Внедрение алгоритмов ИИ для курирования выборов и канвассинга

Использование алгоритмов ИИ для курирования выборов и канвассинга

Как в один прекрасный момент обрисовал демократию Авраам Линкольн: «Я не желал бы быть рабом, и не желал бы быть рабовладельцем. Это выражает мое осознание демократии». Но демократия в сегодняшнюю эру была запятнана возникновением технологий, которые помогают манипулированию и поляризации голосов избирателей.

график.png

Сейчас наиболее 3 млрд юзеров соц сетей интенсивно проводят время на данных платформах, растрачивая на это больше чем 2 часа в денек. Логично, что конкретно на этих платформах ведутся главные манипуляции и применяется стратегия поляризации. Было бы хорошо разобраться в том, как платформы соц сетей пробуют подбирать данные во время выборов при помощи самих технологий. Это довольно полезное познание!

рисунок 1.jpg

У хоть какой технологии постоянно есть оборотная сторона медали, и искусственный ум не является исключением. Основное в этом вопросце — это не стать регрессивными в подходе к будущим технологиям, но при всем этом необходимо держать в уме наши главные ценности и блага. Итак, как мы можем курировать процесс выборов при помощи ИИ? Давайте разберемся.

Предвыборная агитация

Перед началом выборов и окончанием периода продвижения кандидатов наступает фаза, которая имеет решающее значение для принятия решения избирателем, и это так именуемый “канвассинг”. Агитация такового рода является известным феноменом в политических кругах и далековато не нова, но что поменялось, так это инструмент, который помогает политическим кандидатам проводить канвассинг.

Благодаря технологиям искусственного ума и машинного обучения сбор данных о ходе кампании и их анализ стали относительно ординарными. Ранее данные собирались на базе действий, которых совершают люди во время кампаний, к примеру, пожертвование средств в фонды, подписание петиций, роль в митингах, демонстрация поддержки через посещение агитационных центров и т. д.

Но из-за того, что социальные сети равномерно стали главный платформой для избирателей, митинги, петиции и остальные способы теряют свою актуальность, и возникли новейшие способы сбора данных для проведения кампаний. Примером может послужить, Harvard Analytica — политическая компания, использующая ИИ в качестве базисных технологий. Она собирала данные из учетных записей Facebook для анализа, чтоб посодействовать в проведении промежных избирательных кампаний в США (Соединённые Штаты Америки - государство в Северной Америке) еще в 2014 году.

Когда о этом сделалось понятно, мир стал очевидцем того, как ИИ быть может применен для поляризации и манипулирования настроениями избирателей. Facebook вызнал о неверном воззвании с данными и удалил наиболее 900 учетных записей и страничек со собственных платформ, так как они были поддельными учетными записями, сгенерированными при помощи искусственного ума.

Что такое манипулирование и поляризация?

Манипулирование меняет настроение избирателей, усиливая либо провоцируя тенденциозное отношение, эмоции (Эмоции отличают от других видов эмоциональных процессов: аффектов, чувств и настроений), которые в итоге могут поделить людей. Манипуляции такового рода также приводят к усилению поддержки 1-го кандидата и поляризации избирателей. Примеров поляризации весьма много и в прошедшем. Существует теория, разработанная для расчета поляризации, популярная как аксиома медианного избирателя. Она употребляется в США (Соединённые Штаты Америки - государство в Северной Америке) для анализа и измерения поляризации избирателей.

ИИ для обработки данных

Как мы можем употреблять ИИ для обработки данных в мире биг-дата? Следует разглядеть внедрение 3-х разных способов для алгоритмов машинного обучения:

   1. Контролируемое обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками):

Это способ, в рамках которого мы обучаем метод с верно определенными данными, где вопросец и ответы уже есть. Как метод освоится с нравом набора данных, мы предоставляем иной набор данных относительно помеченного набора данных и задаем вопросцы, чтоб отыскать действенные ответы.

рисунок.png

Мы можем употреблять ту же модель для обучения поведенческим моделям постами, историями и трендовыми сообщениями в соц сетях, которые уже помечены как инструменты канвассинга для выборов. Она употребляет способы систематизации и регрессии для того, чтоб метод изучал наборы данных.

   2. Безпризорное обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками)

Это тип обучения, когда мы не говорим машинкам, что созодать. Тут метод имеет полную автономию для обучения на базе наборов данных и может группировать данные на базе шаблонов, поведения и сходств.

unnamed (1).png

Если учитывать наборы данных соц сетей, с которыми мы имеем дело, то такие методы разрешают рассматривать любой пост на предмет манипуляций, поляризации и остальных тактик канвассинга, применяемых политическими организациями.

   3. Усиленное обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками)

Этот способ дозволяет преднамеренно употреблять методы при обработке данных на платформах соц сетей — тут метод учится определенным сценариям, позволяя ему рассматривать реакцию и шаблоны для определенных событий.

К примеру, мы можем научить методы рассматривать профили юзеров и их сообщения, в случае если они употребляют определенные слова, заблаговременно определенные при программировании таковых алгоритмов, как: ненависть, наименования религий либо хоть какой иной текст, направленный на давление на честность выборов. Таковым образом, методы сумеют выслеживать платформы соц сетей на предмет всех неприемлимых либо вводящих в заблуждение сообщений.

Стратегия когнитивного реагирования (CRT):

Стратегия когнитивного реагирования представляет собой объединение всех 3-х моделей в цифровую инфраструктуру мэйнфрейма в соц сетях, чтоб сделать лучше обнаружение данных и обеспечить целостность выборов. Для нужд когнитивных вычислений платформы соц сетей могут употреблять разные способы, такие как пасмурные вычисления, туманные вычисления и т. Д.

Задачки для развития CRT сейчас:

Инфраструктурные способности соц сетей. Гайдлайны по регулированию и мониторингу данных. Поддержка со стороны государств и правительств в сборе данных. Централизованные органы контроля для наилучшего надзора и подотчетности. Сохранность платформ соц сетей, чтоб избежать утечки данных политическим структурам.

Выводы

Платформы соц сетей, такие как Facebook, Instagram, Twitter и остальные интенсивно выслеживают данные и употребляют методы для противодействия политически ангажированным сообщениям и историям, которые нацелены оказать давление на результаты выборов. В целом, правительствам и платформам соц сетей нужно работать совместно, чтоб обеспечить добросовестные и вольные выборы и продвигать их демократический образ.

О создателе:

Манодж Рупарелия — эксперт по интернет-маркетингу, блогер, с опытом работы в области технологий, блокчейна, криптовалют, ИИ, цифрового маркетинга и SEO. Все блоги, которые он пишет, нацелены на помощь читателям, которые желают быть в курсе крайних событий в области технологий.

Изображение: Elections

ИИ выборы демократия Поделиться: Подписаться Подписаться Еще кое-что принципиальное Atari объявила о подготовительной продаже собственного токена Циркулирующее предложение Tether возросло до 5.3 миллиардов Тойота анонсирует блокчейн-лабораторию спустя 11 месяцев исследования технологии

Комментариев нет:

Отправка комментария