Miért fontos, hogy merre járnak a barátaink?

Az eddigi tesztek tanulsága: a módszer meglepően pontos. 200 önkéntessel vizsgálták, és a rendszernek előre kellett jeleznie, hogy az illetőek hol lesznek 24 óra múlva. Átlagosan 20 métert tévedett. Ez a szám komoly fejlődés egy másik méréshez képest, amikor a barátokra vonatkozó adatok nélkül, csak az adott felhasználót követve kellett ugyanezt megtennie, és átlagban mintegy kilométernyit tévedett.

A tesztek egyetlen hátulütője, hogy nem az egész lakosságot reprezentálták: az alanyok Lausanne-tól maximum 50 kilométerre laktak, és általában egyetemisták, tudományos kutatók voltak, tehát olyan személyek, akiknek a napi mozgásai viszonylag könnyen prognosztizálhatók. A számok ennek ellenére figyelemreméltók, az algoritmust kidolgozó Birmingham Egyetem kutatói fejlesztői platform létrehozását tervezik. Munkájukat a Nokia is támogatja, a tesztet például a telefongyártó Genfi-tó környékén rendezett Mobile Data Challenge-ének keretében végezték. (A tesztalanyok előzetesen hozzájárultak tartózkodási helyük, kommunikációs szokásaik, app-használatuk stb. 18 hónapon keresztül történő nyomonkövetéséhez.)

De hogyan hasznosíthatók a barátok tevékenységére vonatkozó adatok, miért könnyebb és pontosabb így az előrejelzés? A kutatást vezető Mirco Musolesi szemléltető példája: tételezzük fel, hogy Susan minden kedd este hétre edzőterembe megy. Otthonról indul, általában ugyanazt az utat teszi meg. A csak őt követő algoritmus nem venné figyelembe, hogy az egyik kedden közben bemenne valamelyik boltba is. Viszont a Musolesi és kutatótársai által fejlesztett algoritmus tudja, hogy Susan két legjobb barátja, szokásuk szerint ezen a napon, este hét körül a boltban tartózkodik, így nagy az esély arra, hogy a lány hasonlóan fog cselekedni. Mégpedig azért, mert a barátok szokásai és tevékenységmintázatai között szoros összefüggések, kapcsolódások mutathatók ki. Mozgásmintáikból épp elég zajmentes információ nyerhető ki ahhoz, hogy pontosan lehessen következtetni belőlük. Az előrejelzés még inkább finomítható, ha két személy sok időt tölt el egymással.

Valóságbányászat

A Birmingham Egyetem kutatása az MIT Humán Interakciók Laboratóriumának – szintén a Nokia által (is) támogatott – 2000-es évek közepi (azaz még az „okostelefon-robbanás" előtti) „Valóságbányászat" (Reality Mining) projektjéből nőtt ki. Az adatbányászat új paradigmájaként is felfogható valóságbányászat lényege, hogy a gépi úton, például szenzorokkal összegyűjtött környezeti adatokból próbál emberi szociális viselkedésre, az egyéni, a csoportos és a szervezetszintű viselkedés dinamikájára vonatkozó információkhoz jutni, nagyobb közösségeken keresztül téve lehetővé beszélgetések kontextusának, a közelség érzetének, személyek idő- és térbeli elhelyezkedésének pontos modellezését. Az adatok feldolgozása olyan kérdések megválaszolását is lehetővé teszi, hogy hogyan fejlődnek a közösségi hálózatok, mennyire lehet előrejelezni személyek életét, hogyan működik az információáramlás, miként változtathatók meg egy csoporton belüli interakciók ahhoz, hogy a csoport jobban funkcionáljon stb.

A közösségihálózat-elemzők által is kedvelt módszer kivitelezésekor elsősorban mobilkészülékeket (telefont, tabletet stb.) használnak az adatgyűjtéshez. Az előrejelzést végző általános modellek kidolgozásához felhasználták a számítástudomány egyik leggyorsabban fejlődő területének, a gépi tanulásnak az eredményeit.

A szintén gyorsan fejlődő valóságbányászat elméleti diszciplínából a való világban is hasznos, kifejezetten praktikus alkalmazásokat (például a birminghami kutatók algoritmusát) előállító szakterületté vált. Az algoritmusról egyébként az MIT Humán Interakciók Laboratóriumának igazgatója, Alex Pentland is elismerően beszélt. Ugyanakkor – mint minden hasonló projektnél – a gazdasági és reklámszempontból egyre fontosabb személyes adatok (privacy) biztonságának kérdését is kiemelte.