Παρακολουθώντας το Skynet | Foreign Affairs - Hellenic Edition

Παρακολουθώντας το Skynet

Πώς τα καθεστώτα μπορούν να καταπνίγουν τα κοινωνικά κινήματα πριν καν ξεκινήσουν
Περίληψη: 

Αντί να βασίζονται σε ένστικτα, την εμπειρία ή τα ιστορικά προηγούμενα, οι δυνάστες μπορούν τώρα να ευχαριστούν τις προόδους στην ανάλυση δεδομένων και τα πανταχού παρόντα «παθητικά» δεδομένα που τους επιτρέπουν να αναπτύξουν νέες, επιστημονικά επικυρωμένες μεθόδους καταστολής

Ο GREGORY MAUS είναι ανεξάρτητος αρθρογράφος.

Οι δικτάτορες αντιμετωπίζουν διαρκώς ένα δίλημμα: Να συνθλίψουν τις διαφωνίες για να τρομοκρατήσουν (αλλά και να εξοργίσουν) τον πληθυσμό ή να ανέχονται τις διαμαρτυρίες και να προσφέρουν μεταρρυθμίσεις για να κρατήσουν τους πολίτες σε λογαριασμό (αλλά στην διαδικασία ενθαρρύνοντας τους αντιφρονούντες). Αντί να βασίζονται σε ένστικτα, την εμπειρία ή τα ιστορικά προηγούμενα, οι δυνάστες μπορούν τώρα να ευχαριστούν τις προόδους στην ανάλυση δεδομένων και τα πανταχού παρόντα «παθητικά» δεδομένα που τους επιτρέπουν να αναπτύξουν νέες, επιστημονικά επικυρωμένες μεθόδους καταστολής. Με το να αναλύουν την δυναμική της αντίστασης σε βάθος που προηγουμένως ήταν αδύνατο, οι δυνάστες μπορούν να συντρίψουν προληπτικά τις διαφωνίες, πιο αξιόπιστα και πιο προσεκτικά.

Με τις μαθησιακές δυνατότητες των μηχανών και την ανάλυση των κοινωνικών δικτύων (machine learning and social network analysis), οι δικτάτορες μπορούν να προσδιορίσουν τους μελλοντικούς ταραξίες πολύ πιο αποτελεσματικά από όσο μέσω της ανθρώπινης διαίσθησης και μόνο. Οι έξυπνες τεχνολογίες έχουν πολύ καλύτερες επιδόσεις από τους ανθρώπινους αντίστοιχούς τους: Ένα πρόγραμμα από την Telenor Research και το MIT Media Lab χρησιμοποίησε τεχνικές μηχανικής μάθησης για την ανάπτυξη ενός αλγορίθμου για στοχευμένο μάρκετινγκ, αντιπαραβάλλοντας τον αλγόριθμό τους απέναντι σε μια ομάδα κορυφαίων ειδικών του μάρκετινγκ από μια μεγάλη ασιατική εταιρεία τηλεπικοινωνιών. Ο αλγόριθμος χρησιμοποίησε έναν συνδυασμό στοιχείων των κοινωνικών δικτύων και τηλεφωνικών μεταδεδομένων των κοινωνικών ομάδων που είχαν στοχεύσει, ενώ η ανθρώπινη ομάδα στηρίχθηκε σε δοκιμασμένες και αποδεδειγμένες μεθόδους. Όχι μόνο ο αλγόριθμος είχε σχεδόν 13 φορές μεγαλύτερη επιτυχία στην επιλογή αρχικών αγοραστών στον προγραμματισμό των κινητών τηλεφώνων, αλλά και οι αγοραστές τους ήταν 98% πιο πιθανό να διατηρήσουν [ζωντανά] τα σχέδιά τους μετά τον πρώτο μήνα (σε αντίθεση με το 37% των ανθρώπων του μάρκετινγκ).

Συγκρίσιμοι αλγόριθμοι που στοχεύουν ανθρώπους με διαφορετικό τρόπο έχουν εμφανίσει κάπως πιο δυσοίωνες προοπτικές. Για παράδειγμα, προηγμένοι αλγόριθμοι κοινωνικών δικτύων που αναπτύχθηκαν από το Πολεμικό Ναυτικό των ΗΠΑ [1], εφαρμόζονται ήδη για τον εντοπισμό βασικών μελών συμμοριών στο Σικάγο [2] και σε δήμους στην Μασαχουσέτη [3]. Αλγόριθμοι όπως αυτοί, ανιχνεύουν, χαρτογραφούν και αναλύουν τα κοινωνικά δίκτυα των ανθρώπων που συγκεντρώνουν το ενδιαφέρον (είτε τους υποτιθέμενους δράστες είτε τα θύματα εγκλημάτων). Στο Σικάγο [2], έχουν χρησιμοποιηθεί για τον εντοπισμό εκείνων που είναι πιθανότερο να εμπλακούν σε πράξεις βίας, επιτρέποντας στην αστυνομία να προσεγγίσει την οικογένεια και τους φίλους τους, προκειμένου να αξιοποιήσουν την κοινωνική τους μόχλευση ενάντια στην βία. Τα στοιχεία για τα μοντέλα αυτά μπορεί να προέλθουν από διάφορες πηγές, συμπεριλαμβανομένων των μέσων κοινωνικής δικτύωσης, των αρχείων τηλεφώνου, των αρχείων συλλήψεων και οτιδήποτε άλλο στο οποίο έχει πρόσβαση η αστυνομία. Ορισμένα προγράμματα λογισμικού αυτού του τύπου ενσωματώνουν επίσης geo-tags (γεω-ετικέτες) από άλλα στοιχεία, προκειμένου να δημιουργηθεί ένας γεωγραφικός χάρτης γεγονότων. Προγράμματα όπως αυτά έχουν αποδειχθεί αποτελεσματικά στην αξιολόγηση της αποτελεσματικότητας των ομάδων της συριακής αντιπολίτευσης [4], στον εντοπισμό δικτύων κατασκευής και διανομής αυτοσχέδιων εκρηκτικών μηχανισμών στο Ιράκ [5], στο να βοηθήσουν την αστυνομία να στοχεύσει συμμορίες αλλά και να στοχεύσει καλύτερα υπόπτους για εγκληματικές πράξεις [6] ώστε να τους ερευνήσει.

Σχετικές ανακαλύψεις σε αλγόριθμους υπολογιστών έχουν αποδειχθεί αποτελεσματικές για την πρόβλεψη μελλοντικών πολιτικών αναταραχών. Από τον Νοέμβριο του 2012, οι επιστήμονες της πληροφορικής έχουν εργαστεί [7] για το Αρχικό Μοντέλο Βασισμένης Αναγνώρισης Εκδηλώσεων με την χρήση Υποκατάστατων (Early Model Based Event Recognition using Surrogates, EMBERS [8]), έναν αλγόριθμο που αναπτύχθηκε με χρηματοδότηση από το Intelligence Advanced Research Projects Activity που χρησιμοποιεί δημοσίως διαθέσιμα tweets, δημοσιεύσεις σε blog, και άλλους παράγοντες για την πρόβλεψη διαδηλώσεων και ταραχών στην Νότια Αμερική. Μέχρι το 2014, προέβλεψε με εντυπωσιακή ακρίβεια γεγονότα τουλάχιστον μια εβδομάδα νωρίτερα. Ο αλγόριθμος μάθαινε σταθερά από τις επιτυχίες και τις αποτυχίες του, προσαρμόζοντας με κάθε διαδοχική προσπάθεια το πόσο βάραιναν οι μεταβλητές και τα δεδομένα.

03072015-3.jpg

Μια οθόνη του Laplace's Demon, ενός προγράμματος υπολογιστών που ελέγχει την δραστηριότητα των κοινωνικών δικτύων για σημάδια διαδηλώσεων. CENTER FOR RESEARCH IN LEGITIMACY AND POLITICAL PROTES
-------------------------