Projekty B + R - Przewodnik Multimedialny - Collective Intelligence metodą podniesienia poziomu innowacyjności polskich przedsiębiorstw

PRZEWODNIK MULTIMEDIALNY
Collective Intelligence metodą podniesienia poziomu innowacyjności polskich przedsiębiorstw
Przejdź do treści
COMPUTATIONAL COLLECTIVE INTELLIGENCE – Prof. Tadeusz M. Szuba
W pierwszej kolejności przedstawione zostaną wyniki badań przeprowadzonych przez Prof. Tadeusza M. Szubę z Akademii Górniczo-Hutniczej oraz jego współpracowników. Podczas przeprowadzanych przez nich symulacji okazało się, że model obliczeniowy oparty na kolektywnej inteligencji, będący odbiciem zjawisk występujących w przyrodzie, jest zaskakująco szybki i efektywny.


Kliknij, aby wyświetlić film

Wnioski z badań zrealizowanych przez Prof. Szubę wskazują, że jeżeli zbiór problemów (oznaczmy go jako A), które grupa minimum dwóch jednostek (ludzi lub komputerów) nazywanych „agentami” może rozwiązać działając w pojedynkę jest inna od zbioru problemów (oznaczmy go jako B), które mogą zostać rozwiązane, jeśli zaistnieje kooperacja pomiędzy agentami, to możemy mówić, iż kolektywna inteligencja się objawiła.

Wychodząc z takiego spostrzeżenia można zauważyć, iż „inna” nie musi wcale oznaczać „większa” - dzięki temu możemy mówić o dodatniej Kolektywnej Inteligencji w przypadku gdy zbiór B jest podzbiorem właściwym zbioru A lub o ujemnej Kolektywnej Inteligencji gdy zbiór A jest podzbiorem właściwym zbioru B. Jeżeli  przykład grupy więźniów uciekających przed pościgiem - bez wątpienia istnieje tutaj Kolektywna Inteligencja jednak jako grupa mogą uciekać wolniej (mniej skutecznie) niż może to zrobić jeden więzień w pojedynkę (Skrzyński, 2010).

Prof. T. Szuba zaproponował iloraz, za pomocą którego można określić stopień zorganizowania struktury wykorzystującej przy rozwiązywaniu problemów zbiorową inteligencję. Wskaźnik ten pozwala na pomiar zdolności danej struktury do osiągnięcia założonego celu. Jego nazwa,  IQS, oznacza iloraz inteligencji grupy społecznej (Szuba 2001).

  
Definicja:   Iloraz Kolektywnej Inteligencji (IQS)
  
W oparciu o N-elementowe wnioskowanie możemy podać definicje IQS dla S{...} nad domeną   problemów U   jako prawdopodobieństwo P,   że konkluzja CSg0d   wyłoni się w CS"   po czasie t   w rezultacie zaistniałego N-elementowego wnioskowania. Oznaczamy to przez: IQS=0(t, N).
  
Źródło: Skrzyński 2010, s. 40.
  

Stosowany w kolektywnej inteligencji model obliczeniowy odchodzi od uporządkowanego, deterministycznego procesu obliczeń (a zatem takiego modelu, jaki jest realizowany w typowym dzisiejszym procesorze cyfrowym), na rzecz modelu molekularnego i niedeterministycznego. Szczególnym przypadkiem takiego modelu obliczeń (który udało się fizycznie zaimplementować) jest biochemiczny tzw. „komputer – DNA”. Poniżej przedstawiamy zaproponowany przez Prof. Szubę model molekularny.


 
MOLEKULARNY MODEL CI – PRZESTRZEŃ OBLICZENIOWA
Źródło: Skrzyński, 2010, Szuba 2001

 
O modelu tym pisał P. Skrzyński: w omawianym modelu informacja jest przenoszona przez tzw. molekuły informacyjne transportujące fakty, reguły i cele obliczeń. Molekuły informacyjne przemieszczają się quasi-chaotycznie  w środowisku skonfigurowanym poprzez membrany. W momencie spotkania (ogólnie rozumianego , które dalej będziemy nazywać rendezvous), jeśli spotkają się właściwe wyrażenia logiczne, następuje proces wnioskowani, w rezultacie którego pojawiają się potomne molekuły, transportujące dalej konkluzje z wnioskowania. W takim systemie wnioskującym, proces logiczny odbywa się wielowątkowo, chaotycznie, równolegle, wątki się przeplatają oraz zazębiają, wnioskowanie odbywa się jednocześnie „w przód”, „wstecz” a także „od środka”. Okazało się podczas symulacji, ze taki model obliczeniowy jest zaskakująco szybki i efektywny (Skrzyński, 2010).


 
 
MOLEKULARNY MODEL CI – PROCES WNIOSKOWANIA
Źródło: Skrzyński, 2010, Szuba 2001
Quizy interaktywne
Projekty B + R
MAPOWANIE GENOMU KOLEKTYWNEJ INTELIGENCJI - Massachusetts Institute of Technology
Massachusetts Institute of Technology (http://cci.mit.edu), jedna z najbardziej znanych instytucji akademickich w USA, stworzyła międzywydziałowe centrum o nazwie MIT Center for Collective Intelligence w celu interdyscyplinarnego badania fenomenu zbiorowej inteligencji.


Źródło: http://cci.mit.edu, pobrano 18.09.2017 r.
 

Jeden z najważniejszych projektów realizowanych przez to centrum dotyczy mapowania „genomu” kolektywnej inteligencji. Przedsięwzięcie obejmuje badanie bloków strukturalnych lub inaczej „genów” warunkujących istnienie zbiorowej inteligencji. Identyfikując zestaw wzorców postępowania (genów), które mogą być łączone i rekombinowane w celu stworzenia nowych systemów wykorzystujących inteligencję tłumów, projekt ten pozwala nam lepiej zrozumieć fenomen CI.


Kliknij, aby wyświetlić film

 
W ramach projektu zidentyfikowano stosunkowo niewielki zestaw wzorców zachowań, które są łączone i rekombinowane na różne sposoby w różnych systemach zbiorowej inteligencji. Aby sklasyfikować te zachowania, używano dwóch par powiązanych pytań:
 
- KTO wykonuje zadanie? DLACZEGO je wykonuje?
 
- CO się dzieje?  W JAKI SPOSÓB to się dzieje?


Źródło: Malone T., 2009.
 
 
Przykładowo, geny określające motywację osób zaangażowanych w procesy CI można podzielić na następujące grupy:
 
· Pieniądze. Obietnica korzyści materialnych jest istotnym czynnikiem motywującym dla większości uczestników rynku. Czasami po prostu uczestnicy społeczności otrzymują wynagrodzenie, a czasami mają nadzieję, że uczestnictwo w określonych działaniach zwiększy ich szansę na przyszłe zyski, np. zwiększając ich reputację zawodową lub podnosząc umiejętności (Malone et al., 2009).
 
· Pasja. Zaangażowanie w zbiorowe przedsięwzięcia w dużej mierze zależy od pasji – oddania się wykonywanym czynnościom z przyjemnością, nawet jeżeli nie ma szans na korzyści finansowe. Może to przybrać kilka form: osoby mogą być zmotywowane tym, że czerpią radość z wykonywania danego działania, stanowi ono okazję do spędzania czasu z innymi lub daje im satysfakcję z uczestnictwa w pasjonującej, większej inicjatywie (Malone et al., 2009). Z badań nad Wikipedią wynika, że uczestnicy kierują się wszystkimi z tych trzech motywacji.
 
· Chwała. Chwała lub uznanie to kolejny istotny czynnik motywujący ludzi do udziału w przedsięwzięciach CI. Programiści w wielu społecznościach open source to przykład ludzi motywowanych pragnieniem uznania ze strony innych osób o równym statusie. Uznanie to ma wynikać z ich wkładu we wspólne dzieło (Malone et al., 2009).
 
 
W ramach projektu przeprowadzono mapowanie genomu najbardziej znanych przedsięwzięć, w których mamy do czynienia z kolektywną inteligencją.

 
Jednym z rozpisanych w ten sposób na „geny” kolektywnej inteligencji przedsięwzięć jest Wikipedia:

         

       
Źródło: Malone T., 2009.
 
 
 
Innym rozpisanym na „geny” kolektywnej inteligencji przedsięwzięciem jest Linux:
         


       
Źródło: Malone T., 2009.
BIBLIOGRAFIA
CATALYST
Projekt CATALYST (pełna nazwa: Collective Applied Intelligence and Analytics for Social Innovation), realizowany w latach 2013 – 2015 w ramach priorytetu „Collective Awareness Platforms for Sustainability and Social Innovation” finansowanych z 7PR i Horyzontu 2020.
 

Strona główna projektu Catalyst. Źródło: http://www.catalyst-fp7.eu, pobrano 16.10.2017 r.
 

Projekt CATALYST przyczynił się do zmniejszenia „nieokreśloności” kolektywnej inteligencji, kładąc nacisk na tworzenie narzędzi i badanie debaty online.


Kliknij, aby wyświetlić film

 
 
Celem projektu było ułatwienie debat prowadzonych online oraz poprawa ich jakości i skuteczności. Podejście zastosowane w projekcie CATALYST polegało na łączeniu narzędzi, służących realizacji celów kolektywnej inteligencji i nawiązywaniu współpracy między jednostkami i społecznościami (w celu wprowadzania innowacji społecznych).

 
 
Oprogramowanie DebateHub oraz Collective Intelligence Dashboard, które wykorzystujemy w projekcie "Collective Intelligence metodą podniesienia poziomu innowacyjności polskich przedsiębiorstw" zostało stworzone w ramach CATALYST.

 
Obiektem prowadzonych badań była forma kolektywnej inteligencji realizowana poprzez uporządkowany dyskursu i argumentację, celem której jest grupowe nadawanie sensu złożonym problemom społecznym i poprawa zdolności zbiorowego zmagania się ze skomplikowanymi zagadnieniami.

 
Jednym ze zidentyfikowanych w projekcie kluczowych problemów dotyczącym większości popularnych platform dyskusyjnych była słaba wizualizacja. W debacie internetowej w dalszym ciągu dominują treści w formie tekstu, choć większość użytkowników chce mieć dostęp do przystępnych treści w formie obrazów/filmów, które można bardzo szybko zrozumieć i w łatwy sposób udostępnić innym osobom. Pomimo tego przekazanie wyników deliberacji online przy pomocy skutecznych metod wizualizacji jest wciąż nierozwiązanym problemem.
 

Pojawiły się zatem pytania:
 
·  Jak zwizualizować to, co dzieje się w społeczności internetowej?
 
·  Jak uczynić pomysły i argumenty bardziej przystępnymi, dzięki czemu można by je łatwo przyswoić, zrozumieć i przekazać?
 
·  Jak opracować intuicyjne, angażujące, interaktywne wizualizacje dla użytkowników w celu lepszego zgłębienia i zrozumienia głównych treści, intuicji, wyników i ukrytej dynamiki debaty w Internecie?

 
Zaprojektowany w ramach CATALYST serwis CIDashboard to wynik prac badawczych, których celem było znalezienie odpowiedzi na te pytania. Jego podstawą jest usługa, która wspomaga podsumowanie debaty, zrozumienie i nadanie jej sensu poprzez dostarczenie różnorodnych możliwości wizualizacji stanu, treści i wyniku dyskusji online.

 
Wczesna analiza wymagań użytkowników istniejących społeczności skupionych wokół platform dyskusyjnych ujawniła, że istniały następujące istotne problemy, którym należało wyjść naprzeciw:
 
• Uczestnicy mają problem z uzyskaniem ogólnego zarysu tego, co zdarzyło się w debacie w ramach społeczności online. (Kim są kluczowi członkowie? Które debaty są najistotniejsze? itp.).
 
• Uczestnicy rzadko są świadomi wkładu innych osób w debatę przed aktywnym włączeniem się w nią (do prowadzi także do wkładu o słabych podstawach merytorycznych i powtarzających się pomysłów).
 
• Nowe osoby nie wiedzą, w jaki sposób zacząć udział w debacie.
 
• Liderzy społeczności nie wiedzą, gdzie najbardziej potrzebne są nowe osoby (kierownictwo jest nieskuteczne, ponieważ kierownikom brakuje narzędzi do analizy dyskusji i kierowania uwagi użytkowników na konkretne sprawy).
 
• Liderzy społeczności mają problemy z podsumowywaniem stanu debaty, rozpowszechnianiem jej wyników i angażowaniem nowych osób.

 
Kwestie te wpłynęły na ostateczny kształt wypracowanych narzędzi do wizualizacji, analizy i powiadomień, które znajdują się w serwisie CI Dashboard.
 
 
Prezentacja wyników projektu Catalyst. Źródło: http://www.catalyst-fp7.eu, pobrano 16.10.2017 r.
Zbiorowa inteligencja i crowdsourcing w inicjatywach publicznych
[Tekst powstał w oparciu o rezultaty pracy badawczej zrealizowanej w ramach Instytutu Aurea Libertas w projekcie „E-Government 2.0”.
Źródło: http://aurealibertas.org/elektroniczna_republika_udzial_obywateli_w_zyciu_publicznym_za_posrednictwem_narzedzi_ict.html]


Kliknij, aby wyświetlić film

Widoczne w ostatnich latach zmiany technologiczne i społeczne definiują na nowo samo pojęcie państwa i sfery publicznej.  Zmieniają one swoją podstawową funkcję, z autorytatywnego ośrodka rozwiązywania problemów stając się arbitrem zapraszającym partnerów społecznych do wspólnego poszukiwania najlepszych rozwiązań. W realizacji zadań publicznych państwo stało się nie jedynym, ale jednym z wielu graczy, którego podstawowym zadaniem jest zapewnienie infrastruktury i umożliwienie działania pozarządowym podmiotom prywatnym, takim jak: indywidualni obywatele, organizacje pozarządowe, przedsiębiorstwa. Wszystkie te podmioty zyskują zatem możliwość, aby w aktywny sposób proponować nowe rozwiązania i przejmować niektóre obowiązki państwa, korzystając ze znacznie większej niż dotychczas ilości danych, w tym upublicznionych danych publicznych.

 
Do realizacji zadań publicznych wykorzystuje się wywodzącą się ze sfery prywatnej metodę CROWDSOURCINGU.

 
Niezwykle interesujący projekt wykorzystujący crowdsourcing jako metodę współtworzenia przez obywateli rozwiązań prawnych zrealizowany został w 2013 r. Finlandii. Celem projektu było wypracowanie nowej ustawy, regulującej ruch pojazdów poza wytyczonymi drogami (off-road traffic), co jest szczególnie ważne w mniej zaludnionych obszarach tego kraju w miesiącach zimowych.  Nowa ustawa miała za zadanie uwzględnić zarówno racje kierowców, jak i właścicieli terenu, po którym kierowcy się poruszają, a także miłośników przyrody.


 
 
Interfejs użytkownika w projekcie rządu Finlandii - crowdsourcing ustawy, regulującej ruch pojazdów poza wytyczonymi drogami.
Źródło: https://www.eduskunta.fi/FI/tietoaeduskunnasta/julkaisut/Documents/tuvj_1+2014.pdf, pobrano 10.12.2017 r.

 
Proces podzielono na kilka faz: mapowania problemów, zgłaszania propozycji rozwiązań i deliberacji problemowej, ewaluacji zgłoszonych rozwiązań (prowadzonej zarówno przez ekspertów, jak i przez użytkowników systemu, z uwzględnieniem mechanizmów zapobiegających lobbowaniu) a wreszcie fazę tworzenia prawa. Wynikiem tych prac był projekt ustawy skierowany do prac parlamentu. Bardziej jeszcze znanym przedsięwzięciem była inicjatywa, dzięki której powstał nowy projekt konstytucji Islandii. Grupa ok. 950 osób stworzyła zestaw propozycji i postulatów, które powinny zostać uwzględnione w nowej konstytucji. Na tej podstawie projektem zajęła się 25-osobowa grupa ekspertów. Kiedy szkic był już gotowy, umieszczono go na stronie internetowej. Tam oceniać go mogli i analizować wszyscy obywatele.
Wróć do spisu treści