разговор и вдохновение

У вас есть чистый холст, и нет никаких правил, никаких ожиданий и никакого давления. Всего три человека с задачей создать что-то.

Итак, с чего мы начнем?

Ну, в нашем случае это началось с большого количества… ну… болтовни. Разговоры о случайных вещах: текущие события, личные интересы, пенсильванские тюрьмы. Не было ощущения, что что-то вот-вот срастется или произойдет какой-то серьезный толчок к ясности. Просто было ощущение, что люди знакомятся друг с другом. Это было случайно, но важно, потому что нам нужно было сформировать первоначальное понимание того, что каждый из нас может принести за стол переговоров. Это включало в себя навыки, то, над чем мы работали, и возможное видение проекта, на что Инь (наш художник) обратил наше внимание дальше.

Темы

Предыдущая работа Ина в основном была современным комментарием о китайской цензуре и интернет-культуре за печально известным великим брандмауэром Китая. Поскольку китайско-американские отношения являются постоянным источником оплошностей и головной боли, безусловно, есть много актуального материала для работы; однако среди всех новостей о торговой войне есть одно событие, которое представляет для нас особый интерес: внедрение Китайской системы социального кредита.

Короче говоря, основной план Китая состоит в том, чтобы создать всеобъемлющую кредитную систему, в которой он может использовать любые источники информации о людях для присвоения им баллов. Затем эта оценка определяет, какие привилегии и ограничения могут быть наложены. Например, гражданин с низким баллом может быть ограничен в доступе к авиаперелетам, лишен определенных перспектив трудоустройства или даже подвергнут общественному порицанию.

Если это звучит как знакомая антиутопия, вы, вероятно, видели или слышали об эпизоде ​​Черного зеркала Носедайв. В их версии системы социального кредита людям предоставляется возможность оценивать своих соседей, коллег или друзей в зависимости от того, насколько позитивно или негативно они оценивают взаимодействие — аналогично тому, как пользователь Uber оценивает водителя и наоборот. Даже если вы не видели этот эпизод, вы можете себе представить, насколько ограничительной и потенциально несправедливой может быть такая система; но, по крайней мере, пользователю предоставляется некоторый уровень прозрачности. Они могут сразу увидеть, кто влияет на их оценку, и, основываясь на их взаимодействии, могут понять, почему кто-то оценил их так. В этом ключевое различие между этим вымышленным изображением и предложенной Китаем системой: Прозрачность.

Эта концепция методологии Китая, окутанная двусмысленностью, стала нашим первым источником вдохновения, в результате которого мы начали экспериментировать с визуализацией абстрактных данных.

В системе Китая вы оцениваетесь правительством на основе данных, которые они собрали из различных источников, но если вы попытаетесь найти подробное объяснение того, какие именно данные используются и как они взвешиваются, это неясно. Эта концепция методологии Китая, окутанная двусмысленностью, стала нашим первым источником вдохновения, в результате которого мы начали экспериментировать с визуализацией абстрактных данных.

Идеи и первоначальные визуализации

Целью визуализации данных, как правило, является передача четкого сообщения зрителю. В данном случае наша мотивация заключалась не в том, чтобы передать очевидное сообщение. Вместо этого мы хотели использовать данные для иллюстрации концепции абстрактным и многоуровневым способом, который в некотором смысле имитировал двусмысленность системы социального кредита. Чтобы попытаться это сделать, мы рассмотрели различные наборы данных и инструменты визуализации, чтобы понять, что может быть визуально привлекательным — некоторые из них проиллюстрированы выше.

Это здорово и все такое, но есть один фундаментальный вопрос, который следует учитывать: если мы будем продолжать в том же духе, как мы получим какие-либо соответствующие данные? Сама система социального кредита является загадкой, и получить доступ к соответствующим общедоступным наборам данных, скорее всего, будет практически невозможно. Это побудило нас обсудить идею убедительной генерации данных, которая — поскольку одно ведет к другому — направила наш разговор в сторону текущих тенденций в машинном обучении.

Движение вперед

Подобно тому, как наши первоначальные разговоры начинались раньше, мы плавно перешли к обмену знаниями и идеями. Мы с моим партнером Майклом помогли Инь быстро узнать о текущих приложениях и возможностях современных алгоритмов машинного обучения, которые открыли новые двери и возможности для экспериментов. Такие методы, как генеративно-состязательные сети (GAN) и передача нейронного стиля, быстро выводят нас за рамки простого создания визуализаций поддельных данных. Теперь мы выбрасывали такие идеи, как: «Что, если мы создадим фальшивых людей, засеянных фальшивым кредитным рейтингом… Что, если мы создадим бота, который научится оценивать переписку людей в чате и соответственно покровительствовать им… Что, если мы попытаемся смешать лицом к лицу с лидером Китая Си Цзиньпином?

Хотя мы, вероятно, не сможем изучить все варианты «что, если», которые мы постулировали за последние недели, мы заполнили наш чистый холст разнообразными идеями, мыслями и визуальными эффектами, которые мы можем исследовать и развивать.

Далее мы углубимся в более детализированный тематический контент (см. пост Ина, чтобы получить первоначальный смысл) и методы машинного обучения, которые мы использовали для изучения этого контента.