"Бесконечность" космоса
Часто мы наблюдаем многочисленных «романтиков», которые в восторге от космоса. Конечно, красивая картинка и кажется, что там бесконечность для исследований и возможностей. И конечно «космические» возможности.
Перенаселение и неизбежная жатва.
На планете 8 миллиардов человек. Ресурсы кончаются: нефть, газ, железная руда, цветные металлы, редкоземельные металлы, уран, истощаются почвы (площадь пустынь растет), истощаются запасы воды. Но при этом население продолжает расти на ~1% в год.
Добыча нефти на душу населения падает с 1970х годов. Добыча нефти абсолютная тоже падает и растут затраты на добычу. В определенный момент времени, добыча нефти станет затратней, чем прибыль от использования нефти. При этом формально, запасы нефти будут. А на практике нефть станет недоступна. Затраты энергии на извлечение нефти будут выше, чем содержащаяся в нефти энергия. Такое уже произошло с углем в Китае, добывать свой уголь у них дороже, чем закупать на внешнем рынке. Соответственно миллионы тонн разведанных запасов ресурсов это не совсем правда, или полуправда.
По запасам газа чуть лучше, но все страны экспортеры заинтересованы в преувеличении своих запасов для привлечения инвестиций.
По хорошему, если бы люди были разумны, в 1900 году нужно было на планетарном уровне принять программу, 1 семья, 1 ребенок. Тогда, постепенно, население с ~1.6 миллиарда в 1900 году сократилось бы до 0.2 миллиардов, больше не нужно.
( Collapse )
Amazon разработала ИИ для поиска сотрудников и отказалась от него из-за дискриминации женщин
комментарии
Оказалось, что очень трудно заставить автоматическую систему нарочно делать глупости, не нарушив целиком её работу. ...
Comment to 'Искусcтвенный Интеллект - когда уже?!' by livelogic
По рутинной работе ИИ в медицине
habr
11 февраля 2013
IBM Watson закончил мединститут и пошёл на работу
Представители компаний IBM и WellPoint провели совместную конференцию, на которой объявили о начале коммерческой эксплуатации медицинской системы IBM Watson. Шесть экземпляров IBM Watson уже «трудоустроены» в больницы США в качестве врачей-диагностов.
За два года учёбы Watson изучил 605 тыс. медицинских документов, в общей сложности 2 миллиона страниц текста. Перед началом врачебной практики компьютер проанализировал 25 тыс. историй болезни и проработал 14,7 тыс. для тонкой настройки алгоритмов. С целью пополнения базы знаний компания IBM заключила соглашение с одним из ведущих центров изучения рака Memorial Sloan Kettering, где собран огромный архив медицинской информации. Watson способен не только ставить диагнозы, но и определять наиболее оптимальный курс лечения. Во многих случаях показывает точность диагностики лучше, чем врачи-люди.
Представитель компании WellPoint на пресс-конференции привёл такой пример. Точность назначения оптимального лечения после диагностирования рака лёгких в больницах США составляет 50%. То есть в половине случаев врачи рекомендуют не самый идеальный курс лечения и препаратов. Так вот, у компьютера IBM Watson точность назначения оптимального лечения составляет 90%. При расчёте он учитывает малейшие нюансы из медицинской карты больного и его генетическую информацию. Лечащий врач может со своего iPad вносить дополнительную информацию в компьютерную систему Watson в текстовом виде, например, написать «у пациента появилась кровь в мокроте при отхаркивании» — компьютер поймёт сказанное и через 30 секунд выдаст уточнённый диагноз и обновлённый курс лечения.
Конструкция компьютера тоже значительно усовершенствована. Раньше Watson занимал целую комнату (на фото вверху), 10 серверных шкафов с 90 серверами IBM Power 750. В первоначальных спецификациях было указано 2800 процессорных ядер и 15 терабайт памяти. Понятно, что в больницу такую систему никак не поставишь. Для установки в медучреждениях сделали клиентский модуль «размером с коробку от пиццы», который использует вычислительные ресурсы в облаке. Одновременно с этим, вычислительная мощность Watson увеличена на 240%, сказали на пресс-конференции.
Компания WellPoint является эксклюзивным реселлером IBM Watson для медицинских учреждений и занимается сопровождением системы. Компьютер можно купить или взять в аренду, а в ближайшее время заработает веб-портал для доступа к справочной системе. Компания WellPoint планирует подписать на сервис компьютерной диагностики 1600 медицинских учреждений до конца текущего года.
...........................
Искусственный интеллект IBM Watson выявил редкую форму лейкемии и спас пациенту жизнь
2016
На днях сотрудники Токийского института медицинских исследований сообщили о том, что искусственный интеллект IBM Watson помог им в диагностировании редкой формы лейкемии. По словам специалистов, диагноз, поставленный искусственным интеллектом, позволил спасти 60-летней пациентке жизнь. Месяц назад врачи ошиблись в постановке диагноза, вследствие чего ей было назначено неподходящее лечение.
Искусственный интеллект IBM Watson выявил редкую форму лейкемии и спас пациенту жизнь
Искусственному интеллекту Watson понадобилось всего 10 минут для того, чтобы сравнить генетические изменения пациентки с более чем 20 миллионами результатов клинических исследований случаев рака, выявив точный диагноз. Благодаря этому, женщине своевременно назначили новый курс лечения. Как сообщают сотрудники Токийского института медицинских исследований, в ходе использования IBM Watson им также удалось определить ещё одну редкую форму лейкемии у другого пациента.
habr
11 февраля 2013
IBM Watson закончил мединститут и пошёл на работу
Представители компаний IBM и WellPoint провели совместную конференцию, на которой объявили о начале коммерческой эксплуатации медицинской системы IBM Watson. Шесть экземпляров IBM Watson уже «трудоустроены» в больницы США в качестве врачей-диагностов.
За два года учёбы Watson изучил 605 тыс. медицинских документов, в общей сложности 2 миллиона страниц текста. Перед началом врачебной практики компьютер проанализировал 25 тыс. историй болезни и проработал 14,7 тыс. для тонкой настройки алгоритмов. С целью пополнения базы знаний компания IBM заключила соглашение с одним из ведущих центров изучения рака Memorial Sloan Kettering, где собран огромный архив медицинской информации. Watson способен не только ставить диагнозы, но и определять наиболее оптимальный курс лечения. Во многих случаях показывает точность диагностики лучше, чем врачи-люди.
Представитель компании WellPoint на пресс-конференции привёл такой пример. Точность назначения оптимального лечения после диагностирования рака лёгких в больницах США составляет 50%. То есть в половине случаев врачи рекомендуют не самый идеальный курс лечения и препаратов. Так вот, у компьютера IBM Watson точность назначения оптимального лечения составляет 90%. При расчёте он учитывает малейшие нюансы из медицинской карты больного и его генетическую информацию. Лечащий врач может со своего iPad вносить дополнительную информацию в компьютерную систему Watson в текстовом виде, например, написать «у пациента появилась кровь в мокроте при отхаркивании» — компьютер поймёт сказанное и через 30 секунд выдаст уточнённый диагноз и обновлённый курс лечения.
Конструкция компьютера тоже значительно усовершенствована. Раньше Watson занимал целую комнату (на фото вверху), 10 серверных шкафов с 90 серверами IBM Power 750. В первоначальных спецификациях было указано 2800 процессорных ядер и 15 терабайт памяти. Понятно, что в больницу такую систему никак не поставишь. Для установки в медучреждениях сделали клиентский модуль «размером с коробку от пиццы», который использует вычислительные ресурсы в облаке. Одновременно с этим, вычислительная мощность Watson увеличена на 240%, сказали на пресс-конференции.
Компания WellPoint является эксклюзивным реселлером IBM Watson для медицинских учреждений и занимается сопровождением системы. Компьютер можно купить или взять в аренду, а в ближайшее время заработает веб-портал для доступа к справочной системе. Компания WellPoint планирует подписать на сервис компьютерной диагностики 1600 медицинских учреждений до конца текущего года.
...........................
Искусственный интеллект IBM Watson выявил редкую форму лейкемии и спас пациенту жизнь
2016
На днях сотрудники Токийского института медицинских исследований сообщили о том, что искусственный интеллект IBM Watson помог им в диагностировании редкой формы лейкемии. По словам специалистов, диагноз, поставленный искусственным интеллектом, позволил спасти 60-летней пациентке жизнь. Месяц назад врачи ошиблись в постановке диагноза, вследствие чего ей было назначено неподходящее лечение.
Искусственный интеллект IBM Watson выявил редкую форму лейкемии и спас пациенту жизнь
Искусственному интеллекту Watson понадобилось всего 10 минут для того, чтобы сравнить генетические изменения пациентки с более чем 20 миллионами результатов клинических исследований случаев рака, выявив точный диагноз. Благодаря этому, женщине своевременно назначили новый курс лечения. Как сообщают сотрудники Токийского института медицинских исследований, в ходе использования IBM Watson им также удалось определить ещё одну редкую форму лейкемии у другого пациента.
Пробуем сайт flickr.com
Обещают до 1 Тб места, что интересно, хотя пока что и не нужно. И уклон типа социальная сеть, поиск по тэгам, людям. В принципе ВК тоже самое, или яндекс диск, майл.ру диск, google, onedrive, dropbox.
Хотя картинки сюда не вставляются, не удобно.
А ну всё, слились они.
Больше нет террабайта... 1000 фоток не очень то интересно...
Proteus +CodevisionAVR
На удивление мощная связка. Для эксперимента написал программу Software serial, работает всё точно по микросекундам, как и задуманно, на передачу, что просто, и на прием.
Может пригодится для малопотребляющих устройств без встроенного UART, например ATtiny44
Миссия к Плутону чуть не провалилась
https://habr.com/post/418529/
Аналогично программисты совершали "подвиг" на Вояджерах, возвращая их к жизни, но это и в Википедии есть.
Аналогично программисты совершали "подвиг" на Вояджерах, возвращая их к жизни, но это и в Википедии есть.
Про ИИ детальная статья, всё что было ранее написано собрано в одном месте
Тренер поймал упавшего ребенка
Технологический предел процессоров
И так мы находимся на завершающей точке развития законна Мура. Когда количество транзисторов в процессорах удваивается каждые два года.
0,54307 нм это размер решётки кристаллического кремния используемого в производстве микросхем. Именно на него ане на размер атома надо ориентироваться. Хотя и на размер атома но только в графеновые технологиях позволяющих что то там уменьшить.
( Collapse )
https://techwork.livejournal.com/563406.html
0,54307 нм это размер решётки кристаллического кремния используемого в производстве микросхем. Именно на него ане на размер атома надо ориентироваться. Хотя и на размер атома но только в графеновые технологиях позволяющих что то там уменьшить.
( Collapse )
https://techwork.livejournal.com/563406.html
Сталинисты и либералы, система ценностей, глубокий анализ
Интуитивно каждый понимает, что Солженицын, как и весь антисоветизм XXI века с рожей Бандеры и «лесных братьев» - фундаментально враждебен основным принципам цивилизации и прогресса. Он из разряда тех явлений, когда и добрые намерения оборачиваются злом, и даже искреннее стремление к добру не помогает адепту. В итоге всех усилий, в итоге жалости к жертвам и призывов лирой добрых чувств – всё равно является нечто базово-античеловеческое, отучающее от членораздельной речи и прямохождения, расслабляющее человека до животного состояния.
( Collapse )
Итогом всех усилий «гуманизма по Солженицыну» человек утрачивает желание и способность читать, в том числе, и того же самого Солженицына. Итогом является человек, который ни на что не годен, и которому на всё наплевать. Итогом является сворачивание созидания, как явления, уход в низшие физиологические радости хорька и хомячка…
Обычно у нас говорят, что Солженицын солгал – и дальше не идут. Мол, ложь бесплодна, отсюда и угасание импульсов культуры в пост-советизме, нарастание патологических извращений на экране, на странице, на сцене…
Но дело не только во лжи. Дело в том «великом отречении» от защиты великого дела, подло обоснованного спекуляциями на «слезинке ребёнка». Если мы выйдем из мира витиеватой демагогии, то увидим, что жизнь довольно просто устроена.
Если у тебя есть ценность – её нужно защищать. Не защищают только помойки. Любую ценность обороняют. Почему? Раз она ценность – то её стремятся похитить. Поэтому к ценности ставят часовых, сторожей, караульщиков.
Полная версия тут
https://vk.com/@eotkaliningrad-god-solzhenicyna-i-vek-progressa
( Collapse )
Итогом всех усилий «гуманизма по Солженицыну» человек утрачивает желание и способность читать, в том числе, и того же самого Солженицына. Итогом является человек, который ни на что не годен, и которому на всё наплевать. Итогом является сворачивание созидания, как явления, уход в низшие физиологические радости хорька и хомячка…
Обычно у нас говорят, что Солженицын солгал – и дальше не идут. Мол, ложь бесплодна, отсюда и угасание импульсов культуры в пост-советизме, нарастание патологических извращений на экране, на странице, на сцене…
Но дело не только во лжи. Дело в том «великом отречении» от защиты великого дела, подло обоснованного спекуляциями на «слезинке ребёнка». Если мы выйдем из мира витиеватой демагогии, то увидим, что жизнь довольно просто устроена.
Если у тебя есть ценность – её нужно защищать. Не защищают только помойки. Любую ценность обороняют. Почему? Раз она ценность – то её стремятся похитить. Поэтому к ценности ставят часовых, сторожей, караульщиков.
Полная версия тут
https://vk.com/@eotkaliningrad-god-solzhenicyna-i-vek-progressa
-
Человеческий мозг внутри суперкомпьютера
Недавняя новость о том, что в США запущен новый суперкомпьютер Summit c вычислительной мощностью в 200 петафлопс, снова поднимает старый вопрос: "А можно ли смоделировать внутри достаточно мощного цифрового компьютера полностью функциональную копию человеческого мозга?"
Читать на Дзене
-
Оккультист и ракетчик
У Америки вообще напряжёнка с космическими героями. Ставить в качестве "отца" американской космонавтики беглого нациста Вернера фон Брауна окончательно не хотят и сегодня. Основатель китайской космонавтики, который появится чуть позже в нашем тексте, Цянь Сюэсэнь, тоже не подходит. В 1955 году его успешно изжили из США во время маккартистской "охоты на ведьм", после чего потомок Пяти Императоров вернулся в Китай - и создал, подобно Королёву, буквально в "чистом поле" самостоятельную китайскую космическую программу.
Неплохо бы на роль отца-основателя подошёл Роберт Годдард, только вот этот глубоко симпатичный мне тихий учёный, в чём-то неуловимо похожий на Константина Циолковского, умер уже в 1945 году, ограничившись запуском в 1930-х годах простеньких ракет в стиле изделий ГИРД и отметившись кратким сотрудничеством с Пентагоном в деле разработки ракетных ускорителей (JATO) для флотской авиации.
Остаётся он, Джон "Джек" Уайтсайд Парсонс, один из основателей знаменитой Лаборатории реактивного движения и один из учредителей будущего гиганта космической индустрии, фирмы Aerojet.
Читать далее на Дзене
-
Климат определяет сознание - или почему русские живут рядом
Сегодня у нас будет несерьёзная статья. Потому что в ней будет много картинок, но мало текста. Но и серьёзная она тоже - потому что в тексте я постараюсь поднять простой вопрос: а насколько наша городская среда определяется нашим мифическим "отставанием" от США и Европы, где все якобы живут в собственных домах с зелёными лужайками. А вот наш формат 5-9-16 этажных домов, которые мы сами пренебрежительно называем "бетонными коробками" на благославенном Западе - исключительно удел нищих и нижних слоёв населения, социальное жильё какой-то третьей, бросовой категории.
Читать на Дзене
Ученые создали нейросеть, распознающую «пьяные» сообщения в Twitter
статья для Хабра
https://habrahabr.ru/post/280186/
тут просто резервная копия (там статья уже пропала просто, после модерации)
Мы все знаем, что алкоголь и общение, вместо составляют не всегда хорошую комбинацию, даже у звезд. Тем не менее, многие из нас повторяют этот опыт снова и снова. И этот опыт дал американским ученым (Nabil Hossain с приятелями из University of Rochester) интересную идею. В итоге, американские ученые разработали нейронную сеть, способную распознавать в Twitter посты, написанные в состоянии алкогольного опьянения и как эти сообщения распределяются по всему обществу. Кроме того, полученная математическая модель может определять, где авторы «пьяных» постов находились в момент их написания.
Об этом сообщает MIT Technology Review.
( Collapse )
Для создания своей нейросети специалисты из University of Rochester в течение целого года собирали твиты, в которых используется специфическая «алкогольная» лексика. Из этого набора, фильтровались все твиты, которые упоминают алкоголь или связанных с алкоголем слов, таких, как "пьяный", "пиво", "вечеринка" и так далее. Анализ около 11 000 постов помог установить, является ли автор сообщения тем, кто пьет спиртное, и был ли твит написан непосредственно во время употребления напитка. Это достаточно большой набор твитов для алгоритма машинного обучения.
Ученые также решили определить, откуда пользователи чаще всего пишут «пьяные» твиты.
Чтобы понять, находился ли автор поста дома, анализировалось употребление специфической «домашней» лексики (например «диван» или «ванна»). Кроме того, по возможности, использовались данные геолокации. Для уточнения координат пользователей, были разработаны дополнительные алгоритмы, например было интересно узнать, дома пользователи, или где-либо еще? Типовые алгоритмы включают в себя анализ мест отправки последнего сообщения в интервале времени от 1 часа ночи, до 6 часов утра. Тем не менее методы имеют свои недостатки и не высокую точность.
Hossain с коллегами разработали другой подход. Они составили список слов и фраз, наиболее вероятно отправленных из своих домов, таких как "Наконец дома!", или "в ванне", "на диване", "перед телевизором" и так далее. Данные твиты были исходным набором данных для уточнения местоположения людей, на основе которых нейросетью были сформированы собственные модели определения людей дома. Алгоритм уточнял, как местоположение пользователя дома, коррелирует с другими показателями, такими как местоположение последнего твита днём, самым массовым расположением твита, процент твитов из определенного места и т.п.
Опираясь на несколько показателей, нейросеть значительно повысила точность. В итоге Hossain и соавторы утверждают, что могут определять пользователей вне дома с точностью до 100 метров с вероятностью в 80%. Это значительно лучше, чем любая предыдущая работа.
Вместе, эти два метода позволили команде разработать модель, когда и где люди пьют. И они использовали это, чтобы сравнить примеры типичные питья в Нью-Йорке, и в пригородной зоне округа Монро.
Исследователи делают это, путем деления каждой области сетку из 100 х 100 ячеек и маркировки тех областей, где есть твиты, связанные с алкоголем. Что позволяет им разрабатывать и сравнивать "тепловые карты" употребления алкоголя для каждой области.
Также различаются твиты о теме питья сделаных из домашнего местоположения, от твитов в других местах. Намечаются точки продаж алкоголя в каждой области. Это позволяет исследователям изучить взаимосвязь между плотностью твитов, отправленных из разных регионов в состоянии алкогольного опьянения и плотности продажи алкоголя.
Результаты интересны для ознакомления. Во-первых, Hossain отметил, что более высокая доля твитов в Нью-Йорке связаны с алкоголем, чем в графстве Монро. "Одно из возможных объяснений является то, что переполненный город, такой как Нью-Йорк с высокой плотностью продажи алкоголя, много людей при общении, вероятно, используют более высокий уровень потребления алкоголя" говорят они.
Более того, данные геолокации показывают, что более высокая доля людей пьет дома (или в пределах 100 метров от дома) в Нью-Йорке, чем в графстве Монро, где большая часть людей пьет далее, чем в километре от дома.
Тепловые карты, также, выявляют интересные закономерности. Это позволяет команде находить области в 100 х 100 метров, в квадратах сетки, где были, по крайней мере пять твитов об алкоголе. "Мы считаем, что такие области являются признаком деятельности необычной питьевой активности," утверждает Hossain.
Они также обнаружили корреляцию между плотностью продажи алкоголя в регионе, и количеством твитов, указывающих, что кто-то пьет в настоящее время. Возникает интересный вопрос о том, как корреляция и причинно-следственная связь связаны в данном случае. Высокая плотность продажи алкоголя заставляет людей пить больше? Или пьющие стекаются в районы с высокой плотностью продажи алкоголя? Конечно, такого рода данные сами по себе не могут ответить на этот вопрос.
Тем не менее, достоинство этого метода является то, что это дешево и быстро. Другие методы, для получения аналогичной информации являются чрезвычайно дорогими и отнимаю много времени.
Как правило, требуется, чтобы люди были тщательно отобраны, для заполнения заранее подготовленных вопросников, которые должны быть далее тщательно проанализированы. Нейросеть же, обученная к этому методу может даже контролировать употребление алкоголя в режиме реального времени. "Наши результаты показывают, что твиты могут обеспечить подробной информацией о происходящем в городах", говорят исследователи.
Есть особенности, конечно. Существует искажение в данных, собранных из Twitter, так как преобладают молодые люди и представлена небольшая часть населения, активном пользующаяся социальными сетями. Но подобные искажения присутствуют в других сбора данных методы, например, опросы, как правило, не учитывают людей, которые не хотят проходить обследования, таких как некоторые иммигранты. Выявление искажений статистических данных, является важной частью всех сбора данных методов.
В дальнейшем авторы исследования хотят научить нейросеть определять пол, возраст, этническую принадлежность и иные особенности по записям в Twitter. Ученые считают, что это поможет в изучении влияния алкоголя на здоровье. Такое, казалось бы не серьезное исследование, имеет достаточно высокую практическую важность, так как только в США, из-за злоупотребления алкогольными напитками умирает 75 000 человек в год. Наличие модели потребления алкоголя в обществе, позволит наметить обоснованные пути решения данной проблемы с минимальными затратами.
https://habrahabr.ru/post/280186/
тут просто резервная копия (там статья уже пропала просто, после модерации)
Мы все знаем, что алкоголь и общение, вместо составляют не всегда хорошую комбинацию, даже у звезд. Тем не менее, многие из нас повторяют этот опыт снова и снова. И этот опыт дал американским ученым (Nabil Hossain с приятелями из University of Rochester) интересную идею. В итоге, американские ученые разработали нейронную сеть, способную распознавать в Twitter посты, написанные в состоянии алкогольного опьянения и как эти сообщения распределяются по всему обществу. Кроме того, полученная математическая модель может определять, где авторы «пьяных» постов находились в момент их написания.
Об этом сообщает MIT Technology Review.
( Collapse )
Для создания своей нейросети специалисты из University of Rochester в течение целого года собирали твиты, в которых используется специфическая «алкогольная» лексика. Из этого набора, фильтровались все твиты, которые упоминают алкоголь или связанных с алкоголем слов, таких, как "пьяный", "пиво", "вечеринка" и так далее. Анализ около 11 000 постов помог установить, является ли автор сообщения тем, кто пьет спиртное, и был ли твит написан непосредственно во время употребления напитка. Это достаточно большой набор твитов для алгоритма машинного обучения.
Ученые также решили определить, откуда пользователи чаще всего пишут «пьяные» твиты.
Чтобы понять, находился ли автор поста дома, анализировалось употребление специфической «домашней» лексики (например «диван» или «ванна»). Кроме того, по возможности, использовались данные геолокации. Для уточнения координат пользователей, были разработаны дополнительные алгоритмы, например было интересно узнать, дома пользователи, или где-либо еще? Типовые алгоритмы включают в себя анализ мест отправки последнего сообщения в интервале времени от 1 часа ночи, до 6 часов утра. Тем не менее методы имеют свои недостатки и не высокую точность.
Hossain с коллегами разработали другой подход. Они составили список слов и фраз, наиболее вероятно отправленных из своих домов, таких как "Наконец дома!", или "в ванне", "на диване", "перед телевизором" и так далее. Данные твиты были исходным набором данных для уточнения местоположения людей, на основе которых нейросетью были сформированы собственные модели определения людей дома. Алгоритм уточнял, как местоположение пользователя дома, коррелирует с другими показателями, такими как местоположение последнего твита днём, самым массовым расположением твита, процент твитов из определенного места и т.п.
Опираясь на несколько показателей, нейросеть значительно повысила точность. В итоге Hossain и соавторы утверждают, что могут определять пользователей вне дома с точностью до 100 метров с вероятностью в 80%. Это значительно лучше, чем любая предыдущая работа.
Вместе, эти два метода позволили команде разработать модель, когда и где люди пьют. И они использовали это, чтобы сравнить примеры типичные питья в Нью-Йорке, и в пригородной зоне округа Монро.
Исследователи делают это, путем деления каждой области сетку из 100 х 100 ячеек и маркировки тех областей, где есть твиты, связанные с алкоголем. Что позволяет им разрабатывать и сравнивать "тепловые карты" употребления алкоголя для каждой области.
Также различаются твиты о теме питья сделаных из домашнего местоположения, от твитов в других местах. Намечаются точки продаж алкоголя в каждой области. Это позволяет исследователям изучить взаимосвязь между плотностью твитов, отправленных из разных регионов в состоянии алкогольного опьянения и плотности продажи алкоголя.
Результаты интересны для ознакомления. Во-первых, Hossain отметил, что более высокая доля твитов в Нью-Йорке связаны с алкоголем, чем в графстве Монро. "Одно из возможных объяснений является то, что переполненный город, такой как Нью-Йорк с высокой плотностью продажи алкоголя, много людей при общении, вероятно, используют более высокий уровень потребления алкоголя" говорят они.
Более того, данные геолокации показывают, что более высокая доля людей пьет дома (или в пределах 100 метров от дома) в Нью-Йорке, чем в графстве Монро, где большая часть людей пьет далее, чем в километре от дома.
Тепловые карты, также, выявляют интересные закономерности. Это позволяет команде находить области в 100 х 100 метров, в квадратах сетки, где были, по крайней мере пять твитов об алкоголе. "Мы считаем, что такие области являются признаком деятельности необычной питьевой активности," утверждает Hossain.
Они также обнаружили корреляцию между плотностью продажи алкоголя в регионе, и количеством твитов, указывающих, что кто-то пьет в настоящее время. Возникает интересный вопрос о том, как корреляция и причинно-следственная связь связаны в данном случае. Высокая плотность продажи алкоголя заставляет людей пить больше? Или пьющие стекаются в районы с высокой плотностью продажи алкоголя? Конечно, такого рода данные сами по себе не могут ответить на этот вопрос.
Тем не менее, достоинство этого метода является то, что это дешево и быстро. Другие методы, для получения аналогичной информации являются чрезвычайно дорогими и отнимаю много времени.
Как правило, требуется, чтобы люди были тщательно отобраны, для заполнения заранее подготовленных вопросников, которые должны быть далее тщательно проанализированы. Нейросеть же, обученная к этому методу может даже контролировать употребление алкоголя в режиме реального времени. "Наши результаты показывают, что твиты могут обеспечить подробной информацией о происходящем в городах", говорят исследователи.
Есть особенности, конечно. Существует искажение в данных, собранных из Twitter, так как преобладают молодые люди и представлена небольшая часть населения, активном пользующаяся социальными сетями. Но подобные искажения присутствуют в других сбора данных методы, например, опросы, как правило, не учитывают людей, которые не хотят проходить обследования, таких как некоторые иммигранты. Выявление искажений статистических данных, является важной частью всех сбора данных методов.
В дальнейшем авторы исследования хотят научить нейросеть определять пол, возраст, этническую принадлежность и иные особенности по записям в Twitter. Ученые считают, что это поможет в изучении влияния алкоголя на здоровье. Такое, казалось бы не серьезное исследование, имеет достаточно высокую практическую важность, так как только в США, из-за злоупотребления алкогольными напитками умирает 75 000 человек в год. Наличие модели потребления алкоголя в обществе, позволит наметить обоснованные пути решения данной проблемы с минимальными затратами.
