پروژه GFT | چرا گوگل در پیش‌بینی اپیدمی و پاندمی موفق نشد؟

این جمله به مارک تواین (و بسیاری نویسندگان دیگر) منسوب شده است که: «پیش‌بینی سخت است؛ خصوصاً اگر مربوط به آینده باشد.»

با وجودی که این جمله کمی طنزآمیز به نظر می‌رسد،‌ اما واقعاً شکلی از پیش‌بینی وجود دارد که به آینده مربوط نیست؛ چیزی که آن را Nowcasting می‌نامند و شاید بتوان در فارسی آن را به حال‌بینی ترجمه کرد.

فرض کنید فردا قرار است انتخابات برگزار شود و شما دنبال روشی هستید که بدانید مردم فردا به چه کسی رأی خواهند داد. بیشتر رأی‌دهندگان رأی خود را در ساعات یا چند روز آخر تغییر نمی‌دهند. بنابراین اگر بتوانید رأی مردم را در همین لحظه بدانید، تقریباً نتیجهٔ انتخابات را تشخیص داده‌اید.

اما با توجه به پراکندگی و تنوع مردم، روش دقیقی برای دانستن نظرات آن‌ها وجود ندارد. پس مجبورید برای «پیش‌بینی چیزی که عملاً همین الان اتفاق افتاده» تلاش کنید (+).

اتفاقی که در دوران کرونا افتاد و شهرهای کشور به رنگ‌های مختلف (قرمز و زرد و …) تقسیم شدند، نمونهٔ دیگری از همین حال‌بینی یا Nowcasting است. ما دربارهٔ رویدادی که همین الان اتفاق افتاده یا در آیندهٔ بسیار نزدیک اتفاق می‌افتد حرف می‌زنیم، اما مجبوریم به محاسبات و تخمین‌ها و برآوردها اتکا کنیم. چون آمار بیماری تمام مردم در دست نیست و نمی‌توان آن را به دست آورد.

گوگل در پی تشخیص موج‌های بیماری آنفولانزا

سال ۲۰۰۸ بود که گوگل اعلام کرد می‌‌تواند با بررسی جستجوهای اینترنتی مردم، تشخیص دهد در چه نقاطی آنفولانزا فراگیرتر شده و موج‌های بیماری در کدام نواحی به وجود آمده‌اند. گوگل این محصول جدید را Google Flu Trends نامید که معمولاً به شکل اختصاری GFT از آن یاد می‌شود.

این سرویس گوگل جدا از این‌که به عنوان یک محصول مستقل معرفی شد، قرار بود به نوعی نشان‌دهندهٔ اهمیت و کاربرد کلان داده (بیگ دیتا) در حوزه‌های مختلف و به طور خاص حوزهٔ سلامت باشد.

به همین علت، گوگل بر خلاف رویهٔ رایج خود، مقاله‌ای هم در مورد کارکرد این سیستم در نشریهٔ Nature منتشر کرد. این مقاله را جِرِمی گینزبرگ و متیو محبی و چند نفر دیگر تنظیم کرده بودند (فایل PDF مقاله).

به شکل مختصر و زبان ساده، اگر در منطقه‌ای از یک کشور مردم عبارت‌هایی مانند «آبریزش بینی» و «قیمت دماسنج طبی» و «قرص سرماخوردگی» و مانند این‌ها را بیشتر از همیشه جستجو کنند، می‌توان حدس زد که میزان ابتلا آنفولانزا در آن منطقه رشد کرده است.

انتخاب پرسش‌های مرتبط با آنفولانزا

طبیعتاً وقتی گوگل وارد یک بازی تحلیلی می‌شود و ادعا می‌کند که می‌خواهد با حجم بزرگ داده‌هایی که در اختیار دارد، یک پروژهٔ تحقیقاتی را اجرا کند، انتظار ندارید  که چند نفر دور هم بنشینند و عبارت‌های مرتبط با آنفولانزا را «حدس» بزنند.

گوگل هم چنین کاری نکرد. چنان‌که گینزبرگ و همکارانش در مقالهٔ خود آورده‌اند: «گوگل به میلیاردها جستجوی انسان‌ها دسترسی دارد» و منطقی است با روشی علمی و آماری، پرسش‌ها و عبارات مرتبط با آنفولانزا را انتخاب کند.

می‌دانیم که CDC آمریکا به شکل منظم آمار شیوع بیماری‌های مختلف از جمله آنفولانزا را منتشر می‌کند. گوگل این داده‌ها را در کنار داده‌های جستجوی کاربران قرار داده و با یک روش تحلیلی و آماری کوشیده است تشخیص دهد کدام عبارت‌ها هنگام شیوع آنفولانزا بیشتر جستجو می‌شوند. پس از مشخص شدن این عبارت‌ها در هر مقطع زمانی می‌توان با توجه به افت و خیزِ جستجوی آن‌ها میزان شیوع آنفولانزا را برآورد کرد.

گوگل پس از بررسی دقیق داده‌های مربوط به سال‌های ۲۰۰۳ تا ۲۰۰۸ توانست مجموعهٔ ۵۰ میلیون عبارت جستجو (Search Query) را به ۴۵ عبارت کاهش دهد و با اطمینان بگوید: «بررسی کاهش و افزایش جستجوی این ۴۵ عبارت می‌‌تواند شاخصی از میزان شیوع آنفولانزا باشد.»

همان‌طور که در نمودار بالا – که در مقالهٔ گینزبرگ و محبی آمده – می‌بینید، پژوهشگران گوگل به این نتیجه رسیدند که پایش و کنترل ۴۵ عبارت کلیدی حتی بهتر از ۸۰ یا ۹۰ عبارت کلیدی است. به عبارت دیگر، ضریب همبستگی «جستجوی عبارت‌ها» و «شیوع بیماری» زمانی به اوج خود می‌رسد که صرفاً میزان جستجوی ۴۵ عبارت به شکل دائمی کنترل شود.

گوگل از سال ۲۰۰۸ به شکل رسمی روی سایت Google Flu Trends شیوع آنفولانزا در نقاط مختلف آمریکا را گزارش داد و این سرویس در آن سال‌ها به نمادی از قدرت بیگ دیتا تبدیل شد.

GFT چیزی بیشتر از یک محصول بود. بسیاری از تحلیل‌گران، GFT را طلوع دورانی تازه در نظر می‌گرفتند؛ دورانی که قرار بود داده‌های کلان در خدمت سلامت و رفاه عموم قرار بگیرند.

کافی است کتاب Big Data نوشتهٔ شون‌برگر را ببینید تا متوجه شوید این پروژهٔ گوگل چقدر خوش‌بینی با خود به همراه داشته است (+).

نتیجهٔ GFT چه شد؟

ترتیبی که متمم برای خواندن مطالب سری علم داده به شما پیشنهاد می‌کند: