Kan mennesker og kunstig intelligens gå sammen for at forudsige fremtiden?

Det kan hævdes, at videnskabsmænd skaber superkræfter i deres laboratorier. Hvis Aram Galstyan, direktør for Artificial Intelligence Division ved USC Viterbi Information Sciences Institute (ISI) skulle kun vælge én supermagt, det ville være evnen til at forudsige fremtiden. Hvad bliver den daglige lukkekurs for Japans Nikkei 225-indeks i slutningen af ​​næste uge? Hvor mange 6,0 eller stærkere jordskælv vil der forekomme på verdensplan i næste måned? Galstyan og et team af forskere ved USC ISI er ved at bygge et system til at besvare sådanne spørgsmål.

I de sidste to år, Galstyan har ledet en gruppe forskere ved ISI på et projekt kaldet Synergistic Anticipation of Geopolitical Events, eller SAGE, at forsøge at forudsige fremtiden ved hjælp af ikke-eksperter. SAGE-projektet er afhængigt af, at menneskelige deltagere interagerer med maskinlæringsværktøjer for at komme med forudsigelser om fremtidige begivenheder. Deres mål er, at prognoserne fra kombinationen af ​​menneske + AI skal være mere nøjagtige end for mennesker alene.

Deres forskning har vist sig ganske nyttig, og folks forudsigelser er stort set på mål. ISI's Fred Morstatter, en USC Viterbi forskningsassistent professor i datalogi, sagde, at ikke-eksperter nøjagtigt forudsagde i april, at Nordkorea ville iværksætte sin missiltest inden juli; Nordkorea blev lanceret i maj.

Det var landets første missilaffyring i syv måneder, finder sted kun få dage efter, at spørgsmålet dukkede op på SAGE. "Det var noget, jeg tror ikke, nogen af ​​os troede ville ske, " sagde Morstatter.

SAGE er finansieret af Intelligence Advanced Research Projects Activity (IARPA), som investerer i højrisiko, forskningsprojekter med høj udbytte til gavn for det amerikanske efterretningssamfund.

IARPA er interesseret i at udvikle prognoseteknologi, der laver forudsigelser, baseret på et stort antal menneskelige brugere, der er mere nøjagtige og hurtigere end en enkelt menneskelig ekspert. At have evnen til at forudsige geopolitiske begivenheder kunne potentielt hjælpe efterretningssamfundet med at blive bedre, mere informerede nationale sikkerhedsbeslutninger.

Agenturet har været vært for mange konkurrencer relateret til prognoser, herunder projektet Aggregative Contingent Estimation, som crowdsourcede mennesker til at lave forudsigelser.

SAGE udvider denne tidligere undersøgelse, i stedet bede folk om at lave forudsigelser baseret på information leveret af forskellige maskinlæringsmetoder.

I 2017 ISI-holdet modtog en fireårig, multimillion-dollar bevilling under IARPA's Hybrid Forecasting Competition, et nyt projekt, der tilskynder forskere til at kombinere menneskelig prognose med maskinlæringsmodeller for at generere mere nøjagtige forudsigelser, end begge metoder kunne alene. ISI og Raytheons BBN Technologies er finalisterne.

Brugere, kendt som "prognosemænd, "vælg selv, hvad de gerne vil forudsige. Emner spænder fra geopolitiske, "Vil nogen G7-nation deltage i et anerkendt nationalt militærangreb mod Syrien før 1. december 2018?" til økonomisk, "Hvor meget råolie vil Venezuela producere i oktober 2019?" Brugere kan også stille spørgsmål til andre prognosemænd på diskussionsforum, kommentere prognoseresultater, og se lederrangeringerne, som er dekoreret med digitale badges, som brugere kan tjene ved at lave nøjagtige prognoser.

De ikke-eksperter, der er rekrutteret til at deltage på SAGE, har nøjagtigt forudsagt det virkelige liv, geopolitiske begivenheder, sagde Morstatter. "Vi tror, ​​det er tilfældet, fordi de tal, vi ser, indikerer, at vi overgår et system, der kun bruger mennesker."

Dette blev faktisk bekræftet i en konkurrence afholdt sidste år for at teste nøjagtigheden af ​​prognosesystemer. I hele 2019, SAGE blev testet mod to konkurrerende systemer. Alle systemer fik det samme sæt af over 400 prognosespørgsmål. SAGE var i stand til at generere prognoser for disse spørgsmål, der var mere nøjagtige end dem fra de konkurrerende systemer.

Det første ord i SAGEs akronym, "synergistisk, " antyder, hvordan denne menneskelige prognose relaterer sig til maskinlæring. Synergi beskriver, hvordan to eller flere objekter - i dette tilfælde menneske og maskine - samles for at skabe noget, der er større end summen af ​​dets dele. SAGE-teamet er fast besluttet på at finde ud af, hvordan man kombinere crowdsourcede forudsigelser med maskinlæringsværktøjer for at generere mere præcise forudsigelser.

At lære ikke-eksperter, hvordan man laver præcise forudsigelser ved hjælp af maskinlæring, er et af projektets hovedmål, og det virker.

"Takket være de maskinmodeller, vi har i vores system, " sagde Morstatter. "Prognosefolk klarer sig bedre end kontrolsystemet, som kun har menneskelige prognosemænd."

SAGE har nogle interessante maskinmodeller på sit websted, så brugerne kan lave informerede prognoser. Dette inkluderer tidsseriediagrammer - en række historiske datapunkter til at vise tendenser, sammen med en maskinfremstillet forudsigelse - for at hjælpe med kvantitative forudsigelser, såsom værdien af ​​en aktie over tid. Ved at kombinere menneske- og maskingenererede prognoser på SAGE-platformen, ISI-forskere har opdaget fordelene ved hybridisering, sagde Galstyan.

Ud over ISI's Galstyan og Morstatter, holdet inkluderer Pedro Szekely, en USC Viterbi forskningslektor i datalogi, hvem ved, hvordan man gemmer alle SAGEs data; Professorerne Emilio Ferrara og Ali Abbas; forskningsprogrammør Gleb Satyukov, hvem udvikler front-end, eller hvad brugerne ser på SAGE-webstedet; datalog Andres Abeliuk, hvis ekspertise inden for bias og datalogi supplerer postdoc Daniel Benjamins arbejde; og projektleder Lori Weiss, holdets første forsvarslinje, når brugerne har spørgsmål om platformen. Holdet omfatter også eksterne medlemmer fra University of California i Irvine, Columbia University, Stanford University, og Fordham University.

Indtil nu, de har været i stand til at vise, at blanding af maskinintelligens og menneskelig beslutningstagning genererer lavere Brier-score end menneskelige prognosemænd alene, han tilføjede. "Vi overgår, hvad der er blevet gjort tidligere."

Morstatter sagde:"SAGE virker, fordi mennesker har den ene side af medaljen, og maskiner har den anden side."

Men det er ikke kun efterretningsanalytikere, der kan finde prædiktiv teknologi nyttig. Hvem vil ikke gerne forudsige fremtiden?