В современном мире социальные процессы становятся всё более сложными и динамичными. Они охватывают различные аспекты жизни общества, включая экономику, политику, культуру и другие сферы. В условиях такой сложности и динамики возникает необходимость в использовании новых методов и подходов для прогнозирования социальных ситуаций.
Одним из перспективных направлений является применение машинного обучения – области искусственного интеллекта, которая позволяет компьютерам обучаться на основе данных и делать предсказания на их основе. В качестве такого инструмента можно использовать интеллектуальную игру Го и нейросеть Alpha Go Zero.
Игра Го – логическая настольная игра с глубоким стратегическим содержанием, возникшая в Древнем Китае, по разным оценкам, от 2 до 5 тысяч лет назад. «Сначала Го было одним из «четырех возвышенных времяпрепровождений» ученых и занимало почетнейшее место в Китае и Японии, так как считалось хорошим упражнением для развития ума – мастерство в Го ценилось, как университетский диплом, – и полезным для человека военных занятий» [7]. Обычно в игру играют два человека (в парной дисциплине 4 человека), один играет белыми камнями, второй – чёрными, цель – отгородить как много больше территории.
Alpha Go – программа для игры в Го, разработанная компанией Google Deep Mind в 2015 году. Alpha Go стала первой программой, победившая без форы профессионального игрока в Го на стандартной доске 19×19. Эта победа стала новой ступенью в развитии искусственного интеллекта.
Alpha Go основана на общих принципах машинного обучения и практически не использует (в отличие от шахматных программ) ни алгоритмов, ни оценочных функций, специфичных для игры в Го. При разработке Alpha Go авторы использовали только самую элементарную теорию игры в Го, программа достигла высокого уровня игры, обучаясь сама на партиях профессионалов. Таким образом, её методы машинного обучения могут быть использованы в других областях применения искусственного интеллекта.
Alpha Go Zero является общедоступной версией нейронной сети и может использоваться как инструмент прогнозирования социальных ситуаций.
Пример: есть две команды – назовём их условно команда Альфа и команда Бета (чёрные и белые соответственно). Они борются за победу в тендере, как в игре, где нужно завоевать территорию и набрать больше очков. В контексте тендера территория – это влияние и аргументы, которые доказывают, что команда достойна победы. Сотрудники в этом случае выступают в роли камней, каждый из которых выполняет определённые задачи. Команды могут мешать друг другу в достижении целей, действовать спокойно или активно атаковать соперника, как и в реальной жизни.
За пример была взята партия игроков среднего уровня. На рис. 1 кружок со значением «-42» означает, что ход сокращает вероятность победы игрока на 42%, кружок со значением «0» – лучший ход в текущей позиции, на графике отображается вероятность победы игрока определенного цвета, а красные точки – ключевые моменты партии, когда можно было изменить её исход.
Рис. 1. Позиция с прогнозом и распределение вероятностей победы
По позиции можно сказать, что между сторонами зарождается борьба, ИИ предлагает белым прекращать атаку и спокойно забрать территорию в углу. Перевод в социальную ситуацию: Альфа и Бета зачинают спор, но ИИ предлагает Бете отойти от спора и направить свои силы в другое русло.
Если Бета продолжит спор, программа оценивает победу Альфы в 91,1% (рис. 2).
Рис. 2. Прогноз при неудачном ходе белых
Если же Бета выберет стратегию, предложенную Alpha Go Zero, то появится возможность увидеть продолжение варианта, с равной игрой с обеих сторон, но с преимуществом для Беты (рис. 3).
Рис. 3. Вариант развития событий, предложенный ИИ
Фрагмент, описанный выше, является примером использования нейросети для прогнозирования развития социальных ситуаций. На доске 19*19 и при более глубоком анализе (учет уровней игроков, большее количество вариантов перебора) можно более точно интерпретировать результат.
Таким образом, Alpha Go Zero можно использовать как инструмент для анализа и прогнозирования социальных ситуаций.
Литература и источники:
- Барахсанов В.П., Эверстов Ф.Ф. Использование DELPHI для разработки электронного учебно-методического ресурса по игре Го.
- Денисов К.М. Принципы игры го как инструмент разработки конкурентной стратегии // Общество в эпоху перемен: современные парадигмы управления. Новосибирск: СибАГС, 2014. С. 124.
- Информационная аналитика в современном социально-политическом процессе: теория и практика / Ремарчук В.Н., Бочарников И.В., Артемьев А.А., Галаганова С.Г., Гришнова Е.Е., Егоров В.Г., Карась Р.А., Катков О.Н., Ламинина О.Г., Смульский С.В., Шевчун В.Н., Урсул В.И. Москва, 2024.
- Лекун Я. Как учится машина. Революция в области нейронных сетей и глубокого обучения. М.: Альпина нон-фикшн, 2021.
- Парсонс Т. О структуре социального действия. М.: Академический проект, 2000.
- Подоляк М.А., Янина Е.А. Оценка позиций в игре Го // Язык-музыкажест: информационные перекрестки. Спб: ООО «Скифия-принт», 2021. С. 106.
- Ремарчук В.Н. Управление смыслами как инструмент современной политики: технологии, вероятные последствия // Этносоциум и межнациональная культура. 2019. № 2 (128). С. 9–21.
- Флах П.Машинное обучение. М.: ДМК Пресс, 2015. 400 с.
- Фрейрбери Д. Игра в го: секреты блестящих побед. М.: ЗАО «Издательство Центрополиграф», 2010.
Якимова А.И. студентка группы СГН3‐51Б