Det kan hävdas att forskare skapar supermakter i sina laboratorier. Om Aram Galstyan, direktör för Artificiell Intelligens Division vid USC Viterbi Information Sciences Institute (ISI) var tvungen att välja bara en supermakt, det skulle vara förmågan att förutsäga framtiden. Vad blir den dagliga stängningskursen för Japans Nikkei 225-index i slutet av nästa vecka? Hur många jordbävningar på 6,0 eller starkare kommer att inträffa i världen nästa månad? Galstyan och ett team av forskare vid USC ISI bygger ett system för att svara på sådana frågor.

De senaste två åren, Galstyan har lett en grupp forskare vid ISI på ett projekt som heter Synergistic Anticipation of Geopolitical Events, eller SAGE, att försöka förutsäga framtiden med hjälp av icke-experter. SAGE-projektet är beroende av att mänskliga deltagare interagerar med verktyg för maskininlärning för att göra förutsägelser om framtida händelser. Deras mål är att prognoserna från kombinationen av mänsklig + AI ska vara mer exakta än för människor ensamma.

Deras forskning har visat sig vara ganska användbar och människors förutsägelser i stort sett på mål. ISI:s Fred Morstatter, en USC Viterbi forskningsassistent professor i datavetenskap, sade att icke-experter exakt förutspådde i april att Nordkorea skulle lansera sitt missiltest före juli; Nordkorea lanserades i maj.

Det var landets första missiluppskjutning på sju månader, äger rum bara några dagar efter att frågan dök upp på SAGE. "Det var något jag inte tror att någon av oss trodde skulle hända, " sa Morstatter.

SAGE finansieras av Intelligence Advanced Research Projects Activity (IARPA), som investerar i högrisk, forskningsprojekt med hög utdelning till nytta för den amerikanska underrättelsetjänsten.

IARPA är intresserad av att utveckla prognosteknik som gör förutsägelser, baserat på en stor uppsättning mänskliga användare, som är mer exakta och snabbare än en enda mänsklig ämnesexpert. Att ha förmågan att förutsäga geopolitiska händelser kan potentiellt hjälpa underrättelsetjänsten att bli bättre, mer informerade nationella säkerhetsbeslut.

Byrån har varit värd för många tävlingar relaterade till prognoser, inklusive projektet Aggregative Contingent Estimation, som crowdsourcede människor att göra förutsägelser.

SAGE utökar denna tidigare studie, istället be människor att göra förutsägelser baserade på information från olika maskininlärningsmetoder.

Under 2017, ISI-teamet fick fyra år, anslag på flera miljoner dollar under IARPA:s Hybrid Forecasting Competition, ett nytt projekt som uppmuntrar forskare att kombinera mänskliga prognoser med maskininlärningsmodeller för att generera mer exakta förutsägelser än vad båda metoderna skulle kunna göra var för sig. ISI och Raytheons BBN Technologies är finalisterna.

Användare, kända som "prognosmakare, " välj själv vad de vill förutsäga. Ämnen sträcker sig från geopolitiska, "Kommer någon G7-nation att delta i en erkänd nationell militär attack mot Syrien före den 1 december 2018?" till ekonomiska, "Hur mycket råolja kommer Venezuela att producera i oktober 2019?" Användare kan också ställa frågor till andra prognosmakare på diskussionsforum, kommentera prognosresultat, och se ledningsrankningarna, som är dekorerade med digitala märken som användare kan tjäna genom att göra korrekta prognoser.

De icke-sakkunniga prognosmakare som rekryterats för att delta på SAGE har exakt förutsett verkliga livet, geopolitiska händelser, sa Morstatter. "Vi tror att det är fallet eftersom siffrorna vi ser indikerar att vi överträffar ett system som bara använder människor."

Detta verifierades verkligen i en tävling som hölls förra året för att testa precisionen i prognossystem. Under hela 2019, SAGE testades mot två konkurrerande system. Alla system fick samma uppsättning med över 400 prognosfrågor. SAGE kunde generera prognoser för dessa frågor som var mer exakta än de från de konkurrerande systemen.

Det första ordet i SAGEs akronym, "synergistisk, " tipsar om hur denna mänskliga prognos relaterar till maskininlärning. Synergy beskriver hur två eller flera objekt – i det här fallet människa och maskin – går samman för att skapa något som är större än summan av dess delar. SAGE-teamet är fast beslutna att ta reda på hur man kombinera crowdsourcede förutsägelser med verktyg för maskininlärning för att generera mer exakta förutsägelser.

Att lära icke-experter hur man gör korrekta förutsägelser med hjälp av maskininlärning är ett av projektets huvudmål, och det fungerar.

"Tack vare maskinmodellerna vi har i vårt system, " sade Morstatter. "Prognosmakare gör det bättre än kontrollsystemet som bara har mänskliga prognosmakare."

SAGE har några intressanta maskinmodeller på sin webbplats för användare att göra informerade prognoser. Detta inkluderar tidsseriediagram – en serie historiska datapunkter för att visa trender, tillsammans med en maskingjord förutsägelse – för att hjälpa till med kvantitativa förutsägelser, såsom värdet på en aktie över tid. Genom att kombinera mänskliga och maskingenererade prognoser på SAGE-plattformen, ISI-forskare har upptäckt fördelarna med hybridisering, sa Galstyan.

Förutom ISI:s Galstyan och Morstatter, laget inkluderar Pedro Szekely, en USC Viterbi forskningsdocent i datavetenskap, vem vet hur man lagrar alla SAGE:s data; Professorerna Emilio Ferrara och Ali Abbas; forskningsprogrammerare Gleb Satyukov, vem utvecklar front-end, eller vad användare ser på SAGE-webbplatsen; datavetaren Andres Abeliuk, vars expertis inom partiskhet och datavetenskap kompletterar postdoc Daniel Benjamins arbete; och projektledare Lori Weiss, lagets första försvarslinje när användare har frågor om plattformen. Teamet inkluderar även externa medlemmar från University of California i Irvine, Columbia University, Stanford University, och Fordham University.

Än så länge, de har kunnat visa att en blandning av maskinintelligens och mänskligt beslutsfattande genererar lägre Brier-poäng än mänskliga prognosmakare enbart, han lade till. "Vi överträffar vad som har gjorts tidigare."

Morstatter sa:"SAGE fungerar eftersom människor har en sida av myntet, och maskiner har den andra sidan."

Men det är inte bara intelligensanalytiker som kan hitta prediktiv teknik användbar. Vem skulle inte vilja förutsäga framtiden?