AI Economist: veštačka inteligencija za usavršavanje poreskih modela

Simulator ekonomskih trendova zasnovan na veštačkoj inteligenciji, AI Economist u stanju je da nakon milion izvršenih simulacija ekonomskih trendova sačini model jedne pravednije poreske politike.

Duboko učenje (Deep RL, ili, DL, „temeljito učenje“; Deep Reinforcement Learning) je tokom proteklih godina obučilo i osposobilo veštačku inteligenciju da nadmaši čoveka u nekim složenim igrama, mozgalicama kao što su Go ili StarCraft. Da li bi takav princip primene veštačke inteligencije mogao da uradi i bolji posao u, recimo, vođenju nacionalne i globalne ekonomije?

Nejednakost prihoda jedan je od najvećih problema ekonomije. Jedno od najefikasnijih sredstava koje političari moraju imati je način da se postigne što uravnoteženije oporezivanje: vlade prikupljaju novac od građana u skladu s onim što oni zarađuju i taj novac redistribuiraju direktno, putem socijalnih šema ili indirektno, koristeći ga za plaćanje troškova javnih projekata. Ali, iako više oporezivanja može dovesti do veće jednakosti među građanima u društvu, previše oporezivanja bi ih moglo obeshrabriti da rade ili ih motivisati da iznalaze načine izbegavanja plaćanja – što, automatski, po logici, smanjuje i ukupni iznos u budžetskoj kasi.

Postići što racionalniji balans u oporezivanju nije lako. Ekonomisti se obično oslanjaju na pretpostavke koje je teško potvrditi. Ponašanje ljudi vezano za „matematiku para“ odnosno ekonomiju, kako ličnu tako i onu sistemski uspostavljenu je složeno, a prikupljanje podataka i formiranje „info-inputa“ o tome je teško. Ekonomisti su proveli decenije istražujući načine kako da što bolje osmisle poreske politike, ali je ona i dalje, sve do danas, ostala otvoren problem: kako utisnuti što je moguće veću racionalnost u oporezivanju, i na čemu bi taj zdravorazumski pristup trebalo da se zasniva?

Naučnici američke kompanije za poslovnu tehnologiju Salesforce misle da bi veštačka inteligencija mogla pomoći pri rešavanju najboljeg i najpravičnijeg oporezivanja građana i firmi u odnosu na njihove prihode. Vođeni Ričardom Sočerom, tim ove firme je razvio sistem koji se zove ‘AI Economist’ koji koristi duboko učenje – istu vrstu tehnike koja stoji iza ’AlphaGo’ i ’AlphaZero’ kompanije DeepMind – da identifikuje optimalne poreske politike za simuliranu ekonomiju. Alat je još uvek relativno jednostavan (ne postoji način da obuhvata sve složenosti stvarnog sveta ili ljudskog ponašanja), ali je obećavajući prvi korak ka procenjivanju politika na potpuno novi način. „Bilo bi neverovatno učiniti poresku politiku manje ispolitizovanom a sa što više realnih podataka na osnovu kojih izvodi svoje proračune,“ kaže član tima Alex Trott.

U jednom od početnih rezultata, ova ekonomska AI je pronašla politiku koja je, s aspekta maksimuma kako produktivnosti tako i jednakosti dohotka, bila 16% pravednija od najsavremenijeg progresivnog poreskog okvira koji su proučavali ekonomisti iz akademskih krugova. Poboljšanje u odnosu na trenutnu američku politiku bilo je još veće. “Mislim da je to potpuno zanimljiva ideja”, kaže Blejk Lebaron s Univerziteta Brendajs (Blake LeBaron, Brandeis univ., Massachusetts), koji je AI neuronske mreže koristio za modeliranje finansijskih tržišta.

U jednoj simulaciji, četiri osobe zaposlene na ovom istraživanju prihvatile su da ih nadgleda veštačka inteligencija sazdana upravo po njihovim modelima dubokog učenja; upregli su svoju ekonomsku AI dajući joj svoje podatke, potrebne veštačkoj inteligenciji za određivanje njihove poreske osnovice. Oni komuniciraju s dvodimenzionalnim svetom, prikupljajući, recimo, drvo i kamen, ili trgujući tim resursima sa drugima, ili ih koriste za izgradnju kuća, što im donosi novac. Radnici poseduju različite nivoe veština, što ih dovodi do specijalizacije u određenim oblastima. Radnici s nižom kvalifikacijom uče da rade bolje ako prikupljaju resurse, a oni sa višom kvalifikacijom uče da rade bolje ako kupe sredstva za izgradnju kuća. Na kraju svake simulirane godine, svi radnici oporezuju se po stopi koju je odredio kreator politike pod kontrolom AI, koristeći se svojim algoritmom dubokog učenja. Cilj kreatora politike je da poveća i produktivnost i prihode svih radnika. Tako se AI, shodno tome, približavaju optimalnom ponašanju ponavljanjem simulacije do, recimo – milion puta.

Oba modela dubokog učenja (DL) počinju od nule, bez prethodnog znanja o ekonomskoj teoriji, i uče kako da dalje postupaju i funcionišu putem pokušaja i pogrešaka – na potpuno isti način na koji veštačka inteligencija kompanije ‘DeepMind’’ uči, bez ljudskog doprinosa, recimo, da igra Go ili StarCraft na, skromno govoreći, nadljudskim nivoima.

Možete li puno naučiti od samo četiri radnika iz AI? Teoretski, da, jer jednostavne interakcije između nekolicine ispitanika ubrzo dovode do vrlo složenih modela ponašanja. (Na primer, igra ‘Go’ i dalje obuhvata samo dva igrača). I mada je tako, svi uključeni u projekat slažu se da će povećanje broja radnika koje će AI ispitivati u simulaciji biti od suštinske važnosti – ako će ovaj alat za analizu većeg broja ispitanika uspeti da modeluje realne scenarije.

Poigravanje sistemom

Od ključne je važnosti primena „duple doze“ veštačke inteligencije: AI neuronske mreže su i ranije korišćene pri kontroli ispitanika u simuliranim ekonomijama. Ali, stvaranje AI za donosioce politika. pa i za poreske politike, takođe vodi ka modelu u kojem se radnici i odlučioci međusobno neprekidno prilagođavaju jedni drugima, a shodno svojim postupcima. Ovo dinamičko okruženje bilo je izazov za modele dubokog učenja primenjenog na ekonomiju i poreske modele, s obzirom da strategija naučena u okviru jedne poreske politike možda neće funkcionisati tako dobro u interakciji s nekom drugom vrstom poreske politike. Ovo je, međutim, takođe značilo da je AI iznašao načina da izigra sistem. Na primer, neki radnici su naučili da izbegavaju porez smanjujući svoju produktivnost da bi se kvalifikovali za niži poreski razred, da bi je zatim ponovo povećali (produktivnost). Ekipa kompanije Salesforce kaže da ovo uzimanje i davanje uspostavljeni između radnika i kreatora politika dovodi do simulacije ekonomskog stanja i poreskog modela na način realističniji od bilo čega postignutog prethodnim modelima, gde su poreske politike obično fiksne i ne variraju (a što već po sebi nije realno stanje stvari).

Poreska politika koju je smislio AI Economist pomalo je neobična. Za razliku od većine postojećih politika, koje su ili progresivne (tj. oni koji više zarađuju bivaju i više oporezovani) ili regresivno (oni koji više zarađuju se oporezuju manje), poreska politika stvorena veštačkom inteligencijom spojila je aspekte oba, primenjujući najviše poreske stope na bogate i siromašne, dok su najniže poreske stope primenjene na radnicima sa srednjim primanjima. Kao i mnoga rešenja koja AI smisle – poput nekih poteza AlphaZero-a za pobedu u igrama – rezultat se čini kontraintutivan, a ne kao nešto što je čovekov um prethodno zamislio. Pa ipak, njegov uticaj na ekonomiju doveo je do manjeg jaza između bogatih i siromašnih.

U nastojanju da uoče hoće li poreska politika nastala uz pomoć veštačke inteligencije slično uticati i na ljudsko ponašanje, tim je testirao više od 100 radnika angažovanih preko Amazonovog “Mehaničkog Turčina” (Mechanical Turk), od koga je u simulaciji zatraženo da preuzme kontrolu nad radnicima (Naziv je potekao od mehaničke igračke-automatona iz 18. veka za simulaciju igranja šaha – a zapravo lutke iza koje se nalazio čovek koji je povlačio poteze). Otkrili su da je poreska politika proistekla iz veštačke inteligencije ohrabrila ljude da „igraju“ i ponašaju se na gotovo isti način kao i AI, sugeriršući – barem u principu – da se ’AI Economist’ može koristiti za uticaj na stvarnu ekonomsku aktivnost.

Beskrajno podešavanje

Još jedna prednost ekonomske simulacije pokretane veštačkom inteligencijom se ogleda u mogućnosti prilagođavanja parametara kako biste istražili raznolike scenarije. Na primer, uticaj pandemije bi se mogao stvoriti dodavanjem ograničenja kao što su međusobno distanciranje i ograničeni pristup resursima, ili pak uklanjanjem ljudi iz pula radne snage. „Teško je smisliti optimalne poreske teorije zasnovane na prošlosti i primerima iz ekonomske istorije ukoliko budućnost izgleda toliko drugačije od onoga što su do pre neki dan bili modeli predviđanja“, kaže Sočer.

Sposobnost simulacije da menja model je veliki plus, kaže LeBaron: „Prilično je zanimljivo videti radnike koji se prilagođavaju poreskom zakonu“. Ovo je zaobišlo jednu od inače krupnih kritika na račun već postojećih poreskih modela, u kojima je ponašanje obično fiksno, odnosno, nepromenljivo, kaže on.

Glavna rezervisanost LeBarona prema ’AI Ekonomisti’ odnosi se na mali broj ispitanika na kojima je ovaj alat primenjen. „Postoje oni koji tvrde da možete steći dublji intelektualni uvid sa samo nekoliko ispitanika“, kaže on. “A nisam jedan od njih.” On bi želeo da vidi kako ishode simulacije sprovedene na, recimo, stotinjak radnika – što je takođe cifra kojoj teži tim kompanije Salesforce.

LeBaron, međutim, veruje da bi se ovaj AI alat već mogao koristiti za proveru postojećih ekonomskih modela: „Da sam ja kreator politika, pokrenuo bih ovu ‘stvar’ čisto da vidim šta će ‘reći’ o već postojecim modelima“. Ako se AI Economist ne bi složio sa drugim, tradicionalnim „ljudskim“ modelima, to bi mogao biti znak da tim drugim modelima nešto nedostaje, kaže on.

Dejvid Parks, harvardski informatičar i ekonomista koji je sarađivao sa timom iz firme Salesforce je takođe optimističan. On se slaže s LeBaronom da im je potrebno znatno veći broj ispitanika. Ali, nakon što su to primenili nekoliko dodatnih karakteristika kao što je dodavanje kompanija simulaciji, Parks predviđa da će moći da ponovi postojeće teorijske rezultate. “Tada ishod AI simulacije odmah postaje koristan i upotrebljiv”, kaže on.

Američki profesor Doin Farmer (Doyne Farmer), koji na Oksfordu predaje ekono-fiziku i kompleksne matematičke sisteme u ekonomiji je, međutim, nešto malo manje ubeđen u valjanost budućih ishoda ekonomskog AI simulatora. Iako pozdravlja ukrštanje i primenu dubokog učenja sa igara na oblast ekonomije – „Postavlja se pitanje da li možete istraživati politike na isti način na koji AlphaZero igra apstraktnu stratešku igru kao što je Go“. On smatra da će proći još neko vreme pre nego što ovaj AI alat postane zaista koristan u ekonomskim predviđanjima i modeliranju. „Stvarni svet je, ipak, previše komplikovan“, kaže Farmer.

Tim iz Salesforce-a prihvata činjenicu da će neki ekonomisti biti, tek vremenom, i postepeno, ubeđivani u prihvatanje ekonomskih ishoda proizašlih isključivo iz algoritma. U tom smislu, oni puštaju svoj kod i pozivaju ostale da kroz njega pokreću svoje modele. Dugoročno gledano, ova otvorenost biće takođe važan deo prerastanja takvih alata u pouzdane, kaže Sočer. „Ako koristite AI kako biste ga preporučili nekim ljudima u formiranju njihovih nižih ili viših stopa oporezivanja,“ ističe on, „onda bi bilo bolje da budete dobro upoznati zašto je tako – da dobro poznajete razloge zbog kojih je proračun baš takav, a ne drugačiji.“

Will Douglas Heaven, MIT Technology Review

Posebni čipovi preuzimaju kriptovalute i – deluju nezaustavljivo

Kineska firma Bitmain dominira na tržištu „hardvera-po-meri“ i ne pokazuje znake usporavanja, piše Majk Orkat za MIT Review.

Ako je najveća zajednička imovina kripto-valuta njihova decentralizovana priroda – nemogućnost bilo koje osobe, korporacije ili udružene grupe da kontroliše budućnost kovanice – onda ne postoji egzistencijalna pretnja, poput uspona proizvodnje specifično integrisanih kola: ASIC-a (Application-Specific Integrated Circuit). Inače, kriptovalute upotrebljavaju metodu „proof-of-work“, što je zapravo “komadić” informacije koji je teško stvoriti, ali koji ostalim „igračima“ tj učesnicima u „rudarenju“ obezbeđuje laku proveru i verifikaciju transakcije, u cilju maksimizacije bezbednosti. A tu je i operacija koja se među kripto-rudarima naziva „decentralizacija“.

Integrisana kola specifična za aplikacije jesu čipovi specijalno dizajnirani da obavljaju one vrste proračuna koje su potrebne radi efikasnijeg rukovanja izabranom valutom – daleko efikasnije nego što je to moguće učiniti procesorima opšte namene. To što kripto-rudari mogu koristiti ASIC za dobijanje izvanredne prednosti verovatno neće predstavljati tako veliku pretnju ako jedna kompanija – kineska firma Bitmain – nije ušla u igru kako bi dominirala tržištem. Sada je Dejvid Vorik (David Vorick), osnivač tri godina starog servisa za skladištenje podataka, „Sia“, zasnovanog na „digitalnim blokovima“ tj blokčejnu, a njegov tim počinje da sarađuje sa Bitmain-om, koji je pravi Golijat u kripto-rudarskoj industriji.

Vorikova ASIC kompanija za proizvodnju ASIC-a, zvana Obelisk, predstavlja pokušaj okončanja Bitmejnove neumoljive proizvodnje novih ASIC-a. Međutim, on takođe odgovara na veće potrebe unutar kriptovalutne zajednice kako bi kovanice očuvale kao “otporne na ASIC” tako što su podešavali svoj softver. Treba se nadati da će takvo „petljanje“ značiti snažan uzvratni udar na velike kripto-rudarske igrače kao što je Bitmain.  Vorik, međutim misli da je to napor osuđen na malo ili nimalo uspeha, što mu govori i lično iskustvo.

Bitmain je zapravo pobedio Obelisk na tržištu kripto-valute Siacoin, koja je posebno prilagođena za ASIC ultrabrze čipove, iako novi startup planira da pošalje svoje rudnike prve generacije za oko osam nedelja. Vorik kaže da ga je ovo teško iskušavanje uverilo da ASIC neće uskoro otići. Budući da proizvođači hardvera imaju toliko mnogo fleksibilnosti u dizajnu i osmišljavanju, on kaže da će “uvek postojati putanja” kojom će se kretati razvoj prilagođenih čipova – procesora koji su u stanju da rade oko novih kripto-rudarskih algoritama kojima bi trebalo da se odupru.

„Iskopavanje“ kripto-valute je proces dodavanja skupova ili “blokova” novih transakcija na blokčejn. Rudari koriste velike količine računarskog potencijala kako bi pogodili određeni broj koji kriptografski povezuje novi blok sa prethodnim – ključem za snimanje dokaza otpornih na manipulacije i neovlašćeno „čačkanje“. Pronalaženjem broja, rudar dokazuje da je uradio posao koji je potreban da bi se obezbedio kontinuitet ovog virtuelnog valutnog „lanca“ (chain), da bi potom dobio zasluženu nagradu u kripto-valuti.

Samo nekoliko godina nakon pojavljivanja bitkoina, start-up firme otpočele su žestoku utakmicu za izgradnju ASIC čipova posebno namenjenih kripto-rudarima i njihovom „iskopavanju“ digitalnih valuta. Međutim, skoro sve te kompanije su posrnule – sve izuzev Bitmejna. Procenjuje se da ova start-up firma kontroliše više od 70 odsto tržišta hardvera za Bitcoin-mining. Ona takođe koristi svoj hardver za sopstveno bitkoin rudarenje. I to za puno  bitkoina: prema Blockchain.info, „rudarski baseni“ sa Bitmejnom čine više od 40 procenata ukupne računarske snage dostupne za Bitcoin mining.

Bitmejn je odnedavno počeo da se strahovito razvija, puštajući na tržište nove ASIC čipove dizajnirane za Eter tj itirijum (Ethereum), Zed-keš (Zcash) i Monero, pored Sije (Siacoin). Ovo je među korisnicima i programerima tih novčića izazvalo zabrinutost da bi Bitmain i njegovi partneri mogli zadobiti većinu kapaciteta za rukovanje svojim mrežama, što bi im pružalo dovoljno snage za ometanje ili zlonamerno napadanje mreže. Ova je bojazan inspirisala programere na nadogradnju softvera (koju su, u slučaju kripto-valute Monero, programeri isporučili) zarad otpornosti ASIC čipova.

Međutim, ako je Vorik u pravu, to može biti izgubljeni razlog – argument koji je postavio u podužem blogu ove nedelje o svom iskustvu sa Obeliskom. Kaže da se nada da će post “nagnati ljude da prihvate činjenicu da će snažna kripto-rudarska centralizacija biti prisutna još dugo vremena”. Sledeće pitanje, po Voriku, glasi: “Šta možemo učiniti sa našim protokolima, našim dizajnom i našom zajednicom da bismo se uverili da ovo nije katastrofalna stvar?”

Uzgred:

Na panelu koji je održan u okviru CoinDesk Consensus 2018 konferencije, tri velika imena u rudarenju kriptovaluta našla su se u centru ove debate o implikacijama ASIC-a na bezbednost i decentralizaciju.

Diskusija se u nekoliko situacija vraćala na ulogu države, ponekada kao partnera, a ponekada kao protivnika.

ASIC je posebno napravljen kompjuterski čip koji se koristi za visokoefikasno rudarenje kriptovaluta. Kada se ASIC razvije za rudarenje specifičnog coina, dolazi do istiskivanja GPU-a sa tržišta.

Za neke, uključujući tu i Marko Strenga, izvršnog direktora kompnaije za rudarenje Genesis, to je problem.

– GPU (grafila jedinica za procesuiranje, ili grafička karta) je najdecentralizovaniji hardver za rudarenje, izjavio je.

Deo razloga za njegovu tvrdnju leži u činjenici da je GPU jefitniji i zahteva manje investicije za pokretanje operacije rudarenja.

Za Gidiona Pauela, izvršnog direktora kompanije Crypto Corp, Streng je u pravu:

– Da (ASIC) nije toliko decentralizovan, ali više volim ASIC jer je bezbedniji.

Iako rudarenjem bitcoina dominira ASIC, Pauel nije zabrinut:

– Ne mislim da će pitanje decentralizacije uopšte biti bitno za bitcoin.

Neslaganje među njima dvojicom svodi se na to koja tema je pretnja veća. Dok Streng brine o koncentraciji kripto-rudarske snage u manjem broju ruku, Paula više brine agresivan stav mnogih vladajućih struktura u zemljama širom sveta.

 

Mike Orcutt  May 17, 2018, MIT

 

Kraftverk: ravnoteža čoveka i mašine

Kraftverk su bili pioniri elektronske muzike, a Karl Bartos jedan od autora hitova „Model“ i „Robot“. U razgovoru za DW on govori o prvom nastupu – i o kraju. O vremenu kada se muzika pretvorila u sport. Intervju sa Karlom Bartosom, članom originalne postavke ove po svemu revolucionarne grupe uradio Dojče vele.

DW: Gospodine Bartos, 1990. godine ste zbog nesuglasica napustili Kraftwerk. Sada će biti objavljena Vaša autobiografija. Šta Vam je bilo važno da kažete?

Karl Bartos: Već kod Džordža Orvela može da se pročita: stvarnost se odigrava u glavi. To znači da nema objektivnosti. Međutim, već četrdeset godina slušamo istu priču o Kraftverku i mislim da jedna drugačija perspektiva može samo da koristi. Potrudio sam se da objasnim proces stvaranja naše muzike. Da ispričam kako nastaju kreativne misli.

Pre nego što ste 1975. godine postali član Kraftverka, dugo ste u Dizeldorfu svirali u raznim grupama. Kakva je bila atmosfera u to vreme?

Mislim da je bio svojevrstan i to priličan poklon doživeti šezdesete i sedamdesete godine. Muzika 60-ih godina za moju generaciju je imala neverovatnu snagu. Imala je poruku da ne treba verovati svemu što autoriteti kažu. Mislim da su u to vreme mladi u čitavom svetu međusobno komunicirali. Bez zaobilaženja autoriteta. I tome je doprinela ta zaista zanimljiva muzika.

Zatim ste na akademiji „Robert Šuman“ u Dizeldorfu studirali muziku. Tada ste i stupili u kontakt sa Kraftverkom koji je za nastup tražio klasičnog bubnjara.

Kada mi je profesor Ernst Gebler tada prosledio tu informaciju, mislio sam da je to samo jedan od mnogih nastupa koje sam u to vreme imao. U to vreme bilo je neverovatno mnogo bendova, neverovatno mnogo mogućnosti za nastupe. Di-džejevi još nisu bili izmišljeni. Na koncertu smo se od samog početka veoma dobro razumeli, ali nismo tačno znali kuda sve to vodi. Ništa nije bilo definisano, bilo je otvoreno.

Bili ste na snimanju albuma „Radio-Aktivität“, a od albuma „Trans Europa Express“ učestvovali ste u pisanju pesama. Kako je zapravo muzika nastajala u Kraftverku?

U studiju „Kling-Klang“ smo imali „Writing Sessions“, to znači da smo sedeli u krugu i improvizovali. Poput džez muzičara. Bila je druga polovina sedamdesetih, kompjutera još nije bilo. Imali smo jedan muzički automat koji je mogao da ponovi šesnaest tonova. To je bila jedina mašina u našem studiju. Improvizovali smo, gledali jedni u druge, smejali se kao ludi i sve to snimali. Na tim probama nastao je sirov materijal za naše kompozicije. U suštini je to bila predivna zabava koju smo preneli u muziku. Iz toga je nastao polifonijski stil kompozicije, višeglasje.

Da li je grupa tada bila svesna ili da li se govorilo o tome koliko je Vaša muzika bila ispred vremena?

Značaj Kraftverka nismo mogli da predvidimo. Kada smo radili na sekvenceru (elektronski uređaj za snimanje, ponavljanje i obradu muzičkih podataka, prim. red), bio je to u stvari nastavak upotrebe muzičkih automata koje smo u Evropi imali od prosvetiteljstva. Automatska muzika oduvek je bila zanimljiva. Uz pomoć elektronike ta ideja je zapravo nastavljena. Ali mislim da je u drugoj polovini sedamdesetih kod nas odlučujuće bilo to da je ravnoteža čoveka i mašine zaista funkcionisala. Dolaskom kompjutera to se promenilo. Ne želim da kažem da sa kompjuterom ne može da se postigne nikakva interakcija, ali… mi smo napravili i nekoliko grešaka u razmišljanju.

Na koje greške mislite?

Ideju improvizacije pokušali smo da prenesemo na digitalnu platformu. Na početku smo napravili grešku što smo kanale predproducirali. Mislili smo da improvizujemo proizvoljno ih paleći i gaseći. Ali to naravno nije bila improvizacija, već takoreći naizgled-improvizacija.

I međuljudski odnosi su se pogoršavali. Hobi, vožnja bicikla, u osamdesetim godinama postaje sve važnija pojedinim članovima benda.

Zamislite sada da na biciklu pređete 200 kilometara. Šta ste posle toga još u stanju da uradite kada se vratite kući i sednete na stolicu? Puls pada na ispod pedeset, više nemate nikakvih želja, apsolutno ste srećni. Kada se to nastavi godinama, jednostavno više nema nagona da se pravi muzika. Šta se s nama desilo u drugoj polovini osamdesetih godina? Sa ove vremenske distance rekao bih: od muzike smo napravili sport. Ona je postala neka vrsta takmičenja. Zaboravili smo šta je naša glavna kompetencija: autonomna fantazija.

Može li prosto da se kaže da više nije bilo melodija?

Znam šta mislite, ali za mene odgovorajuće metafore ostaju polifonija i monofonija. Ranije smo radili polifono, utroje smo razvijali i izmišljali našu muziku. Zato su je karakterisali živost i višeglasje. A u drugoj polovini osamdesetih godina postala je monotona. Nastalo je jednostavno ređanje muzičkih informacija. Postoji jedan algoritam u elektronskoj muzici ili u obradi teksta: Copy-and-paste. Kopi-pejst nije polifonija.

Nakon izlazka iz grupe Kraftverk, Karl Bartos radio je kao muzičar, di-džej, muzički producent i kompozitor. Njegova autobiografija (u prodaji od 25. avgusta) otkriva zanimljive detalje o radu grupe Kraftverk, čija muzika je snažno uticala na razvoj hip-hopa, tehno i elektro-pop muzike.

DW

Kineski vojni radar u globalnom ratu protiv komaraca i bolesti koje prenose

Kineski naučnici razvijaju uređaj kojim bi otkrili let insekata sa krilima na udaljenosti od 2 km – izum koji bi se mogao iskoristiti za spasavanje miliona života. Priču donosi South China Morning Post.

Prema naučnicima uključenim u ovaj istraživački projekat, kineska vlada razvija super osetljivi radar koji može otkriti rad krila komaraca u radijusu do 2 kilometra.

Prototip uređaja testira se u vojnoj laboratoriji na Tehnološkom institutu u Pekingu (BIT), rekao je jedan od naučnika uključenih u razvoj ovog sistema. Ovaj program uključuje osetljivu tehnologiju koja se već koristi u kineskim sistemima raketne odbrane.

“Identifikovanje i praćenje pojedinačnih ciljeva veličine komaraca više nije naučna fantastika”, rekao je. “Mi smo, zapravo, veoma blizu tačke gde će ova tehnologija iz laboratorije biti upotrebljena kako bi spasavala živote.”

Ukoliko niste znali, komarci su oduzeli više ljudskih života nego svi ratovi u istoriji zajedno. prema podacima Svetske zdravstvene organizacije, njihovi zarazni ujedi i dalje svake godine uzrokuju više od milion smrtnih slučajeva.

Insekti imaju ulogu prenosilaca širokog spektra mikroorganizama koji su uzročnici brojnih bolesti, od malarije i žute groznice, do denge i novijih virusa kao što je zika.

Kina razvija nove radarske tehnologije kako bi otkrila neprijateljske stelt letelice, a nus-efekat ovog razvoja je primena ove opreme u detekciji rojeva komaraca-koji prenose smrtonosne bolesti.

Suzbijanje ovih dosadnih prenosilaca infekcija spada u glavne ciljeve, a sa ciljem očuvanja zdravlja nacije. Komarci mogu doleteti i odleteti praktično bez traga – njihovo poznato zujanje može nas upozoriti ali samo kada su već sasvim blizu nas – a tada je već kasno.

Nakon višedecenijskog razvoja, savremeni vojni radari danas mogu izdvojiti i identifikovati odjeke sa udaljenosti koje su više nego impresivne. Uzmimo kao primer radar Američke agencije za protivraketnu zaštitu koji operiše na  “X” tj mikrotalasnim frekvencijama (7.0 do 11.2 GHz), koji može otkriti objekat veličine lopte za bejzbol na oko 4000 kilometara udaljenosti.

Kina je razvila radarske sisteme sličnih naprednih karakteristika kako bi pratila vojne projektile i stelt avione, premda neki naučnici angažovani na ovim vojnim projektima smatraju da se ovakva tehnologija može koristiti i za borbu protiv komaraca; upravo su oni i ubedili kinesku vladu da finansira njihova dalja istraživanja radarske tehnologije u mikrotalasnom („X“) frekventnom opsegu.

Tim predvođen Long Tengom je krajem prošle godine dobio finansijsku podršku vlade u visini od preko 82 miliona juana (12,9 miliona dolara) kako bi konstruisao radar za detekciju komaraca i drugih štetočina, i koji bi mogao biti testiran praktično na terenu.

Prema podacima s interneta i univerzitetskih veb-stranica, Long je direktor BIT-ovog instituta za istraživanje radarskih tehnologija i vodeći je naučnik u ključnom razvojnom programu vojnih radara u Kini. On dosad nije komentarisao ovu priču koja se pojavila u svetskim medijima.

Prema naučniku angažovanom na ovom projektu, radar funkcioniše tako što emituje brze impulse elektromagnetnih talasa koji se prostiru na mnogobrojnim frekvencijama. Kada neki od ovih radio-talasa „naleti“ na komarca, odbija se o njega i vraća nazad ka radaru, noseći sa sobom informacije koje uključuju podatke o vrsti komarca, polu, brzini i pravcu u kojem leti, kao i da li je insekt – jeo.

Radar se, na primer, može montirati na krovu koji gleda na naselja i stambene objekte, i koristiti ga za određivanje položaja velikih kolonija komaraca, njihovih područja razmnožavanja i mesta odmora. Ukoliko kolonija migrira u neko susedno područje, domaćinstva tih oblasti mogu biti pravovremeno upozorena.

Naučnici drugih zemalja koriste civilne radarske mreže za praćenje kretanja grupe – jata ptica ili većih insekata poput skakavaca ili moljaca; ipak, veruje se da je ovo prvi pokušaj upotrebe radara za praćenje komaraca i njihovih rojeva.

Ovaj istraživač istakao je da je prototip postigao osetljivost koja je bez presedana, upravo jer su kineske vlasti dozvolile timu da izgradi sistem upotrebom najnovije tehnologije vojnih radara.

Ovaj radar, recimo, poseduje antenu zadnje generacije, nalik onoj koja se koristi na najnovijim kineskim vojnim brodovima. Antena može istovremeno da usmerava i odašilje snopove mikrotalasa u različitim pravcima i u stanju je da detektuje rakete ili vojne mlaznjake daleko brže od konvencionalnih radara, koji koriste rotirajuće tanjire.

Ovaj radar, takođe, poseduje jednu zasebnu antenu za generisanje radio-talasa koji osciliraju u više pravaca. Funkcionišući po principu poznatom kao polarizacija, ona pruža detaljne informacije o meti, tako da istraživači mogu razlikovati gladnu ženku komarca koja sisa krv, od mužjaka, koji je potpuno bezopasan i ne napada ljude već se isključivo hrani polenom.

Potom u igru ulazi superbrzi računar, koji koristi algoritam za istovremeno identifikovanje i praćenje kretanja velikog broja komaraca u istom roju ili zajednici na nekom području.

Ovaj projekat je plod saradnje bihejviorista specijalizovanih za ponašanje insekata i naučnika iz mnogih drugih disciplina. Radar obezbeđuje ogromne količine podataka i mogao bi pomoći biolozima i entomolozima da saznaju više o individualnom i kolektivnom ponašanju štetočina, što bi moglo dovesti do novih strategija za borbu protiv širenja bolesti koje prenose komarci.

Istraživački tim napravio je pomak u već postojećoj tehnologiji, a može se odmah primeniti u vojne svrhe, bez ikakvih prepravki ili modifikacija. Anonimni istraživač koji je pristao da govori o ovom kineskom radaru takođe je odbio da kaže kada će prvi radar biti završen i aktiviran.

“Trenutno gradimo jednu ili dve jedinice. Nadamo se da će u budućnosti biti proizveden veliki broj ovakvih radara, i da će biti instalirani širom zemlje kako bi se formirala velika mreža za praćenje ne samo komaraca već svake životinjske vrste koja leti”, rekao je on.

Ji Ženjan, priznati istraživač vojne radarske tehnologije i zamenik direktora elektrotehničkog odeljenja Instituta za tehnologiju u Harbinu izjavio je da je identifikacija i praćenje tako majušnih ciljeva udaljenih kilometrima izuzetno teško.

Postojeća tehnologija vojnog radara mogla bi otkriti male, nekooperativne signale udaljene stotina pa i hiljadama kilometara, ali komarci su bili “druga priča”, rekao je on.

Ji, mada vrhunski svetski ekspert u oblasti radarskih tehnologija, ipak nije aktivno uključen u projekat. On je izjavio da je komarce teže detektovati nego stelt avion poput lovca F-22, koji ima poseban premaz i geometrijski dizajn prilagođen „prelamanju“ radarskih talasa, a samim tim i izbegavanju uočavanja na radarskim ekranima.

“Krila komarca se, naravno, umnogome razlikuju od metalnih krila vojnog mlaznjaka, a isto je i s njihovim sastavom, oblicima i pokretima. Radar za detekciju komaraca iziskuje potpuno novi set algoritama”, rekao je Ji.

Najveći izazov dolazi iz neposredne okoline, pošto se radarski talasi koji se odbijaju o komarce i vraćaju u radar izuzetno slabi, pa bi lako mogli biti preplavljeni bukom koja potiče iz pozadine. Filtrirati pozadinsku buku i iz nje izdvojiti autentičnu frekvenciju/signal komaraca ili njihovog jata bilo je više nego komplikovano.

“Dakle, ono što savršeno dobro funkcioniše u laboratoriji možda neće biti tako uspešno na terenu”, rekao je Ji.

Liju Singje, profesor entomoloških studija na Kineskom poljoprivrednom univerzitetu u Pekingu izjavio je da bi program radarskog uočavanja insekata imao neprocenjivu ulogu u borbi protiv štetočina, jer bi radari pažljivo nadgledali komarce i druge sitne insekte – prenosioce teških bolesti.

On je rekao da su neki regioni Kine, naročito njen severoistočni deo, tropske zemlje i Afrika i dalje na udaru komaraca i da trpe od posledica bolesti koje prenose.

Razlike u ponašanju, poput oblika i brzine zamaha krila kao i načina njihovog kretanja mogu se identifikovati upravo radarom, pružajući naučnicima “precizno navođeno oružje u ratu protiv najsmrtonosnijeg stvorenja na Zemlji”, rekao je Liju. “Ovaj radar mogao bi spasti milione života.”

Ovaj članak pojavio se 31. marta 2018. u štampanom izdanju South China Morning Posta (SCMP)

Srodni link: Kako izbrisati komarce i iskoreniti malariju? Odgovor na ovaj izazov možda leži u jednoj vrsti mutirane gljivice.

Big Data i biznis: Kako izvući smisao i korist  iz gigantskih baza podataka?

Koliko je vremena potrebno da se oporavite od hirurškog zahvata zamene kuka?

Za bolnice širom sveta ovo  nipošto nije akademsko pitanje. Bolnice su imale oko 36 milijardi dolara nekompenzovanih troškova zbrinjavanja u 2015. godini. Najveći deo njih potiče od neplaćenih računa pacijenata.

Jedno rešenje ovog problema je ograničavanje troškova vezanih za operaciju – ali kako? Odgovor: Machine learning („Mašinsko učenje“ je već uvrežen termin u srpskom jeziku, mada je pogrešan; „Učenje mašina“ daleko preciznije pogađa suštinu). Bolnice sada koriste prediktivnu analitiku kako bi prognozirale prosečne boravke i potencijalne komplikacije koje mogu iskrsnuti tokom operacija, poput operacije kičme.

Na primer, podaci od kupaca usluga zdravstvene zaštite pokazuju starosnu dob pacijenta, ustanove koje obezbeđuju osnovne zdravstvene usluge, i sekundarnu dijagnozu. Pomoću mašinskog učenja i prediktivne analize podaci sada mogu predvideti buduće troškove i doprineti identifikovanju pacijenata koji mogu imati probleme u oporavku. Ishod? Bolnice donose bolje kliničke odluke, doživljavaju niže stope readmisije, nudeći kraće bolničke boravke i pružajući bolju negu.

Biznisi ogromnog broja preduzeća pokazuju slične efekte „stvarne situacije na terenu“, dakle, dobijaju realističnije cifre u predikciji, a sve to zahvaljujući upotrebi mašinskog učenja za analiziranje svojih poslovnih podataka. Često je problem u nedovoljnoj količini podataka – potrebnih za što bolju analizu i predikciju – a ti im podaci često nedostaju.

Po rečima Majka Gotjerija (Mike Gaultieri), analitičara kompanije za tehnološku predikciju marketinga i tržišta, Forrester Research, mašinsko učenje nije ni nalik tradicionalnoj poslovnoj inteligenciji u kojoj su garantovani rezultati. “Ukoliko tražite model za mašinsko učenje, možete reći ‘pokušaću’, ali možda nećete uspeti”, rekao je. “Preduzeća i biznisi moraju da razumeju da samo zato što ste želeli da imate model koji predviđa kretanje akcija na berzama ne znači da ćete ga i u stvarnosti imati.”

Rags Raghavendra, rukovodilac analitike u DXC Technology’s Analytics Data Labs, globalnom čvorištu koje analitičari podataka koriste, fokusirao se na konsalting i pronalaženje načina operacionalizacije analitike. On kaže da su “kompanije frustrirane jer često preteruju”. Žele da im big data analitika “odradi” prevelike grupe podataka, “žonglirajući” njima iako nisu dovoljno kvalifikovani za njihovo tumačenje i razumevanje, a i ne shvatajući koliko je taj zalogaj prevelik.  “Klijenti pokušavaju da učine nemoguće u smislu pokušaja da izvuku značenje iz svih mogućih vrsta podataka kojima imaju pristup”, rekao je on. “Ono što preporučujemo je da dobro razmotre podatke koje već poseduju i koji su lako dostupni, a tek potom da pređu na sledeći korak.”

Kompanije koje su pokušale i nisu uspele da proniknu u smisao i praktične aspekte analize velikih skupova podataka pre svega bi trebalo da prihvate da su neuspeh i iteracija tj ponavljanje neizostavni deo procesa analitike. One, ipak, mogu da svoje šanse za uspeh maksimiziraju tako što će postati pametniji kada je reč o korišćenju mašinskog učenja.

Evo osam načina za bolji i efikasniji pristup Big data analitici:

1. Počnite s problemom koji želite da rešite. Uranjati u podatke „skokom sa desetke“ a potom iščekivati da će oni volšebno izroniti pred vas je pogrešan pristup. Sve dobre priče o analitici podataka počinju identifikovanjem odgovarajuće metrike performansi koja povezuje poslovni rezultat sa pitanjima koja se odnose na podatke. Međutim, odabrana metrika ne bi trebalo da bude preširoka ili isuviše “granularna” tj usitnjena. Na primer, kada je DXC nedavno radio s jednom medijskom kompanijom na pojašnjenju razloga zbog kojih je pretplatnici napuštaju, najočiglednija metrika bila je promena u pretplatničkoj bazi. Kao što se ispostavilo, relevantnija metrika bio je Prosečni prihod po korisniku (ARPU), koji je bio direktno povezan sa većim poslovnim ciljevima koje je kompanije preduzimala kako bi povećala prihode.

2. Proces mašinskog učenja trebalo bi ’industrijalizovati’ odnosno razviti u širokom industrijskom obimu. “Čitav ovaj proces analize velikih skupova podataka nije industrijalizovan”, rekao je Raghavendra, čija Laboratorija podržava široku paletu oblasti, uključujući proizvodnju, telekomunikacije, automobilsku industriju, avio-kompaniju, energetiku, finansijske usluge i zdravstvenu zaštitu. “Dešava se da mnogo puta iznova i iznova ponavljate analizu ili je ne možete uvećati tj primeniti u širem obimu.” DXC je snažan zagovornik efikasnog i pojednostavljenog pristupa široko primenjivog mašinskog učenja, koji veruje da bi sve faze analize – od unošenja podataka i njihovog prečišćavanja, do stvaranja namenskih algoritama i njihovog stavljanja u proces aktivne analitike, a potom i generisanju uvida stečenih kroz podatke – trebalo da budu ponovno upotrebljive i raspoređene na kompanijske tehnologije.

3. Nemojte dozvoliti da vas ometaju i koče podaci koje ljubomorno čuva svako odeljenje pojedinačno unutar kompanije (tzv „silosi“:  izolovane grupe podataka koje ne cirkulišu u data analitici jedne kompanije jer uposlenici nekog odeljenja naprosto ne žele da ih dele s drugima, misleći da na taj način „drže prednost“ u odnosu na druga kompanijska odeljenja). Silosi su zbog toga veliko “prokletstvo” brojnih računarskih programa koji rade na korporativnoj analitici, jer sprečavaju pristup jedinstvenoj bazi podataka. Silosi, ipak, nisu toliko velika prepreka, kako neki veruju. “Ukoliko posedujete strategiju za pravilno korišćenje pametnih podataka i platformi, ne bi trebalo da previše brinete o silosima”, kaže Raghavendra. Jednostavno rečeno, ne morate brinuti o silosima sve dok ne predstavljaju problem za zadatak koji ste odabrali da rešite. Međutim, trebalo bi da se pripremite za neki predstojeći skup problema u nizu (tzv pipeline*) tako što ćete obezbediti integraciju različitih izvora podataka. “Postoje fleksibilne i modularne platforme koje vam omogućavaju da integrišete podatke kada je potrebno”, dodao je Raghavendra. (U računarstvu, pajplajn* je skup elemenata za obradu podataka povezanih u niz, pri čemu je autput jednog elementa input sledećeg. Elementi u nizu često se procesiraju paralelno ili kroz sekvence tj „komadiće“; u tom slučaju, određena količina buffer tj pufernog skladišta često se ubacuje između elemenata).

4. Mislite od-spolja-ka-iznutra. Ne morate uvek imati sve informacije, talenat, analitiku i inteligenciju: Ovo je priča o ekosistemu, a pobediće oni koji dodirnu „matricu sposobnosti“ koja se nalazi oko njih. Analitičari podataka kroz kraudsorsing*, kao i kroz „mašinsko učenje-kao-servis“ i eksterne skupove podataka, dobijaju moćan potencijal u poslovoj trci.

Crowdsourcing (angažovanje javnosti) je korišćena i legitimna metoda preuzimanja tuđih ideja, postupak dobijanja potrebnih usluga, ideja ili podataka od neodređenog skupa ljudi (shodno izreci: “Uzeti podatke od pojedinca je krađa, uzeti podatke od većeg broja ljudi je – istraživanje”).

5. Koristite sirove skupove podataka (takozvana „data-jezera“). Jezera podataka su spremišta u kojima možete sačuvati sve vaše postojeće podatke u izvornom obliku, bez obzira na njihov format Jezero podataka je spremište za skladištenje podataka koje sadrži ogromnu količinu sirovih podataka u svom izvornom formatu, sve dok se za njima ne ukaže potreba. I dok hijerarhijski organizovano skladište podataka čuva podatke u fajlovima ili fasciklama (folderima), data-jezero koristi “ravnu”, tj. horizontalnu ili baznu arhitekturu za čuvanje podataka, dakle bez hijerarhije (organizacije) podataka. Svakom elementu podataka u data-jezeru dodeljen je jedinstveni identifikator i označen je skupom proširenih oznaka metapodataka. Kada se pojavi upit od strane biznisa, data jezero se može upitati za relevantne podatke, a zatim se može analizirati manji skup podataka kako bi se odgovorilo na upit).

Raghavendra je mišljenja da kompanije treba da se upuste u praksu stavljanja svih svojih podataka u „data-jezero“. Ovi veliki skupovi sirovih podataka nisu stavljeni u fajlove niti su klasifikovani u foldere po važnosti, već su „u rinfuzu“, iako su svi indeksirani i tagovani kao metadata, spremni da se pojave na upit poslovnog subjekta. “Nemojte razmišljati o strukturiranju (važnosti, smisla i korisnosti podataka) na samom početku”, preporučuje Ragavendra.

6. Vršite istraživačku analizu podataka (exploratory data analysis, EDA) sa ciljem kojeg imate na umu. Prva faza „rudarenja podataka“ je upravo EDA, koja nastoji da rezimira podatke, vizuelno i ne-vizuelno. “Ono što sam često imao prilike da vidim je da je istraživački deo analize podataka potisnut”, rekao je Bharathan Shamasundar, viši analitičar podataka u DXC. “Svrha EDA tj istraživačke analize podataka je da se upoznaju s uzorcima i obrascima koji se u podacima poavljuju i samo na osnovu toga zauzimaju stavove o tome šta da čine nakon toga. Kompanije to često rade površno. “DXC-ovo iskustvo sa kompanijom za energetske usluge naglašava važnost pametne EDA tehnologije.

Jedno privatno komunalno preduzeće tražilo je preciznu prognozu koliko će energije proizvesti njihove vetroelektrane. Zbog toga što je ovo preduzeće primenilo istraživački deo analize (EDA) na svoje algoritme, tim savetodavne firme DXC je uspešno opovrglo već postojeće repere za čak 95% performansi vetro-turbina, uprkos tome što je upotrebljavano manje varijabli kako bi obavili svoje proračune. To iskustvo pokazuje značajne potencijale EDA metoda, naročito ako se sprovedu unapred, što će češće dovesti do algoritama prikladnih raspoloživim podacima.

7. Koristite inteligentno uzorkovanje. Jedan od razloga što kompanije imaju problema s pristupom u prave uvide Big data ishoda je zato što ih – previše koriste. “Uzorkovanje je postalo loša reč”, rekao je Šamasundar. “Uzorkovanje podataka je pametan način baratanja sirovim podacima.” Često se dešava da je ono što izgleda kao “big data” krcato redundantnim tj izlišnim informacijama. Analitičari iz DXC su za jedno robno-trgovačko preduzeće identifikovali  kako im je veliki deo uskladištenih podataka bio, zapravo, suvišan, jer je 94% svih njihovih trgovinskih poslova zasnovano na manjem podskupu podataka. Ovo pokazuje da je vrednovanje kvaliteta i relevantnosti važna komponenta strategije podataka.

8. Ustanovite fleksibilan operativni model za vaš program analitike podataka. Raghavendra vam savetuje da „Nikako ne odustajete od pokretanja programa za analizu podataka samo zato što ne možete da unajmite data-analitičara. Potražnja za ekspertima koji umeju da pravilno i smisleno „pročitaju“ velike hrpe podataka  trenutno je 60 procenata veća od broja stručnjaka, a nema znakova da se ovaj disparitet usporava. Međutim, ukoliko jedno preduzeće nije u stanju da zaposli dovoljno data-analitičara, Raghavendra preporučuje da, u tom slučaju, treba razmisliti o uporednom korišćenju partnerskih organizacija koje pružaju specijalističku analitičku podršku i “analitičara opštih podataka o građanima”. Stručnjak za prekopavanje tj „rudarenje podataka“ o građanima je osoba koja razume domen i poslovanje svojih poslodavaca/organizacija. Oni mogu obaviti razumnu analizu koristeći neke analitičke platforme koje su sada pojednostavile određene zadatke i zahteve u baratanju podacima. Pošto kompanije primenjuju analitiku za rešavanje problema, partnerske organizacije mogu biti od pomoći  kao podrška u uvećanju obima njihovih programa i izgradnji „dubljih“ mogućnosti u još raznovrsnijim oblastima.

I mada praćenje ovih smernica povećava verovatnoću za postizanje uspeha, preduzeća ne smeju smetnuti s uma da je mogućnost neuspeha realna i uvek prisutna. Analitika podataka sprovodi se kao naučni metod koji se zasniva na dokazivanju ili opovrgavanju hipoteze. Upotrebu podataka treba, potom, posmatrati kao istraživačku i razvojnu aktivnost (R&D). “Najbolje je imati pet-šest ili desetak i više ideja, i potom ih voditi paralelno”, opisuje Goltjeri upite zasnovane na podacima, “jer neće svi oni funkcionisati”.

Izazovi će postajati sve teži i teži, kako se količina podataka vremenom bude sve više uvećavala. Sa druge strane, što više podataka imate – to je i veća potencijalna nagrada i uspeh.

Prema Dejvu Aronu (Dave Aron), šefu istraživanja u  londonskoj IT firmi za istraživačko-savetodavne usluge Leading Edge Forum, DXC-ovom partneru za rukovođenje idejnim strategijama, još je uvek previše kompanija koje svojom najvrednijom imovinom smatraju ono što poseduju u fizičkom i finansijskom smislu.

“Preduzeća koja bi trebalo da dožive uspon i uvećanje svojih profita u narednoj deceniji jesu ona koja su prepoznala da su upravo informacije i njihova analiza ta nadasve “vredna imovina”, pa stoga grade i kontinuirano unapređuju svoje platforme za data-analitiku i izučavanje podataka”, kaže Aron. “Internet stvari (IoT), uz sve obimniji i glomazniji pravni okvir za zaštitu podataka čine da data-analitika postane relevantnija nego ikada pre.”

Obezbeđivanje koristi od analize „big date“ – bez obzira da li ste bolnica ili uslužna firma ili bilo koji drugi tip biznisa – zahtevaće promišljen pristup, puno hrabrosti, kao i respekta za naučne metode analize informacija dobijenih u vašem poslovanju.

WIRED Brand Lab, DXC Technology

Prednosti fiskalnog novca

Zapadnom kapitalizmu nije ostalo mnogo svetih krava. Vreme je da se povede rasprava o još jednom od njegovih nedodirivih pravila: o nezavisnosti centralnih banaka od izabranih vlada, piše ekonomista Janis Varufakis.

Obrazloženje za stavljanje monetarne politike pod kontrolu centralne banke dobro je poznato: tokom izbornog ciklusa političari često padaju u iskušenje da uvećaju količinu novca i tako ugroze ekonomsku stabilnost. Mada su predstavnici progresivnih snaga oduvek iznosili primedbu da centralne banke ne mogu biti zaista nezavisne, jer autonomija u odnosu na izabrane političke predstavnike uvećava njihovu zavisnost od finansijera koje bi trebalo da drže pod kontrolom, argument u prilog razdavajanju monetarnih politika i demokratskog političkog procesa ne dovodi se u pitanje još od 70-ih godina 20-og veka.

Ako političke kontroverze na trenutak ostavimo po strani, videćemo da argument za nezavisnost centralne banke počiva na ekonomskom aksiomu o razdvajanju novca i duga (ili kredita). Dugom se može trgovati unutar zemlje – na primer, državnim ili korporativnim obveznicama koje se kupuju i prodaju po ceni koja je funkcija inflacije i rizika neplaćanja. Kod novca, s druge strane, rizik neplaćanja ne postoji, a novac je češće sredstvo nego predmet razmene (ako zanemarimo tržište valuta).

Ali taj aksiom više ne važi. Sa produbljivanjem finansijalizacije, komercijalne banke se u svakodnevnom poslovanju sve više oslanjaju jedne na druge i koriste uzajamne kratkoročne pozajmice za koje se kao garancija obično polažu državne obveznice. Takav oblik likvidnosti dobija dobro poznata svojstva: budući da se koristi kao sredstvo razmene i kao sredstvo čuvanja vrednosti, on postaje neka vrsta novca.

U tome je poenta: što više međubankarskog novca banke koriste, to je finansijskom sistemu potrebna veća količina državnih obveznica kao polog za taj rast. Rast ponude međubankarskog novca uvećava tražnju za državnim dugom u beskrajnom začaranom krugu koji proizvodi talase likvidnosti nad kojima banke nemaju kontrolu.

U vrlom novom finansijskom svetu nezavisnost centralne banke gubi smisao, jer novac koji ona stvara čini sve manji deo ukupne količine novca u ponudi. Sa usponom međubankarskog novca, čija je osnova uglavnom državni dug, fiskalna politika postaje presudno važna za regulisanje količine stvarnog novca kojim se podmazuje moderni kapitalizam.

Zapravo, što je centralna banka nezavisnija, to je uloga fiskalne politike u regulaciji količine novca u ekonomiji važnija. Na primer, restriktivna fiskalna politika u Nemačkoj proizvela je nestašicu „bundova“ (nemačkih državnih obveznica) u evrozoni, čime su ograničeni kapaciteti Evropske centralne banke za sprovođenje politike kvantitativnog popuštanja i komercijalnih banaka da proizvode više međubankarskog novca. Novac i državni dug su danas toliko prepleteni da je sama analitička osnova za autonomiju centralne banke nestala.

Naravno, pokušaji da se trezor i centralna banka vrate pod jedan krov izložili bi političare optužbama da pokušavaju da se dokopaju poluga monetarne politke. Ali na novu stvarnost se može reagovati i na drugi način: ostavimo centralne banke na miru, ali dozvolimo vladama da više utiču na stvaranje domaćeg novca – i tako dobiju više nezavisnosti u odnosu na centralne banke – tako što će uspostaviti paralelni platni sistem koji koristi fiskalni novac ili, tačnije, novac za koji će garancija biti buduće poreske obaveze.

Kako bi taj novac funkcionisao? Pre svega, „živeo“ bi na digitalnoj platformi poreske uprave, uz korišćenje već postojećih poreskih identifikacionih brojeva fizičkih lica i preduzeća. Svako ko ima poreski identifikacioni broj (PIB) dobio bi besplatan račun povezan sa tim brojem. Pojedinci i preduzeća bi onda uplaćivali kredit na račune povezane sa poreskim identifikacionim brojevima prebacujući novac sa svojih bankovnih računa, isto kao što to danas čine kada plaćaju porez. Ali to bi činili unapred, jer bi im svakih 1.000 evra koje uplate danas država obračunala kao 1.080 evra plaćenog budućeg poreza – što daje efektivnu godišnju kamatu od 8 odsto, ako ste spremni da porez platite godinu pre dospeća.

U praksi, kada se na PIB račun uplati 1.000 evra, uplatiocu se izdaje lični identifikaconi broj (uobičajeni PIN) koji se može iskoristiti da se kredit od 1.000 evra prebaci na PIB račun nekog drugog lica ili da se iznos iskoristi za plaćanje budućeg poreza. Takva vremenski obeležena sredstva od budućih poreskih obaveza, ili fiskalni evri, mogu se držati na računu jednu godinu, do dospeća, ili koristiti za plaćanja u korist drugih poreskih obveznika. Aplikacije na mobilnim telefonima ili kartice koje bi izdavala država (na primer, kartice koje bi istovremeno služile kao identifikacione kartice socijalnog osiguranja) maksimalno bi olakšale i ubrzale takve transakcije, tako da se one praktično ne bi razlikovale od transkacija izvršenih korišćenjem novca centralne banke.

U takvom zatvorenom platnom sistemu, sa približavanjem datuma dospeća fiskalnog novca poreski obveznici koji ne raspolažu kreditom za datu fiskalnu godinu uvećali bi tražnju za njim. Da bi se osigurala održivost sistema, trezor bi morao da kontroliše ukupnu ponudu fiskalnog novca koristeći efektivnu kamatnu stopu, tako da obezbedi da nominalna vrednost ponude ne premaši određeni procenat nacionalnog dohotka ili agregatni iznos poreskih zaduženja, o čemu bi odlučivali zakonodavci. Da bi se osigurala puna transparentnost i poverenje, transakcije izvršene fiskalnim novcem regulisale bi se korišćenjem blokčejn (blockchain) algortima koji je razvio i koji kontroliše nezavisni organ na nivou države.

Fiskalni novac ima brojne prednosti. Države bi tako obezbedile izvor likvidnosti koji ne zavisi od tržišta obveznica. Ograničilo bi se se učešće državnog duga u stvaranju međubankarskog novca ili bi se bar finansijeri primorali da deo međubankarskog novca uključe u zatvoreni sistem domaćeg fiskalnog novca, čime se šokovi usled naglog povlačenja kapitala svode na minimum. Kroz konkurenciju sa bankarskim platnim sistemom fiskalni novac bi doprineo smanjenju provizija koje klijenti danas plaćaju bankama.

Zahvaljujući blokčejn tehnologiji fiskalni novac bi mogao da funkcioniše kao potpuno transparentan i besplatan javni platni sistem koji bi zajednički nadgledali svi državljani (i nedržavljani) koji u njemu učestvuju.

Fiskalni novac je i politički atraktivan. Država može iskoristiti eventualne viškove novčane ponude da dopuni PIB račune porodica koje primaju socijalnu pomoć ili da finansira javne radove, što ovu ideju čini privlačnom progresivnim snagama. A i konzervativcima bi trebalo da se dopadne sistem koji donosi značajne poreske olakšice svima koji pomažu državi u kreiranju fiskalnog novca, ne dovodeći pritom u pitanje ulogu centralne banke u regulisanju kamatnih stopa.

Potencijalne prednosti fiskalnog novca na transnacionalnom nivou takođe su važne. Na primer, uz fiskalni novac Grčka se mogla odupreti zahtevima poverilaca iz 2015. i to je bila srž mog plana za suprotstavljanje predatorskim bankarskim politikama koje nam je nametnula Evropska centralna banka. Danas bi takav novac Italiji, Francuskoj i drugim članicama evrozone obezbedio potreban fiskalni prostor koji im nedostaje, a možda i stvorio temelje za jednu reformisanu evrozonu uzajamno povezanih domaćih fiskalnih evra, umesto paralelnih valuta, što bi delovalo stabilizujuće na makroekonomiju. Možda bi to bila dobra osnova za neki novi Breton Vuds, sporazum o sveobuhvatnoj klirinškoj uniji više različitih platnih sistema.

Yanis Varoufakis, Project Syndicate, 29.08.2017.
Social Europe, 06.09.2017.
Peščanik.net, 09.09.2017.

Elfi: Algoritmi, arhitektura i savršen zvuk

Savršen zvuk doprinosi savršenstvu muzike. Evo kako je nastao jedan savršen muzički prostor.

Najinteresantnija stvar vezana za novootvorenu koncertnu dvoranu po projektu švajcarskih projektanata Hercoga i De Meurona (jan. 2017), kako već kažu najboljem koncertnom prostoru na svetu, „Elbfilharmoniji“ (nem. Elbphilharmonie, „Filharmonija Elbe“), nije njena talasasta fasada koja se nadvija nad Hamburgom, na reci Elbe, a izniklom na gradskom poluostrvu Großer Grasbrook; nije ni nežno zakrivljeni lift u podnožju predvorja, koji vas sprovodi u utrobu čudesnog arhitektonskog pejzaža ove dvojice Švajcaraca, enterijera u kojem stepenice podsećaju na hipnotičke vizuelne petlje njihovog drevnog zemljaka, Markusa Kornelijusa Ešera, koje vas vode naviše kroz zdanje čija je cena, neki kažu, bila gotovo 900 miliona evra (870 miliona, dok zvanična inicijalna suma nije bila ni četvrtina konačne: 200 miliona evra).

Iako je hamburška filharmonijska koncert-hala kako kažu zvaničnici, koštala nešto preko 700 miliona evra (702 miliona evra, ili 843 miliona dolara), ovo nije, po svemu sudeći, bila bačena investicija: objekat je ispunjen zapanjujućim arhitektonskim draguljima, a njegova najzanimljivija karakteristika je centralni auditorijum: sjajna „pećina“ boje slonovače izgrađena od 10.000 jedinstvenih akustičnih panela postavljenih na tavanicu, zidove i balustrade. Sala izgleda „organski“, tj, elementi u njoj se izvanredno harmonično povezuju i uklapaju, predstavljajući sastavne, neizostavne delove celine: puna je pregiba, prelaza i zaobljenih formi koje ciljano podsećaju na „slapove“ što se kroz „žubor talasa prelivaju preko hridi“, a sve zajedno deluje kao monohromatski koralni greben. Sprovođenje ove grandiozne ideje u delo bio je, takođe, nesvakidašnji tehnološki podvig.

Auditorijum – najveća od tri koncertne dvorane Elfija (stanovici Hamburga iz milošte su mu dali nadimak Elphi) – proizvod je „parametarskog dizajna“, procesa u kojem dizajneri koriste matematičke algoritme kako bi razvili formu objekta. Algoritmi su već bili od neprocenjive pomoći pri dizajniranju mostova, delova za motocikle i motorna vozila, fontova, i – čak – stolica. U slučaju Elbfilharmonije, bazelski projektanti Žak Hercog i De Meuron koristili algoritme kako bi proizveli jedinstvene forme za za svaku od 10.000 akustičkih ploča od gipsanih vlakana postavljenih na zidove, međusobno ih povezujući tako da podsećaju na komadiće džinovske, talasaste slagalice.

Već na prvi pogled na glavnu muzičku salu Elfija proizvodi kod posmatrača zapanjujući efekat. Deset hiljada akustičkih panela izvanredno je spojeno u sjajnu, blistavo belu oplatu, unutar koje je postavljeno samo 2.150 sedišta i 1.000 sijalica od ručno tj zanatski duvanog stakla. Ali, lepota je bila samo deo nauma arhitekata i akustičara onda kada su počeli da osmišljavaju i projektuju ovo zdanje pre više od 13 godina. “Svaki panel ima svoju funkciju”, kaže Bendžamin Koren (Benjamin Koren), osnivač studija „One to One“ koji je radio sa Herzogom i De Meuronom u dizajniranju i izradi panela.

Na 10.000 panela utisnuto je milion “ćelija” – sitnih, „usečenih zareza“ koji podsećaju na ulegnuća u travi nastalih udarcem štapa za golf ili „nalik morskoj školjki iz koje je neko izrezao parče unutrašnjosti“. Ove ćelije, čije se dimenzije kreću od četiri do 16 centimetara, dizajnirane su da oblikuju zvuk unutar auditorijuma. Kako Koren to objašnjava, kada zvučni talasi udare o panel, neujednačena površina ih apsorbuje ili raspršuje. Nijedan pojedinačni panel ne apsorbuje niti širi dalje zvučne talase, ali svi oni u kombinaciji zajedno proizvode balansiranu reverberaciju tj odjek ili rezonancu preko čitavog auditorijuma. Ova tehnika koristi se već vekovima jedna od (najpoznatijih koncert-sala izgrađenih po ovom principu je bečki Musikverein, čija bogato ukrašeni neoklasični detalji eneterijera stvaraju isti difuzioni tj raspršujući efekat). Elbfilharmonija, međutim, „razbija“ tj. raspršuje zvuk na jedan sasvim nov, vizuelno izuzetno privlačan način.

Da bi dizajnirali 10.000 jedinstvenih akustičnih panela, Herzog i De Meuron radili su sa čuvenim akustičarom Jasuhisom Tojotom (Yasuhisa Toyota), koji je koncipirao optimalnu „zvučnu mapu“ auditorijuma. Na osnovu geometrije koncertne prostorije, Tojota je utvrdio da bi određeni paneli, poput onih koji se nalaze na zadnjem zidu auditorijuma, trebalo da imaju dublje, veće žlebove za apsorpciju eha. Druge površine koncertne dvorane kao i plafonske površine iza reflektora i gornji delovi balustrada zahtevali su manje formate akustičkih panela. U međuvremenu, arhitekti su imali neke svoje želje: Akustička oplata morala je da bude kozinstentno prisutna u čitavom eneterisjeru dvorane, bez obzira na akustičke zahteve i potrebe; morala je, takođe, da bude izuzetne lepote; i – poslednje ali ne i najmanje bitno – morala je da bude u skladu sa onima koji su u publici tj. bilo koji žlebovi i useci panela koji su bili nadohvat ruke trebalo je da na dodir budu meki, za razliku od onih panela koje po svojoj poziciji u sali nije bilo moguće dotaći.

Upravljajući se ovim projektantskim zahtevima kao neizostavnim parametrima, Koren je razvio algoritam koji je proizveo 10.000 panela – svaki od njih jedinstvenog oblika i „šare“, mapiran tako da ispuni vrhunske estetske i akustičke specifikacije. “Upravo u ovom projektu izražena je sva snaga tzv. parametarskog dizajna”, kaže on. “Kada je sve na svom mestu, mogu da počnem svoju kreativnu igru i kreiram milion ćelija, svaku jedinstvenu i različitu od one druge; sve su zasnovane na ovim parametrima. I, dok imam stoprocentnu kontrolu u procesu uspostavljanja algoritma koji će određivati način kreiranja ćelija, jednom kada je algoritam završen više nemam kontrolu: algoritam odrađuje sve ćelije.”

Nekim dizajnerima i projektantima se čini kako su popustlivost, kompromis i „prepuštanje višoj sili“ jedna zastrašujuća perspektiva. Koren, međutim, ovakvu vrstu ustupanja prostora na uštrb nepogrešivog i savršeno preciznog algoritma smatra ne samo plodnim već i praktičnim. “Bilo bi suludo da sve ovo radite ručno”, kaže on. A i krajnji ishod bi, takođe, mogao izgledati čak i manje originalno da su svaki panel i svaka ćelija na njemu rađeni i usecani „rukom“.

Dizajneri rutinski hvale sve ove nove i iznenađujuće forme koje proizilaze iz „saradnje“ mozgova projektanata sa algoritmima. Složeni, funkcionalni i lepi paneli Elbfilharmonije samo su najnovije svedočanstvo njihovog potencijala.

Wired

Hoće li veštačka inteligencija i hedž fondovi nadmudriti tržište?

Neki hedž-fondovi pohvalili su se da njihovi AI algoritmi donose odluku o tome kako će trgovati – ipak, ma koliko ekstravagantno zvučalo, ovi sistemi su daleko uobičajeniji nego što nam se na prvi pogled čini.

Svakoga dana kompjuteri obave više miliona elektronskih trgovina obavljanjem delikatnih kalkulacija, i to sve sa ciljem zadobijanja makar male prednosti u pogledu brzine i efikasnosti nad takmacima. Ono što je ovde, međutim, daleko značajnije jeste da se odluke u trgovini berzanskim papirima sve češće donose zahvaljujući razvoju još pametnijih, još autonomnijih algoritama.

Obe ove poslovno već dobro utvrđene firme koje se bave trgovinom akcijama na berzi, kao i nekolicina startup firmi istražuju da li bi takve tehnike trgovanja, pozajmljene iz oblasti veštačke inteligencije, mogle da im pomognu kako bi nadmudrili konkurenciju. A svakome ko negde ima uložen novac bi više nego dobrodošlo da sazna da li bi ovaj trend mogao da ozbiljnije izmeni dinamiku tržišta.

Kvantitativni hedž fondovi, uključujući Bridgewater Associates, Renaissance Technologies, ​​D.E. Shaw i Two Sigma, naravno, već nekoliko godina zdušno koriste pristup berzanskoj trgovini kroz napredne algoritme. Mnoge od metoda koje koje ove kompanije koriste mogu se identifikovati u oblasti istraživanja veštačke inteligencije (AI).

U poslednjih nekoliko godina, međutim, takođe je očigledno i ogromno oživljavanje interesovanja za rezultate u oblasti veštačke inteligencije, zahvaljujući novim tehnikama kojima mašine „uče“ kao i za metodu „dubokog učenja“ mašina (primereniji duhu srpskog jezika bio bi izraz „dubinski uvid“ ili, još bolje, „učenje s razumevanjem“; tzv „Deep Learning“) koji obuhvata obuku velikih virtuelnih neuronskih mreža za prepoznavanje obrazaca u podacima. Dubokim učenjem, koje su računari dosad savladali, mašine su trenutno u stanju za potpuno ljudski nivo percepcije slike, teksta i zvuka. Postavlja se pitanje da li današnja veštačka inteligencija može da uradi to isto ali za finansijske podatke: da ih percipira „na naš način“, s tim što bi brzina, referentnost i pouzdanost berzanskih kalkulacija/odluka (kako se naučnici nadaju) bili neslućeno veći.

Jasno je kako je ovaj nedavni napredak privukao pažnju inženjera i stručnjaka koji rade u finansijama. Prošlog decembra se u Montrealu, tokom veoma važnog akademskog događaja okupila svetska elita u istraživanju veštačke inteligencije, na skupu pod nazivom „Sistemi za procesiranje neuralnih informacija“ (Neural Information Processing Systems, NIPS): Nekoliko hiljada istraživača s brojnih univerziteta i iz najrazličitijih industrijskih oblasti tom je prilikom prisustvovalo kako bi razmotrili napredak u razvoju novih algoritama za mašinsko učenje. U oblasti rezervisanoj za slikovne tj poster-prezentacije diplomaca, tehnološki giganti poput Gugla, Fejsbuka, Epla, Majkrosofta, Amazona i IBM-a platili su svoje učešće da bi dobili svoje „stolove za regrutaciju“: prostor na kojem bi obavljali intervjue za zapošljavanje, u nadi da će najveće sveže talente privoleti da dođu da rade za njih. Ipak, ne treba smetnuti s uma da skoro polovina firmi koja je pokušala da regrutuje „mlade nade“ tokom NIPS-a nisu bile tehnološke kompanije već – hedž fondovi i finansijske kompanije.

Jedna od takvih kompanija bila je i velika britanska investiciona firma MAN AHL, koja je već godinama fokusirana na primenu statističkih pristupa radi osmišljavanja što bolje investicione strategije. Entoni Ledford, šef razvojnog sektora ove kompanije objašnjava načine kako se istražuje da li tehnike poput dubokog učenja mogu primeniti na investicije i finansije. “Sve to je još uvek u ranoj fazi”, kaže Ledford. “Obezbedili smo novac za testiranje AI berzanske trgovine. Uz primenu metoda dubokog učenja kod mašina, ukoliko sve bude u redu, započećemo test-trgovinu, kao i ostale primenama koje učenje mašina može naći (u berzanskoj trgovini).”

Brokerske operacije na berzi mogu izgledati kao očigledno mesto za primenu dubokog učenja, ali zapravo nije jasno koliko je uporediv izazov pronalaženja suptilnih obrazaca koji se tiču berzanskih podataka u realnom vremenu sa, recimo, prepoznavanjem lica na digitalnim fotografijama. “Ovaj problem je daleko drugačiji” priznaje Entoni Leford, šef razvoja u MAN AHL.

Iz redova akademskih stručnjaka čuju se tonovi upozorenja. Stiven Roberts, profesor mašinskog učenja na Univerzitetu Oksford kaže da duboko učenje može biti dobro “za ekstrahovanje skrivenih trendova, informacija i odnosa”, ali dodaje da je “još uvek suviše krhko kada je reč o baratanju ishodima visoke neizvesnosti, uz semantički tj značenjski šum na relaciji mašinačovek, koji prevladavaju u finansijama. ”

Roberts takođe primećuje da duboko učenje može biti proces koji se odvija relativno sporo i koji ne može ponuditi one tipove zagarantovanog tj predvidljivog ponašanja koje drugi statistički pristupi nude. U principu, kako kaže, postoji izvesna medijska bukla oko ideje primene AI u oblasti finansija. “AI je veoma široka tema”, kaže on. “A mnoge standardne statističke tehnike koje se koriste su, shodno tom donekle pomodnom trendu, preimenovani u veštačku inteligenciju i mašinsko učenje.”

Ipak, nove finansijske firme koje se reklamiraju kao AI-orijentisane mogu biti nešto drukčije i unikatne. Ovo uključuje firmu Sentient Technologies iz San Franciska, Rebellion Research u Njujorku, i investicionu kompaniju Aidyia iz Hong Konga.

Jedna od najperspektivnijih upotreba relativno novih AI tehnika mogla bi da se primeni u procesu obrade nestrukturiranih podataka prirodnog jezika, u obliku novinskih članaka, poslovnih izveštaja kompanije i poruka u društvenim medijima, u nastojanju da prikupe uvid u buduće perspektive funkcionisanja preduzeća, valute, robe ili finansijskih instrumenata.

Kompaniju za finansijski AI po imenu osnovao je čuveni istraživač veštačke inteligencije, Ben Goertzel, koji je ujedno i osnivač kompanije Hanson Robotics i Aidyia Holdings, kao i predsednik jednog AI projekta s otvorenim kodom  koji se zove OpenCog. Aidyia je otpočela AI berzansku trgovinu prošle godine, a Goertzel kaže da je pristup njegove kompanije daleko ambiciozniji nego što su to tehnike koje se koriste u većini hedž fondova danas, uzimajući inspiraciju iz evolutivnog programiranja, probabilističke logike, i dinamike haotičnih sistema.

“Naš sistem sadrži niz računarskih unosa, uključujući cene i obim berzanskih transakcija širom sveta, vesti iz različitih izvora na više jezika, makroekonomske i kompanijske računovodstvene podatke i još mnogo toga”, rekao je Goertzel za MIT Technology Review.  “Potom proučava kako su ovi različiti faktori istorijski povezani,  učeći celine sastavljene od desetina hiljada prediktivnih modela koji mogu da poseduju prediktivnu vrednost (stabilno predviđanje budućih kretanja na berzi), a na osnovu svojih istraživanja ranije prikupljenih podataka”, što doprinosi upravljanju ulaganjima kompanije.

Svakako da je prisutan trend ka povećanju automatizacije među finansijskim firmama. Preqin, kompanija koja obezbeđuje podatke iz oblasti finansijske industrije, navodi da je 40 odsto hedž fondova nastalih prošle godine bilo “sistematično”, što znači da se u donošenju svojih odluka oslanjaju na računarski generisane modele.

Međutim, ne dele baš svi uverenje da je AI revolucija u oblasti finansija neminovna. Dejvid Harding, osnivač-milijarder i direktor druge britanske trgovačke kompanije, Winton Capital Management, uglavnom je skeptičan prema svoj toj trendovskoj buci oko mašinskog učenja i veštačke inteligencije. “Ako se malo bolje udubite”, kaže Vinton, “rekao bih da je to manje-više ono što smo radili i u proteklih 30 godina”.

Harding se isto tako seća još jednog sličnog buma čiji su interes i fokus bili na neuronskim mrežama, a koji je rezultirao pojavom brojnih startup firmi tokom ranih 1990-ih.

“Ljudi su počeli da govore kako ‘Postoji neverovatna nova računarska tehnika koje će oduvati sve što je postojalo ranije.” Tu je i moda u primeni genetskih algoritama “, priseća se on. “Pa, mogu da vam kažem da nijedno od tih preduzeća danas ne postoji.”

Ledford, koji radi u kući Man AHL za alternativne vidove investiranja i menadžmenta, takođe ima nekoliko reči upozorenja za svakoga ko misli da najnovije tehnike mašinskog učenja mogu ponuditi neku čudesnu prečicu do bogatstva . “Važno je da zapamtite kako stanje na tržištima može biti nevažno i čak ponižavajuće”, kaže on. “Rekao bih samo još i to da vam je bolje da sebe ne pohvalite previše, ali se isto tako nemojte ni previše obeshrabriti.”

 

Technology Review

Ko sve poseduje vaše lice?

Kompanije za oglašavanje, tehnološki giganti, sakupljači podataka – kao i savezna vlada, kako se ispostavilo.

Mašinama su potrebni snimci ljudskih lica kako bi naučile kako da prepoznaju pojedinačne osobe, donosi magazin The Atlantic.

Ovo je razlog zašto kompjuterski naučnici u svojim istraživanjima često koriste lica holivudskih ličnosti. Tom Henks se, na primer, nalazi na brojnim javno dostupnim fotografijama pa je prilično lako izgraditi “Henksovu bazu podataka” za potrebe algoritamske obuke mašina.

U zavisnosti od potreba istraživača, postoje mnoge druge dostupne baze podataka ljudskih lica – neke od njih sadrže desetine hiljada slika. Ove zbirke lica izrađene su na osnovu javne evidencije, kao što su raznovrsne fotografije za dokumenta, snimci s nadzornih kamera, fotosi iz vesti, Google slike kao i one sa univerzitetskih studija obrazovnih institucija.

Sasvim je moguće da se i vaše lice nalazi u nekoj od ovih baza podataka (ne postoji način da se sa sigurnošću tvrdi da se ono u njima ne nalazi).

Vaše lice pripada vama; ono je bitna odlika vašeg identiteta. Ali ono je, takođe, samo jedna data-tačka koja čeka da bude prikupljena. U vreme kada su kamere za nadzor sveprisutne, a prikupljanje podataka pojedinaca obavlja u gotovo svakoj transakciji koju učinite, naša lica postaju sve primamljivija za posezanje od strane neznanaca.

Brokeri podataka već kupuju i prodaju detaljne profile koji opisuju ko ste vi. Oni prate javne evidencije vaših prikaza i vaše ponašanje na mreži, kako bi pronikli u vaše godine, pol, vaš odnos, status, tačne lokacije na poslu i kod kuće, koliko novca zarađujete, u kojim supermarketima kupujete, i tako dalje i tako dalje… Stoga je sasvim razumno da se zapitamo: kako te kompanije prikupljaju i koriste slike na kojima je vaše lice?

Facebook već koristi softver za prepoznavanje lica osoba koje su na fotografijama. Eplova nova aplikacija, “Clips”, prepoznaje pojedinačna lica u video snimcima. poznata aplikacija Snap ima filter za autoportrete koji radi na mapiranju detaljnih tačaka na licu pojedinačnih korisnika (Snap na svom sajtu kaže da ta tehnologija ne preuzima bilo kakav dodatni “preširoki” korak u prepoznavanju lica koje mapira). Ovo je slično načinu na koji funkcioniše softver kineske startup firme Face++ . Njen softver mapira desetine tačaka na licu osobe, a zatim prikupljene podatke čuva.

Ideja je da biste mogli da koristite sisteme za prepoznavanje lica kako biste bez ključa ulazili, recimo, u poslovne objekte i stambene komplekse. Đje Tang (Jie Tang), vanredni profesor na Univerzitetu Cingšua (Tsinghua) je za MIT Technology Review opisao način na koji koristi otisak svojeg lica kako bi platio neke stvari – recimo obroke i jela u restoranima: “Ne samo da na ovaj način vršim plaćanja, kaže on, već je i osoblje u nekim kafićima sada upozoreno od strane sistema za prepoznavanje lica svaki put kada ušetam u neki lokal” – a onda ga pozdravljaju po imenu.

Onda je i razumljivo da ovakva tehnologija doživljava neverovatno brz napredak, oni su postali hrana za neke teorije zavere – poput one neosnovane tvrdnje da Snap gradi tajnu bazu podataka za prepoznavanje lica sa fotografijama ljudi koji koriste njegovu svetski popularnu aplikaciju, Snapchat.

Ovakve zavere, međutim, nisu tako čudne kakvim se na prvi pogled čine. Stručnjaci su već decenijama upozoravali na sisteme za prepoznavanje lica. Najnovija sredstva za prepoznavanje lica koje ima F.B.I. daje ovoj agenciji mogućnost da skenira milione fotografija običnih Amerikanaca. “Da bude jasno, ovo je baza – ili mreža baza podataka – koja obuhvata pre svega one američke građane koji poštuju zakon i nisu u sukobu s njim”, rekao je pre nedelju dana  republikanski kongresmen iz Jute, Džejson Čafec (Jason Chaffetz), pred američkim Komitetom za nadzor i reformsku raspravu. “Osamdeset odsto fotografija u F.B.I. mreži za prepoznavanje lica nisu u sukobu sa zakonom, a u datoteku se unose isključivo ne-kriminalna lica.” F.B.I. je u stanju da pristupi slikama iz vozačkih dozvola u najmanje 18 zemalja, kao i milionima fotografija pravljenim za dokumenta.

“Većina ljudi nema pojma da se ovakvo šta uopšte dešava”, rekao je Alvaro Bedoja (Alvaro Bedoya), izvršni direktor Centra za privatnost i tehnologiju pri Pravnom univerzitetu Džordžtaun tokom svog svedočenja na ročištu. “Najnovija generacija ove vrste tehnologije će omogućiti sprovođenje zakona kojim bi se obezbedilo skeniranje lica svakog muškarca, žene i deteta koje prođe ispred kamera za ulični nadzor… Postavlja se jedno veoma logično pitanje: da li imate pravo da hodate ulicom a da vaša vlada ne vrši tajno skeniranje vašeg lica? Da li je uopšte dobra ideja da neka država i njena vlada u svojim rukama ima toliku moć, a sa tako malim brojem ograničenja?”

Tačnost, pouzdanost i preciznost sistema kojeg koristi Federalni istražni biro Sjedinjenih Država takođe je predmet rasprave. Prema kongresmenu Čafecu, otprilike jedan od sedam pretresa koje pravi FBI sistem izradi listu potpuno nevinih kandidata, iako je stvarna meta zaista bila u njihovoj bazi podataka. A Prema izveštaju iz Kancelarije za odgovorno postupanje, koja funkcioniše u okviru američke vlade, F.B.I. ne prati svoju stopu lažno pozitivnih osoba, čime se potcrtava jedan od najvećih problematičnih scenarija, naime, da tehnologija za prepoznavanje lica može stvoriti velike probleme. “Jedna je stvar ukoliko bi ova tehnologija za prepoznavanje lica bila savršena, ili skoro savršena”, rekao je Čafec, “ali je tako očigledno da ona to nije.”

“Jedan ovako nepouzdani sistem, dakle, obuhvata i u razmatranje uzima osobe koje nisu počinile bilo kakav zločin”, rekla je Dženifer Linč (Jennifer Lynch), advokat pri Electronic Frontier Foundation, u svom svedočenju tokom sudske rasprave”, a taj sistem će prebaciti teret na nevino optužene, kako bi pokazao da oni nisu ti za koje sistem kaže da jesu. Ova pretnja će nesrazmerno uticati na ljude drukčije boje kože. Sistem i tehnologija za prepoznavanje lica bira pogrešnog Afroamerikanaca i osobe iz etničkih manjina po znatno višim stopama od belaca.”

 

Adrienne Lafrance, The Atlantic  24. 03. 2017.

Gorila i algoritam

Da li će Big Data i algoritmi zameniti strategiju (u podtekstu: i kreativnost) pita se Lazar Džamić, direktor strateškog planiranja u londonskoj agenciji Kitcatt Nohr Digitas.

Pre nekoliko nedelja, imao sam zadovoljstvo da govorim na ‘Noisy Thinking’ skupu, regularnom džem-sešnu za strateške planere u organizaciji londonskog APG-a (Account Planning Group). Ako ne znate šta je APG, možete da prestanete da čitate ovaj tekst jer vam neće biti ni zanimljiv, niti od kakve vajde…

Premisa skupa je jednostavna: odaberi kontroverznu temu, pozovi vodeće eksperte za nju sa različitim tačkama gledanja, daj im samo 10 minuta da prezentiraju, podeli im bejzbol palice – i uživaj u tuči! Otuda i ono ‘bučno’ u nazivu.

Ovaj put, malo su se preračunali. Svi mi na podijumu smo mislili isto, samo svako sa svojim razlozima. Tema je bila velika da veća ne može: da li će Big Data i algoritmi da zamene strategiju (u podtekstu: i kreativnost). Drugim rečima, da li će u svetu mašinskog učenja, veštačke inteligencije koja polako počinje da podseća na prirodnu i beskrajnog univerzuma podataka i signala koje svi mi ostavljamo za sobom u digitalnom i realnom prostoru, uloga stratega postati suvišna.

Ako mašine/sistem znaju ko je potrošač, gde je (i u medijskom i u fizičkom smislu), na šta troši svoje medijsko vreme, šta u tom trenutku gleda ili šta mu treba, kakva mu je prethodna istorija ponašanja i potrošačke navike u kategoriji, dakle, njegov univerzalni potrošački profil – kome treba strateg?

Pitanje je relevantno jer se sada ne odnosi samo na pretraživanje, već i na brending. Na razne kreativne formate – sadržaje i oglase – koji se sada planiraju na isti način na koji je to nekada bio slučaj samo sa pretraživanjem. Ako znamo ko su ljudi i šta im treba, ako se isporuka kreativnih sadržaja odvija u digitalnom prostoru, zašto i strategija pristupa njima ne bi bila automatizovana?

Tako bar ide argument mnogih koji, iz razloga lične promocije ili potrebe da imaju nešto da prodaju, navlače na sebe beli čaršav i zaskaču industriju po ćoškovima uz glasno ‘Bu!’. I vama je kucnuo sudnji čas – kažu oni – uobraženi i naduvani metroseksualni kvaziintelektualci koji na sve nas sa statističkim mozgom gledate sa prezirom!

Kulminacija ovog stava se desila na prošlogodišnjim Kanskim Lavovima, gde je jedan od urednika magazina Contagious to ispljunuo pravo u lice svetskoj kreativnoj eliti – i nije bio izazvan na dvoboj. U sali se osetila opipljiva nervoza. Miris opasne istine je pomalo visio u vazduhu…

Hm, ne baš, ako mene pitate.

Ja sam čovek koji – a i moj tim – jede podatke za doručak. Naravno, mi smo u Guglu, a to je univerzum podataka. Uprkos tome, mi smo i dalje ubeđeni da algoritmi bazirani na obilju podataka neće još dugo vremena zameniti ni stratege ni kreativce. Tačnije, ne sve…

Hoću da vam stavim u perspektivu u kojoj meri bi se od mene očekivalo da budem na strani ‘algoritmista’. Prošle godine, 2015te, Gugl je imao 11.9 trilijardi (hiljada milijardi) pretraživanja i signala u svom sistemu. Ako bi svaki od signala bio zvezda, to bi bilo 119 Mlečnih Puteva. Samo u jednoj godini!

U roku od jednog sata, na Jutjubu se globalno pogleda oko 250 miliona videa. Jutjub je drugi najveći pretraživač na svetu. Opcije za targetiranje su beskrajne…

Dakle, zašto moj tim i ja i dalje smatramo da to obilje podataka neće zameniti stratege ni kreativce?

Zato što ljudi nisu samo ono što jesu, već i ono što bi želeli da budu – ili što ne znaju da jesu. Zato što ekstremno ograničeni rezervoar naše pažnje ne može da se privuče samo stvarima koje nam trebaju, već i onima – pre svega onima – koje su nam interesantne. Zato što su analitičke sposobnosti čak i najpametnijih sistema trenutno samo na nivou takozvane ‘slabe veštačke inteligencije’ (weak AI) i da na pojavu ‘jake AI’ treba čekati još najmanje 20-50 godina.

Algoritmi su sjajni za ‘žetvu’ namera na kraju kupovnog ciklusa, kada je potrošač na tržištu sa jasnom namerom da nešto kupi, ili u potrazi za specifičnim sadržajem. Kada je ta potreba već poznata i definisana. Ali nisu baš sjajni za definisanje teritorija, pristupa i ideja koje su nove, neobične i – samim time – interesantne. Za građenje ‘mentalne dostupnosti’ (u frazi prof. Bajrona Šarpa, ‘novog Kotlera’, koji je jedan od Kotlerovih najvećih protivnika) na početku ciklusa, gde se borba vodi ne kroz definisanu nameru, već kroz kreiranje poželjnih asocijacija izmedju brenda i specifičnog osećanja ili raspoloženja.

Algoritmi nisu kreativni. Oni ne operišu emocijama. Ne borave na teritoriji ‘Ej, jesi video ono…!?’ kao u nedavnom novom ispoljavanju strategije za Persil, gde američki zatvorenici sažaljevaju modernu decu jer provode manje vremena napolju nego oni! Dirt is good u novoj verziji. Kako je to neko nedavno izjavio na jednom drugom APG skupu, nijedan algoritam na svetu vam ne bi predložio gorilu koji svira bubnjeve u oglasu za čokoladu.

Algoritmi ne kreiraju buzz. Ili bar ne još. Imaju mnogo svetla, ali nemaju toplotu – što je moja i misija moga tima u Guglu: da se potopimo u to obilno ‘svetlo’ podataka i da onda, kao živi ljudski transformatori (ili Transformersi, ako vam je više drago), te informacije pretvorimo u emotivne ljudske uvide koji će biti počeci uzbudljivih kreativnih teritorija…

Zato stratezi i kreativci i dalje mogu mirno da spavaju. Makar neki. Jer, postoje dve stvari o kojima moraju da brinu, iz ugla obilja podataka i automatizacije.

Prvo, ne postoji više samo jedna strategija. Po nekim procenama, 40-60% ukupnog oglašavanja su dosadni, funkcionalni i nekreativni oglasi bazirani na raznim akcijama ili funkcionalnim porukama. Vrlo mali procenat oglašavanja su stvari koje se vide u Kanu.

Te i takve poruke se i mogu i treba da automatizuju. Ne treba im strateg, samo juniorski kreativni tim i algoritmički medijski plan. Takvi projekti su uvreda za ozbiljne stratege i kreativce. Putuj igumane – nikome neće biti žao ako roboti preuzmu tu funkciju.

Međutim, ako vaša agencija sedi uglavnom u tom prostoru, ako se pozicionirala kao fabrika kobasica koja industrijski liferuje klišeizirane poruke, imate razloga da se plašite – barem na razvijenim tržištima. Kreirajte dodatnu vrednost za vaše klijente što pre.

Druga stvar za razmišljanje je ova: marketing je danas previše veliki za jednu osobu, čak i za jednu agenciju. Baš zbog obilja podataka i informacija o potrošačima, kao i zbog broja potencijalnih marketing kanala i novih tehnologija, potrebno je promeniti proces u agencijama.

Stari način formiranja strategije, koji ja nazivam pristupom ‘mokrog peškira’, bi bio da strateg ode u svoju kulu od slonovače, potopi se u istraživanje potrošača, muči se danima i nedeljama sa mokrim peškirom na bolnoj glavi, i na kraju se pojavi sa oreolom svetlosti oko sebe i kreativnom timu objavi svoje ukazanje: propoziciju i famozni ‘brif’!

Taj segmentirani, linearni proces više ne funkcioniše najbolje. Zato što su i strategija, kao i kreativnost, postali preveliki za jednog čoveka. To nas je navelo da i u svom timu i u ZOO uvedemo grupni pristup kreiranju ideja.

Prvo, kada dobijemo klijentov brif, odmah uradimo sesiju ‘dekantiranja’. Kao i sa vinom, brif mora da sazri i to radimo u sesiji na kojoj su prisutni svi članovi projektnog tima: strateg, kreativac, kreativni tehnolog, rukovodilac projekta i projektni menadžer.

Vrlo brzo, za pola sata, u razgovoru, otkriju se mnogi novi uglovi i teritorije, pravci i ispoljavanja za strategiju, istraživanje i same ideje…

Drugi korak je to da se i strategija i ideje, dok se formiraju, stalno dele. Čim bilo ko od nas nađe nešto interesantno ili dobije zanimljivu ideju, deli se. Ovaj princip se zove fishfooding i dogfooding i preuzet je od softverskih inženjera. Ne čeka se da se formira nekakva idealna završna strategija ili ideja; proces je mnogo više agilan i saradnički. Više je mozgova umešano, šira je asocijativna mapa ideja i pristupa, dublje se i šire, zanimljivije, misli. Jedni drugima hranimo kreativnost

Zastareli, nefleksiblni procesi i biznis modeli su mnogo veća pretnja agencijama, makar onima na kreativnijoj strani, nego algoritmi. Makar dok veštačka inteligencija ne pređe kritičnu masu i ne počne da nas pobeđuje ne samo u šahu i go-u, već i u slikarstvu, kinematografiji ili muzici.

Ali, tada će nam marketing biti najmanji problem za rešavanje.

B92