«Устроены так люди: желают знать, желают знать, желают знать, что будет», — так поется в знаменитой песне. Действительно, нежная любовь к разного рода предсказателям, гадалкам, историям о путешествиях во времени обусловлена чисто человеческим желанием знать, куда мы движемся и к чему придем. Отдельным личностям помогает интуиция, другим – удача, а третьи вооружаются наукой.
Основатель американской компании Skopos Labs Джон Нэй попробовал предугадать политическую судьбу страны с помощью современных технологий. Программист создал алгоритм машинного обучения, который научился предсказывать, пройдёт или нет очередной законопроект в Конгрессе США.
Нэй загрузил в систему данные о заседаниях законодательного органа Соединенных Штатов с 1993 года по 2015. Программе были предоставлены сами тексты законопроектов, число авторов текста, дату внесения, политическую ориентацию авторов проекта и их «вес» в Конгрессе.
Алгоритм Нэя был многосоставным: первый «слой» анализировал язык документа, связь слов между собой, общий контекст, а затем переводил результат в числовой массив. Следующий уровень анализа связывал информацию с шансами на успех в Конгрессе. Последним этапом было прогнозирование.
Процент прохождения законопроектов в Конгрессе весьма низок – 4%. Это связано со сложной законодательной системой, состоящей из нескольких ступеней, от представления проекта до подписи президента США. В связи с этим, подсчитать неудачу довольно просто. Нэй же хотел не только просчитать вероятность прохождения того или иного законопроекта, но и вычислить, сколько конгрессменов проголосует «за», а сколько – «против».
Исходя из полученных данных, выяснилось, что на успешность законопроекта влияет авторитет его спонсоров и связь между тематикой закона и использованной в тексте лексикой.
[myexpertblock uphoto=»https://sciencepop.ru/wp-content/uploads/2017/05/lev-utkin.jpg» uname=»Лев Владимирович Уткин» uabout=»доктор технических наук, профессор СПбПУ «Политех»«]
«Да, действительно программа может подсчитать и спрогнозировать процессы в таких устойчивых системах, как американский Конгресс. Если дать этой нейросети информацию за значительный период, например, за 50 лет, то на выходе можно получить довольно точный результат. Главное препятствие на пути нейросетей – нестабильность.
Если вы возьмете информацию о всех чемпионатах мира по футболу с 1930 года и загрузите их в нейросеть, то точного прогноза в отношении нового чемпиона вы не получите. В таких нестабильных системах, как мировой футбол, все слишком динамично меняется: состав, участники, тактика, скорости, содержание самой игры. Конечно, сейчас разрабатываются так называемые LSTM-сети, обладающие некоторой долей рефлексии, но они ещё в зачаточном состоянии».
[/myexpertblock]
