователями.
Оценив дом по 7 параметрам (тип, возраст, состояние, плотность застройки, соседство …) вероятностной моделью, отлаженной на 20 тыс. домов попавших в серьезные аварии людей, система выдаст предсказание вашего риска с точностью на 20% лучше всех существующих оценок.
Вот такой переворот в страховом бизнесе.
И не только.
Магия больших данных о наших домах способна вызнать о нас еще многое …, что ставит ребром кучу правовых и социальных проблем приватности.
Вот отчет, подтверждающий эффективность работы новой системы https://arxiv.org/abs/1904.05270
#BigData