Эта статья является частью серии Data Test Kitchen от Discovery Hub. Мы изучаем, как наука о данных и машинное обучение могут помочь в прогнозировании новых инноваций и их социальных последствий.

Урсула К. Ле Гуин в своем новаторском романе «Левая рука тьмы» пишет о вымышленной культуре ханддарата и их мифическом искусстве предсказания. Его практикующие «приручили и натренировали предчувствие… силу видеть (хотя бы на мгновение) все сразу: видеть целиком».

Другой подход, основанный на математике и вычислениях, был предложен другим писателем-фантастом Айзеком Азимовым в его серии «Основание». Он писал о воображаемой научной дисциплине психоистории, которая могла бы предсказывать будущее развитие обществ с высокой степенью точности.

Практика предвидения уже давно привлекает многих, от древних пророков и писателей-фантастов до рыночных прогнозистов и корпоративных футуристов. По своей сути стратегическое предвидение помогает людям и организациям систематически думать о будущем в условиях неопределенности.

Будущее, однако, непознаваемо, поскольку оно еще не существует, и размышление о нем требует воображения. Возможно, отсутствие фактов в будущем является одной из причин, по которой часто ведутся споры о том, является ли изучение будущего искусством или наукой. Это подробно обсуждалось, например, американским футуристом Венделлом Беллом, который пришел к выводу, что исследования будущего на самом деле являются наукой действия — они используют научное мышление для улучшения принятия решений в отношении желательных и нежелательных последствий. Тем не менее, практика предвидения и будущего также включает такие методы, как спекулятивный дизайн и написание научной фантастики, которые могут способствовать наводящим на размышления дискуссиям о будущем.

В оставшейся части этой статьи я расскажу, как креативность и строгость могут сосуществовать в рамках стратегического предвидения, и объясню, как Центр открытий Nesta использует науку о данных, чтобы углубить нашу способность оценивать возможные варианты будущего.

Количественное предвидение общественного блага

Поскольку Nesta сосредотачивает свои усилия на достижении целей в области здоровья, раннего возраста и устойчивого развития, наша задача в Центре открытий состоит в том, чтобы предвидеть разрушительные тенденции и помочь нашей организации адаптироваться. Для нас крайне важен прикладной или действенный элемент работы по предвидению: мы стремимся поддерживать коллег и партнеров, чтобы сделать лучший стратегический выбор здесь и сейчас.

Аналитика данных может поддерживать это разными способами, количественный прогноз — это обширное семейство различных методов. Например, мы можем измерять тенденции, связанные с новыми технологиями и инновациями, таким образом предоставляя доказательства изменений во внешней среде. Экстраполируя эти тенденции, мы можем разработать будущие сценарии.

Мы можем добывать большие наборы данных, чтобы выявить сигналы будущего. Мы можем визуализировать и моделировать сложные системы, делая абстрактное более конкретным.

Эти методы применялись во многих различных контекстах, от рассмотрения военных стратегий до бизнеса и рынков, до рассмотрения направления технологических и социальных изменений. Например, недавний прогноз будущих затрат на энергию (первоначально опубликованный непосредственно перед конференцией COP26 в 2021 году) продемонстрировал, как сценарий быстрого перехода к зеленым технологиям позволит сэкономить триллионы долларов во всем мире по сравнению со статус-кво. В другом примере использовалось агентное моделирование и комплексно-системный подход для более реалистичного моделирования влияния автоматизации на работников на рынке труда.

В целом количественные методы прогнозирования помогают нам думать о возможных результатах, вероятности их возникновения и основных факторах, определяющих эти результаты.

Сочетание сильных сторон анализа данных и методов прогнозирования

Используя аналитику данных, мы стремимся повысить строгость нашего мышления о будущем, сохраняя при этом креативность, которой известны методы работы с будущим.

В то время как данные могут подтверждать или опровергать наши догадки, совещательный и совместный характер методов качественного будущего и прогнозирования может наполнить процесс прогнозирования ценностями, жизненным опытом и суждениями.

Форсайт может улучшить количественное моделирование тенденций и прогнозов, учитывая более широкие социальные последствия этих тенденций, а также помогая обдумать нелинейные эффекты и потенциальные потрясения, которые трудно, если не невозможно, предвидеть в данных.

Мы можем использовать методы предвидения, такие как моделирование сценариев, чтобы помочь контекстуализировать и осмыслить количественные прогнозы. Количественные прогнозы по узким, конкретным вопросам могут быть помещены в сложные и убедительные качественные сценарии для создания передовых систем раннего предупреждения для политиков.

Методы науки о данных также можно использовать для расширения качественных представлений о будущем. Например, Работа Nesta на рынке труда демонстрирует, как экспертные оценки могут быть дополнены машинным обучением для получения оценок будущего роста для сотен различных профессий и навыков.

В конечном счете, данные могут дать предположения о том, что может произойти, но они не говорят нам, что мы должны с этим делать. Чтобы добраться до «итак, что есть» и разработать предложения для действий, необходимы качественные методы и суждения.

Взгляд на тенденции на системном уровне: лучшие точки инноваций

Итак, как это выглядит на практике? Как мы теперь смешиваем количественные и качественные методы для получения информации, которая может быть применена для обслуживания социальных миссий Nesta?

Наша экспериментальная Инновационная программа благоприятных точек мало чем отличается от видения Урсулы К. Ле Гуин в целом, поскольку мы стремимся сопоставить инновационные системы с социальными проблемами. Мы анализируем тенденции, связанные с инновациями и технологиями, которые могут оказать социальное воздействие, используя большие наборы данных об инвестициях и публичном дискурсе. При этом мы хотим зафиксировать многомерный взгляд на социально-техническую систему, в которой происходят инновации, поскольку мы признаем важную роль, которую наука и бизнес, а также средства массовой информации, политика и социальный дискурс играют в разработке и внедрении новых инноваций. .

Улавливая различные сигналы, мы можем проводить анализ пробелов и замечать аспекты, в которых определенные инновации преуспевают или, наоборот, могут тормозиться или отставать. Это может помочь политикам, спонсорам, инвесторам и всем, кто занимается социальными проблемами, лучше понять инновационную систему в целом и направить ресурсы туда, где они могут оказать максимальное социальное воздействие.

Наш пилотный проект Innovation Sweet Spots был сосредоточен на технологиях низкоуглеродного отопления, таких как тепловые насосы, геотермальное и водородное отопление, которые имеют ключевое значение для сокращения выбросов углерода в домохозяйствах и позволяют Великобритании достичь своей нулевой цели. Мы обнаружили сильные сигналы финансирования исследований и разработок, а также растущее общественное обсуждение низкоуглеродного отопления в Великобритании. И наоборот, явный пробел в частных инвестициях вызвал обеспокоенность по поводу дальнейшего расширения этих технологий. Обсудив наши выводы с экспертами в области энергетики и инвестиций, мы выделили некоторые способы преодоления основных препятствий для инвестиций и внедрения этих технологий.

Прогнозирование будущих событий

Помимо изучения исторических тенденций, мы также хотим объединить количественный и качественный анализ, чтобы лучше предвидеть будущие изменения.

Наш следующий проект Innovation Sweet Spots посвящен пищевым технологиям и инновациям. Помимо измерения тенденций, связанных с инновациями, такими как выращенное в лаборатории мясо и темные кухни, мы привлекаем отраслевых экспертов с помощью таких методов участия, как колесо будущего и вики-опросы. Это поможет нам рассмотреть социальные последствия тенденций и их влияние на пищевую среду и ожирение.

Мы также рассматриваем будущие разработки, используя более количественные подходы. Мы опробовали экспериментальный подход к машинному обучению, который пытается изучить модели исторически успешных стартапов и направлен на прогнозирование будущего успеха компаний в секторах, важных для миссии Nesta, таких как экологически чистые технологии, технологии питания и дошкольное образование. Цель этого состоит не в том, чтобы заменить принятие человеком решений при инвестировании, а скорее в том, чтобы облегчить разработку политики поддержки роста и инноваций, поскольку низкая вероятность прогнозируемого успеха может сигнализировать о необходимости лучше понять барьеры на пути к успеху в этой области и внедрить пакеты грантов или другие стимулы.

В ближайшее время мы сообщим о результатах этих проектов.

Сбор данных для будущих сигналов

Семена будущего можно найти в настоящем, и данные могут облегчить появление этих признаков. Мы можем использовать большие наборы данных, описывающие стартапы и исследовательскую деятельность, для сканирования горизонтов, чтобы найти примеры передовых инноваций.

Например, в рамках нашей совместной миссии Nesta по более справедливому старту мы проанализировали более тысячи стартапов в области воспитания детей и дошкольного образования, которые уже выводят на рынок новые продукты, такие как распознавание детской речи и умные помощники для родителей. Мы охарактеризовали прогресс и предусмотрели некоторые потенциальные положительные и отрицательные последствия, если эти технологии продолжат развиваться.

Мы также заинтересованы в изучении того, как облегчить обнаружение таких сигналов путем визуализации наборов данных, связанных с инновациями и технологиями. Пример такого решения — наша недавняя карта мобильных приложений для родителей и детей». Мы создали его, изучив данные из магазина Google Play и используя автоматизированные алгоритмы визуализации, чтобы показать обширный ландшафт из более чем тысячи приложений, которые родители и дети переходят от зачатия до дошкольного возраста. Хотя это была демонстрация приложений, которые уже есть на рынке, мы можем использовать аналогичные методы для визуализации более перспективных данных, связанных с развитием технологий, таких как рефераты исследовательских проектов или патенты.

Открытый исходный код и открытое предвидение

Объединение науки о данных со стратегическим прогнозированием все еще является относительно зарождающейся практикой со многими направлениями для изучения. Важно, чтобы мы продолжали экспериментировать и чтобы это делалось открыто, при поддержке тех, кто ориентирован на инновации для общественного блага, а не только для получения прибыли. Возможно, это одно из основных отличий работы по аналитике данных Discovery Hub от работы средней корпорации: вся наша работа предлагается обратно в общее пользование, включая «как» и неудачи.

В этой работе мы извлекаем выгоду из тесного сотрудничества с Практикой аналитики данных Nesta, которая также ценит открытую работу и максимальное распространение информации. Мы опираемся на многолетний опыт и инфраструктуру, разработанную нашими коллегами, работающими над картографическими инновациями и изучением рынка труда в Nesta. Более того, наша работа, конечно же, зависит от обширного и щедрого сообщества открытого исходного кода, без которого она была бы просто невозможна.

Мы продолжим испытывать новые методы, которые могут помочь нам понять инновационную среду, предвидеть будущие разработки и способствовать принятию более эффективных решений. Например, мы изучаем потенциал причинно-следственного вывода для предоставления рекомендаций для действий на основе данных (мы сообщим о результатах наших первоначальных исследований в ближайшем будущем). Нам также любопытно, как сетевая наука может улучшить наше понимание инновационной системы, чтобы точно определить новые и многообещающие области инноваций и сотрудничества. Мы также рассмотрим полезность совместных подходов и подходов, основанных на данных, таких как нечеткое когнитивное картирование, для создания сценариев и понимания сложных систем.

По мере того, как мы продвигаемся в объединении данных с предвидением, творчеством и участием, мы будем писать здесь, на кухне тестирования данных Discovery Hub, о наших извлеченных уроках. Если вы хотите обсудить что-либо из этого, пожалуйста, свяжитесь с нами, и я всегда буду рад поговорить.

Огромная благодарность Селии Хэннон, Лори Смит и Шивон Чан за полезные комментарии к этой статье.