Супер-идея для стартапа, который будет куплен Фейсбуком за миллиарды
Это не шутка и не преувеличение. И если Фейсбук не заплатит за эту технологию несколько ярдов (причем быстро и не торгуясь), то ее купит Амазон или Волмарт, - но уже за двузначное число ярдов. И остается только один вопрос – кто теперь сделает такую технологию первым.

Суть идеи в возможности автоматической идентификации возникновения стадного поведения, - т.е. поведенческих каскадов, вирусно охватывающих большие массы людей: обитателей социальных сетей, потенциальных покупателей и т.д.
Тот, кто способен автоматически идентифицировать только-только зарождающееся стадное поведение (в моде, покупательских предпочтениях, политических пристрастиях и т.п.), будет способен заработать на этом немыслимые деньги. Как если узнавать, какая из лошадей выиграет, уже на первых секундах забега, когда никто в мире этого еще не знает.

Новая работа «Оценка человеческого суждения о вычислительно-генерируемом роевом поведении» https://goo.gl/2kghNP - это развитие матмодели роя, предложенной Рейнольдсом еще в 1987 г.
Последний еще 30 лет назад поставил вопрос, - почему идентификация роевого поведения людьми столь быстра и эффективна, при том, что выполнение этой же задачи вычислительными методами, столь долго и затруднительно? Как человек делает это – на глазок и практически мгновенно? На какие параметры опирается человек, вынося суждение о том, что он видит формирующийся рой?

Развивая работы своих предшественников, авторы нового исследования таки придумали модель идентификации роевого поведения вычислительным образом, добавив к разработанной в 2015 модели еще 3 параметра: сила влечения, сила выравнивания и сила отталкивания «частиц» из которых формируется рой.

Уточню, что такое рой.
Это суперорганизм (см. вчерашний пост), состоящий из множества автономных особей (когнитивных агентов), полагающихся в своих поведенческих реакциях на собственные ощущения от коммуникации со средой, и взаимодействующих между собой таким образом, что в результате формируется глобальная форма поведения, проявляющаяся на уровне всего роя.

Т.е. динамика феномена рой в том, что структура на макроуровне возникает в результате взаимодействий на микроуровне.

Ключевые свойства роя:
- много-много частиц, кластеризующихся/группирующихся;
- частицы постоянно движутся, но их движение не является равномерно упорядоченным или выровненным, то есть отдельные частицы движутся в разных направлениях.

Поведение частиц роя напоминает свойства кипящих систем, «находящихся на краю хаоса».

Конечно же, любой умудренный знанием нейронных сетей читатель, тут же возразит, что элементарная нейронка легко распознает рой. Так в чем же прорывная идея?

А в том, что нейронка способна визуально распознать рой. А как она это сделает, если рой визуально не идентифицируем? Например, если рой (стадное поведение) формируется в социальной сети или шире, - в сетевом инфопространстве?

Для этого нужны идентификационные параметры, которые можно фиксировать и замерять.
А новое исследование предлагает работающую модель из 3х таких параметров: сила влечения, сила выравнивания и сила отталкивания «частиц» из которых формируется рой.

Дальше дело техники. Научиться оценивать эти 3 силы у когнитивных агентов, пребывающих в сетевом инфопространстве. И вуаля, - извольте бриться. Система будет способна идентифицировать зарождение стадного поведения на самой ранней стадии его возникновения.

Как сопоставить силы, характеризующие движение частиц роя, силам влечения, выравнивания и отталкивания мнений людей в инфопространстве, оставлю пока в тайне.
Лишь отмечу, что похожие «силы» можно фиксировать и измерять в модели синтеллектуального краудсорсинга, реализованного на платформе Witology.

#КогнитивныеАгенты #СтадноеПоведение #Инновации

https://goo.gl/2kghNP

Assessing Human Judgment of Computationally Generated Swarming Behavior

Computer-based swarm systems, aiming to replicate the flocking behaviour of birds, were first introduced by Reynolds in 1987. In his initial work Reynolds noted that while it was difficult to quantify the dynamics of the behaviour from the model, observers of his model immediately recognised them as a representation of a natural flock. Considerable analysis has been conducted since then on quantifying the dynamics of flocking/swarming behaviour. However, no systematic analysis has been conducted on human identification of swarming. In this paper we assess subjects' assessment of the behaviour of a simplified version of Reynolds' model. Factors that affect the identification of swarming are discussed and future applications of the resulting models are proposed. Differences in decision times for swarming-related questions asked during the study indicate that different brain mechanisms may be involved in different elements of the behaviour assessment task. The relatively simple, but finely tuneable model used in…
| Frontiers