© Предоставлено Клоковым Максимом Александровичем
Мир меняется, и меняются социальные процессы. Их динамика в последние годы выросла настолько сильно, что привычные методы мониторинга перестали успевать за реальностью. Происходит сокращение экономических циклов, растет миграция, рынок труда меняется — появляются новые профессии, причем стремительно, укладываясь на неподготовленную почву. При всем этом в большинстве своем мы продолжаем ориентироваться на статистику, которая обновляется раз в квартал или даже с годовой задержкой.
Однако не стоит на месте и аналитика. С распространением искусственного интеллекта (ИИ) многое стало перекладываться на плечи нейросетей, которые позволяют уже сейчас перейти от инерционных отчетов к предиктивной аналитике, которая видит социальные риски задолго до того, как они проявятся в официальных данных.
Какие данные использует ИИ
Существует мнение, что социальная аналитика базируется исключительно на госстатистике. Отчасти это правда, если речь идет о традиционных способах исследовать и сопоставлять данные. С другой стороны, искусственный интеллект не ограничен только государственными источниками информации — он анализирует буквально все. Включая, кстати, и официальные данные, такие как доходы, занятость, демография, различного рода отчеты.
Кроме них, ИИ опирается на:
- банковские транзакции и потребительскую активность. Так, например, анализ расходов может показать динамику реального потребления, а резкое падение трат на непродовольственные товары — указать на ухудшение благосостояния населения;
- данные мобильных операторов, поскольку снижение мобильности нередко является маркером экономического спада;
- вакансии и резюме, а именно снижение количества новых вакансий, массовое обновление резюме, всплеск поисковых запросов о том, как грамотно составлять CV;
- социальные сети и медиапространство, где анализирует обсуждения различных проблем и жалобы;
- спутниковые снимки, потому что даже они могут указать на уровень бедности. Об этом говорят, например, оценка состояния инфраструктуры, плотности ночного освещения и качества застройки.
Любые мелочи могут подсветить состояние социального сектора, и в деле поиска именно таких «мелочей» нейросети очень хороши. Они способны находить корреляции между десятками типов данных.
В качестве примера: модель может связать падение ночной освещенности в отдельных муниципалитетах, уменьшение перемещений на работу утром, рост жалоб на отсутствие выплат и снижение количества вакансий в конкретном секторе.
Исходя из этого, ИИ предсказывает всплеск безработицы — причем на несколько месяцев раньше, чем эта информация проходит по официальной статистике.
Кроме того, ИИ можно «скормить» неструктурированные данные — те же обращения и жалобы, которые могут поступать властям городов в большом количестве. Из этой информации модель извлекает конкретные темы, которые становятся маркерами настоящих социальных проблем.
Как предиктивная аналитика помогает социальным службам
Способность ИИ прогнозировать, буквально «предсказывая» события, порождает возможность предиктивной аналитики — в противовес реактивному подходу, который базируется на тезисе «проблема уже случилась, нужно помочь». Что это означает на практике?
В первую очередь, это возможность определить территории, у проживающих на которых людей в скором времени снизится доход. Во-вторых, оценить, какие районы наиболее уязвимы к росту безработицы. Предиктивная аналитика позволяет увидеть начало деградации инфраструктуры, смоделировать влияние роста цен или закрытия крупных предприятий и оптимизировать программы поддержки, направляя ресурсы туда, где они действительно нужны.
Искусственный интеллект — это полезный инструмент, снижающий стоимость социальных кризисов. Это для государства. Если же говорить о людях, то для них ИИ становится источником более справедливой и оказанной вовремя помощи.
Предиктивная аналитика может использоваться не только в социальной сфере — это сам по себе достаточно универсальный инструмент. Для прогнозирования ситуации в бизнесе, например, достаточно уметь пользоваться нейросетями. Онлайн-университет «Зерокодер» приглашает на большой практикум по Perplexity — нейросети, которая заменяет собой большинство языковых моделей, позволяя работать как с текстом, фото и видео, так и с крупными объемами данных. Бонус для всех участников — полезные промпты для жизни и карьеры!
Российский кейс цифровых двойников
Один из реально существующих и действительно работающих проектов социальной аналитики с помощью ИИ в России — это проект так называемых «цифровых двойников», моделей физического объекта, которые отражают реальный оригинал и позволяют симулировать его состояние. А значит, и строить на его основе прогнозы.
Изначально цифровые двойники использовались применительно к промышленным объектам, таким как заводы или находящееся на них оборудование, однако в последнее время создаются виртуальные дубли полноценных регионов и городов. Если конкретизировать, то цифровой двойник региона — это совокупность данных об инфраструктуре, демографии, экономике, мобильности, социальных показателях и других подобных критериях, моделируемых в цифровом виде, с возможностью прогнозирования.
Причем у этого проекта есть реальный практический пример, который разработала команда ученых Самарского университета и специалистов компании «САМИС». Они создали «модель цифрового двойника», которая обрабатывает данные из городов с населением свыше 100 тысяч человек. Система собирает и анализирует множество параметров. В теории, с ее помощью можно заглянуть на несколько лет вперед и увидеть, как будет жить конкретный населенный пункт «в будущем».
В основу модели легли геоданные и геоинформационные технологии. Это значит, что в виртуальной копии территории содержатся пространственные слои: здания, дороги, инфраструктура, возможно — данные о населении, услугах, плотности, транспортных потоках. С ее помощью можно просчитать, как перемены, например, в экономике, инфраструктуре или миграции отразятся на доступности услуг, занятости, социальной нагрузке, на жилых массивах в целом.
В сущности, это делает возможной социальную аналитику 2.0 — быструю, точную, способную спрогнозировать будущее без тех неудобств, которые есть у аналитики сегодня.
Этические вопросы и другие вызовы
Тогда как использование ИИ в социальной аналитике дарует множество возможностей, этические вызовы здесь тоже присутствуют. Например, предвзятость данных — такое случается, когда исторические данные, на которых обучается модель, дискриминируют какую-то социальную группу. В таких обстоятельствах модель будет предвзята тоже — она использует только ту информацию, которую ей «скормили».
Другие моменты, которые требуют дополнительной работы, включают в себя:
- прозрачность решений, потребность в объяснимых ИИ-подходах, благодаря которым будет понятно, почему модель считает, что определенный район будет неблагополучным;
- защита персональных данных — информация должна быть строго обезличена, и нарушение этого принципа недопустимо;
- ответственность, поскольку необходимо понимать, кто будет ответственен за вероятные ошибки, допущенные нейросетью.
- Этика — фундамент социальной аналитики, и без ее соблюдения такие модели могут принести больше вреда, чем пользы.
Социальная аналитика 2.0 — наше будущее, и можно рассчитывать, что в ближайшее время ИИ изменит принцип работы социальной сферы. Начиная от цифровых двойников, которые проигрывают сценарии «что будет, если…», и заканчивая большими языковыми моделями, способными за секунды обработать обращения горожан, — это уже перестает быть просто аналитикой и становится полноценным инструментом стратегического планирования.
