Для реализации нашей миссии изменения мира к лучшему особенно велика роль сообщества (клуба), а создание ШСМ, по моему мнению, является хоть и важной, но лишь первой задачей. Далее я считаю необходимым сконцентрироваться на развитии сообщества людей с системным мировоззрение, которые хотят создавать успешные системы.
Пример сервиса RandomCoffee
В этой связи думаю запустить проект по созданию аналога сервиса RandomCoffee для нашего клуба. Заодно также на этом примере можно будет потренироваться в создании ИИ-агента, который будет нацелен на максимизации контактов. Гипотеза состоит в том, что горизонтальные знакомства будут способствовать повышению агентности и качеству обучения. И в целом, это будет повышать качество социальной среды, в которой будет интересно и продуктивно находиться членам клуба.
Основная идея сервиса RandomCoffee заключается в том, чтобы стимулировать случайные неформальные встречи между людьми – будь то коллеги из разных отделов или представители различных компаний – с целью расширения сети контактов, обмена идеями и опытом. Исследования в области социальной динамики и сетевого анализа подтверждают, что такие спонтанные взаимодействия могут способствовать повышению креативности, улучшению коммуникаций и формированию более сплочённой, инновационной среды. Таким образом, подобные сервисы помогает разрушать барьеры и создают условия для появления новых идей через неожиданные, но полезные знакомства.
В чем суть идеи встреч членов клуба
Мы можем создать аналог Randomcoffee для встреч членов клуба. Вроде простой проект для старта, но далее хотелось бы сделать ИИ-агент, который мог бы учиться с целью максимизации контактов и возможно еще работал бы на вовлечение неактивных участников в жизнь клуба. Существует теория Джейкоба Нильсена 90-9-1, которая гласит, что 90% участников сообщества преимущественно «наблюдают» (lurkers) и не вносят активного вклада; 9% участвуют время от времени, публикуя комментарии или отдельные сообщения; 1% являются сверхактивными участниками, генерируя основное содержание и влияние в сообществе. Хотя правило носит обобщённый характер и встречаются исключения, оно широко используется для анализа распределения активности в онлайн-средах.
Наш ИИ-агент мог бы проводить каждого члена сообщества по этим состояниям, выводя постепенно каждого в число сверхактивного участника. Это особенно важно в наше время обособленности (сложно сделать шаг к коммуникации), которая особенно остро проявляется у людей занимающихся сложной интеллектуальной деятельностью и/или посвящающих работе довольного много времени. Вероятно, ИИ-агент сможет увеличить агентность участников и тем самым будет также создавать условия для готовности к сложному обучению и формировать базу для роста калибра личности.
Чтобы создать ИИ-агента, который максимизирует количество и качество встреч в сообществе, необходимо встроить в него несколько ключевых механизмов. ИИ-агент должен:
- Прогнозировать и подбирать оптимальные встречи, анализируя активность, интересы и историю взаимодействий участников.
- Автоматизировать организацию встреч: формировать пары, назначать время, напоминать о встречах. Например, возможна интеграция с Гугл-календарем
- Гибко адаптировать расписание, если встреча не состоялась, предлагая альтернативные варианты.
- Использовать геймификацию, мотивируя участников активно участвовать.
- Интегрироваться с Aisystant, учитывая образовательные цели участников по прохождению курсов.
Как может работать ИИ-агент
ИИ-агент можно обучать разным алгоритмам подбора и оптимизации встреч. Например, ИИ-агент анализирует участников по следующим критериям:
- Пересечение доступных временных слотов.
- История встреч (избегает повторов однотипных пар).
- Активность в сообществе (посты, комментарии, чаты).
- Общие интересы и образовательные цели (Aisystant).
- Фидбек после встреч (была ли встреча полезной, продолжилось ли общение после неё).
- Другие факторы (например, предпочтения пользователей, географическое положение, социальные связи в сообществе).
Кратко стадии в процессе работы можно определить так:
- Отбор участников с совпадающими слотами или можно опустить этот пункт, считая что участники могут после договориться о встрече самостоятельно.
- Оценка потенциальной ценности встречи (например, через cosine similarity по интересам).
- Оптимизация пар с учётом максимального разнообразия.
- Улучшение качества подборов через ML, чтобы ИИ-агент предсказывал успешность встречи (Machine Learning или обучение на успешных встречах, в отличие от простых алгоритмов случайного подбора или подбора по совпадающим интересам, ML-модели могут анализировать сложные зависимости и делать прогнозы на основе реальных данных.).
Прогнозирование успешных встреч и обучение ML-модели может происходить на основе разных алгоритмов:
- Logistic Regression – для бинарного предсказания (будет ли встреча успешной или нет).
- Random Forest / XGBoost – для работы с нелинейными зависимостями.
- Neural Networks (например, MLP) – если данных много и они сложные.
- Graph-based ML (Neo4j, NetworkX) – если учитывать связи внутри сообщества.
Пример фичей для модели:
Фича | Описание |
---|---|
Общее количество встреч у пользователя | Чем больше встреч, тем выше вероятность успешного подбора. |
Количество подтверждённых встреч | Показывает, насколько человек склонен участвовать. |
Совместимость интересов (Cosine Similarity) | Чем выше сходство интересов, тем выше вероятность успешной встречи. |
Совместимость социальных связей (Graph Analysis) | Например, если два человека в одном подсообществе. |
Разница в активности | Баланс между активными и менее активными пользователями. |
Пример работы ML-улучшений на практике. Допустим, у нас есть два участника:
- Анна (интересы: искусственный интеллект, личностный рост).
- Иван (интересы: машинное обучение, бизнес и развитие компании).
Если мы просто сравним интересы, они выглядят похожими.
Но ML-модель может учесть другие параметры:
- Анна проходит курсы личного развития, а Иван программу организационного развития. Их можно свести, если только есть какие-то другие интересы
- Анна часто участвует в встречах, но редко продолжает общение. Иван редко участвует, но если встречается, то продолжает контакт.
- У них уже были похожие встречи в прошлом, но они не были особо полезными.
Вывод модели: лучше предложить им другие варианты, а не назначать встречу снова.
ИИ-агент должен будет реализовывать методы геймификации и вовлечения. Например, чтобы мотивировать участников активнее встречаться, можно ввести:
- Рейтинг активности (баллы за встречи, бонусы за новые знакомства).
- Интеграция с токеномикой (вознаграждения за участие).
В рамках реализации интеграции с токеномикой ИИ-агент будет учитывать:
- “Цифровую тень” участника (образовательные цели, активность).
- Рекомендации встреч на основе целей в обучении.
- Возможность использования токенов для мотивации.
Ожидаемый результат:
- ИИ-агент не просто организует встречи, а формирует ценные связи между участниками.
- Интеллектуальный подбор + геймификация = рост вовлечённости.
- Интеграция с Aisystant, DAO и токенами делает систему устойчивой и масштабируемой.
Вероятно, этот подход превратит ИИ-агента в ключевой элемент экосистемы, усиливая связи, повышая ценность встреч для участников, а также увеличивая агентность и калибр личности за счет продуктивной социальной среду.
Если вы хотите принять участие в создании этого или других ИИ-агентов в рамках волонтерских проектов, то напишите мне в телеграм @tserentserenov о себе (опыт и что хотели бы сделать в рамках проекта).