Human is the awkward liminal phase between animal and machine

4523 1048

Kamēr vācieši šauj paši sev kājās ar savu pēdējo reaktoru slēgšanu, indieši jau ir uzbūvējuši vienu jaunu 700 MW energobloku, būvē trīs un gatavojas būvēt vēl desmit, pie tam ar lētākām kilovatstundām par saules paneļu alternatīvām (un tas ir pie Indijas ~ 2600 saulainām stundām gadā [1], salīdzinot ar Vācijas ~ 1600 stundām [2]).

Paši reaktori ir atvasināti no praksē labi pārbaudītās presurizēta smagā ūdens CANDU konstrukcijas, modulāri, pielāgojami jaunu sastāvu degvielai bez pārbūves.

[1] https://www.currentresults.com/Weather/India/annual-sunshine.php
[2] https://www.currentresults.com/Weather/Germany/annual-hours-of-sunshine.php

281120 1809

When the boy cried wolf, the villagers committed Type I and Type II errors, in that order.

81120 0146

Trampa ēra izrādījās, pēc jebkurām objektīvām metrikām, mazāk slikta un no iepriekšējās atšķirīga par prognozēto. Baidena ēra izrādīsies mazāk laba un no iepriekšējās atšķirīga par prognozēto. Statistiskais cinisms: sabiedrībā viss^* vienmēr regresē uz vidējo. Tas ir viss no manis par nesenajiem notikumiem politikā.

20719 0042

Insightful: Common statistical tests are linear models.

18917 0042

Viena no būtiskākajām problēmām ar dažādajiem “politikas kompasa” tipa testiem ir tā, ka pēc neizbēgamās dimensionalitātes redukcijas atlikumā iegūtie rezultāti var visai vāji līdzināties faktiskajai uzskatu kopai. Otra, vismaz tikpat būtiska, problēma ir tā, ka nevienam no manis atrastajiem testiem nav publicēta izmantotā metodoloģija, teorētiskais pamatojums u.c. (daļējs pozitīvs izņēmums te ir “8values” tests, kas, kaut arī bez pavadošās dokumentācijas, ir open source un, attiecīgi, pietiekami caurspīdīgs). Paturot prātā to visu, kā arī standarta metakritiku, intereses pēc tomēr nolēmu beidzot izpildīt trīs no tiem, par kuriem izdevās atrast visvairāk pozitīvu atsauksmju. Par samērā nelielu rezultātu (un to atšķirību testu starpā) daļu biju zināmā mērā pārsteigts, par pārējo – ne sevišķi, bet kopumā tomēr nācās secināt, ka neesmu uzzinājis faktiski neko sev svarīgu un/vai turpmāk noderīgu.

Rezultāti:

• Political Compass
• 8values
• 5 Dimensional Political Compass^*

Pieļauju, ka, par spīti augstāk minētajiem iebildumiem, šādu testu rezultātu regulārs masveida apkopojums joprojām varētu būt noderīgs sabiedrības deskriptīvu un prediktīvu modeļu konstruēšanā, paralēli aptaujām u.c. standarta datu avotiem.

14917 1244

When you wake up and find out that goodness of fit of your striatal model is finally really tight after recent updates.

( ... tālāk ... )

6917 2202

Kamēr jautājums par Krievijas dienestu ietekmi uz 2016. g. prezidenta vēlēšanu iznākumu turpina būt atklāts un bez būtiskas virzības uz skaidrības pusi, es vēlētos īsi pieminēt kādu citu, manuprāt, daudz interesantāku un skaidrāku faktoru šī iznākuma tapšanā.

Runa ir par Cambridge Analytica (turpmāk – CA), nelielu Lielbritānijā un ASV bāzētu datu analīzes, algoritmiskās psihometrikas un stratēģisko komunikāciju kompāniju, par kuras eksistenci lielākā daļa vēlēšanu norisei sekojušās publikas varētu joprojām nebūt dzirdējusi, bet kuras loma vēlēšanu gaitā un rezultātos, atkarībā no nepilnīgi pieejamajiem datiem, varētu būt bijusi no augstākas par vidēju līdz kritiskai. CA pirmsākumi meklējami Kembridžas universitātes Psihometrikas centra pētnieku komandā, kas 2008. g. Stenfordas GSB profesora un datu pētnieka dr. M. Kosinska vadībā pievienojās Biheiviorālās dinamikas institūtam un Stratēģisko komunikāciju laboratoriju grupai un 2014. g. ar AI pētnieka un uzņēmēja R. Mercera daļēju atbalstu apvienojās, lai dibinātu CA kā kompāniju.

CA ir gan komerciālā, gan politiskā divīzija un viņu devīze – “Cambridge Analytica uses data to change audience behavior” – labi raksturo tās līdzšinējo darbību un sasniegumus. CA analītiķi un eksperti ir piedalījušies veselas virknes politisko kampaņu norisē gan ASV, gan citur pasaulē, taču līdz šim būtiskākais viņu darba piemērs ir dalība 2016. g. Trampa kampaņas vadībā, izmantojot aptauju rezultātus un citus datu korpusus un statistisko modelēšanu, lai veiktu t.s. microtargeting jeb precīzu, evidence-based vēršanos pie šauri specifiskām populācijas apakškopām. Pilns šī darba ietekmes apjoms, protams, ir un paredzamā nākotnē paliks spekulāciju līmenī, taču, zinot izmantoto materiālu un metožu potenciālu, nebūtu pārsteidzoši, ja tas izrādītos centrāls dažādās ziņās neparastajā vēlēšanu gaitā. Tāpat tas varbūt varētu palīdzēt izskaidrot dažādās novērotās anomālijas, kas saistītas ar vēlēšanu gaitas prognozēšanu, reitingu izmaiņām u.c., bet par šīm tēmām man šeit nebūs tālāku komentāru.

Par spīti manām dažādajām antipātijām pret Mercera politiskajām aktivitātēm, Trampu, viņa elektorātu, viņa sastādīto valdību utt., mana attieksme pret CA darbu ir strikti neitrāla. Pretēji vispārpieņemtajai (?) attieksmei, man nav nekādu principiālu iebildumu pret dažādu veidu algotņiem un viņu īpatnējo darba paradigmu, mercenaires sans frontières, ja var atļauties šādu vārdu spēli. Tādēļ vienīgā morāle, ko es atvedinu no šiem faktiem un notikumiem, aprobežojas ar ieteikumiem visiem esošajiem un nākamajiem politiskajiem, komerciālajiem un citiem funkcionāriem pēc iespējas operatīvi novērtēt un sākt izmantot faktu, ka tagad un turpmāk pasaules notikumos noteicošie faktori ir un arvien izteiktāk būs dati un algoritmi un ka praktiski neierobežotu labumu gūst tie, kuri prot šos faktorus izmantot saviem mērķiem. Prognozēju, ka jau 2020. g. varēsim praksē pārliecināties par to, kuri no ASV politiskajiem grupējumiem ir iemācījušies šo patiesību.

26216 0005

Šovakar: sēdēju zem segas ar drudzi, rakstīju ar tālāko pilnīgi nesaistītas lietas, iedomājos sekojošo (vēl pāris reižu jāizlaiž caur galvu, ja nu esmu palaidis garām ko būtisku), parēķināju: atgriezeniskie perceptroni, vieni no deep learning pamatelementiem, ir ekvivalenti Markova ķēdēm ar pieaugošas pakāpes nosacījumu (ja parastās Markova ķēdes ir izsakāmas kā \(P(x_{1}, \dots, x_{n}) = P(x_{1}) P(x_{2} | x_{1}) P(x_{3}|x_{2}) \dots P(x_{n} | x_{n - 1})\), tad šeit ir runa par \(P(x_{1}, \dots, x_{n}) = P(x_{1}) P(x_{2} | x_{1}) P(x_{3} | x_{2}, x_{1}) \dots P(x_{n} | x_{n - 1}, \dots, x_{1})\)).

Ja tā ir taisnība, tad tas varētu nozīmēt, ka vismaz daļā gadījumu (interesanti, vai/kā tas translējas no ierindas RNN uz, piem., LSTM vai NTM) standarta Beijesa grafu modeļi ir izmantojami par praktisku alternatīvu semantiku DL klasifikatoru izskaidrošanai un pētniecībai.

---

26116 2321

18116 0443

25515 0016