Обратная связь

Краудсорсинг + Машинное обучение = Страшная сила

2017-й год стал прорывным в краудсорсинге и понимании процессов по разработке креативных идей. Первая новость вышла в начале года, но мы выжидали, чтобы поделиться с вами финальным результатом ученых изысканий, и оказались правы – третий прорыв свершился в декабре.

Предлагаем вашему вниманию подборку публикаций Сергея Карелова о трех революциях в мире краудсорсинга: часть 3.

Часть 1. Революция в краудсорсинге свершилась
Часть 2. Особое мнение – 2-я революция в краудсорсинге


Автор: Сергей Карелов
Текст приводится в редакции.
Источник

В России, в отличие, например, от машинного обучения, краудсорсинг и рынки предсказаний используются на доисторическом уровне, то есть так:
— как их себе представляли лет 20 назад (типа «мудрость толпы» всех победит),
— как они правильно работать не могут в 9 случаях из 10 (что доказано и объяснено в десятках зарубежных исследований последних лет).

В качестве иллюстрации продолжающегося бума зарубежных исследований в этой области, приведу новую великолепную работу, решающую доселе нерешаемую задачу «спасения коллективной мудрости», когда среднее мнение группы ошибочно (как оно в жизни, обычно, и бывает).

Rescuing Collective Wisdom when the Average Group Opinion Is Wrong

Ценность полученных здесь результатов трудно переоценить. Скажу лишь, что эта работа – серьезное основание задуматься о переводе всевозможных всенародных голосований (вплоть до выборов верховной власти и национальных референдумов) из офлайна в онлайн. Новая методика агрегации множества мнений для принятия решений (включая прогнозирование) разработана на стыке наук о коллективном поведении животных, психологии и машинного обучения.

Методика основана на:
✔️ т.н. «гипотезе многих глаз» (Many Eyes Hypothesis) – механизме оптимальной коллективной бдительности живых существ, минимизирующем потери при нападении хищников;
✔️ включении в обучающий контур методики машинного обучения;
✔️ расчете и анализе: гомогенности распределения знаний среди участников «толпы», значимости «толстого хвоста» распределения вероятностей и степени распространенности предубеждений.

Методика выделяет в «толпе» т.н. «информированное меньшинство», извлекает максимум полезной информации из коллективного мнения «неинформированного большинства» и, применяя механизм «многих глаз», не только радикально решает проблему «безумия толпы» (падение точности ответов/предсказаний при росте численности группы), но и позволяет гарантированно находить максимально корректные ответы/предсказания в тех доменах знаний/практик, на которые предварительно натаскана система машинного обучения.

Это означает, что для получения оптимального агрегатора мнений толпы, сначала нужно натренировать систему машинного обучения. Но это естественная плата для любого применения машинного обучения. Зато каков результат!

26 января 2018 года
  • Опубликовать в Facebook