מה מתרחש (:
אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.
כן, זה נשמע קצת מוזר שפרק 24 הוא פרק מבוא, אז אסביר:
נטפריקס חוגג היום בדיוק שנתיים.
שנתיים בחיים של פודקאסט זה מקביל למשבר גיל העמידה בחיים של בן אדם. בגיל כזה יש כאלה שמחפשים להחיות את הנעורים האבודים, למשל, לעשות צניחה חופשית, לקנות ג'יפ שלעולם לא ייראה שטח, או להזריק בוטוקס. הפודקאסט ואני - אחרי התייעצות משותפת - בחרנו לרגל האירוע לרענן ולעדכן את פרק המבוא. לחובבות וחובבי הנוסטלגיה שבינינו, המבוא המקורי יישמר כרגע רק בבלוג של נטפריקס.
אז בואו נדבר על מה נדבר:
בפרק הזה נספר בקצרה מהו מדע הרשתות, מאיפה הוא בא, מה הבשורה שהוא מביא ועל היישומים הרבים שלו בכמעט כל תחום בחיים ואיך ואיפה אפשר לשמוע עליהם בפודקאסט. מכיוון שהמטרה של נטפריקס היא להנגיש את מדע הרשתות לא רק למי שכבר משופשף בתעשייה אלא גם לציבור הרחב, אז בסוף הפרק נדבר גם על DIY או על איך תוכלו ליישם במו ידיכם את מה שנדבר עליו, גם בלי תואר, בלורית או ידע בתכנות.
בתחילת שנות ה-2000, הוקמה וועדה שבין משתתפיה היו פרופסורים מ-MIT, ברקלי, קאלטק, הארוורד ועוד וגם אנשי תעשייה למשל נציגי לוקהיד-מרטין ובואינג. את הוועדה זימן הצבא האמריקאי כדי לדון בתחום חדש ולא מוכר: מדע הרשתות.
הצבא ביקש בגדול מהמשתתפים שני דברים:
1. שיסבירו לו מה זה
2. שיסבירו לו למה זה טוב
העיתוי לא היה מקרי. תחילת המאה ה-21 התאפיינה בפריצתן של הרשתות הגדולות: האינטרנט, ה-WWW והרשתות החברתיות. המודעות לרשתות צברה תאוצה והצבא האמריקאי לא רצה להישאר מאחור.
משתתפי הוועדה כתבו, סיכמו, ערכו ראיונות רבים ובסופו של דבר הוציאו דו"ח בן 125 עמוד. הדו"ח כנראה עשה את העבודה כי היום מדע הרשתות הוא כבר חלק מהדוקטרינה של הצבא האמריקאי.
אבל באמת היה צריך דו"ח כזה ארוך? רשת היא דבר כל כך פשוט. מה זה בסופו של דבר רשת? קווים ונקודות.
לנקודות אנחנו קוראים צמתים, ולקווים אנחנו קוראים קשתות או קשרים. לצמתים ולקשתות יכולות להיות גם תכונות וגם הן לא מורכבות במיוחד:
חלק מהתכונות יהיו תכונות רשתיות, למשל, קשר יכול להיות מכוון, או directed, כלומר חד צדדי, למשל, א' שלח הודעה ל-ב'. והוא יכול להיות דו צדדי או undirected , למשל, א' חבר של ב' בפייסבוק. החברות עצמה היא קשר דו-צדדי. חלק מהתכונות יהיו תוצאה של תיוג, כלומר, מה הצמתים והקשתות מייצגים, למשל, ברשת של תחבורה, צומת יכול להיות מתויג כשדה תעופה והקשתות יכולות להיות מתויגות כנתיבי טיסה.
עד עכשיו זה לא ממש נשמע מסובך. אז מה הקטע? העניין הוא שהאוסף של הדברים הפשוטים האלה מייצר מערכות מורכבות.
ניקח לדוגמא את המוח שבו קיימת רשת סבוכה מאד של נוירונים. אחת מהפעילויות המוכרות של הרשת הזו היא העברת מסרים בין הנוירונים, שהם הצמתים ברשת. המסרים עוברים באמצעות פולסים חשמליים וכך נוצרות הקשתות ברשת. פשוט. אבל הרשת הלכאורה פשוטה הזו, אחראית על אחת המערכות המורכבות ביותר שאנו מכירים.
גם העברת הודעות בין אנשים היא לכאורה דבר פשוט. אנחנו עושים את זה כל הזמן.
הרשתות שנוצרות כתוצאה מהעברת המסרים בין בני אדם הן מורכבות מאד ומייצרות לנו לא פעם תופעות לא צפויות. תופעה מפורסמת שכזו היא למשל גל ההפגנות והמהפכות ששטף את העולם ב-2011 שבו רשתות חברתיות לקחו חלק משמעותי. אבל איך כזה דבר קורה? מתי מסרים ברשת חברתית הופכים מהתכתבות וירטואלית תמימה לאירועים ויראליים בעולם הפיזי?
אבל ננצל את המבוא כדי לעשות הכרה עם התחום שעוסק בניתוח של הרשתות החברתיות ונקרא Social Network Analysis, או SNA. תחום מחקר זה משלב את ניתוח הרשת יחד עם תובנות ממדעי החברה וקיים כבר עשרות שנים. מכאן ניתן להבין ש-SNA לא מוגבל במחקר שלו רק לרשתות החברתיות שאנחנו מכירים היום כמו פייסבוק, טוויטר ודומיהן. הוא עסק ועוסק במחקר של כל סוג של רשת אנושית, אבל הקמתן של רשתות הענק האלו תרמו במקביל גם לצמיחה מהירה של תחום ה-SNA והבאתו למרכז הבמה. מדע הרשתות מאפשר לנתח, בין השאר, רשתות חברתיות אבל הוא עושה זאת דרך מחקר המבנה שלהן. הרשתות שתיארנו, זו של המוח האנושי וזו של קשרים בין בני אדם, יכולות להיראות, לתמימים שבינינו, מאד מבולגנות ורנדומליות.
אבל התראת ספויילר – זה לא המצב. רשתות ניחנות בתכונות מבניות מסוימות שמאפשרות לנתח אותן אבל על נושא זה נפרט בהמשך.
לבינתיים, נסתפק בכך שבחינה של מבנה הרשת מאפשר לקבל תובנות שהתוכן לבדו לא מספק, למשל, בסוגייה משמעותית כמו השפעה ברשת:
כך למשל, זה שצועק הכי חזק, לא אומר בהכרח שהוא זה שהכי משפיע.
השפעה לא נובעת מהאדם אלא מהרשת שסביבו. אם מישהי לחשה מסר ואלפי אנשים הפיצו את המסר הזו הלאה, אז זה אומר שיש לנו משפיענית.
דוגמא נהדרת לתרומת מבנה הרשת להבנת השפעה אפשר למצוא בניתוח רשתי של קמפיין איראני בטוויטר בשם "#מסר מאיראן" (בעברית), שנערך בינואר 2022.
הקמפיין עשה קצת כותרות כי באותו זמן הרבה יוזרים ברשת פרסמו הרבה טוויטים תחת אותו האשטג.
אבל ניתוח רשתי יפה שעשה עומר נוי מאוניברסיטת בן גוריון מראה שכשמסתכלים על מבנה הרשת של טוויטר, כלומר מי עשה ריטוויט למי או מי הגיב למי, ניתן לראות שכל הפעילות של הקמפיין התרכזה רק באזור מסוים ברשת ויחסית במנותק משאר הפעילות הרגילה בטוויטר שהייתה באותו זמן.
כלומר, בתמונה הרחבה ובזמן אמת – הקמפיין לא זכה לתהודה בישראל למרות שישראל הייתה המטרה שלו.
הנושא של השפעה ברשתות, ובעיקר ברשתות חברתיות, הוא הנושא של פרק 6.
השפעה היא בעצם סוג של התפשטות ברשת, שזה נושא שמכוסה בפרק 18. אז איך מדע הרשתות עצמו התפשט? בשביל זה צריך להתחיל עם תורת הגרפים.
אז לפני תורת הגרפים, מה ההבדל בין רשת לגרף?
גרף הוא רשת בלי תיוגים, כלומר, הצמתים והקשרים שבו הם תיאורטיים במובן שמתמטיקה היא תחום תיאורטי. במאה ה-18 נעשה כנראה השימוש הראשון בגרף כדי להמחיש רעיון מתמטי ע"י מתמטיקאי בשם אוילר, ולאירוע זה מוקדש הפרק בנטפריקס "ליל הגשרים של קניגסברג". ולמרות שאירוע מתועד ראשון זה של שימוש בגרפים מופיע כיום בכל מצגת מבוא לתחום, אנחנו צריכים להודות על האמת: הטריק שאוילר עשה היה מגניב, ללא ספק, (והוא מתואר בפירוט בפרק שהזכרנו וקשור בחישוב מסלולים), אבל הוא לא התחיל מהפיכה בתחום.
במרחב הזמן שבין אוילר לאפליקציה של ווייז, לקח לתורת הגרפים שנים רבות להפוך לתחום במתמטיקה, אבל תורת הרשתות הייתה צריכה לחכות אפילו יותר עד שתהפוך לדיסיפלינה משמעותית. למעשה, עד המאה ה-21, רשתות כמעט ולא היו מושא מחקר בפני עצמן אלא שימשו בעיקר לצילחות, כלומר, כמנת צד יפה לצד המנה העיקרית. רשתות הן עזר ויזואלי יפה מאד שמרתק אנשים גם היום, ובהחלט יש הרבה תובנות שניתן לקבל מצפייה ויזואלית בלבד ברשת, אבל רוב האנשים לא יודעים מה לחפש שם מעבר להתפעלות אסתטית. בנוסף, כשעוסקים בביג דאטה, העין האנושית כבר לא מספיקה בשביל לנתח את הרשת ונדרש להשתמש בכלים אחרים שמדע הרשתות מספק. אבל רצנו קצת קדימה. הסיבה לכך שעד המאה ה-21, מחקר הרשתות היה בעיקר אנקדוטלי, היא ברורה:
בניגוד לתורת הגרפים התיאורטית שיכולה להסתפק בלוח מחיק או גירים, תורת הרשתות, שעוסקת ברשתות אמיתיות, הייתה צריכה נתונים.
נתונים לכאורה קיימים משחר ההיסטוריה, אבל כמות המידע שהיה זמין לחוקרים בימים של טרום האינטרנט היה מועט, והקושי בנגישות הקשה לבצע מחקרים השוואתיים וכך לזהות תופעות רחבות היקף.
אותה פריצה של רשתות הענק במאה ה-21 הייתה זו שנתנה את הבוסט למחקר משמעותי יותר של רשתות והמחקר הזה הניב תגלית די מדהימה:
רשתות הן לא אוסף רנדומלי של קשרים. לרשתות יש תכונות מבניות ויותר מכך –
רשתות פועלות לפי חוקים אוניברסליים.
זה ממש לא טריוויאלי, אז נעצור פה רגע ונסביר מהתחלה: רשת מורכבת מקשרים. לפעמים הקשרים מובהקים (למשל, רשת חברויות בפייסבוק) ולעיתים אנחנו צריכים להבנות את הרשת באופן יצירתי יותר. ניתן דוגמא: זוכרים שהזכרנו קודם את רשת הפולסים של הנוירונים במוח? אז במוח האנושי למשל, אנחנו נתקשה למפות אותה. למעט במקרים של חולי אפילפסיה, הסנסורים שעוקבים אחרי הפעילות המוחית הם כולם חיצוניים, ולכן יתקשו לעקוב אחר הסיגנאלים החלשים שמרכיבים את אותה רשת. כדי למפות את הרשת, נעשה שימוש במכשיר FMRI שסורק את המוח מבחוץ. המכשיר אינו מסוגל לזהות את הפעילות החשמלית במוח, אך הוא מסוגל לזהות שינוי בזרימת הדם. זרימת דם מוגברת תיחשב כאינדיקציה לפעילות וכששני אזורים במוח פעילים יחד, הנחת העבודה של המחקר היא שיש ביניהם קשר.
כלומר, ברוב המקרים שאנו מדברים על מיפוי רשת הנוירונים האנושית, אנו למעשה מדברים על רשת של קורולציות בין מדידות ולא על רשת המסרים הישירה של הנוירונים. מה שעשינו כאן בעצם הוא למדל את הפעילות במוח באמצעות רשת.
כמו שניתן להבין, זה נשמע לא מעט עבודה למדל את המוח האנושי כרשת, אז למה לטרוח כל כך?
אז הנה מגיע הקטע המדהים: בין אם מידלנו את הנתונים כרשת או שקיבלנו את הרשת כמעט "מן המוכן" - מרגע שנמפה את הרשת אנחנו נראה שחלים עליה בדיוק אותם חוקים אוניברסליים שחלים על כל רשת. ועכשיו אני אגיד משהו שהוא לכאורה ברור מאליו: האינטרנט ומרחב הסייבר, כלי הדם בגוף, הרגלי הצריכה שלנו, קורונה וביטקוין הם דברים שונים מאד. דההה אבל מרגע שאנחנו מבנים או ממדלים אותם כרשת (ואם זה לא היה ברור, כל פריט ברשימה הזו שנתתי ניתן למדל כרשת), אז אנחנו נראה את אותם חוקים פועלים עליה. זה לא משנה אם זו רשת חברתית, רשת מחשבים או רשת כלי הדם בגוף.
ולפי דעתי המשפט הבא הוא הדבר אולי הכי קסום ברשתות: מכיוון שרשתות ממדלות את המציאות - ורשתות פועלות לפי חוקיות אוניברסלית - אנחנו יכולים בעזרתן להבין טוב יותר את החוקיות של המציאות. התגלית - או נכון יותר יהיה להגיד – התגליות שהצביעו על אותה חוקיות הן אלה שעומדות בבסיס תורת הרשתות. בפרקים 2 ו-3 אנחנו נתאר את ההתפתחות של תורת הרשתות – איך היא הפכה מאוסף של אנקדוטות לתורה עם חוקים ותופעות ובהמשך נרחיב על חוקי רשת נוספים בפרקים 4 ו-5.
חשוב לציין שפרקים 2 עד 5 הם פרקי היסוד של התחום ולכן, אני ממליץ בחום לשמוע אותם לפני הפרקים האחרים. אז עכשיו, מה חוקי הרשת והבנת התכונות המבניות שלה נותנות לנו? הבנת החוקים האלו תאפשר לנו לתת פרדיקיציות על כל רשת ולנצל אותם לטובת יישומים בתחומים רבים. כשנפרוט אותם, נגלה שהחוקים עצמם לא כל כך מסובכים להבנה, אבל יש רק בעיה אחת: הם מאד שונים מהדרך שבה אנחנו רגילים לחשוב על העולם.
במילים אחרות: מדע הרשתות הוא המקום בו אינטואיציות באות למות.
וזו עוד סיבה שאני אוהב את התחום.
אמרנו קודם שרשתות ממדלות את המציאות. אז כך, בזכות מדע הרשתות, אנחנו זוכים ללמוד שהעולם מתנהל בצורה שונה מאד ממה שחשבנו.
ולכן, לא חייבים להיות אנליסטים, מדענים או אנשי הייטק כדי ליהנות מללמוד על מדע הרשתות. עצם היכולת לחשוב על המציאות כרשת היא משהו יקר ערך שנמצא לו שימוש בהרבה תחומים של החיים.
את ההוכחה הכי טובה לכך אני מוצא בפודקאסט "אסור להשוות" של חגי אלקיים-שלם ואורן ברנשטיין, פודקאסט שאני שמח להמליץ עליו.
בכל פרק, השניים מקבלים שאלות או בעיות של המאזינים במגוון רחב של תחומים והם צריכים לפתור אותן על ידי שימוש במודלים.
כאחרון הטרולים, אני מוצא את עצמי כותב פעם אחר פעם בפורום של הפודקאסט שלהם על איך שימוש במודל של רשת היה פותר את הבעיה של אותה מאזינה או מאזין.
מה לעשות, רשתות רלוונטיות להמון נושאים ותוסיפו לזה שאני אובססיבי.
אז לבוגרי נטפריקס שבחרו להאזין גם לפודקאסט "אסור להשוות" בעקבות ההמלצה,
אשמח לתגובות שלכן ושלכם – אם גם אתה או את מצאתם דרך לעשות שימוש במדע הרשתות לפתור בעיות שעלו שם או - גם בלי קשר - סתם בעיות שנתקלתם בהם ומדע הרשתות מצא להן מענה – אל תהססו לשתף.
קישורים ליצירת קשר יופיעו בסוף הפרק בבלוג ההרחבות.
אם כבר הזכרתי אותו, אז בבלוג ההרחבות של הפודקאסט נטפריקס ניתן למצוא תמלול של הפרקים וגם הרחבות והסברים מפורטים, תמונות, קישורים ועוד. לינק לבלוג נמצא בתיאור של כל פרק באפליקציית הפודקאסטים שבה אתם משתמשים והוא יוביל לאתר הפודקאסט שהוא www.SNApod.net.
אז עד שתביאו מקרים משלכם, בואו נדבר קצת על היישומים בעולם של מדע הרשתות.
מכיוון שרשתות נמצאות בכל מקום, זה לא מפתיע שהיישומים של מדע הרשתות רבים ומגוונים:
הזכרנו קודם רשתות חברתיות, שזה מקרה קלאסי של רשת, אז גם החברות שמנהלות את הרשתות החברתיות עצמן עושות שימוש במדע הרשתות, למשל, כדי להמליץ לנו על חברים וגם בכדי לבדוק עלינו פיצ'רים שונים, כמו שניתן לראות בפרק 14.
הבנה של מבנה הרשתות האלו ושימוש בחוקי הרשת להבין מי הגורמים המרכזיים בהן, יוכלו לעזור לנו להבין את זרימת המידע ברשת, מי המשפיעים שבה ומי המושפעים. דוגמא לחשיבות זרימת המידע ברשת היא האופן שבו גוגל מדרגת אתרים.
אתרי ספאם יכולים להצביע או לקשר לאתרים רגילים וכך לייצר עימם קשר ברשת. אבל הקשר הזה הוא חד כיווני. האתרים הנורמטיביים, בתורם, כנראה לא יצביעו על אתרי ספאם ולכן גוגל תזהה את אותם אתרי ספאם כמבודדים. אם גוגל הייתה בוחנת כל אתר לגופו האם הוא לגיטימי או לא, זה לא היה נגמר. הם היו נדרשים לאסוף אין סוף פיצ'רים כדי לדייק את ההחלטה. היופי בדוגמא הזו הוא העוצמה שהבנת ההקשר נותנת לניתוח, וזה מה שניתוח רשתי מאפשר.
יישומים נוספים למדע הרשתות בתעשייה נמצא בפרקים 19ו-20, למשל, השימוש שאתרי קניות עושים ברשת. הניתוח הרשתי שחברות מבצעות על רשת הקשרים בין הקונים למוצרים מאפשר להמליץ לקונה על מוצרים נוספים. בנוסף, חברות יכולות להשתמש במדע הרשתות כדי לנהל ולתמוך את רשת היוזרים שלה וכמובן לראות מי היוזרים המובילים והמשפיעים ומי היוזרים הבודדים שצריכים עידוד.
אחת מהדוגמאות האקטואליות לצערנו ליישום אפשרי נוסף של מדע הרשתות היא התמודדות עם מגפות. הקורונה היא מגפה וכמו כל מגפה - היא גם רשת, כי התנאי להעברת הנגיף הוא רשת של מגעים בין בני אדם, ולפעמים גם פנגולין. בפרקים 7, 9ו-12 נדבר כיצד מחקר אפידמיולוגי עושה שימוש בניתוח רשתי כדי לגלות את מבנה רשת המגעים, לזהות ולחזות את התפשטות המגפה, לאתר את מפיצי העל והכי חשוב - איך ואיפה לקטוע את שרשרת ההדבקה. יישום נוסף של מחקר רשתות הוא בתחום הארגונים. כפי ש-SNA חוקר אנשים בחברה כך ONA או Organizational Network Analysis חוקר אנשים בארגונים. אנחנו רגילים לחשוב על ארגון דרך העץ מבנה שלו אבל עץ מבנה לא מספר איך הארגון באמת עובד. עץ מבנה רק מספר לנו מי משלם משכורת למי. למשל, מחלקת ה-HR אמורה לעבוד מול כל הגורמים בארגון אבל זה לא בא לידי ביטוי בעץ המבנה. בנוסף, מה אם נגלה שיש מקומות שהיא לא נמצאת בקשרים איתם? חשיפה של הרשת הארגונית, הפורמלית והא-פורמלית, מאפשרת לנו להבין איך הארגון עובד באמת וגם מי הם מרכזי הכובד בארגון. מרכז כובד יכול להיות הגורם המקצועי שאליו אנחנו פונים להתייעץ או הגורם או הגורמים שמעבירים ידע בארגון או אלה שמשפיעים על ההתנהלות השוטפת שלו. וספוילר: הם לא תמיד אלה שיושבים בהנהלה. מחקר ארגונים ומערכות לא רק מעניין את הארגונים עצמם לצורך התייעלות ושיפור המועילות אלא גם את אלה שחוקרים אותם מבחוץ, למשל, קהיליית המודיעין. מחקר רשתי של ארגון או מערכת יכול לספק מידע חשוב על מיהם גורמי הכוח בארגון ומה נקודות העוצמה והחולשה שלו. אודות השימוש בניתוח רשתי לטובת ארגונים ומודיעין נשמע בפרקים 8, 16 ו-19.
ניתוח רשתי יכול לשמש אותנו גם לתובנות ואנליטיקות בתחום הספורט, כפי שנראה בפרק 10 ולהבין מערכות פוליטיות כפי שנראה בפרק 13.
גם מחקרים היסטוריים עושים שימוש בניתוח רשתי. כך לדוגמא ד"ר הראל חורב, מאוניברסיטת ת"א, הראה כיצד בעזרת SNA ניתן להבין התנהלות והצלחה פוליטית וחברתית במחקר מרתק שפירסם ב-2019. רשימת התחומים בהם ניתוח רשתות רלוונטי היא ארוכה: מהגנה או תקיפה בסייבר, זיהוי Fraud, פרויקטי עיר חכמה ותכנון אורבני, ניתוח שפה, רשתות גיימינג, ביולוגיה וכימיה, למשל בניתוח רשתות גנים וחלבונים ואפילו אסטרונומיה.
למשל במיטאפ בנושא תורת הגרפים נתקלתי בתובנות מעניינות שניתוח הרשת סיפק כמו למשל סיווג של מוצרי צריכה או מחקר ספנות. עכשיו כבר אפשר לגלות שמי שהנחתה את אותו מיטאפ הייתה דליה גרצמן, שאגב, גם לה יש פודקאסט מומלץ בשם "הולכת בדרכי" שעוסק במסעה המופלא של בחורה להקמת סטארטאפ. אז במהלך המיטאפ, דליה סיפרה כמה היא נהנתה לחקור גרפים באקדמיה ורק כשיצאה לשוק גילתה למרבה הפלא שיש לזה גם שימושים פרקטיים. וזה נכון, רשתות זה גם כיף כמו שאפשר לראות בפרק 11 בנטפריקס, שם מוצג ניתוח רשתי של סדרת הטלוויזיה "חברים" ויש גם את הפרק שבו ניתחנו מדוע סדום חרבה בגלל בורות בסטטיסטיקה.
אם כבר הזכרנו סטטיסטיקה, אז זה הזמן גם לציין שמדע הרשתות מתחבר לתחומים רבים: הוא נמצא בתווך שבין סטטיסטיקה, פיזיקה ומתמטיקה אבל גם לצד מדעי החברה, מדעי המחשב ותחומים נוספים. ומה לגבי מדע הנתונים? בפרקים 18 ו-19 אנחנו נדבר על מה בין מדע הרשתות, אנליסטים של דאטה ומדע הנתונים.
רק נציין כאן בקצרה שתי תרומות משמעותיות של מדע הרשתות לתחומים האלו והראשונה היא ללמידת מכונה או Machine Learning: עצם ההבנייה של הנתונים שלנו כרשת, מאפשרת לראות בהם מימדים נוספים שמעשירים את הנתונים, מספקים לנו עוד פיצ'רים ללמידה ומשפרים את הקלאסיפיקציה, וכל זה מבלי שהוספנו עוד פיסת מידע אחת. אבל למידת מכונה סובלת לפעמים מבעיית אקספלנביליות. כלומר, לא תמיד נוכל להגיד בביטחון למה המכונה עשתה את מה שעשתה. הבעיה הזו מתקשרת ישירות לתרומת מדע הרשתות לאנליסטים. אחד מהאתגרים הגדולים ביותר של אנליסט הוא להסביר את הנתונים, או במילים אחרות, לספר את הסיפור של הדאטה.
אנליסט הוא לא רק מנתח נתונים. הוא גם מספר הסיפורים של המאה ה-21.
בעבר הרחוק, אם האנליסט של פעם היה רואה הר געש מתפרץ, אז הוא היה יכול להסביר זאת בטענה שאל האש עצבני והאנליסט היה ממליץ לתעדף את משאבי החברה לטובת קורבנות לאל הזועם.
היום אנחנו מצפים להתבססות יותר מעמיקה על דאטה, אבל הצורך בסיפור נשאר אותו צורך. למה קורה מה שקורה?
וכמי שחבר בכמה פורומים של אנליסטים, אז לא פעם שומעים על אנליסטים שמסתכלים על הטבלאות מידע שלהם, והן מסתכלות בחזרה, ויש מבוכה בחדר כי הם אפילו לא יודעים מה הם רוצים לשאול.
לא נעים.
אז מבט על הנתונים דרך ניתוח רשתי, מאפשר לנו לראות את הנתונים שלנו בהקשר, והבנה של תבניות הרשת מאפשר לנו לשאול את עצמנו שאלות שלא ידענו בכלל שצריך לשאול. על הנושא הזה של ה-Unknown-Unknown ואיך ניתן לעלות עליו באמצעות ניתוח רשתי, נדון בפרק 5.
כל זה נשמע מאד תיאורטי כרגע למי שעדיין לא מכיר את מדע הרשתות ואני מבין את זה לגמרי. אבל תדעו שאתם לא לבד. גם אנשים שמכירים את הטכניקה בתיאוריה אבל לא מבינים את תורת הרשתות שעומדת מאחורי הטכניקה חווים תחושה דומה.
למשל, בוגרים של מדעי המחשב.
קרה לי לא פעם שאחרי שהרציתי על גרפים ורשתות, ניגשו אלי בוגרי מדמ"ח ואמרו לי שהם אמנם למדו חלק מההיבטים הטכניים של מה שדיברתי עליו, אבל עד ההרצאה לא היה להם מושג מה ואיך ליישם אותם. הם הרגישו כאילו הם קיבלו 2 אבני צור אבל לא הבינו עד אותו הרגע שאפשר לייצר מהם אש.
אני זוכר תחושה דומה לזה שהרגשתי בפעם הראשונה שאני ניתחתי רשת. זה נראה לי מזכיר קצת את הטרנד שהיה בשנות ה-90' שבו אנשים היו בוהים בתמונה מקושקשת ולאחר רגע של ריכוז ושינויי פוקוס פתאום הייתה נחשפת להם תמונה מדהימה בתלת ממד.
אני אומר ש"נראה לי" שזה כמו התמונות האלה בשנות ה-90' כי, אישית, אף פעם לא הצלחתי לראות משהו בטריק הזה של התמונה.
טוב, אז דיברנו הרבה על יישומים בתעשייה ובשטח, אבל מה לגבי המחקר של עולם הרשתות שאיתו פתחנו את הפרק? אז אני שמח להגיד שלפחות מבחינה אקדמית, ישראל נמצאת במקום די מכובד על מפת העולם של מדע הרשתות: למשל, פרופ' שלמה הבלין, חוקר רשתות וזוכה פרס ישראל מבר אילן, נמצא במקום השני בעולם מבחינת כמות הציטוטים של מאמריו בתחום. גם פרופ' ברוך ברזל מאוניברסיטת בר אילן זכה להציג 9 מעבודות המעבדה שלו בכנס הרשתות העולמי שהתקיים ב-2021 וזה שם אותו לפחות מבחינת כמות, אם לא איכות, במקום השני בכנס. גם מומחים נוספים מישראל זכו להציג מספר מעבודותיהם באותו כנס וביניהם ד"ר אוסי מוקרין מחיפה, פרופ' גלעד רביד מבן גוריון ועוד. מה היה בכנס המיוחד הזה ועל המחקרים הישראליים שהוצגו בו אנו דנים בפרק 17.
אנחנו מתקרבים לסיכום, אז אם את או אתה החלטתם שזהו, רשתות זה הדבר הכי מגניב בחיים ותרצו קצת להתעסק בזה, אז בפרקים 21, 22 ו-23 נדבר על תוכנות ייעודיות וחינמיות למחקר רשת שכל בוגר של נטפריקס יכול להשתמש בהן, ללא צורך בידע בתכנות או בחומרה מיוחדת. וכמובן שניתן למצוא קהילה תומכת בקבוצת "הבית החם של מדע הרשתות" בפייסבוק שכוללת כבר מספר תלת ספרתי של חברים. כולם מוזמנים להצטרף אליה ולהתייעץ שם בכל דבר שקשור ברשתות, למשל, לבקש הפניות, חומרים, עצות לגבי מסלולי לימוד בתחום ועוד. יחידי סגולה ימצאו את דרכם גם לקבוצת הוואטסאפ.
אז לסיכום,
מדע הרשתות מאפשר לנו לקחת מציאות מורכבת ולמדל אותה כרשת. כך אנחנו יכולים לפשט אותה ועדיין לשמור על ההקשר של כל חלק בה. אבל בנוסף, מרגע שיש לנו כבר רשת תחת היד, אז חלים עליה אותם חוקים אוניברסליים שמאפיינים כל רשת. החוקים האלו מאפשרים לנו לנתח כל רשת בכל גודל בצורה יעילה, ואם אנחנו מבינים מה אנחנו עושים, אז גם בצורה מועילה. מכיוון שכמעט כל דבר אפשר למדל כרשת, זה אולי נשמע כאילו מצאנו את התשובה לחיים, היקום וכל השאר. צחוק בצד, יש אנשים שאכן טוענים את זה. סטיבן וולפראם, שמגיע מעולם הפיזיקה ומדעי המחשב וגם קרלו רובלי, מחבר הספר "הלגולנד" ומומחה לתורת הקוואנטים, טוענים שהתבלבלנו:
זה לא שרשתות ממדלות את המציאות - המציאות עצמה היא רשת. לטענתם אין ביקום דבר שעומד בפני עצמו אלא זה האינטראקציות בין דברים שיוצרות את המציאות. מוזר? קיצוני? לא אינטואיטיבי? אז זה כנראה נכון. ואם את או אתה רוצים ליצור מציאות ע"י אינטראקציות ובדרך לעזור להפיץ את בשורת מדע הרשתות, הנה הדרך לעשות את זה: ככל שתדרגו יותר, כך הפודקאסט יהיה חשוף לאנשים רבים יותר.
דרגו את הפודקאסט בספוטיפיי או באפל-פודקאסטס ו/או כיתבו ביקורת. ניתן לדרג גם בפודקאסט-אדיקט (בטאב של ה-reviews). מותר ומומלץ להעלות פוסט ולתייג את נטפריקס בפייסבוק/טוויטר/אינסטגרם או לינקדאין ושוב, פוסטים יצירתיים במיוחד יושמעו בפרקים הבאים. הנה למשל ביקורת מקבוצת הפודקאסטרים בטלגרם, אבל לפני זה, יודעים מה הפרסומת הכי טובה לקוקה קולה? כשמבקשים קולה במסעדה והמלצר עונה: יש פפסי. אז אחד החברים בפורום בטלגרם שאל:
"איזה פודקאסטים ישראלים יש בנושא דאטה, חוץ מנטפריקס?"
כזה.
ואם עוד לא עשיתן לייק בדף של נטפריקס בפייסבוק, זה הזמן. אתרים עם יותר לייקים, מקבלים יותר חשיפה.
לפניות/הערות/הארות/הצעות ועוד: שלחו מייל!
ולא לשכוח לעשות Subscribe לפודקאסט באפליקציה החביבה עליכן.
אחרון - למי שבקטע - לפודקאסט יש גם גרסה באנגלית. רוב הפרקים שם הם תרגום של הפרקים בגרסה העברית אבל מכיוון שהם יוצאים לרוב אחרי הפרקים בעברית, לפעמים הם מכילים מספר עדכונים שלא קיימים בגרסה העברית.
נתראה בפרק הבא של נטפריקס.
#פודקאסט #מדע_הרשתות #ניתוח_רשתות_חברתיות #תורת_הגרפים #סטטיסטיקה #ביגדאטה #מדעי_המחשב #מתמטיקה #פיזיקה #מדע_הנתונים #גוגל #פייסבוק #טוויטר #סייבר #למידת_מכונה #ביולוגיה #כימיה #נוירולוגיה #ספורט #אסטרונומיה #מודיעין #קורונה #מדעי_החברה #היסטוריה #פנגולין
#DataScience #ONA #OrganizationalNetworkAnalysis #Statistics #BigData #ComputerScience #Mathematics #Physics #Google #Facebook #Twitter #Cyber #ML #MachineLearning #Biology #Chemistry #Covid19 #Neurology #Sports #Intelligence #Astronomy #SocialScience #History
Comments