آرون گریل ، مربی با تجربه علوم کامپیوتر ، در مورد اینکه چرا CodeHS گلوله نقره ای او بود

آرون گریل ، مربی با تجربه علوم کامپیوتر ، در مورد اینکه چرا CodeHS گلوله نقره ای او بود

بیشتر و بیشتر شاگردان آرون گریل می خواهند در کلاس برنامه نویسی شرکت کنند. و او معتقد است که علاقه فقط افزایش می یابد. "بچه ها ذاتاً بیشتر به علوم رایانه علاقه مند هستند - این فرهنگ امروز است ... هر روز بر زندگی همه تأثیر می گذارد. همه آنها تلفن و لپ تاپ دارند ، همه آنها درک می کنند که برای برقراری ارتباط یا تولید چیزی که معنادار است باید به زبان دیگری صحبت کنند. ”

آرون گریل یک مربی با تجربه علوم کامپیوتر است. دو چیز او را به CodeHS کشاند. اول ، این باعث صرفه جویی زیادی در وقت او می شود. دوم ، مقیاس پذیر است.

آرون گریل با CodeHS در وقت شما صرفه جویی می کند.

آقای گریل یک معلم شلوغ است و چیزهای زیادی در بشقابش دارد. معلمان تمایل دارند چنین باشند. با وجود ده ها دانش آموز در کلاسهای مختلف ، ماندن در بالای کار دانشجویی و استفاده از زمان در داخل و خارج از کلاس بسیار مهم است. آرون دوست دارد از ابزارهایی استفاده کند که به او کمک می کند تا زمان خود را به طور م andثر و م spendثر بگذراند.

آرون در دانشگاه علوم کامپیوتر خواند ، اما همیشه می خواست به تحصیل بپردازد. (افرادی مثل او به اندازه کافی وجود ندارند!) حدود دوازده سال پیش ، او با استفاده از ابزارهایی مانند Scratch برای برنامه ریزی بازی های ویدئویی ، به دانش آموزان مقطع ابتدایی و راهنمایی اصول رایانه را آموزش داد. سپس به تدوین برنامه درسی فناوری K-6 کمک کرد و سرانجام تدریس را در دوره راهنمایی و دبیرستان نیز آغاز کرد. در پشت صفحه آنها می خواستند درباره برنامه نویسی بیشتر بیاموزند. بنابراین در سال 2008 ، هنگامی که آرون مدیر فناوری شد ، تصمیم گرفت برنامه فناوری را گسترش دهد - و این شامل آموزش بیشتر علوم رایانه می شد.

آرون با استفاده از روش برنامه نویسی تولید شده توسط استنفورد ، آموزش جاوا را آغاز کرد. او با مدل کلاسی معکوس برای دوره AP آزمایش کرد. دانش آموزان در خانه به تماشای سخنرانی های ویدئویی پرداختند و تمرینات و پروژه های عملی را در زمان کلاس انجام دادند. در ابتدا ، آرون همیشه خود را در درجه بندی گرفتار می کرد. هربار که دانشجویی برنامه ای ارسال می کرد ، باید کد را در یک فایل زیپ صادر می کرد ، فایل را از طریق ایمیل به آقای گریل ارسال می کرد و سپس برنامه را وارد می کرد و در محیط توسعه یکپارچه مانند Eclipse اجرا می کرد ، که باید قبلاً بارگیری و بر روی رایانه خود نصب شود. پس از اجرا و درجه بندی برنامه دانشجویی ، او باید همان فرآیند را انجام دهد تا آن را به دانش آموز بازگرداند. حالا آن را در یک دسته برنامه با تعدادی دانش آموز در یک دسته کلاس ضرب کنید. زمان زیادی طول کشید.

بنابراین آقای گریل در جستجوی ابزارهای بهتری برای استفاده در کلاس های علوم رایانه خود بود. وب سایت های برنامه نویسی یادگیری ترکیبی ظاهر شدند ، به این معنی که همه کدهایی که قبلاً در رایانه هر دانش آموز و در نرم افزار بارگیری شده وجود داشت ، به طور ناگهانی از طریق مرورگر وب قابل اجرا و دسترسی به آنها بود.از هر کامپیوتری به جای صادرات و وارد کردن آن فایل ها و نیاز به بارگیری نرم افزار برای اجرای برنامه ها ، تنها چیزی که نیاز دارید یک مرورگر وب مدرن برای اجرای کد است. این اولین قدم بزرگ بود.

با این وجود ، وقتی با CodeHS روبرو شد ، همه چیز واقعاً تغییر کرد. آرون گریل با داشتن محیط برنامه نویسی آنلاین برای دانش آموزان و ابزارهای موجود در معلم برای کمک به مدیریت کلاس های او ، اجرای برنامه های دانش آموزی و کار دانش آموزان درجه ، دقیقاً همان چیزی را پیدا کرد که برای کمک به او در تدریس کلاس ها-و بیشتر.

برخورد با گردش کار دانش آموزان با استفاده از ابزارهایی که به او امکان می دهد پیشرفت دانش آموزان را به تصویر بکشد ، کد دانش آموز را اجرا کند ، کار دانش آموزان را درجه بندی کند و نظرات و بازخوردهای مفیدی را برای دانش آموزان به نمایش بگذارد بسیار آسان تر شد. چیزهای لجستیکی که تمام وقت خود را می خوردند حذف شد.

علاوه بر ابزارهایی که درجه بندی را آسان تر می کرد ، هارون به کتابخانه وسیعی از منابع از جمله تمرینات برنامه نویسی ، راهنماهای مشکل ، برنامه های درسی دسترسی دارد. ، و تمرینات دستی ، که او برای آماده سازی برای کلاس و کمک به تدریس خود استفاده می کند.

آرون می گوید "حتی به عنوان یک فرد با تجربه کامپیوتر ، این منابع فوق العاده مفید هستند!" داشتن مطالب کلاس نه تنها زمان مورد نیاز خود را صرف ایجاد منابع دیگر می کند ، بلکه به او اجازه می دهد تا زمان م effectiveثرتری را به صورت تک به تک با دانش آموزان بگذراند و در رفتن به هر درس احساس اطمینان و حمایت می کند.

معلمان نباید چرخ را دوباره اختراع کنند. آنها باید بتوانند به دانش آموزان در یادگیری کمک کنند.

CodeHS قابل تکرار و مقیاس پذیر است.

آرون به عنوان یک معلم و در حال حاضر رئیس بخش که می داند علاقه به علوم کامپیوتر فقط افزایش می یابد ، به دنبال راه حل های مقیاس پذیر برای آموزش علوم کامپیوتر در همین حال ، یکی از واقعیت های ناگوار که آرون با آن روبرو می شود ، تغییر معلم است. چگونه می توان مدارس را به طور م programsثر برنامه های علوم رایانه ایجاد کرد در حالی که معلمان کافی در زمینه علوم رایانه و جابجایی معلمان زیاد نیستند؟

"برای مدیران منطقه ، CodeHS یک گلوله نقره ای است!"

آرون گریل می گوید "برای مدیران منطقه ، CodeHS یک گلوله نقره ای است!" او با پیدا کردن معلمی با پیشینه گسترده علوم رایانه محدودیت کمتری احساس می کند ، زیرا معتقد است که معلم ریاضی می تواند از طریق CodeHS کار کند و در سال آینده برای آموزش علوم رایانه مطمئن است.

ساختاری که CodeHS ارائه می دهد به برنامه علوم رایانه ای که آرون در حال ایجاد آن است کمک می کند تا ثبات خود را حفظ کند حتی اگر معلمان جدید و متفاوتی در حال تدریس دوره ها هستند. همچنین به این معناست که این برنامه برای معلمان بیشتری مقیاس پذیر است.

البته ، این فقط مربوط به این نیست که زندگی آقای گریل را آسان تر می کند - همچنین مشارکت دانش آموزان نیز مهم است. هارون پس از امتحان کتابهای درسی بی شمار ، متوجه شد که دانش آموزان قادر به جذب اطلاعات نیستند ، زیرا آنها در پاراگراف های طولانی و وحشتناک متن ارائه می شوند. به گفته آرون ، حتی سایت های دیگری که سعی در آموزش برنامه نویسی داشته اند ، به مفاهیم آموزشی مفیدی که او می گوید CodeHS دارد ، نرسیده اند. "CodeHS برای گروه سنی دبیرستان واقعاً معقولانه تجزیه شده است!"

"CodeHS برای گروه سنی دبیرستان واقعاً معقولانه تجزیه شده است!"

مانند همه علوم کامپیوتر معلمان به شما خواهند گفت ، شاگردان هارون گیر می کنند و می کنندناامید شدن این ماهیت یادگیری کد نویسی است. با این حال ، CodeHS در کمک به دانش آموزان برای تکمیل کارهای کوچک و غلبه بر موانع مفهومی بسیار موفق تر بوده است. آرون این فرایند را "یافتن موفقیت از طریق شکست" توصیف می کند.

پس از گذراندن دوره مقدماتی علوم کامپیوتر با استفاده از CodeHS ، آرون گریل دانش آموزان خود را در زمینه درک اصول برنامه نویسی مشاهده کرده است که به معنی توانایی آن دسته از دانش آموزان به فناوری دیگری مانند Oculus Rift نگاه کنند و ایده ای اساسی در مورد نحوه عملکرد آن داشته باشند. متغیرها ، روش ها ، ساختار داده ها - آنها آن را دریافت می کنند!

در پایان روز ، وقتی می بینید که جرقه فهمیدن به خود می گیرد و دانش آموز علاقه بیشتری به ادامه علوم کامپیوتر پیدا می کند ، این فوق العاده الهام بخش است. < /p>

نوشتن. هرگز برای شما دیر نیست برای بهبود

عکس کیتلین بیکر در Unsplash

نوشتن. هرگز برای شما دیر نیست برای بهبود

نوشتن-مفیدترین کلاسهای کالج ، به ویژه برای رشته های مهندسی و کامپیوتر

یادگیری ارتباط با مکان های غیر فنی که بسیار جلوتر از دیگران هستید به هم اکنون به گفتار و نوشتن گزینه های انتخابی بپردازید.

Raspberry Pi که داخل موش پر شده یک کامپیوتر همه کاره واقعی است

شما آن رایانه های رومیزی "همه کاره" مانند Apple iMac و نام خیال انگیز را مشاهده کرده اید HP All-in-One. آنها برای افرادی که قصد ارتقاء اجزای رایانه خود را ندارند ، جذابیت خاصی دارند. تنها یک مشکل وجود دارد: آنها در واقع همه در یک واحد نیستند. مطمئناً کامپیوتر در مانیتور تعبیه شده است ، اما هنوز یک ماوس و صفحه کلید جداگانه دارید. از طرف دیگر ، موس رایانه YouTuber Electronic Grenade یک دستگاه همه کاره واقعی است.

بله ، درست است ، این یک ماوس رایانه است که همچنین یک رایانه در ماوس است. این شامل همه چیز است که یک کامپیوتر باید از جمله مانیتور ، صفحه کلید و بدیهی است موس باشد. شگفت آور است که اندازه آن نیز معقول است و باید به راحتی در دست اکثر افراد قرار گیرد. یک صفحه کوچک تلنگر در جلو میز دسکتاپ را نشان می دهد و صفحه کلید برای تایپ خوب مطابق شکل بیرون می آید.

الکترونیک نارنجک بدن موش را در Autodesk Fusion 360 و 3D- قطعات را چاپ کرد رایانه داخل آن Raspberry Pi Zero W است و وسایل الکترونیکی دو موش USB به داخل آن پیوند زده شد. یک صفحه کلید مینی بلوتوث در پایه ذخیره می شود و صفحه نمایش آن یک OLED کوچک 1.5 اینچی تمام رنگی است. سرانجام ، یک شارژر Adafruit Micro-LiPo و باتری 500 میلی آمپر ساعتی همه را تغذیه می کند. این باتری احتمالاً فقط یک یا دو ساعت دوام می آورد ، اما در عین حال محاسبات همه جانبه را ارائه می دهد.

حکمرانی به کمک رایانه (CAG)-انقلابی در سیستم های پشتیبانی تصمیم گیری خودکار

آینده پشتیبانی حکومتداری DAO از طریق پشته Commons

مقاله پشته Commons ، همکاری نویسنده با مایکل ضرغام

توجه: این مقاله در ابتدا در وبلاگ BlockScience در 7 اوت 1919 منتشر شد ، می توانید این را در اینجا پیدا کنید.

همانطور که قبلاً متوجه شده اید ، ما در Commons Stack واقعاً از پتانسیل ابزارهای طراحی به کمک رایانه هنگام ساختن شبکه های رمزنگاری شده بسیار هیجان زده است. استفاده از cadCAD برای شبیه سازی ، آزمایش و اعتباربخشی تصمیمات طراحی ما قبل از راه اندازی کد ، یک حلقه تکرار مهندسی مهم را معرفی می کند که امروزه در فضای بلاک چین وجود ندارد. این تحول در جهت اتخاذ یک روش مهندسی استاندارد نشانه ای از یک صنعت در حال بلوغ است و بدون شک منجر به قابلیت همکاری بیشتر اجزای منبع باز و نتایج بهتر در ماندگاری طولانی مدت پروتکل های زیرساخت عمومی در حال ساخت می شود. اما ارزش این ابزارهای طراحی به کمک کامپیوتر دارای دمی بلندتر از آن چیزی است که در این مرحله به راحتی قابل تشخیص است.

نمایشی از ادغام مورد نیاز بین حلقه های مهندس (طراحی) و خلبان (استقرار) ، و ابزارها و فرایندهایی که تکرار موفق بین این دو را تسهیل می کند. (اعتبار: مایکل ضرغام)

وقتی محیط های اقتصادی (یعنی cadCAD) را شبیه سازی می کنیم و حلقه های بازخورد تحلیلی حلقه را بر نتایج به دست آمده می بندند (یعنی داشبورد تجزیه و تحلیل Commons ، یک جزء برنامه ریزی شده از پشته Commons) ، ما ما خود را برای تصمیم گیری الگوریتمی در سطح دیگری به طور کامل آماده می کنیم-چیزی که ما آن را به کمک رایانه (CAG) می نامیم.

حکمرانی به کمک رایانه چیست؟

راهی آسان برای تعریف CAG این است که آن را از آنچه نیست تشخیص دهد. CAG توسط رایانه ها اداره نمی شود. برای ما بسیار مهم است که انسانها سرپرست باشند-ما فقط می خواهیم آنها به خوبی آگاه باشند!

CAG یک فرایند پشتیبانی از تصمیم است که از فناوری بلاک چین و cadCAD برای شبیه سازی نتایج بالقوه حکمرانی استفاده می کند. سیاستها منجر به تصمیم گیری آگاهانه تر می شوند.

ستون Commons پیشنهاد می کند سیستم های حکومتی فعلی ما را با ایجاد ابزارهایی برای مدل سازی و آزمایش نتایج سیاست ها بهبود بخشد تا شرکت کنندگان اطلاعات بهتری داشته باشند و بهترین تصمیمات ممکن را بگیرند. درست مانند CAD که فرآیندهای پیش نگارش پیش دیجیتالی را متحول کرد (و در این فرایند ماشین ها ، جاده ها ، ساختمان ها و ابزارک های ایمن تری به ما ارائه شد) ، cadCAD + CAG این پتانسیل را دارد که اساساً فرایندهای حکمرانی را بهینه کند. CAG عاملیت انسانی را تضعیف نمی کند. فقط تصویری واضح تر از بازیگران حکومتی در مورد آنچه آنها انجام می دهند-و برنامه ریزی برای انجام آن.

سیستم های پشتیبانی تصمیم آینده ما؟ (اعتبار: bert sz on Unsplash)

مشکلات حکومتی

امروزه در سیستم های حکمرانی در دنیای واقعی ما ، غالباً از درک پیچیده ای از سیستم برخوردار نیستیم. سیاستی که ما تصویب می کنیم ممکن است به صورت شهودی راه حل صحیح یک مشکل معین به نظر برسد ، اما اغلب فقط به جای صرف انگیزه سیستم غالب به سمت برد-برد واقعی ، صرف منابع غیر بهینه می شود.

برای به عنوان مثال ، سرکوب مواد مخدر وارداتی ممکن است با حسن نیت باشد ، اما اغلب منجر به کاهش عرضه مواد مخدر محلی ، افزایش قیمت و افزایش منابع و انگیزه بیشتر جنایتکاران برای واردات بیشتر مواد مخدر می شود. در این سناریو ، هم دولت و هم مافیا منابع را برای نشستن هزینه می کنندبن بستی که اگر هردو تلاش خود را برای ایجاد تعادل سیستم به نفع خود متوقف کنند ، هزینه کمتری خواهد داشت. راه حل م effectiveثرتر این است که به طرح تشویقی خود سیستم بپردازیم - راه حلی که می تواند توسط CAG پیشنهاد شود. شناسایی تاثیرات غیر خطی سیستم های پیچیده. داده های بزرگ ”برای اقتصاد الگوریتمی. از نظر اقتصاد الگوریتمی ، ما به یک اقتصاد رمزگذاری شده کامپیوتری مانند بیت کوین اشاره می کنیم که در آن شما فقط مجاز به انجام برخی اقدامات هستید - در مورد بیت کوین ، این اقدامات به سادگی "خرید" یا "فروش" است. تجزیه و تحلیل و تحلیل این "داده های کلان اقتصادی" بسیار ساده تر از اقتصاد فیزیکی امروز ما است ، که دارای بازارهای سیاه و انواع قانون شکنی است که سیستم اقتصادی فعلی ما نمی تواند از آن جلوگیری کند. علیرغم این همه تار شدن قوانین ، اقتصاد فیزیکی در مقیاس بزرگ هنوز مطابق اصول حوزه ای به نام طراحی بازار اداره می شود. یک سطح مفهومی بالاتر از طراحی مکانیسم ، طراحی بازار توسط آلوین روث آغاز شد و جنبه هایی از علوم رایانه ، طراحی مکانیسم ، تحقیقات عملیات و اقتصاد را برای هدایت سیستم هایی که نمی توان آنها را کاملاً کنترل کرد ، بلکه با توجه به معیارهای رمزگذاری مطلوب و یا هدایت شده نگهداری می کند. حالتهای سالم سیستم ، حتی با پیشرفت در طول زمان. در برخی موارد ، ممکن است واقعاً راحت تر باشد. جریان داده های عظیم و پویایی پیچیده سیستم را درک کنید. (اعتبار: Joshua Sortino، Unsplash)

نرمال بودن بازار

در یک اقتصاد با الگوریتم تعریف شده ، ما به مردم نمی گوییم که "باید" چه کاری انجام دهند ، اما ما یک اهرم قوی داریم نکته ای در تعریف آنچه آنها می توانند انجام دهند و "اگر آنها انجام دهند چه اتفاقی می افتد." داده های رفتار سیستم بسیار مفید را از تجزیه و تحلیل های دقیق که از این مکانیسم های بازخورد و پویایی سیستم مربوطه آگاه هستند استخراج کنید. بر اساس این داده ها ، حکمرانی به کمک رایانه می تواند نکات م effectiveثر در سیاستگذاری را که ممکن است برای تصمیم گیرندگان غیرقابل تصور باشد پیشنهاد کند یا خطرات احتمالی یک پیشنهاد را به همراه داشته باشد.

نمایشی از نوآوری سیستم در تمام عمر که می تواند توسط CAG تسهیل شود ، هم با رعایت الزامات نرم افزاری فنی و هم با الزامات اکوسیستم اجتماعی. این نمودار دو مقیاس ارتقاء را نشان می دهد: طراحی کامل (مجدد) و به روزرسانی های تکاملی جزئی ، هر دو نوع سیستم با توجه به حکمرانی به کمک رایانه که در این سیستم ها تعبیه شده است تغییر می کند. (اعتبار: مایکل ضرغام)

همه بیش از حد انسان

در حال حاضر انسان ها کاپیتان این سیستم پیچیده ای هستند که ما آن را جامعه خود می نامیم و ما ثابت می کنیم که در پیش بینی بصری کاملاً ناتوان هستیم اثرات غیر خطی که اقدامات سیاست ما می تواند بر نتایج واقعی داشته باشد. با CAG ، شاید بتوانیم این کار را آسان تر کنیمخودمان.

بیایید یک قیاس با خلبان هواپیما انجام دهیم. هواپیما با الگوهای باد و پویایی پیچیده روبرو است (تقریباً مانند جوامع ما) ، و خلبان این توانایی را ندارد که هر نیرویی را که بر هواپیمای خود وارد می کند (مانند تصمیم گیرندگان حاکم ما) محاسبه کند. خوشبختانه ، خلبان مجبور نیست تصمیم بگیرد که کدام فلپ و تثبیت کننده تا چه درجه ای در هر دور حرکت کند-او فقط ورودی قابل فهم انسان را در یوغ خود تغذیه می کند (به عنوان مثال هواپیما باید پایین بیاید ، بنابراین با یوغ به جلو فشار بیاورید.) اتوماسیون ساخته شده در طراحی مهندسی مکانیک هواپیما سپس تصمیم ساده انسان را به مجموعه ای از فعل و انفعالات پیچیده تبدیل می کند که منجر به حرکت فلپ ها و تثبیت کننده ها به زوایای مناسب می شود تا این تصمیم تسهیل شود.

سیستم های پیچیده و نوظهور مانند شبکه جهانی ترافیک هوایی ما در واقع مبتنی بر لایه های زیادی از فرایندها و فناوری ها هستند که هر یک جزء قوی لازم است برای ثبات سطوح بالاتر پیچیدگی. (اعتبار: مایکل ضرغام)

حال که این قیاس را گامی دیگر برداشته ایم ، اجازه دهید سیستم های تصمیم گیری موجود برای کنترل کننده ترافیک هوایی را بررسی کنیم. آنها از تجزیه و تحلیل های پیشرفته مبتنی بر تحقیقات عملیات استفاده می کنند ، که شامل حجم زیادی از شبیه سازی و علم داده برای هدایت ده ها هزار هواپیما در سراسر جهان در هر لحظه است. سپس ، حتی در بالای آن سیستم ، نهادهای نظارتی وجود دارند که استاندارد سیستم ها و رویه های کنترل ترافیک هوایی را مدیریت می کنند. در ایالات متحده ، این نهاد FAA است ، که باید با سایر نهادهای نظارتی در حوزه های قضایی در سراسر جهان ارتباط برقرار کند! این نهادهای نظارتی در حال حاضر از مدلهای سیستم پیچیده مبتنی بر داده برای تصمیم گیری آگاهانه برای ایمنی و رفاه عمومی استفاده می کنند-اجازه دهید آن را به سایر حوزه های حاکمیتی که به شدت مورد نیاز است بسط دهیم.

با کمک رایانه حکمرانی ، ما در حال بررسی سیستم های بازخورد و شبیه سازی رفتاری پویای رفتاری هستیم که می تواند توانایی تصمیم گیری ما را به عنوان مباشر سیستم های پیچیده اجتماعی ما به میزان قابل توجهی بهبود بخشد. تصور کنید اگر بتوانیم توصیه های سیاست پیشنهادی را آزمایش کنیم و شبیه سازی و برآورد اثرات این سیاست ها را مشاهده کنیم. تصور کنید اگر سیستم بتواند تغییرات خط مشی را توصیه کند که به احتمال زیاد منجر به نتایج واقعی مورد نظر ما شود! به منظور دستیابی م goalsثر به اهداف مشترک خود ، از چندین لایه خودکار از پروتکل های رمزنگاری گرفته تا هوش مصنوعی کمک می کنیم.

این نمودار ضرورت یک جمعیت آگاه در مورد حکمرانی خوب را نشان می دهد. وقتی حلقه بازخورد برای آگاهی مردم در مورد پیامدهای سیاست های حکمرانی گذشته با حکمرانی به کمک رایانه را می بندیم ، مردم می توانند کنترل مناسبی را بر فرایندهای حکمرانی اعمال کنند تا از اهداف گروهی خود اطمینان حاصل کنند. (اعتبار: مایکل ضرغام)

عصر جدیدی برای دموکراسی

در هر سیستم حکومتی دموکراتیک که به خوبی کار می کند ، مردم باید در مورد وضعیت گذشته و حال حاضر اطلاعات کافی داشته باشند سیستم به منظور تصمیم گیری خوب در مورد آینده. یک فروپاشی دموکراتیک می تواند زمانی رخ دهد که مردم در مورد این موضوع گمراه شوندحقایق ، یا هنگامی که نتایج مطلوب کوتاه مدت دارای پیامدهای بلند مدت ناخواسته است (یعنی زمانی که حداکثرهای محلی و جهانی در یک راستا نباشند-فاجعه عوام دوباره رخ می دهد!) جوامع این روزها بر نفوذ و پیام های همسالان و گروه های دیگر تکیه می کنند ، که می تواند به راحتی متناسب با برنامه های جایگزین منحرف شوید. اگرچه نمی توانیم این تأثیر کج را به طور کامل کاهش دهیم ، اما می خواهیم از اهرم هایی که چنین تاکتیک هایی در سیستم های تصمیم گیری ما دارد ، بکاهیم. در داشبورد تجزیه و تحلیل قابل درک برای افراد ، کاربران می توانند در درک تأثیرات بالقوه سیاست بدون نیاز به توجه زیادی که امروزه نیاز دارند ، نمایندگی بالاتری را تجربه کنند. با اولویت بندی تجربه کاربری (UX) هنگام ایجاد این جامعه که نرم افزار پشتیبانی تصمیم گیری را تقویت می کند ، ما کاربران را قادر می سازیم که به راحتی و به طور دقیق خود را مطلع کرده و در نتیجه شرکت کنندگان بهتری در دموکراسی شوند. ما آینده ای را پیش بینی می کنیم که در آن این فناوری گمراه کردن مردم از طریق تاکتیک های جایگزین را برای بازیگران مخالف دشوارتر می کند ، آینده ای که در آن مجبور نخواهیم شد جانبداری از پیش داوری های پیش فرض خود و تراژدی عوام را انجام دهیم. از طریق داده ها ، می توانیم دموکراسی های قوی تری ایجاد کنیم. اما ما به کمک شما احتیاج داریم.

سیستم تصمیم حکمرانی

داده های مغزی و مدل های کسب و کار: چگونه رابط مغز و رایانه با هوش مصنوعی به بازار داده پردرآمد دامن می زند

چگونه یادگیری ماشین همراه با رابط مغز و رایانه می تواند جریان درآمد جدیدی ایجاد کند

عکس مورگان هوسل در Unsplash

اخیراً این شانس را داشتم که شرکت کنم یک گروه وظیفه مسئول ایجاد مدلهای تجاری جدید مربوط به رابطهای مغز و رایانه. هدف این بود که به یک شرکت بزرگ فناوری کمک کند تا بفهمد چگونه می تواند از داده های مغز به طور اخلاقی استفاده کند.

با افزایش رابط های غیرتهاجمی مغز و رایانه (BCIs) ، توسعه راه حل های یادگیری عمیق برای کمک به بهبود دقت BCIs و کاهش هزینه هدست های EEG (Electroencephalography) ، تعداد فزاینده ای از استارتاپ ها و شرکت های بزرگ فناوری به دنبال راه های جدیدی برای ایجاد درآمد از داده های مغز هستند.

در واقع ، توسعه رابط های مغز و رایانه بازار سودآوری داده ها را تقویت کرده و توسعه "سرمایه داری عصبی" را تسریع می کند. چندین شرکت در حال تلاش برای یافتن بهترین استراتژی هستند تا قبل از اینکه BCI های تهاجمی و غیرتهاجمی به یک محصول بازار انبوه تبدیل شوند.

در این مقاله ، اهمیت تجارت داده های مغزی را توضیح خواهم داد. با الگوریتم ها ، مدل های تجاری احتمالی آینده مربوط به BCI ها ، نحوه ترکیب BCI و AI اکوسیستم های محصول قوی تر و مفهوم "neuropapitalism".

رابط مغز و کامپیوتر-توضیح

برای کسانی که با اصطلاح "رابط مغز و رایانه" آشنا نیستند ، دستگاهی را تعریف می کند که امکان برقراری ارتباط مستقیم بین مغز و ماشین را دارد.

به عبارت دیگر ، BCI یک "کامپیوتر- سیستم مبتنی بر سیگنال های مغزی ، آنها را تجزیه و تحلیل می کند و آنها را به دستوراتی که برای انجام عمل مورد نظر به یک دستگاه خروجی منتقل می شوند ، ترجمه می کند. "(1). قصد انسان با استفاده از تکنیک های یادگیری ماشین برای طبقه بندی سیگنال های الکتریکی تولید شده توسط مغز به با استفاده از ابزارهای خاص ، امکان تبدیل این سیگنال های بیومتریک به بینش های کاربردی برای اندازه گیری احساسات و کنترل دستگاه های متصل وجود دارد.

یادگیری ماشین و توسعه BCI غیرتهاجمی

در این مقاله ، من اغلب به "یادگیری ماشین" به دو دلیل اشاره می کنم. اولین مورد این است که BCI می تواند به ایجاد جلوه های بهتر شبکه داده و جمع آوری داده های استراتژیک کمک کند. مورد دوم مربوط به این است که چگونه ML می تواند به BCI ها برای آماده شدن در بازار کمک کند.

در واقع ، توسعه رابط مغز و کامپیوتر با یادگیری ماشین ارتباط تنگاتنگی دارد. تکنیک های ML (از جمله یادگیری عمیق) نقش کلیدی در "استخراج ویژگی ها و طبقه بندی سیگنال های EEG/ECoG" (2) ایفا می کند.

بر اساس تجربه من ، رمزگشایی فعالیت الکتریکی مغز با تنوع زیاد و غیر سر و صدای ثابت به یک سیگنال معنی دار دشوار است. بنابراین ، استفاده از تکنیک های یادگیری ماشین کلیدی برای حل برنامه های کاربردی BCI است.

برای مقابله با چالش های کاربرد BCI ، چندین سازمان برای بهبود استخراج ویژگی های ضروری از سیگنال های EEG تلاش می کنند.

از نظر تجربه مشتری ، استفاده از هوش مصنوعی و BCI می تواند به این شکل باشد. بگذارید تصور کنیم که در خیابان شخصی را می بینید که تی شرت مورد علاقه شما را پوشیده است. بعداً ، در حالی که در برنامه رسانه های اجتماعی مورد علاقه خود حرکت می کنید ، یک تی شرت با ظاهر مشابه را روی یک پست حمایت شده مشاهده می کنید. ممکن است شخصی که این تی شرت را می پوشد شبیه شما باشد محتوای مبتنی بر شبکه های مخالف تولیدی (GAN). این سناریو می تواند به زودی به واقعیت تبدیل شود.

رابط مغز و رایانه و داده های بازاریابی

با استفاده از BCI ها ، شرکت ها می توانند داده های کلیدی بازاریابی مانند فعال سازی حافظه را جمع آوری کنند.

این وضعیت به شرکت ها این امکان را می دهد تا اطلاعات شخصی تری درباره مصرف کنندگان جمع آوری کرده و نحوه تعامل ما با دستگاه های روزمره را به طور اساسی تغییر دهند.

تصویر نویسنده

رابط مغز و رایانه به شرکت ها این امکان را می دهد که" سفرهای مشتری ، احساسات و ترجیحات آنها "(4) را به طور عمیق تری پیگیری کنند. تبلیغات و تجربیات سفارشی را افزایش دهید تا فروش را مستقیماً به مغز یا دستگاه های پوشیدنی خود افزایش دهید.

BCI ها همچنین می توانند برای "بهینه سازی تبلیغات اینترنتی و نقاط تلویزیونی" استفاده شوند (5). با اطمینان می توان فرض کرد که داده های امواج مغزی به جای داده های کوکی به هنجار جدیدی برای تبلیغات آینده مبتنی بر وب تبدیل می شود.

اگر شرکتی مانند Google تصمیم به توسعه BCI ها داشته باشد ، می تواند تشخیص دهد که آیا شما توجه به تبلیغات ویدیویی ، احساسی که نسبت به آنها دارید و اینکه آیا آنها شخصاً به شما مربوط هستند یا خیر. شرکتی مانند اپل می تواند BCI ایجاد کند که لیست پخش موسیقی را با توجه به روحیه شما انتخاب می کند.

سایر شرکت ها ممکن است برنامه هایی را برای جمع آوری داده های مغز شما با استفاده از BCI ساخته شده توسط یک شرکت دیگر توسعه دهند (کمی شبیه Google Play و برنامه های تلفن همراه شخص ثالث).

تصویر نویسنده > همین شرکتهای بزرگ فناوری نیز بیشتر از اشکال جدید BCI سود خواهند برد. در واقع ، برخی از شرکت ها می توانند از قبل یک رابط مغز و کامپیوتر به شکل هدفون ایجاد کنند (6). اشکال دیگر BCI به مزایای BCIs برای توده ها در یک فرم که مردم به طور منظم از آن استفاده می کنند ، کمک می کند. به همین دلیل است که داده های مغزی برای شرکت ها بسیار استراتژیک می شود. هدست هایی که قادر به اجرای طیف وسیعی از برنامه های شخص ثالث هستند ، اکنون با قیمت 100 دلار (7) خریداری می شود.

نوروکاپیتالیسم & مدلهای تجاری

طی ماموریت من ، ما به این نتیجه رسیدیم که شرکتهای فناوری پیشرفته باید از قبل آماده شدن برای تسریع دوران عصب سرمایه داری را آغاز کنند. سالهای آینده تحت تأثیر تجاری سازی داده های مغزی در بازار مصرف قرار خواهد گرفت. همچنین توسعه دستگاههایی که برای تعامل با BCI ساخته شده اند.

رابط غیرتهاجمی مغز و رایانه باعث می شود که افراد داده های مغزی خود را با خدمات شرکت های خصوصی مبادله کنند.

New Brain-Computer مدلهای تجاری رابط؟

فراتر از ساختن رابطهای مغز و کامپیوتر ، من انتظار دارم که شرکتهای بزرگ فناوری یک اکوسیستم واقعی از برنامه های کاربردی رایگان و سایر دستگاهها را در کنار BCI توسعه دهند.

بر اساس تجزیه و تحلیل ما ، ما معتقدیم که مدل اصلی کسب و کار برای BCI ، مدلی به نام "پرداخت با داده" خواهد بود. به عنوان مثال ، برخی از برنامه های کاربردی BCI مانند انتخاب موسیقی می توانند به صورت رایگان در ازای دسترسی کاربران به تمام داده های مغز خود ارائه شوندمربوط به این برنامه (8).

این داده ها می توانند سازماندهی شوند و یا برای اهداف تبلیغاتی هدفمند استفاده شوند و یا با قیمت مناسب به اشخاص ثالث فروخته شوند. با بهبود کیفیت خدمات و ارتباط تبلیغات ، این مدل کسب و کار به افزایش قفل شدن مشتریان کمک می کند.

Lock In Effect: استراتژی ای که در آن یک شرکت کار را برای مشتریان خود بسیار سخت می کند آنها را ترک کنید. تصویر نویسنده

شرکت ها می توانند همچنین از داده های مغز برای بهبود توصیه های محصول و افزایش ارزش طول عمر هر مشتری استفاده کنید. این برای اکثر شرکت های تجارت الکترونیک استراتژیک است. در این صورت ، داده های مغزی به یک مدل کسب و کار موجود کمک می کند.

ما همچنین انتظار داریم BCI ها رابط کاربری آینده شوند و ارتباطات یکپارچه تری را با دستگاه ها ایجاد کنند. به این ترتیب ، شرکت های بزرگ فناوری سعی خواهند کرد ویژگی های مربوط به BCI را به استراتژی اکوسیستم محصول فعلی خود اضافه کنند. سپس آنها می توانند داده ها را از منابع/دستگاه های متعدد از جمله BCI/داده های مغز جمع آوری کنند. داده های مغزی به بهبود کارایی اکوسیستم و افزایش حداکثر ارزش مشتری و ماندگاری مشتری کمک می کند.

ادغام BCI با اکوسیستم محصول موجود نیز به افزایش فروش کمک می کند. به عنوان مثال ، اگر مصرف کننده به محصول خاصی در یک فروشگاه توجه می کند ، عینک های هوشمند مجهز به BCI می توانند فکر مربوط به قیمت را طبقه بندی کرده و این اطلاعات را به فروشگاه ارسال کنند که می تواند از قیمت های پویا برای تعدیل قیمت استفاده کند.

اکثر مشاغل فروش محتوای آنلاین از استفاده از داده های مغزی بسیار سود خواهند برد. به عنوان مثال ، شرکت های رسانه ای می توانند از داده های مغز برای تصمیم گیری در مورد ایجاد محتوا استفاده کنند. BCI ها همچنین می توانند سطح توجه هر خواننده را اندازه گیری کرده و محتوا را در زمان واقعی تنظیم کنند.

بهبود ارتباط تبلیغات/پیوندهای وابسته در کنار هر محتوا ممکن می شود. همچنین می توان از داده های مغزی برای ایجاد توصیه های محتوایی بهتر و مشارکت بیشتر استفاده کرد. سپس شرکت ها می توانند برای استفاده (مانند Netflix) هزینه دریافت کنند.

تصویر توسط نویسنده

سایر شرکت ها ممکن است از طریق برنامه خود به داده های مغز شما و همچنین سایر داده های مربوط به شما دسترسی داشته باشند. به عنوان مثال ، LinkedIn می تواند اطلاعات مربوط به تجربیات شغلی گذشته شما و داده های مربوط به نحوه واکنش شما به آگهی های شغلی خاص را بفروشد. به این ترتیب ، شرکت ها می توانند دسترسی به داده های برتر را بفروشند یا حتی دسترسی API را به داده های خام ساخته شده با داده های مغزی بفروشند. ' بهره وری. برخی از شرکت ها قبلاً از BCI استفاده کرده اند تا "تغییرات حالات احساسی در کارکنان خط تولید ، ارتش و در راس قطارهای سریع السیر را تشخیص دهد" (9).

BCI های موجود با سنسورهای بی سیم به طور مداوم "امواج مغزی استفاده کننده را تحت نظر داشته باشید و داده ها را به رایانه هایی که از Machine Learning برای تشخیص موج احساسی مانند افسردگی ، اضطراب یا خشم استفاده می کنند" (10) نظارت کنید. به شرکتهای تخصصی BCI را به عنوان راهی برای افزایش کارایی کلی کارگران با تغییر دفعات و طول زمانهای استراحت برای کاهش استرس روانی ترویج خواهند کرد. من انتظار دارم که اکثر BCI ها را در کلاه ایمنی معمولی یا کلاه های یکنواخت پنهان کنم.

من تصور می کنم که برخی از مشاغل خاص به BCI نیاز دارند (خلبانان ،رانندگان کامیون و غیره).

داده های مغزی کارکنان می تواند به یک منبع درآمد جدید تبدیل شود. در واقع ، داده های مغزی را می توان برای اهداف مرتبط با مجموعه داده یا مطالعات بازار به شرکت های دیگر فروخت. تولید بسیاری از محصولات مبتنی بر یادگیری ماشین بیشتر محصولات یا خدمات فناوری فعلی به کیفیت داده های کاربر بستگی دارد. هرچه تعداد کاربران از یک برنامه بیشتر باشد ، می توان داده های بیشتری جمع آوری کرد تا مدل ها را تربیت کند و دقت بیشتری را ارائه دهد ، که به نوبه خود کاربران بیشتری را جذب می کند.

به نظر من ، داده های مغزی مشاغل ساخته شده را بیشتر تقویت می کند بر اثرات شبکه داده دسترسی به داده های مغزی به معنای مجموعه داده بهتر برای ابتکارات ML ، ML بهتر به معنای خدمات/محصولات بهتر و غیره است. شرکت هایی که توانایی استفاده از داده های مغزی را ندارند ، تأثیرات شبکه شبکه داده های قدرتمندتری خواهند داشت.

تصویر نویسنده ، با الهام از منبع [https://twitter.com/realalexbarge/status/922870908980748288] < h1> فراتر از بازاریابی

تقریباً همه شرکت ها/صنایع تحت تأثیر داده های مغزی قرار می گیرند. پیامدهای داده های جمع آوری شده از طریق استفاده از BCI بسیار فراتر از تبلیغات هدفمند است. به عنوان مثال:

شرکت های بیمه ممکن است از داده های مغز برای "تعیین میزان کسر مبلغ شما بر اساس سطح استرس ثبت شده در EEG" استفاده کنند. (11) بانک ها می توانند "اعتبار از طریق داده کاوی" (12) و داده های مغزی را تعیین کنند. صنعت سرگرمی ممکن است از داده های مغزی برای کسب اطلاعات بیشتر در مورد مصرف کنندگان و ایجاد برنامه های متناسب تر استفاده کند. محتوای ساخته شده بازی های عصبی ، "جایی که شما حرکات خود را در یک بازی ویدیویی با استفاده از مغز خود کنترل می کنید" (13) به جای یک کنترل کننده سنتی ، بسیار امیدوار کننده به نظر می رسد. واکنش مغز بازیکنان را می توان جمع آوری کرد و به شرکت های دیگر فروخت ... این برنامه ها به عنوان اسب تروا برای جمع آوری داده های مغزی عمل می کنند ، سپس داده ها را به یک خندق رقابتی تبدیل می کنند که به بهبود سایر محصولات/راه حل ها کمک می کند. خندق داده: یک خندق داده "یک مزیت رقابتی است که شما در برابر آن مشاغل دیگر بر اساس مجموعه داده های اختصاصی شما "(14).

ایجاد اعتماد

با وجود این درآمدهای جدید بالقوه امیدوارکننده ، باید عدم شفافیت فعلی در مورد اینکه کدام دستگاه ها واجد شرایط هستند را برجسته کنم به عنوان BCIs در واقع ، یک منطقه خاکستری نظارتی برای BCI های غیر تهاجمی وجود دارد. از نظر برخی از کارشناسان ، این بدان معناست که جامعه ما به برخی قوانین در مورد نحوه جمع آوری ، ذخیره و استفاده از مغز (15) نیاز دارد.

با اطمینان می توان گفت که اکثر شرکت های بزرگ فناوری دارای سابقه استفاده غیر اخلاقی از داده های مشتری من انتظار دارم که شرکت های بزرگ فناوری زمان و پول زیادی را روی محتوایی سرمایه گذاری کنند که توضیح می دهد چگونه از حریم خصوصی داده های شما محافظت می کنند. وقتی BCI ها به جریان اصلی تبدیل می شوند ، حریم خصوصی داده ها به یک عامل متمایز کننده اصلی تبدیل می شود.

برای کسب اطلاعات بیشتر در مورد این موضوع ، پیوندهای زیر را توصیه می کنم:

ترکیبی از رابط های مغز و رایانه و هوش مصنوعی: برنامه ها و چالش ها پیشرفت رابط کامپیوتر مغز در علوم اعصاب: برنامه ها و مسائل گوش هایی که می توانند ذهن شما را بخوانند؟ Orbityl مرزهای رابط های مغز و رایانه را پیش می برد افزایش رابط های رایانه ای مغز و آینده بازاریابی نوروکاپیتالیسم چیست و چرا در آن زندگی می کنیم؟ یادگیری عمیق در رابط مغز و رایانه: وضعیت فعلی و چالش ها برای پیشرفت در این زمینه فناوری ذهن را با ماشین ها درگیر می کند و نگرانی ها را افزایش می دهد آینده عجیب رابط های مغز و کامپیوتر: جایگزینی رمزهای عبور با افکار و مدیران ذهن خوان کهمی تواند بفهمد چه زمانی بی حوصله هستید اسکن مغز در کارخانه های چین احتمالاً کار نمی کند-اگر اصلاً اتفاق بیفتد مثل این است که آنها ذهن من را می خوانند: چگونه نسل بعدی برنامه ها امواج مغزی شما را به بازار عرضه می کنند. استفاده از داده کاوی برای بهبود ارزیابی اعتبار از طریق مدل های امتیازدهی اعتبار مسابقه برای کنترل بازی های ویدئویی با استفاده از ذهن فیس بوک در حال تأمین هزینه آزمایشات مغزی برای ایجاد دستگاهی است که ذهن شما را می خواند: شرکت های بزرگ فناوری سعی می کنند افکار مردم را بخوانند و هیچ کس آماده عواقب آن نیست منظور از فناوری نوظهور خواندن ذهن در بازاریابی

استفاده