Насмотренность данными

На протяжении многих лет я занимаюсь аналитикой и исследованиями, постоянно нахожу и изучаю новые данные. В этом процессе я часто медитирую над различными источниками информации, включая как общеизвестные, так и совсем нишевые. Например, меня привлекают ботанические репозитории, содержащие десятки тысяч сканов гербариев и описаний цветов со всего мира. Конечно, я еще не посетила все информационные ресурсы в мире, и это вряд ли когда-либо станет возможным. Я, скорее всего, даже не охватила малую долю данных, касающихся моей основной темы — технологического развития экономики и экономики разных стран, включая экономику России. Хотя, Росстат, пожалуй, я использовала вдоль и поперек.

Тем не менее, я осознаю, что у меня развивается нечто, что можно назвать "насмотренностью данными". Проводя аналогию с дизайнерами, под этим термином я подразумеваю интуитивное, нерациональное понимание того, что те или иные данные могут существовать и где их можно найти.

Иногда я оказываюсь в довольно странных ситуациях. Например, на созвоне меня спрашивают, можем ли мы найти данные о том, в каких отраслях работают индивидуальные предприниматели в странах Юго-Восточной Азии. Я не могу сразу ответить ни да, ни нет, так как просто не знаю точного ответа. В такие моменты у меня в голове нет слов. Но как только я открываю Google и начинаю вводить запросы, что-то меняется. Я ищу аналитические центры, отчеты МВФ или Всемирного банка о поддержке малого и среднего предпринимательства в этих странах, и мои руки как будто печатают запросы быстрее, чем я успеваю об этом подумать.

С каждым разом я все быстрее осваиваю интерфейсы различных баз данных, которые бывают очень разные. Этот процесс превращается в своего рода навык. Мне очень нравится развивать эту насмотренность данными, даже если это не касается напрямую моей основной темы. Это позволяет мне лучше понимать, что можно найти и какие данные вообще бывают.

Итак, к чему все это? Просто я хотела поделиться с вами своими мыслями о насмотренности данными. Мне кажется, это интересное понятие. Насмотренность бывает не только у художников и дизайнеров. Иногда полезно проводить время в интернете, перескакивая между разными базами данных, просто чтобы понять, что можно найти и что существует в мире данных.

Коллеги, если вы пропустили пятничный вебинар Михаила Боде «ИИ для прикладных исследований», не расстраивайтесь!

Посмотреть запись можно по ссылке. Два с лишним часа опробованных на личном опыте приемов, как приручить алгоритмы для нужд рисерча.

Увидев огромный интерес (не всем хватило место на онлайн-трансляции) мы поняли, что надо проводить такие вебинары на регулярной основе: скоро будет новый анонс.

Коллеги, вакансия от сердца. Я работаю в Dsight 1.5 года. Ищу коллегу-аналитика

💜

🚀 Хочешь влиять на развитие технологических рынков? Dsight ищет Junior аналитиков! 🚀

Чем предстоит заниматься:
- Участие в исследовательских проектах: поиск, обработка и анализ информации, составление скриптов для интервью.

- Готовить содержательную часть проектов в виде аналитических обзоров и презентаций.

- Мониторинг продуктов конкурентов и лидеров рынка.

- Участие во внутренних задачах отдела: помощь в подготовке контента для СМИ и соцсетей, помощь в сборе и анализе венчурных сделок, аналитическая поддержка коллег из других отделов.

Что для нас важно:

- Минимум 1 год опыта анализа рынков, трендов, конкурентов
- Возможность работать полный день (8 часов).
- Английский язык B2+.
- Внимательность, ответственность, проактивность, самостоятельность.
- Навыки визуализации данных (PPT).
- Интерес к инновациям и новым технологиям.

Что мы предлагаем:

- Доход: 50 000 - 65 000 рублей (оклад) + премия за участие в проектах.
- Удаленная работа или гибридный формат (офис у м. Калужская).
- Различные варианты трудоустройства.

👉 Отправляйте резюме и примеры работ (при наличии) @DashaZharkova 👈

🚀 Стань частью команды Dsight! 🚀

Literally me, working

Искусственный интеллект как инструмент для моделирования социальных взаимодействий: возможности и риски

В последние годы большие языковые модели (LLM) стали неотъемлемой частью нашей жизни. Они используются в чат-ботах, переводчиках, поисковых системах и даже в качестве помощников по написанию текстов. Но что, если LLM можно использовать для моделирования социальных взаимодействий?

Авторы статьи "Моделирование субъектов: обещание и опасность использования ИИ в качестве заменителей социальных агентов и взаимодействий" исследуют потенциал LLM для моделирования социальных взаимодействий. Они утверждают, что LLM могут быть использованы для создания реалистичных цифровых двойников людей, которые могут участвовать в сложных социальных взаимодействиях.

Авторы статьи выделяют несколько преимуществ использования LLM для моделирования социальных взаимодействий:

Доступность: LLM легко доступны и могут быть использованы для проведения исследований с минимальными затратами.

Масштабируемость: LLM позволяют проводить исследования с большим количеством участников, что было бы невозможно с использованием реальных людей.

Изучение редких взаимодействий: LLM могут быть использованы для моделирования взаимодействий между людьми, которые в реальной жизни встречаются редко, например, между политическими лидерами или учеными из разных областей.

Однако авторы статьи также предупреждают о потенциальных рисках использования LLM для моделирования социальных взаимодействий:

Недостаточная реалистичность: LLM могут неточно моделировать человеческое поведение, так как они не обладают полным пониманием человеческого опыта.

Предвзятость: LLM могут быть предвзятыми, так как они обучаются на данных, которые отражают существующие социальные предрассудки.

Недостаток сенсорного опыта: LLM не обладают сенсорным опытом, который необходим для полного понимания человеческого поведения.

Авторы статьи предлагают несколько принципов для разработки исследований с использованием LLM, которые помогут минимизировать эти риски:

Использование правильных методов обучения: LLM можно обучать на данных, которые отражают реальный мир, а не только на текстовых данных.

Проверка результатов: Необходимо проверять результаты моделирования на реальных людях, чтобы убедиться в их точности.

Использование многомодальных данных: LLM можно обучать на данных, которые включают в себя не только текст, но и изображения, видео и аудио.

Авторы статьи также подчеркивают важность этических вопросов, связанных с использованием LLM для моделирования социальных взаимодействий. Они предупреждают о том, что LLM могут быть использованы для манипулирования людьми, а также о том, что необходимо учитывать моральные аспекты использования LLM в качестве цифровых двойников людей.

В заключение, авторы статьи утверждают, что LLM обладают огромным потенциалом для моделирования социальных взаимодействий, но необходимо использовать их с осторожностью и учитывать все потенциальные риски.