3.3. Машинное обучение и политика
Для любого политика особенно важно понимать своих избирателей. Машинное обучение позволяет «влезть в голову» каждого голосующего и воздействовать на его слабые места.
На президентских выборах 2012 года в США Барак Обама стал президентом благодаря машинному обучению. Его соперник Митт Ромни имел схожие взгляды на экономику и был не менее харизматичен. Исход выборов зависел от колеблющихся штатов. У Ромни была классическая кампания: опросы и выбор важнейших целевых групп. В штабе Обамы главным аналитиком был Раид Гани, эксперт по машинному обучению. Он сумел провернуть гениальную аналитическую операцию. Его команда объединила информацию об избирателях в единую базу данных, дополнила ее сведениями из социальных сетей и других источников. После этого аналитики начали прогнозировать следующие факторы для каждого избирателя:
• каковы шансы, что он/она поддержит Обаму;
• насколько вероятно, что он/она придет на выборы;
• отзовется ли он/она на напоминание посетить выборы;
• изменит ли он/она мнение о выборах после бесед на определенные темы.
Каждый вечер машина проводила 66 тысяч симуляций выборов, по итогам которых формировались задачи для волонтеров: кому звонить, в какие дома идти, что говорить.
В политике, как и на войне, нет ничего страшнее, чем смотреть, как противник делает что то непонятное, не иметь представления, чем это грозит, и не понимать, что предпринять в ответ. В штабе Ромни видели, что соперники запускают рекламу на конкретных телеканалах в определенных городах, но не понимали почему. В результате Обама победил во всех ключевых штатах, кроме Северной Каролины, с большим перевесом.
В скором будущем политическая борьба может превратиться в битву алгоритмов машинного обучения.
Заключение
Машинное обучение — уникальная технология, которая способна менять саму себя. Верховный алгоритм, который объединит всю информацию прошлого, настоящего и будущего и сумеет решить любую задачу, — высшая стадия развития машинного обучения.
Соединяя множество простых алгоритмов, программисты составляют сложные цепочки логических рассуждений, а затем объединяют их в программы. Но чем сложнее и объемнее программы, тем труднее их использовать.
Машинное обучение — это программирование наоборот. Оно создает оптимальный алгоритм для получения желаемого результата из имеющихся данных. Алгоритмы машинного обучения обычно состоят из нескольких сотен строк кода, а программы, которые они заменяют — из сотен тысяч или миллионов строк. Одни и те же алгоритмы умеют решать разные задачи.
Верховный алгоритм — последнее, что изобретет человек. Все остальное будет изобретать сам верховный алгоритм.
Научные школы машинного обучения стремятся найти верховный алгоритм, но ни один из них нельзя назвать действительно универсальным. Педро Домингос создал универсальный алгоритм Alchemy, который обладает возможностями алгоритмов пяти школ. Но пока он не может перерабатывать большие данные, дает сбои и слишком сложен для обычных пользователей, его нельзя назвать верховным.
Развитие машинного обучения изменит все сферы жизни:
• сумеет масштабировать бизнес без потери индивидуального подхода к клиентам и будет быстро реагировать на изменения рынка;
• ускорит научные исследования и сделает их более точными;
• поможет политикам лучше понять избирателей и влиять на них.
Ну, а я не прощаюсь с Вами. А говорю Вам до скорой встречи на моем блоге. До волнующих моментов Нашей жизни))