Транспорт

Знакомый нам пример использования виртуальных «хлебных крошек» – применение GPS-данных, получаемых с мобильных телефонов водителей для ежеминутного обновления информации о плотности дорожного трафика. Это позволяет более точно определить шаблоны транспортной нагрузки и оценить время в пути; упрощенные варианты этой функции уже встроены в автомобильные навигационные системы по всему миру. Нетрудно представить, как улучшатся ныне существующие системы, если дополнить эти данные информацией из повседневного календаря каждого отдельного водителя; это позволит генерировать персональные графики передвижений, которые помогут избежать дорожных пробок. Такие графики могут генерироваться для коммерческих перевозок и назначать доставку и трафик рабочих на разные моменты времени и разные маршруты, тем самым повышая эффективность распределительных сетей.

Однако эти способы применения данных отражают лишь малую часть наших возможностей. Просматривая данные систем мобильной связи, встроенных в сами автомобили, например, таких как система OnStar компании General Motors, мы видим, что на их основе можно точно определить, когда кто-то находится в опасности дорожно-транспортного происшествия. Простой пример – это, по сути, краудсорсинг информации об опасных условиях: если другие автомобили только что проехали вперед по той же дороге, по которой едете вы, и им пришлось экстренно затормозить, то для вас риск попадания в аварию повышается. Если вы едете быстрее, чем остальные машины, то вы находитесь в реальной опасности. Предупреждения на основе больших данных такого типа могут существенно снизить количество транспортных происшествий.

Можно также значительно улучшить потоки, поддерживающие жизнь в наших городах, – перемещение материалов с помощью грузовиков, поездов и труб, – объединив данные о привычках и предпочтениях людей с данными о погоде и прочей информацией. Возможность предвидеть ритмы движения города поможет компаниям заранее готовиться к росту и снижению спроса, а также поспособствует оптимизации распределительных сетей. Типичная городская автобусная система тратит примерно один галлон топлива на одного человека и одну милю пути, не считая моменты часа пик, но нам приходится держать эти огромные автобусы в состоянии постоянной готовности, так как скопления пассажиров могут образоваться неожиданно. Городское планирование также можно улучшить: зная, когда и куда потребители могут отправиться, мы можем планировать рост города таким образом, чтобы свести дорожный трафик и потребление энергии к минимуму, в то же время повышая удобство передвижения.

Возможно, наиболее интересная идея заключается в применении транспортных сетей для повышения продуктивности и креативной производительности городов: мы можем использовать данные о привычках жителей и структурировать общественный транспорт так, чтобы подтолкнуть людей к более разнообразному перемещению по городу. Давно было замечено, что социальная обстановка хуже в физически изолированных кварталах. Это связано с концепцией, представленной во второй главе, согласно которой исследование за рамками групп улучшает как продуктивность, так и креативную производительность всего коллектива. В масштабе городов она предполагает, что количество различных между собой районов, которые можно беспрепятственно посещать, задает темп процесса исследования, а следовательно, и темпы новых открытий и роста продуктивности. В следующей главе я расскажу, как проектирование города с быстрой транспортной системой, которая действует по единому тарифу и способствует повышению популярности как районов, подобных деревням, так и крупных деловых и культурных центров, может стать простым и дешевым способом улучшить состояние бедных районов и повысить общую производительность.

Здоровье и болезни

В области общественного здравоохранения актуальным и знакомым примером использования больших данных для создания более совершенного общества является Google Flu Trends – сервис, который прогнозирует вспышки заболевания гриппом путем подсчета количества поисковых запросов со словом «грипп» в пределах каждого штата или региона. В регионах, где количество таких онлайн-запросов значительно увеличиваются, скорее всего, увеличится и количество больных. Такие методы важны, так как они могут помочь Центрам контроля и профилактики заболеваний в обнаружении новых типов гриппа и предварительном подсчете необходимого количества лекарств, а также больницам, городам и предприятиям в прогнозировании будущего числа больных среди сотрудников.

Опять же это лишь малая толика того, как цифровая нервная система может способствовать здоровью населения. До сих пор у врачей не было способа количественно измерить поведенческие изменения, которые происходят, когда человек заболевает. Таким образом, бо́льшая часть исследований, посвященных распространению инфекций, предполагает, что шаблоны движения и взаимодействия якобы не меняются во время инфекции; то есть что больные люди по-прежнему следуют своим повседневным моделям поведения.

Но данные мобильных телефонов показывают, что это не так: поведение людей неизбежно меняется во время болезни. Аспиранты Анмоль Мадан и Вэнь Дунь и я обнаружили, что поведение больных людей изменяется в систематической, предсказуемой манере и что мы можем измерить эти поведенческие изменения при помощи датчиков в мобильных телефонах.

Мы обнаружили, что нормальные шаблоны социализации людей, жалующихся на боли в горле и кашель, нарушались, и они начинали взаимодействовать с бо́льшим количеством разных людей (что хорошо для вируса, но плохо для людей). В случае с обычной простудой мы выяснили, что общее число взаимодействий, и вечерних взаимодействий в частности, повысилось: люди часто звонили своим друзьям в конце рабочего дня.

Позже, по мере развития болезни, когда повышалась температура и появлялись другие симптомы гриппа, люди резко ограничивали свои перемещения (что хорошо для других людей). Люди, которые жаловались на стресс, грусть, одиночество или депрессию, становились социально изолированными во время симптоматических дней. Все эти примеры демонстрируют огромный потенциал мобильных телефонов для мониторинга состояния здоровья человека практически в режиме реального времени.

Поскольку поведенческие изменения, связанные с такими проблемами, как респираторные симптомы, температура, грипп, стресс и депрессия, одинаковы для всех, но при этом каждая проблема отличается от всех остальных, можно на самом деле классифицировать общее состояние здоровья человека, основываясь лишь на его поведении. Например, приложение в телефоне может в фоновом режиме наблюдать за нехарактерными изменениями в поведении, а затем определять, началось ли развитие болезни. Такая профилактика заболеваний может стать критически необходимой в ситуациях, когда высок риск того, что пациент не станет обращаться за помощью (например, при ухудшении психического здоровья или проблем, связанных со старением). Эта идея легла в основу другой дочерней компании моей исследовательской группы – Ginger.io, в формировании которой я участвовал вместе со своим студентом Анмолем Маданом; теоретической базой для основания этой компании послужили материалы его докторской диссертации.

Если пойти дальше и умножить информацию так, чтобы она охватывала все местное население, а затем объединить ее с данными о том, куда и когда люди ходили в предыдущие дни, то, как показано на карте на рис. 14, можно рассчитать опасность заражения по всей области. На карте видно, где вероятность заражения гриппом в определенный день и час наиболее высокая, а где – наиболее низкая.

Возможность отслеживать такие заболевания, как грипп, на индивидуальном уровне обеспечила бы реальную защиту от пандемий, так как, предприняв необходимые шаги, мы могли бы установить контакт с инфицированными людьми прежде, чем они распространят болезнь дальше. Отслеживание гриппа в режиме реального времени может производиться путем объединения информации из двух источников: 1) данные об изменениях в поведенческих шаблонах индивидов, потому что в случае болезни мы можем измерить предсказуемые изменения в этих шаблонах, и 2) данные о местоположении, потому что физические взаимодействия с другими являются основными механизмами распространения заболеваний, передающихся воздушно-капельным путем.

Рис. 14. Карта взаимодействия людей и вероятность заражения гриппом в каждой области. Темные зоны показывают области, по которым у нас есть данные; более светлые зоны внутри темных показывают области, в которых заражение гриппом наиболее вероятно

В частности, мы можем использовать знания о том, как меняется поведение людей при заболевании, и измерить его с помощью датчиков в мобильных телефонах, чтобы оценить вероятность заражения для каждого индивида. Тогда мы объединим эти отдельные вероятности, создав математическую модель процесса распространения инфекции, и составим карты, подобные той, что представлена на рис. 14. Поскольку эта карта показывает уровень опасности заражения в каждой области, ее можно использовать для того, чтобы избегать места, где сила воздействия гриппа может быть наиболее высокой.

Необходимость наличия возможности отслеживать болезни на индивидуальном уровне и в режиме реального времени становится все более актуальной. По мере того как мир становится все более гиперконнектным благодаря постоянному перемещению людей и товаров, потенциальная опасность глобальных пандемий инфекционных заболеваний также растет. За последние годы вспышки атипичной пневмонии и других тяжелых инфекционных заболеваний быстро распространились между расположенными далеко друг от друга, но социально связанными сообществами. В результате опасность пандемии, будь то атипичная пневмония, или H1N 1 («свиной грипп»), или какой-либо другой вирус, сильно возросла.

Возможность поминутно прослеживать распространение инфекционного заболевания от человека к человеку позволит нам предпринимать действительно эффективные превентивные меры. Действительно, некоторые эксперты по инфекционным заболеваниям считают, что это – один из немногих шансов на предотвращение сотен миллионов смертей, вызванных пандемиями, которые, несомненно, будут возникать.