Интеллектография — это научно-прикладная дисциплина, задача которой состоит в количественном измерении и визуальном представлении параметров интеллектуальной деятельности.
Индикаторы интеллектуальной деятельности
Управлять можно только тем, что можно измерить.
Измерение машин породило целые индустрии: аналитические системы, SCADA, системы мониторинга...
Узким местом любого процесса стал человек и его интеллектуальная деятельность, которую трудно оцифровать.
Интеллектография — ответ на этот вызов.
Эта дисциплина опирается на измерения активности мозга посредством нейроинтерфейсов, с привязкой к цифровой разметке деятельности.
Сопоставляя данные цифрового следа с психофизиологической реакцией человека, можно измерить количественные индикаторы интеллектуальной деятельности.
Нейромайнинг — поиск инсайтов в больших нейроданных
1
Определение целевого индикатора
Для формирования индикатора первым делом необходимо определить прикладную цель использования индикатора. Например, мы хотим построить когнитивный профиль идеального руководителя проектов, или идеального копирайтера
2
Формулировка модельной задачи
Для измерения индикатора необходимо поставить некоторую модельную задачу, при решении которой должны проявляться нужные нам признаки когнитивного профиля. Например, для измерения креативности можно предложить испытуемому придумать как можно больше способов использования какого-либо предмета.
Модельная задача должна быть составлена таким образом, чтобы в процессе её выполнения формировался цифровой след — разметка действий испытуемого, нанесенная на временную шкалу.
3
Формирование эталонных выборок
Любому измерительному инструменту нужна калибровка. Поэтому нужно найти достаточное количество людей, представляющих собой успешные и неуспешные примеры измеряемого профиля.
Например, для формирования когнитивного профиля идеального продавца нужно найти и отличных продавцов, и тех людей, про которых мы точно знаем, что они непригодны для этой роли
4
Сбор данных (измерение)
Представители эталонных выборок выполняют модельную задачу. При этом собирается цифровой след (разметка деятельности) и регистрируется электроэнцефалограмма (ЭЭГ).
Для каждого испытуемого ставится пометка, относится ли он к успешному или неуспешному эталону.
5
Обучение и валидация алгоритма
Собранные датасеты поступают на вход алгоритму машинного обучения. С помощью метода AutoML подбирается тип алгоритма и его гиперпараметры, демонстрирующие наилучшие результаты при валидации на тестовой выборке.
6
Визуализация и построение дашбордов
Обученный алгоритм машинного обучения развертывается на платформе потоковой обработки данных.
Результаты работы алгоритма отдаются по API в прикладное приложение, которое визуализирует результаты измерения в виде интуитивно понятных интеллектографических аналитических панелей (дашбордов).