Совершив тот или иной поступок, мы нередко сами удивляемся, почему это сделали. Особенно, если приняли не самое лучшее решение. Говорим, какое-то затмение нашло. Словно нами правит не разум, а что-то иррациональное, чего человек сам не может объяснить. Неужели ИИ способен это понять и моделировать наше поведение?
Александр Бухановский: Сразу расставим точки над "и". Моделирование поведения каждого отдельно взятого человека "здесь и сейчас" - задача практически нерешаемая, кроме самых простых реакций, например, паники. Потому что чужая душа - потемки. А вот когда людей много, они общаются друг с другом и формируют общую социальную среду, то это гораздо более "простая" система, подчиняющаяся общим законам развития. В ней уже можно моделировать поведение людей на основе их похожести. Их можно объединять по возрасту, местонахождению и даже ценностной картине мира.
Гораздо сложнее моделировать поведение в ситуациях, которые кардинально меняют жизнь населения. История показывает, что принимаемые социумом решения зависят от сложившейся в нем исторически ценностной структуры. Так, например, в марте-апреле 2022 г. реакцией на зарубежную инфокампанию о резком ухудшении экономической ситуации в России стал не массовый испуг, не паника, а противоположное - "за державу обидно", что привело в итоге к консолидации значительной части общества. Поэтому мы учим нейросети для моделирования поведения людей учитывать спектр их базовых ценностей.
Как вообще создаются нейросети, которые берутся за подобные предсказания? Ведь их надо на чем-то учить? Какие "учебники" они штудируют?
Александр Бухановский: Учебники - это огромные массивы соответствующих данных под конкретную задачу. Например, для задач экономики это статистика затрат на товары и услуги, использование финансовых инструментов (кредиты, депозиты), а также информация, которую мы получаем из самых разных источников: от СМИ до социальных сетей и общения в семье. Человек - существо социальное, и на его поступки очень сильно влияет общественная реакция. Так, в кризис желание купить лишний пакет сахара в супермаркете может быть вызвано тем, что сахар уже лежит в тележках других покупателей. Потому нет смысла в модели детализировать сам процесс передачи и интерпретации такой информации каждым человеком, достаточно определить лишь общую меру ее воздействия.
Но экономические и социальные условия меняются. Получается, что ИИ, говоря условно, готовится к прошедшей войне?
Александр Бухановский: Все верно, ИИ обучается на уже состоявшихся событиях. Однако, если условия и меняются, то люди меняются гораздо медленнее. Наиболее динамично потребности меняются в экономике. Но это можно учитывать при прогнозе и научить ИИ, закладывая в него модель изменения профиля потребностей. Так, например, мы разработали метод, позволяющий моделировать изменения потребительского поведения людей в кризисных ситуациях. Оказалось, что, когда люди выведены из зоны комфорта в неопределенность, они по-разному стараются вернуть себе ощущение контроля за ситуацией. Некоторые стремятся просто потратить "заначку", чтобы она не обесценилась, некоторые меняют пропорции потребления, значительно больше вкладывают в культуру и туризм, а некоторые зажимаются и потребляют по минимуму. Такое поведение было характерно для кризисных ситуаций в 2020 и 2022 годах. Люди в кризисах делятся на "быстрых" и "медленных". Одни панически бросаются закупать пачками гречку, другие реагируют довольно спокойно. В обычной, устойчивой экономике эти отличия почти не видны, но вот в кризисах они становятся определяющими. В свою очередь фундаментальные ценности людей меняются очень медленно, со сменой поколений. Потому, чтобы ИИ работал эффективно, мы учим его переключаться между спокойной жизнью и кризисными ситуациями.
Какие конкретно системы ИИ для человека вами уже разработаны? Были какие-то неожиданности?
Александр Бухановский: Мы разработали цифровой двойник "общества потребления" Санкт-Петербурга, который описывает разнообразные процессы поведения, связанные с финансовой активностью, потреблением разнообразных товаров и услуг. Он обучен на финансовых транзакционных данных, предоставленных нашим партнером, также новостных данных из открытых источников. На его основе можно решать различные задачи, например, прогнозировать востребованность тех или иных товаров и услуг определенными группами населения, а также повышать финансовую эффективность городских оффлайн-сервисов, обучать рекомендательные системы для провайдеров разнообразных товаров и услуг.
Что касается неожиданностей, нас удивило, что в совершенно разных кризисных ситуациях разные люди обладают схожими и устойчивыми стратегиями поведения. Вероятно, мы гораздо больше похожи друг на друга, чем нам представляется. Кстати, это повышает качество прогнозирования.
ИИ узнал, чему мы отдаем предпочтение, открывая свой кошелек? Рациональному или "нравится - не нравится"?
Александр Бухановский: ИИ вполне может оперировать и такими эмоциональным понятиями. Но потребление - это не только то, что "нравится", но и то, что "надо". ИИ умеет выявлять индивидуальные особенности и предпочтения, то есть моделировать баланс между разными потребностями. Зная это, он может определять намерения - куда люди будут тратить деньги. На основе этого механизма как раз и работает большинство рекомендательных сервисов, предлагающих людям разные товары и услуги. Их задача - не просто определить интересы людей, а сделать предложение, соответствующее конкретным условиям. Например, времени суток, ситуации на потребительском рынке, календарным особенностям, например, "8 марта", и пр.
Мы живем в турбулентное время, когда многие предпочтения меняются, поведение становится "капризным". ИИ может подстроиться под такие ситуации?
Александр Бухановский: Да, экстремальные ситуации вносят много неопределенности, существенно усложняют работу. Потому в работу включаются сразу несколько нейросетей, каждая из которых ответственна за моделирование поведения своей группы населения. Затем с учетом данных каждой модели строится общая картина.
А может ИИ не только предсказать, но предложить варианты поведения в зависимости от конкретной ситуации?
Александр Бухановский: Предлагать варианты поведения в логике царя Соломона ("Путь жизни мудрого вверх, чтобы уклониться от преисподней внизу") - это отдельная задача. Наш цифровой двойник лишь описывает, как себя поведет в ближайшее время - от двух недель до двух месяцев - общество потребления, детализированное до отдельных групп. В том числе, и для гипотетических сценариев. Скажем, "а что будет, если завтра доллар будет 30 рублей: что бросятся покупать, сколько будут тратить и где?" На основе такого двойника уже можно разрабатывать всевозможные системы поддержки принятия решений. Например, для ретейлеров - по оптимизации ассортимента торговых точек. Для банков - это выгодные для населения финансовых варианты, например, как удержать на счетах деньги в кризис.
Вы сказали, что этот цифровой двойник детально апробирован в Санкт-Петербурге. А что дальше? Кто им заинтересовался?
Александр Бухановский: В России рыночная экономика, и изначально мы ориентировали разработку на нужды крупных компаний. Это банки, сетевые ретейлеры, агрегаторы и пр. В 2024 году мы запустили новый проект - "Интеллектуальный советник главы города", который в доступной форме может предоставлять органам власти прогнозы потребительского поведения населения. Понятно, что его внедрение невозможно без тесного взаимодействия с держателями данных, в первую очередь, крупными банками. Могу вас заверить, что интерес к разработке у них есть.
Ученые Национального центра когнитивных разработок Университета ИТМО научили систему искусственного интеллекта (ИИ) подбирать высококвалифицированных сотрудников для решения самых разных задач. Это становится сегодня все более актуально, особенно в условиях жесточайшей конкуренции, сложных и многопрофильных проектов, рынка высоких технологий. Нередко из-за нехватки времени приходится нанимать человека "вслепую", рассчитывая на "проверку боем" во время испытательного срока.
Вначале система оценивает количество статей кандидатов в наукометрических базах данных, а также цитат и патентов. Отобрав множество потенциальных сотрудников, ИИ идет по "цифровому следу" каждого из них в открытых источниках, в том числе в социальных сетях и на специализированных ресурсах. В профиль кандидата попадает все: образование, опыт, профессиональные навыки и знания, а также биография, круг общения, интересы, особенности характера, склонности и зависимости.
Если заказчик решит ближе познакомиться с кандидатами и пригласит на собеседование, система поможет и здесь: подскажет вопросы для интервью и даже "оценит честность" собеседника во время видеоконференции. ИИ проанализирует выражение лица, тембр голоса и скорость речи. В итоге оценит истинность высказываний человека.
Если для формирования полного портрета системе не хватает информации в открытых источниках, она проанализирует "пробелы" и автоматически предложит соответствующие вопросы для интервью. Кроме непосредственного поиска специалистов, система помогает оценивать их благонадежность. Из множества предлагаемых разработчиками показателей работодатель может выбрать наиболее важные с точки зрения специфики его организации или реализуемого проекта. Ориентируясь на них, сервис расскажет об особенностях, возможных сложностях и ограничениях кандидата. Подобранные на основе собранных данных специалисты ранжируются.