Der Supercomputer Sagte Die ägyptische Revolution Voraus - Alternative Ansicht

Inhaltsverzeichnis:

Der Supercomputer Sagte Die ägyptische Revolution Voraus - Alternative Ansicht
Der Supercomputer Sagte Die ägyptische Revolution Voraus - Alternative Ansicht

Video: Der Supercomputer Sagte Die ägyptische Revolution Voraus - Alternative Ansicht

Video: Der Supercomputer Sagte Die ägyptische Revolution Voraus - Alternative Ansicht
Video: Ägypten: Die unvollendete Revolution 2024, Juni
Anonim

Der Nautilus-Supercomputer der Universität von Tennessee mit 1.024 Prozessoren sagte die ägyptische Revolution und den Standort von bin Laden voraus

In der Foundation-Romanreihe des amerikanischen Science-Fiction-Schriftstellers Isaac Asimov konnte das Verhalten von Massen von Menschen mit Hilfe der "Psychohistorie" vorhergesagt werden - einer Methode zur Vorhersage politischer und sozialer Trends mit einem Gerät namens Primary Radiant. In den 1950er Jahren gab es keine Rechenleistung, die ein solches Gerät Wirklichkeit werden lassen könnte. Es ist jetzt möglich.

Supercomputer wie Nautilus, der sich am Zentrum für Fernanalyse und Datenvisualisierung der Universität von Tennessee befindet, könnten die Welt näher an Asimovs Universum bringen, obwohl dies nur ein frühes Stadium ist. Der Schlüssel besteht darin, Muster in einer großen Datenmenge zu finden und sie visualisieren zu können. Dies tut Kalev Litaru am Center for Digital and Text Analytics der University of Illinois.

Litaru verwendet eine Datenbank mit 100 Millionen Nachrichtenartikeln für den Zeitraum von 1979 bis Anfang 2011. Lytaru analysierte den Text und den Ton der Nachrichten, sei es negativ oder positiv, und entdeckte die Entstehung von Mustern, die sich aneinanderreihen und auf große Unruhen in der Zukunft hinweisen. In Ägypten beispielsweise wurde der Ton der Nachrichtenartikel über Mubarak mit zunehmender öffentlicher Unzufriedenheit zunehmend negativ, bis Mubarak schließlich zurücktrat.

Obwohl es nicht nur der Ton der Artikel ist; Auch die Veränderung des Tons von Artikeln im Laufe der Zeit ist von Bedeutung. Nach Lytarus Berechnungen blieb die saudische Regierung an der Macht, weil der Ton der Nachrichten dort in der Vergangenheit ebenso negativ gewesen war, während der Ton der Artikel in Ägypten und Tunesien neue Tiefststände erreichte. Litaru merkt an, dass viele ägyptische Experten glaubten, dass Mubarak den Aufstand sicher überleben würde, wie es in der Vergangenheit geschehen ist.

Dies ist möglich, weil ein Supercomputer in Netzwerken mit 100 Billionen Verbindungen und 10 Milliarden Knoten nach Mustern suchen kann. Ein gewöhnlicher Computer, sagt Lytaru, kann nur eine kleine Datenmenge gleichzeitig erfassen, und selbst eine parallele Überwachung im Hintergrund kann das Problem nicht lösen. Dies liegt daran, dass bei der Analyse von Netzwerken die erforderliche Speichermenge entsprechend der Anzahl der Verbindungen exponentiell wächst. Nur ein Supercomputer kann damit umgehen, und es dauerte einige Zeit (140.000 Stunden pro Prozessor oder etwa eine Woche, um jeweils durchzuarbeiten), bis die Maschine auf der Grundlage dieser Daten solche Schlussfolgerungen ziehen konnte.

Die Technologie ist noch nicht in der Lage, Ereignisse vorherzusagen. Litaru vergleicht es mit frühen Wettervorhersagen - in gewisser Hinsicht nichts weiter als Vermutungen, aber jetzt ist die Wettervorhersagetechnologie zuverlässig genug, um darauf basierende Entscheidungen zu treffen. Technologie kann die Handlungen von Individuen nicht vorhersagen, aber sie kann vorhersagen, wie Menschen reagieren könnten, wie zum Beispiel die Selbstverbrennung von Mohamed Bouazizi in Tunesien (einem Straßenhändler, der sich selbst in Brand setzte, weil er seine Familie nicht ernähren konnte und die Polizei Obst beschlagnahmte und Gemüse, das er verkaufen wollte: ca. gemischte Nachrichten).

Offensichtlich ist diese Technologie für die Sicherheitskräfte und das Militär von großem Interesse. Auf die Frage, ob sie ihn kontaktiert hätten, antwortete Litaru: "Ich kann nicht darüber sprechen."

Werbevideo:

Empfohlen: