מה מתרחש (:

אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

אם הגעתן לפרק הזה, אז אתן כבר יודעות ויודעים שמדע הרשתות הוא נושא מרתק כי הוא רלוונטי כמעט לכל תחום. הסיבה לכך היא כי כמעט כל דבר ניתן לייצג כרשת בין אם הוא בים, באוויר, בחלל, בסייבר או ביבשה או אפילו מתחתיה ואת השמועות האלה אנחנו נחקור היום.

אחד האתגרים המשמעותיים בלחימה בארגוני הטרור בעזה הוא הממד התת קרקעי – רשת המנהרות המכונה "המטרו של עזה" שנועדה להסתיר את תנועת המחבלים מעיני צה"ל. הערכות מדברות על לפחות 500 ק"מ של רשת תת קרקעית מתוכה אותרו במערכה האחרונה לפחות 800 מנהרות או פירים.

אמרנו שהמנהרות הן רשת – אז מה המשמעויות הנובעות מכך?

המשמעות העיקרית היא שרשת ההמנהרות תתפלג "זנב ארוך" שזו התפלגות שלה הקדשנו את פרק 3 ואם עוד לא שמעתן, ממליץ עליו בחום. זה אולי הפרק הכי חשוב של נטפריקס. לעצלנים רק אאמל"ק בקצרה שהתפלגות זו אומרת שבכל רשת, הדאטה שלנו ייתפלג באותה צורה: יהיו מעט שיהיה להם הרבה והרבה שיהיה להם מעט.למה הכוונה בהקשר של מנהרות? למשל, שיהיו מעט מנהרות ארוכות והרבה מנהרות קצרות. עוד דבר שניתן להעריך הוא שברשת המנהור יהיו מעט רכיבי קשירות גדולים והרבה רכיבי קשירות קטנים. למה הכוונה? רכיב קשירות הוא מושג שדיברנו עליו בפרק 2 והוא נועד לתאר את המבנה הבסיסי של רשתות. רשתות מורכבות מ"איים" של צמתים וקשתות. ברוב הרשתות נראה "אי מרכזי גדול" ולצידו הרבה "איים" קטנים של צמתים שלא קשורים אליו.אני מניח שבכל עיר מרכזית ברצועת עזה ישנו רכיב קשירות מרכזי שמחבר אזורים שונים באותה עיר אבל לצידו יש הרבה פירים למנהרות טקטיות, כלומר, רכיבי קשירות קטנים שלא קשורים לכלום.

המשמעות היא שהשם "מטרו" עלול להטעות. לא נראה לי סביר שכל המנהרות בעזה קשורות זו לזו.כלומר, בהנחה ומניחים שהרעיון של צה"ל, לפי פרסומים זרים, להציף את המנהרות במי ים הוא רעיון טוב, עדיין נדרש למפות את המנהרות המרכזיות בכל תא שטח, אלה שנמצאות ברכיב הקשירות המרכזי. פירי המנהרות שנמצאים ליד הים לאו דווקא יהיו מחוברים לרכיב קשירות המרכזי של המנהרות באזור.

אבל נדרש גילוי נאות: זו לא הרשת התת קרקעית שרציתי לדבר עליה. הרשת שרציתי לדבר עליה היא ה-Wood-Wide-Web, השם שניתן במגזין Nature לרשת תת קרקעית שמקשרת בין עצים.

זו רשת מוכרת בתרבות הפופולרית ולדעתי אין פודקאסט מדעי שמכבד את עצמו שלא עשה עליה פרק. כשמקשיבים לפרקים האלה, זה ברור למה הנושא מלהיב כל כך: זה סיפור על רשת נסתרת תת קרקעית שעוברת בין העצים ודרכה העצים יכולים להשיג משאבים זה מזה ואפילו...להעביר מסרים אחד לשני.אז אם כבר יש כל כך הרבה פרקים על הרשת התת קרקעית הזו, למה שוב לחפור?

כי פה נגלה, כמו שאנחנו מגלים כמעט בכל פרק בנטפריקס, שכשמסתכלים על דברים מהזווית של הרשת, הניתוח הרשתי חושף לנו תגליות מפתיעות ולא פעם – הפוכות ממה שציפינו. קיצר, כרגיל, הולך להיות מסע מטלטל.

אז רק מילת אזהרה לפני שמתחילים: הפודקאסט הזה לרוב לא עוסק בביולוגיה והמציג אינו ביולוג. לא נוכל להיכנס כאן לעומקם של כל הנושאים שאציג ויש המון מה להיכנס. מה לעשות, הנושא מרתק. אז לאלה שירצו להתעמק בחומרים שיופיעו כאן אני ממליץ להיכנס ללינק ההרחבות שמופיע בתיאור הפרק. שם תמצאו הפניות למאמרים שאוזכרו בפרק וגם כאלה שלא, תמונות ומפות רלוונטיות ועוד.

אז מאיפה בכלל הגיע הרעיון לעשות פרק של נטפריקס על רשתות ביער?

הכל התחיל כשאריאל וישנה, איש יקר, העלה תמונה לפורום לינקס בוואטסאפ. הפורום קיים כבר 6 שנים ומכיל מאות חובבות וחובבים של מדע הרשתות. התמונה שאריאל צילם הייתה מתוך תערוכת "The Art of Data" באנגליה ובתמונה הופיעה רשת של עצים תחת הכותרת "The Wood-Wide-Web". בהסבר שצורף מטעם התערוכה נכתב שכמו שהאינטרנט מחברת אנשים, כך מדענים גילו שקיימת רשת תת קרקעית ביערות שמחברת עצים ובה הם חולקים משאבים ואפילו מעבירים זה לזה מסרים.

יש נושא יותר מגניב מזה לפרק בפודקאסט על רשתות? הרשת נלקחה ממאמר שנכתב ע"י ביילר ב-2009 אבל מי שהייתה מעורבת באותו מאמר ואולי הדמות המזוהה ביותר עם רשת העצים היא פרופ' סוזן סימרד מקנדה. בשיחת TED מ-2016, סימרד סיפרה על סדרת הניסויים המכוננת שביצעה ב-1997 שבאמצעותם גילתה את רשת הקשרים של העצים וכיצד הם עושים זאת. פריצת הדרך הזו לא באה לה בקלות שכן מדובר היה בפרויקט ארוך שחלקו נעשה בשטח, ביערות קנדה, וזה אולי נשמע פסטורלי, אבל לא כשדובת גריזלי רודפת אחרייך, כך גילתה סימרד. אבל כמו שהיא אמרה – זה מחיר קטן לשלם לטובת תגלית בסדר גודל כזה.

אז איך הרשת הזו עובדת? בואו ניתן קצת רקע ורק אזכיר, המציג אינו ביולוג:

עצים מזינים את עצמם באמצעות פוטוסינתזה. בלי להיכנס לעומק התהליך, הפוטונים מהאור שנקלט ע"י העץ מסייעים לתהליך של קליטת פחמן דו חמצני מהאוויר. העץ לוקח לעצמו את הפחמן ומשחרר את החמצן חזרה לאטמוספרה. הסיבה שהעץ חם על פחמן היא כי זה למעשה מנת הסוכר שלו. מבחינה זו העץ אולי חלש אופי אבל צריך לכבד את האחר, גם אם הוא לא קיטוגני.

עד כאן תיארנו את התפקיד של צמרת העץ, אבל עצים צריכים גם מים, חנקן ומינרלים וכאן נכנסים לתמונה השורשים. תמיד דמיינתי לעצמי שהשורשים הם כמו הקשיות של העץ ששותות מים מהאדמה והופתעתי לגלות שהם בעצם רק השגרירים שלו לעולם התת קרקעי של הפטריות. לפטריות יש רשת קורים תת קרקעית משל עצמן והקורים שצמודים לשורשים הם אלה שמספקים לעץ את המינרלים והמים שהוא צריך. סה"כ נשמע כמו ג'סטה יפה ממשהו מגעיל כמו פטריות אבל מסתבר שהן גם לא פראייריות: הפטריות מצפות למשהו בתמורה. בגלל שפטריות לא עושות פוטוסינתזה הן צריכות לקבל את הפחמן שלהן בדרכים אחרות. למרבה מזלן - ובניגוד לילדים קטנים - את עודפי הסוכר שלהם העצים לא מקיאים על השטיח אלא פולטים אותו, כלומר את הפחמן העודף, למטה, דרך השורשים לפטריות. אז הנה עוד סיפור יפה על שיתוף פעולה בטבע. כולנו אוהבים לשמוע סיפורים כאלה בדיוק כמו שכולנו אוהבים תמונות של כלבים מחבקים חתולים. זה נותן לנו תקווה. הנה, גם ימנים ושמאלנים, אשכנזים וספרדים, שופטים ונשפטים – כולנו יכולים לחיות יחד בהרמוניה.

אבל לפי פרופסור סוזן סימרד, זה רק הקצה של האידיליה הקוסמית. יש עוד.

בסיפור שלה אני חושב שנתקלתי לראשונה בפודקאסט של רדיולאב ואם אתם לא מכירים את הפודקאסט המעולה הזה, רוצו לשמוע. לגבי אותו פרק ספציפי אסכם אותו בקצרה: סימרד סיפרה בו כיצד גדלה בסמוך ליערות ותמיד הייתה מוקסמת מהם ובמיוחד מרשת השורשים התת קרקעית שרצה לה מתחת לפני היער. לא פלא שנכנסה לעסק המשפחתי של כריתת עצים אבל החלק שלה היה לשתול עצים חדשים ביערות שנכרתו. אהבתה זו הובילה אותה לבצע מחקרים שגילו שעצים מעבירים זה לזה פחמן. המשמעות של מעבר פחמן בין עצים היא אדירה כי מה שסימרד עשתה פה הוא להפוך את הסיפור של הטבע על ראשו. אנחנו הרי רגילים לחשוב על הטבע כמו פרק ב"הישרדות" (ולא סתם אנשים משתמשים בדימוי של "ג'ונגל" לתאר סיטואציה שבה כל אדם לעצמו). למעשה, סימרד אומרת לנו, הטבע הוא יותר פרק של "יצאת צדיק". ולהבין את זה, זה לא רק מחמם את הלב, אלא יש לזה גם משמעויות על אסטרטגיית הייעור ושימור היערות בעולם. סוגייה סופר משמעותית לאור השמועות על ריבוי הפחמן הדו חמצני באטמוספרה. אבל איך היא בכלל גילתה את מה שהיא גילתה? סימרד שתלה עצים צעירים וריססה את חלקם באיזוטופים רדיואקטיביים של פחמן שניתן לעקוב אחריהם. כך, באמצעות מכשירי מדידה, היא יכלה לעקוב אחר הנתיב של הפחמן המסומן והיא גילתה שהוא יורד לו למטה דרך העלים והגזע לאדמה והתגלה בשתילים סמוכים שלא סומנו. איך הפחמן הגיע לשם?

אנחנו יודעים שלעיתים שורשים של עצים מאותו זן יכולים להתלכד ולהעביר ביניהם חומרים. אבל זה דורש כמובן ששני העצים יהיו מאותו זן ושהשורשים שלהם יהיו קרובים מספיק כדי לגעת זה בזה ולהתלכד. כאן היה די ברור שזה לא המקרה. אז איך הפחמן הגיע ליעדו? לסימרד היה הסבר. זה בזכות רשת הפטריות, או ה- Common Mycorrhizael Network, ובקיצור – CMN.

סימרד תיארה כיצד העצים מחוברים ביניהם באמצעות קורי פטריה דקים תת קרקעיים שדרכם מועבר הפחמן. ואיך היא ידעה שהפחמן עבר דרך אותה רשת? כאן סימרד עשתה שימוש בקבוצת בקרה. ישנם סוגים שונים של עצים וישנם סוגים שונים של פטריות. עצים שונים מנהלים מערכת סימביוטית עם פטריות שונות. לכן, סימרד בדקה את התיאוריה שלה על עצים שחולקים פטריה משותפת וריססה את חלקם עם פחמן מסומן. היא השתמשה כקבוצת בקרה בעץ שלא חולק פטריה משותפת עם העצים האחרים בניסוי, במקרה זה, עץ ארז. הנחתה הייתה שהעצים המסומנים יחלקו פחמן רק עם העצים שחולקים עימם פטריות משותפות. פטריות עץ הארז אינן משותפות לעצים האחרים ולכן לא יקבלו את הפחמן המסומן וזו תהיה ההוכחה ל-CMN. ואכן, בסרטון TED היא מתארת כיצד מדדה עם מכשיר גייגר את העצים הצעירים ושמעה את הבאזזז של המכשיר כשאיתר את הפחמן הרדיואקטיבי המסומן בעצים שחלקו פטריות ואילו כשהיא קירבה את המכשיר לעץ הארז – דממה. הפחמן המסומן לא הגיע אליו. מבחינתה – זו הייתה ההוכחה הניצחת לא רק להעברת פחמן אלא לתפקיד החשוב של הפטריות בתהליך. זה יפה, חכם, יצירתי, מעורר השראה והכי חשוב – שגוי לחלוטין. כל מה שאנחנו מצפים מסרטון TED.

מה שהסרטון לא מספר לנו הוא ש-17 שנה לפני אותו TED יצא מאמר ביקורתי מאוד על המחקר של סימרד. מאותו מאמר עלה שדווקא כן אותר פחמן מסומן בעץ הארז ששימש כקבוצת ביקורת. אמנם לא בכמות גבוהה כמו בעצים האחרים אך עדיין בכמות לא מבוטלת. אז האם הפטריות הן אלה שהעבירו את הפחמן?? נקודה נוספת שהמאמר מעלה היא שאותו פחמן מסומן אולי הגיע לשורשי העצים האחרים, אבל שם פחות או יותר הוא נעצר, כלומר, העצים לא ממש צרכו את הפחמן שחולק להם בנדיבות כה רבה. אז למה בעצם צריך להעביר פחמן אם הוא נשאר על הצלחת? ואם כל זה לא מספיק, אז הנה טענה נוספת שמעלה המאמר והוא אולי המשמעותי ביותר: במסגרת סדרת הניסויים שערכה, סימרד עשתה קבוצת ביקורת נוספת; לפני שהיא הזריקה את הפחמן המסומן, היא בחרה קבוצה של שתילים וחתכה סביבם את האדמה לעומקה כדי לקטוע את רשת הפטריות שמחברת אותם לעצים אחרים, במידה והיא שם. מטרתה הייתה להראות ששתילים אלו לא יקבלו פחמן מסומן כי קשריהם לאוטוסטרדת הפחמן התת קרקעית נקטעו. אבל לפי מאמר הביקורת שפורסם, פחמן מסומן הגיע גם לאותם עצים וההבדל בין כמות הפחמן שקיבלו לבין כמות הפחמן שקיבלו שאר העצים בניסוי (אלה שרשת הפטריות שלהם לא נחתכה) לא היה מובהק סטטיסטית.

כלומר, לפי סימרד, פחמן אמור לעבור בין עצים דרך פטריות – והוא לא, והפחמן אמור לשמש את העץ – והוא לא. אז מה, הכל התהפך לנו?

כל הטענות פה מעלות שאלות כבדות משקל: אז מה כל זה אומר? יש או אין רשת פטריות? אם יש - מה בעצם התפקיד שלה? ואיך לעזאזל הגיע פחמן מסומן לעצים אם לא היו קשורים לעצים האחרים?

נשמע מוזר? החלק הכי מוזר הוא שכל הטענות האלה מופיעות גם... במאמר המקורי של סימרד עצמה. מה זה???

המאמר הביקורתי שדיברנו עליו פורסם ב-1999 אבל ב-2023 צפו מאמרים נוספים (1,2) שבחנו לעומק את טענותיה של סימרד ובחלקם שיחזרו את אותן טענות נגדה מלפני יותר מעשרים שנה. מכיוון שזה נשמע לי חשוב לא התעצלתי – בדקתי. ואכן, סימרד מציינת במאמר הרבה מאותן טענות שהופנו כלפיה: היא מציינת את הופעת הפחמן המסומן בקבוצות הבקרה ונזכיר – זה פחמן שלפי התיאוריה שלה לא היה אמור להיות שם בכלל. היא גם מציינת שלא היו הבדלים מובהקים סטטיסטית בין כמות הפחמן המסומן שהועברה לשתילים הרגילים ביחס לכמות שהועברה לקבוצת הבקרה. היא אפילו מסבירה שיכול להיות שההבדל בכמויות הפחמן השונות שנמצאו בין סוגי העצים בכלל קשור להספק השונה של תהליכי הפוטוסינתזה השונים בין הצמחים.

כל זאת ועוד מופיע שחור על גבי מסך במאמרה המקורי של סימרד.

כדאי לציין אבל שגרסה אחרת של המאמר שלה שפורסמה בהוצאה המכובדת Nature הייתה קצת יותר מתירנית. שם למשל קבוצת הבקרה, זאת שכללה עץ ארז, לא מופיעה כלל.

אז נשים רגע בצד את הפער בין ההופעה ב-TED של סימרד למה שבאמת עלה ממחקריה. בסופו של דבר באנו לחקור רשתות, לא לחקור חוקרים. אז התופעה של פחמן שמגיע למקומות שהוא לא צריך להגיע אליהם, לפי תיאוריית ה-CMN, מופיעה לא רק במאמרי הביקורת אלא גם במאמרים נוספים. למרבה האירוניה, אלו מאמרים שנכתבו ע"י חוקרים שדווקא תומכים בתיאוריה של רשת הפטריות. למשל, במאמר מ-2009 (שבו, אגב, סימרד הייתה מעורבת) מתואר ניסוי שעשה שימוש בחיץ בררני. חיץ בררני הוא מחסום תת קרקעי עם חורים שמקיף את שורשי הצמח. הוא נקרא "בררני" כי גודל החורים שלו קובע מה יוכל לעבור בו. למשל, אם רוצים למנוע מעבר של קורי פטריות, נדרשים לחורים קטנים מאד. אם רק רוצים למנוע מעבר של שורשים כדי לנטרל אפשרות של מגע שלהם עם צמחים אחרים אז ניתן להסתפק בחורים גדולים יותר, שיאפשרו לפטריות לעבור אבל ימנעו מהשורשים לצמוח החוצה. בצורה זו, החיץ יכול לשמש לבקרה על משתני הניסוי. ובכן, באותו מאמר תיארו ניסוי שבו השתמשו בפחמן מסומן בכדי לראות אם ואיך יגיע פחמן מסומן מהשתילים המסומנים לשתילים אחרים. כדי לבדוק האם פטריות מעבירות את הפחמן, חלק מעצי המטרה, כלומר, השורשים של העצים הלא מסומנים, כוסו בסוגים שונים של חיץ בררני; לחלק חסמו את מעבר הפטריות, כלומר, עשו שימוש בחיץ עם חורים מאד קטנים, וחלק חסמו את השורשים בלבד (כלומר, חורים גדולים יותר).

בסופו של דבר, הפחמן הגיע גם לאלה וגם לאלה ולא נמצא הבדל מובהק בין מקרים שבו הייתה חציצה נגד פטריות לבין אלה שלא. והרי אם העברת פחמן בין העצים תלויה בפטריות, הרי שהיינו מצפים שרשת עם חורים קטנים לא תאפשר מעבר פחמן וזה לא היה המצב.

דבר דומה קרה גם בניסויים שנערכו במכון וייצמן, כן, כן, אצלנו, ב-2022. במקרה זה, נעשה שימוש בעצים מסוגים שונים שחולקו לשתי קבוצות לפי סוג הפטריה שהם חולקים. לפי תיאוריית ה-CMN, פחמן שהוזרק לקבוצה אחת לא אמור היה להגיע לקבוצה השנייה כי אין ביניהן חפיפה של רשת הפטריות התת קרקעית ובכל זאת, הפחמן הגיע גם הגיע מקבוצה לקבוצה.

אז מה היה לנו עד עכשיו?

סוזן סימרד טענה שעצים מעבירים ביניהם פחמן דרך רשת פטריות. בפועל, מה שראינו, ולמעשה, מה שהיא ראתה גם, זה שגם כשאין קשר של פטריות בין עצים – פחמן עדיין עובר ביניהם.

אז אם הפחמן לא עובר דרך פטריות בתת קרקע, וגם לא דרך שורשים, איך הוא כן עובר? את המסתורין הזה נשמור לסוף. בינתיים, בואו נעשה איזה אחורה-פנה קטן ונדבר על הלמה. למה פחמן עובר בכלל בין עצים. זו לכאורה שאלה טיפשית – מה זאת אומרת למה הוא עובר? לא סגרנו שפחמן זה הסוכרים של העץ? עץ צריך סוכר ולכן הוא ייקח פחמן איפה שהוא רק ימצא אותו. זה לכאורה נכון אבל יש כאן catch. וה-catch מקורו ב... סימרד עצמה. וזה מביא אותי אולי לחלק הכי מעניין במאמר שלה. בחלק זה, בו היא ניסתה להסביר מדוע הפחמן נעצר בשורשי העצים ולא עלה לצמרת, היא מציינת שהעלים של העץ הם כלל לא יעד לפחמן! עלים, נזכיר לעצמנו, הם אלו שאחראים על פוטוסינתזה בעץ, כלומר, הם יצרני הפחמן – אז מה הם צריכים פחמן מהשורשים? זה כמו למכור לנסות למכור ביטקוין לרמאים. בעצם מה שסימרד אומרת לנו זה שאין בכלל סיבה שפחמן יגיע לעץ!

אבל כאן ניתן לטעון, וסימרד עושה זאת, שהפחמן כן נדרש במקרה של זרעים של עץ או עצים רכים שרק מתחילים לצמוח. בשלב זה, יכולות הפוטוסינתזה של הצמח מאותגרות כי הזרעים לא רואים כלל שמש והצמחים הקטנים מוסתרים בצילם של צמחים גדולים ולכן הם צריכים את התמיכה החיצונית.

חייב להגיד – זה נשמע הגיוני. אבל אם ככה, ועצים גדולים לא צריכים פחמן, איפה פה ה-Wood-Wide Web ? אל תגידו לי זרעים. איפה העצים המקושרים שבשבילם התכנסנו? כדי לענות על זה, סימרד המציאה נרטיב חדש: "עץ אם" או Mother Tree.

אז למה מתכוונים כשמשתמשים במושג "עץ אם" (Mother Tree)?

אפשר להבין את המושג הזה בשני מישורים. הראשון הוא ש"עץ אם" הוא עץ שמזין את צאצאיו הרכים בפחמן כדי שיתפתחו ויגדלו להיות ארונות של איקאה. הבעיה בהגדרה זו היא שהיא קצת מורידה לכל הקטע של ההרמוניה בין העצים שניסו למכור לנו, כי לפי שיטה זו, כל עץ עושה רק לביתו. מצד שני, התיאוריה הזו בהחלט מרימה לרעיון שעצים מסוגלים לפעול עם כוונה. אין לנו יותר מדי זמן אז פשוט אקצר ואומר שבדיקה ביקורתית של הניסויים שניסו לבדוק זאת העלתה שלא הוכח סטטיסטית שאכן יש כזו העדפה, כלומר, אין הוכחה שעצים מעבירים פחמן באופן מובהק לצאצאיהם.

דרך אחרת להמשיג מהו "עץ אם" יכולה להיות סוג של "העץ הנדיב" שלא מתגזען על עצים ופשוט מעניק ממשאביו לכולם. זה משתלב יפה מאד עם רעיון ההרמוניה הקוסמית אבל עושה לנו בעיות אחרות: אם זה כך, איפה ההיגיון האבולוציוני של הטבע בא פה לידי ביטוי? למה אני שואל? כי במחקר נראה שיש תמימות דעים על כך שעצים כן מתחרים על השמש כמקור אנרגיה, כלומר, הם פורסים את הצמרות שלהם כדי לתפוס שמש על חשבון השכנים. לכן גם עצים צעירים מתקשים לגדול תחת העצים הגדולים שמסתירים להם את השמש.

אוהו, תגיד סימרד, בדיוק! בגלל אותה הסתרה העצים הרכים צריכים תמיכה ומקבלים אותה מהעצים הגדולים. הגיוני, אבל לא מסתדר עם הטבע.

כשעצים גדלים ליד עצים אחרים זה לא נגמר בטוב ומאד קל להראות את זה.

במאמר ביקורת על התיאוריה הזו מ-2023 ישנה תמונה מצוינת שמראה כיצד עצים צעירים גדלים בקרחת יער. בינם לבין היער הסובב אותם יש חגורת חיץ של מספר מטרים. מדוע? כי קירבה גדולה מדי לעצים הוותיקים מסביב תכניס אותם לתחרות על אור שמש והשורשים של העצים הוותיקים יחנקו את הגישה למשאבים של שורשי העצים הצעירים.

בין השאר, זו אחת מהסיבות שקק"ל עסוקה יותר בלחטוב עצים מלנטוע אותם. לא כי היא נגד יערות וחס וחלילה אלא, בין השאר, כי דילול העצים מאפשר צמיחה טובה יותר שלהם. עצים צפופים ומתים זה מתכון לשריפת ענק. חידוש יערות דורש הרחקה של עצים זה מזה או לפחות הגבלה של השורשים הותיקים. אם כך, התחרות האבולוציונית בטבע נראה שלא פוסחת על עצים ומכאן הגיוני לשאול: אם יש תחרות בקומות העליונות של היער, למה מנסים להסביר לנו שיש שיתוף פעולה פורה במרתפים התת קרקעיים שלו? אם משתפים פעולה אז עד הסוף, בכל מקום. מה זה, העצים פוחדים להיראות פשרנים אל מול הבייס שלהם?

אז על מה סימרד מתבססת כשהיא מדברת על "עץ אם"?

כשבוחנים על מה היא מסתמכת, אנו נגלה שעיקר ההפניות הן למאמר מ-2009 של ביילר שהיא השתתפה בכתיבתו. אם השם "ביילר" נשמע מוכר אז אכן, זה אותו חוקר ששירטט את רשת העצים שהופיעה בתערוכה אודותיה סיפרנו בתחילת הפרק.

העובדה שסימרד מתבססת על אותה רשת קשרים בין עצים כדי להגדיר "עץ אם" מאפשרת לנו לחדד את המושג. עמוק בליבה, סימרד כנראה באמת חושבת על "עץ אם" כישות מעניקה ונדיבה, אבל כחוקרת, היא מתכוונת למשהו אחר. מבחינת סימרד, "עץ אם" הוא עץ עם דרגה (Degree) גבוהה ברשת. דרגה, כמו שכולנו זוכרים מפרק 4 בנטפריקס הוא מדד מרכזיות של צומת ברשת שמשמעותו פשוט מספר הקשרים שיש לאותו צומת. בהקשר הזה, ברשת של ביילר מופיעים מספר עצים שקשורים להרבה עצים, מעין רכזות ברשת, ועצים אלו מכונים בפי סימרד "עצי אם".

השאלה שצצה עכשיו היא, רגע, זה נשמע סופר מעניין שיש עצים שמחוברים להרבה עצים אחרים, אבל אנחנו כבר לא ילדים, רגע, מה עומד מאחורי רשת העצים של ביילר? ספציפית, מה אופי הקשרים בין העצים? יש שיפור, כי אני רואה שכבר למדנו להיות חשדנים. אז בואו נדבר על הרשת של ביילר:

ביילר ביצע עבודת נמלים, תרתי משמע, כשחפר בגזרה מתוחמת ביער קנדי מסביב לכ-70 עצים וגם בנקודות נוספות בקרקע באותה גזרה. מטרת החפירות הייתה לאתר את קורי הפטריות בשורשי העצים ובשטח שביניהם. והוא חפר הרבה, סדר גודל של 400 נקודות בשטח. על הפטריות שביילר מצא הוא עשה עבודת שורשים, תרתי משמע, כלומר הוא חקר את ה-DNA שלהן. מטרתו הייתה לאתר האם הפטריות שמצא במקומות שונים התפתחו מאותו מקור. ואכן, הוא מצא בחלק מהמקרים שאותה פטריה ממש (ו/או צאצאיה) התפשטה בין מספר עצים, לעיתים למרחקים של קרוב ל-20 מטר! בשלב השני מה שביילר עשה הוא למפות את הקשרים בין נקודות החפירה שעשה. אם בשתי נקודות שונות בקרקע נמצאה התאמה גנטית של פטריה מסוימת זה נחשב לקשר בין אותן נקודות.

חלק מהנקודות שנחפרו, כפי שציינו, היו בשורשי העצים ולכן, נקודות אלו סומנו ברשת כצמתים מסוג "עץ", ושאר הנקודות בשטח סומנו כצמתים מסוג "פטריה". ברשת שביילר קיבל הופיעו אם כן שני סוגי צמתים: עצים ופטריות, כלומר רשת דו-צדדית (Bipartite Network). נזכיר שרשת דו-צדדית היא רשת שבה יש לנו שני סוגים של צמתים ואין הרבה מה לעשות איתה בתצורתה הגולמית ועל הסיבות לכך דיברנו בפרקים קודמים ובעיקר בפרק 17 שעסק בכנס הרשתות. כדי להפיק משמעות מרשת כזו אנחנו נדרשים "לקפל" את הרשת, שזה אומר להשאיר רק סוג אחד של צמתים ואת השני למחוק. הקיפול נעשה על סמך ההנחה שאם שני עצים קשורים לאותה פטריה, לא לאותו סוג של פטריה אלא לאותה פטריה ממש, אז יש קשר ביניהם. כך, אנחנו יכולים לקשר את העצים בינם לבין עצמם ולמחוק מהרשת שלנו את הפטריות. אנצל את ההזדמנות רק להזכיר שבאותו פרק 17 דיברנו על יישומים שונים של "קיפול רשת", למשל, במערכות המלצה על מוצרים. איך זה עובד? מוזמנות ומוזמנים לחזור לאותו פרק.

חזרה לעניינינו, התוצר של עבודתו של ביילר היה רשת צפופה מאד של עצים שהקשר ביניהם הוא שאותן פטריות גדלו בסמוך אליהם. כשסימרד הביטה ברשת, היא הצביעה על אותם עצים בודדים שקשורים להרבה עצים אחרים כ"עצי אם", כלומר, לדעתה מדובר בעץ שמשתמש ברשת הפטריות הענפה שלו לפנק את סביבתו. אבל חשוב לציין שהרשת שביילר מיפה היא רשת לא-כיוונית, כלומר, בגלל אופי הדאטה וקיפול הרשת שעשינו, אנחנו לא יודעים איזה עץ מצביע על איזה עץ כי ברשת לא כיוונית אנחנו לא יודעים מי יצר את הקשר או מי מעביר למי. מה זה אומר? זה אומר שתיאורטית, כשמנתחים את הרשת, התרחיש הבא אפשרי באותה מידה: אותו "עץ אם" או עץ מקושר מאד לא מעניק משאבים לשאר העצים אלא גונב אותם. כלומר, באותה מידה שאפשר להאשים את ה"עץ אם" בסוציאליזם קיצוני וחלוקת פחמן לעניים, אפשר להאשים אותו בקפיטליזם חזירי וגניבת משאבים מעצים אחרים. אז איך נדע מה נכון? יש לי השערה אבל כדי להבין אותה נצטרך להתעמק עוד טיפה ברשת שלנו. לא במפתיע, ביילר גילה שהרשת מתפלגת התפלגות "זנב ארוך". בהקשר שלנו, התפלגות זו אומרת שלמעט עצים היו הרבה קשרים ולרוב העצים רק קשרים בודדים ברשת.

הקוראות והקוראים הנאמנים של נטפריקס לא הופתעו מן הסתם לגלות את זה אבל מה שכן מחדש הוא שביילר השווה את הרשת שיצר לרשת ממאמר אחר שעשה מחקר דומה בקליפורניה ב-2005. מה שביילר מציין הוא שברשת הקליפורנית ההתפלגות של דרגת העצים הייתה התפלגות פעמון, כלומר, ותחזיקו חזק – התפלגות נורמלית. איך זה יכול להיות?? כולנו יודעים שרשתות מתפלגות "זנב ארוך" אז מה קרה כאן??

לא התעצלתי – בדקתי.

ביילר, שמצא שהרשת שלו מתפלגת "זנב ארוך" עשה את המחקר בחלקת עצי אשוח במורדות הר בקנדה. ברשת עם התפלגות "זנב ארוך" יש מעט צמתים מרכזיים. את זה אנחנו כבר יודעים. אבל מי הן אותן רכזות ברשת של ביילר ומה מאפיין אותם? אנחנו יודעים להגיד שעץ ייחשב כמרכזי ברשת אם נמצא עליו את המגוון הרחב ביותר של פטריות כי זה יגדיל את סיכוייו להיות קשור לעצים אחרים. לא במפתיע, תכונה זו תאפיין את העצים הגדולים והוותיקים יותר בחלקת היער. זה גם הגיוני, כי היה להם זמן רב יותר לגדל שורשים ולאסוף פטריות. אבל איפה נמצא את העץ המקושר ביותר? אז במקום הראשון, נמצא עץ וותיק עם דרגה 47, כלומר הוא קשור ל-47 עצים דרך פטריות משותפות, ופיזית, הוא ממוקם בפינה הדרום מזרחית של הגזרה אותה ביילר חקר. דרום-מזרח זה גם כיוון ההשתפלות של השטח, כלומר, זהו העץ במיקום הנמוך ביותר. בלי להבין יותר מדי בביולוגיה, אבל עם ידע בסיסי בכוח המשיכה, אני יכול להעריך שקרקע נוטה להיסחף למטה ועם כל הלוקאל פטריוטיות של הפטריות, האדמה לוקחת את הפטריות איתה.

כך כנראה יוצא שהעץ שממוקם בתחתית המדרון זוכה למירב הפטריות. האם זה עושה אותו קשור להרבה עצים? אני מניח שבוודאי לא באופן שבו סימרד מתארת קשר, כלומר, החלפה אינטראקטיבית של חומרים.

למה זה קפץ לי לעין? כי בניגוד למחקר של ביילר, שנעשה במורדות הר, המחקר אותו ביילר מצטט, זה שיצר התפלגות פעמון, הוא מחקר מ-2005 של סאות'וורת' שנעשה בסוואנה בקליפורניה.

ורק ליתר בטחון בדקתי ואכן – תא השטח שחקר סאות'וורת' הוא שטוח כמו מסך LED וזה אולי מסביר למה הוא מצא שהקשרים בין העצים, באמצעות הפטריות, מתפלג נורמלית.

למה זה מסביר?

כאן אנחנו צריכים לחזור לגיבורה הטרגית שלנו סימרד. אני קורה לה גיבורה טרגית כי כמוני היא התאהבה ברשת, אבל מהסיבות הלא נכונות. ברשתות וניתוח רשתות יש הרבה כוח. אבל חשוב לדעת איך להשתמש בו כדי לא לטעות ולהטעות.

כעת בואו נראה מה הבנה של הרשת מלמדת אותנו:

כשסימרד וביילר דיברו על הרשת שלהם, הם שמחו לגלות שהיא מתפלגת "זנב ארוך". מדוע? כי לפי אלברט-לזלו ברבאשי, אדמו"ר הרשתות, אותו הם ציטטו במאמר, רשת שמתפלגת כך מעידה על התארגנות עצמית ועמידות, כלומר, התפלגות זנב ארוך מעידה שהרשת היא תוצר אבולוציוני. על כך אין לי ויכוח. רשת שמתפלגת "זנב ארוך" היא אכן כזו ודנו בכך בפרק 3 שעוסק בחוקי הרשת. אבל הטיעון המשלים לכך הוא שרשת שמתפלגת נורמלית היא רשת אקראית, כלומר, אם נגריל מי יהיה קשור למי, נקבל רשת שהתפלגות הקשרים בה תהיה התפלגות פעמון. לחלק יהיו מעט קשרים, לחלק הרבה, ולרוב תהיה כמות בינונית.

ומכאן אנו בעצם למדים שכשהעצים והפטריות גדלים במישור, אז הקשרים ביניהם הם רנדומליים ולכן מתפלגים פעמון. כשהם גדלים במדרון, הם עדיין גדלים באופן אקראי, תיאורטית, אבל תוואי השטח משפיע עליהם וגורם לרובם לנטות מטה, או לחילופין למיעוט מהם לטפס מעלה. ברגע ששיקולים אנרגטיים נכנסים לתהליך כבר אין אקראיות והרשת תהפוך לרשת ל"זנב ארוך".

מה שעוד ניתן ללמוד זה שכנראה שיש לנו תשובה לשאלה ששאלנו מקודם: בהיעדר כיוונים לקשרים שלנו ברשת, מה ה"עץ אם" המקושר שלנו יותר? נדיב או חטפן? לאור הממצאים, אם העץ שלנו נהנה מקשרים רבים והוא ממוקם בתחתית המדרון, זה נראה שהמשאבים של האחרים פשוט "זורמים אליו" מה שהופך אותו מצדיק הדור לחתיכת מניאק. וואחד מהפך.

אבל כל זה הוא דיון תיאורטי. זה לא באמת משנה. למה?

קודם כל, כי לא בהכרח הוכחנו שיש כאן בכלל רשת. קורי הפטרייה הם עדינים מאד, לא גדלים באופן שווה ולא בהכרח מכסים את כל הצמחייה. זה שהקורים של אותה

פטריה הצליחו להגיע למספר עצים לא אומר שאותם קורים שרדו ולא התנתקו איפשהו באמצע. בנוסף, גם אם אותם קורים תת קרקעיים שרדו, עדיין לא הוכחנו שמשהו עובר על הרשת הזאת כלומר, באותו מאמר של ביילר אין שום הוכחה או בכלל אזכור למעבר פחמן בין עצים על רשת הפטריות. למה זה מוזר? כי מחקרו של ביילר על רשת העצים מצוטט המון בהקשר לרשתות ה-CMN שהזכרנו וסימרד עצמה מציינת אותו כהוכחה לקיום רשת העברת פחמן ולתיאוריית "עצי אם" נדיבים למרות שאין שום דבר במאמר שתומך בכך.

כל ההפרכות האלו מזכירות לי סיפור על ההוא שאמר שמשה זכה במיליון ₪ בלוטו.אז החבר שלו מתקן ואומר: זה לא משה, זה דוד, וזה לא מיליון שקל זה 100 אלף, זה לא בלוטו זה בטוטו וזה לא "הרוויח" זה "הפסיד".

ועכשיו הראינו שלא בטוח שבכלל קיימת רשת בין עצים, ועל הרשת לא בטוח שעובר פחמן וגם אם הוא כן עובר, הוא לא עובר בכמות שמשאירה על העצים רושם.

גם על סימרד זה לא עשה רושם והיא לא התייאשה וניסתה לתקוף מזווית אחרת – רגע, היא אמרה – אז אם מדובר במעבר של מעט פחמן, כזה שלא תורם לעץ, אולי זה משהו אחר? אולי הרשת בעצם מעבירה איתותים בין העצים? אולי הכמות הקטנה מעידה שמדובר ב-SMS בין עצים שמזהירים זה את זה מפני סכנות, חרקים וכדומה? די. אי אפשר להמשיך ככה. התעלמנו מהן, שיעבדנו אותן, חתכנו אותן ומחקנו אותן מהרשת. אני לא אתן את ידי להמשך של הגזלייטינג הזה. הכוונה היא להתנשאות של מחנה העצים על מחנה זניח שקצת שכחנו ממנו – מחנה הפטריות. עד עכשיו הצגנו נרטיבים שרק מנצלים ומחפצנים את הפטריות כסוג של שפחות של העצים – כאלה שמריצות פחמן ומסרים מצד לצד אבל עד כאן. הפטריות ואני דורשות להבין – מה יוצא להן מכל הסיפור?

ההסבר האבולוציוני לקשר בין הפטרייה לעץ הוא הרי ברור ושני הצדדים מרוויחים ממנו משאבים. ההיווצרות של הסימביוזה הזו היא לא בגלל שהעץ והפטרייה עשו swipe right ומצאו match אלא היא נוצרה בתהליך של ברירה טבעית.. פחמן, לעומת זאת, הוא מקור האנרגיה של הפטרייה. איפה חלוקה חופשית שלו לעצים משרתת את הצרכים האבולוציוניים של הפטרייה? איפה הקול שלהן? איפה נציגיהן במחקר המדעי?

כאן נכנסת לתמונה ד"ר מלאני ג'ונס, שהייתה שותפה למאמר המפורסם של סימרד מ-1997 ובחרה להכות על חטא ולקחת על עצמה את ייצוג את מחנה הפטריות. כדי לסכל את תיאוריית ה-SMS'ים, ג'ונס הביאה כדוגמא ניסוי שנעשה בין עץ אשוח לעץ אורן לבדוק האם הם יזהירו זה את זה מהתקפת תולעים? כשביצעו חציצה מלאה בין העצים, אכן לא עבר דבר בין העצים על התקפת תולעים. לעומת זאת, כששמו חיץ בררני מסביב לתשתית תת הקרקע של העץ, כזו שאיפשרה מעבר של פטריות אבל לא של שורשים, כן נראתה תגובה מובהקת: כשעץ האשוח הותקף, עץ האורן החל להפעיל אנזימים להגנה מפני תולעים ואם זה לא הוכחה להעברת מסרים, מה כן?

אבל אז, בחלק של הניסוי שבו הוסרו כל המחיצות ושורשי שני העצים יכלו גם לגעת זה בזה, למרבה הפלא, במקרה הזה, לא הועברו שום מסרים ולא הופעלו שום אנזימים בעץ האורן לאחר המתקפה על עץ האשוח. למה החלק הזה בניסוי הוא בעצם הכי משמעותי?

כי הניסוי האחרון שתיארנו הוא הדבר הכי דומה למה שנמצא בטבע. בטבע, מה לעשות, עצים נוגעים זה בזה. אין מחיצות. אז מה אנחנו בעצם לומדים מהניסוי הזה? שאנחנו פשוט לא יודעים.

הגיע הזמן לסגור מעגל. הבנו שיש פחמן שמופרש משורשי העץ והוא לעיתים מגיע לעצים אחרים אבל נראה שאין פה כוונת מכוון. הפטריות אמנם צורכות אותו אבל פחות סוחרות בו, מה שנקרא "לשימוש עצמי" לא לסחר. אז עדיין אנחנו צריכים לענות על השאלה - איך זה שפחמן עובר פה מצד לצד?

הבנו שזה לא הפטריות, ואנחנו יודעים שזה לא דרך מגע בין שורשים. אז איך?

הסיפור הוא די פשוט ולמעשה הוא מוזכר כמעט בכל המאמרים שסקרנו כאן – הסיפור פה הוא אמא אדמה או במילים אחרות, הוא עובר בקרקע בתהליך דיפיוזי פשוט של תנועה או של סחף ולמעט כמה מיתולוגיות, ברוב המקרים לא מייחסים לקרקע רצונות משלה. היא מעבירה מה שהיא מעבירה.

אמרתי שההסבר הזה מופיע בכל המאמרים? אז כן, הוא מופיע גם במאמרים של סימרד, אבל משום מה לא זוכה לאותן כותרות. למה? כי מעבר דרך קרקע זה פח. אין פה איזו אמת גדולה או מסתורין גדול. לא יותר מסתורין משוקו שנשפך על הרצפה ומגיע לשטיח.

לזכות הנחישות של סימרד נגיד שהיא ניסתה להיאבק בהסבר הזה וכך למשל, במאמר מ-2011, שהייתה מעורבת בכתיבתו, מתוארות תוצאות של ניסוי שבו לכאורה נראה כי היה יותר מעבר של פחמן בין עצים דרך שורשים או רשת פטריות מאשר דרך הקרקע. אבל אפילו במאמר זה מופיעה אזהרה שיש להתייחס לנתונים בזהירות שכן הם לא מובהקים סטטיסטית.

גם אותו מחקר שהזכרנו בפרק שנעשה במכון וייצמן ב-2022 סיכם כי ההסבר הסביר למעבר של פחמן בין עצים שלא חולקים אותן פטריות הוא כנראה מעבר דרך הקרקע.

אז למה סימרד מתעקשת? לדבריה, כפי שמסרה לניו יורק טיימס, אי אפשר לחפור בכל ניסוי לנצח. צריך להתקדם הלאה ולבנות תיאוריה מחלקים. יש גבול, היא אמרה, למה שאפשר להשיג במגבלות זמן של ניסוי ועוד בעבודה עם סטודנטים, רחמנא ליצלן. חשוב להגיד שהמילה האחרונה לא נאמרה בנושא. אחת הסיבות לכך היא שמבחינה מסוימת סימרד צודקת בכך שיש קושי רב להקים ניסוי שירצה את כולם ויאפשר להוכיח מעל לכל ספק שיש רשת CMN של עצים ופטריות שמעבירה משאבים, התרעות ובוא נודה בזה, בטח גם פורנו.

אבל אולי לא צריך? אולי הטבע מופלא כמו שהוא גם בלי קונספירציות ברשת?

הנה אוסף פנינים שבצדק לא עברו את הסלקציה לפרק:

• העצים לא נחמדים, כי כדי לעשות פוטוסינתזה הם בחרו בפתרון עלים.

• עץ שקשור ל-47 עצים זה גזע משובח.

• התיאוריה של סימרד לא הצליחה לה מה שנקרא, עוצו עץ ותופר.

• סימרד גם סיפרה שרדף אחריה דוב במהלך הניסוי אז כן דובים כן יער אבל לא רשת

בניגוד לבדיחות קרש (סטגדיש) את בשורת מדע הרשתות צריך להפיץ בכל מדיום. ואם את או אתה רוצים לקחת בזה חלק, הנה הדרך לעשות את זה:תספרו לאנשים שאתם מכירות ומכירים על נטפריקס ואם אין לכם חברים, תעלו פוסט ותתייגו את נטפריקס בפייסבוק/טוויטר/אינסטגרם או לינקדאין. מבטיח לא להשאיר אתכם תלויים עם 0 לייקים.

תמיד אפשר ומומלץ לדרג את הפודקאסט בספוטיפיי או באפל-פודקאסטס ו/או לכתוב ביקורת. אז אם עוד לא עשיתן לייק בדף של נטפריקס בפייסבוק, זה הזמן. אתרים עם יותר לייקים, מקבלים יותר חשיפה.

לפניות/הערות/הארות/הצעות ועוד: שלחו מייל!

ולבסוף, לא לשכוח לעשות Subscribe לפודקאסט באפליקציה החביבה עליכן.

נתראה בפרק הבא של נטפריקס. #פודקאסט #מדע_הרשתות #ביולוגיה

#Podcast #NetworkScience #DataScience #Biology

מה מתרחש (:

אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

לא מזמן הוצאתי פרק בנטפריקס על נושא "אפקט הרשת" והאמת? לא תכננתי שנעמיק בנושא. אבל אז קרו כמה דברים:

הראשון, והפחות מעניין, הוא שרשת וואטסאפ נפלה למספר שעות וחזרה. החלק היותר מעניין הוא שאנחנו חזרנו איתה, כלומר, חיכינו בסבלנות של שנות ה-80' לזה שהשקופית "סליחה תקלה" תעלם מהמסך ונחזור לצפות במסך הירוק-לבן של האפליקציה.

למה בעצם? מה, חסרות אלטרנטיבות? יש הרי את מסנג'ר (למי שמעז), את טלגרם (למחפשי הכיוון), את סיגנאל (לאנרכיסטיות) ובמצוקה אמיתית, אפילו סמסים (לחובבי הפישינג).

אז מה קרה שם בעצם?

על זה ועוד, נדבר בפרק הבא.

הדבר השני שקרה, או נכון יותר, יקרה, זה שבתיאום מושלם, צפויות לנו אוטוטו בחירות, וזו הזדמנות מעולה לקחת את המושגים שדיברנו עליהם בפרק 27 בנושא "אפקט הרשת" ולראות איך הם עוזרים לנו להבין לעומק את מערכת הבחירות הנוכחית (או הקודמת, או הבאה. אני שומר על ראש פתוח). בקשר שבין פוליטיקה ורשתות נגענו לא מעט בפרק 13 בנטפריקס, שם עסקנו בעיקר בנושא הקיטוב שעדיין מעסיק אותנו גם במערכת הבחירות הנוכחית. גם בפרק "שופרות הרשת" נגענו קצת באיך ניתוח רשתי מאפשר לנו להבין מה קורה בזירה הפוליטית. בפרק הזה, נעסוק בזווית קצת אחרת: מה אפקט הרשת מלמד אותנו על השפעה פוליטית ומערכת הבחירות הנוכחית מביאה איתה שני מקרי בוחן מאד מעניינים להדגים את זה.

לאלה שלא הספיקו לשמוע את פרק 27 על אפקט הרשת, אני ממליץ עליו בחום.

לא רק כי הוא פצצה של פרק (כמובן), אלא גם כי הוא מעמיק את התחושה שלנו לגבי מהי רשת ועל הדרך, מלמד אותנו מושגים חשובים מתחום הכלכלה, התעשייה וכמובן... מדע הרשתות.

ליתר בטחון, ניקח 60 שניות להזכיר מה היה לנו שם:

"אפקט רשת" הוא מונח לתופעה שבה ככל שיש יותר משתמשים במוצר, הערך של כלל המשתמשים במוצר גדל, כלומר יש קשר - או רשת - של השפעה בין המשתמשים. באותו פרק, הזכרנו גם חוקים שמתארים מהו אפקט הרשת בסוגים שונים של רשתות ונחזור בקצרה על השניים שיעסיקו אותנו בפרק זה:

הראשון היה חוק סרנוף, שהתייחס לרשתות כוכב (לדוגמא, רשת מסוג פודקאסט שכולל צומת מרכזי, שזה הפודקאסט, והרבה צמתים שמחוברים רק אליו, ואלו המאזינות והמאזינים). לפי חוק זה, הערך של רשת כזו הוא כמספר המשתמשים בה.

פשוט. הנגזרת של החוק הזה היא שהערך של הרשת גדל עם מספר המשתמשים בה, באופן ליניארי.

החוק השני היה חוק מטקלף, וחוק זה מתייחס לרשתות בהן כל צומת יכול ליצור קשר עם כל צומת. דוגמא לרשת כזו היא למשל רשת פייסבוק, שבה כל אחד יכול לחבור או לכתוב הודעה לכל אחד. לפי חוק מטקלף, ערך רשת מסוג זה הוא פרופורציונלי למספר המשתמשים בחזקת 2, כלומר, המשמעות של החוק הזה היא שאם מספר המשתמשים גדל פי 2, אז במקביל ערך הרשת גדל פי 4. כלומר, הגדילה כבר לא ליניארית אלא אקספוננציאלית[1]

באותו פרק, הדגמנו את החוקים בעיקר בשדות התעשייה והכלכלה.

פה ננסה לקחת את המושגים האלה למחוזות אחרים – לפוליטיקה, ובמקרה של מערכת הבחירות הנוכחית, ננסה לראות מה ניתן ללמוד מאפקט הרשת על מפלגות, בוודאי כאלה שנראה שצומחות באופן משמעותי.

מקרה המבחן הראשון שלנו יהיה מפלגת "צעירים בוערים" של הדר מוכתר, שלמאזינות ולמאזינים מהעתיד נגלה שזו מפלגה שרצה בבחירות 2022 שכנראה תסיים עוד כמה שנים בתור שאלה בפינת ה-"20 שאלות" של עיתון הארץ.

הדר היא ללא ספק סלבית רשת. כשבדקתי את החשבון שלה בטיקטוק בתחילת ספטמבר 2022, היו לה 60 אלף עוקבים, ונכון לזמן פרק זה - רגע לפני הבחירות - היא כמעט הכפילה את הכמות עם למעלה מ-110 אלף עוקבים. על פניו, הצלחה פנומנלית, לפחות מבחינה שיווקית ונוסיף לזה שלפי הפוסטים שלה היא גם התארסה ממש עכשיו אז נראה שהכל הולך לה. היא הצליחה להפוך את עצמה לסלבית ותופעת רשת מטורפת.

אבל האם היא גם אפקט רשת?

לכאורה, מה השאלה פה בכלל? הזינוק שלה מ-0 למאה בזמן כל כך קצר הוא לכאורה ההוכחה שהיא אפקט רשת, לא?

במובן מסוים, אפשר להגיד שכן כי אחד מהתנאים לאפקט רשת זה גידול מהיר.

אבל זה שכמות העוקבים שלה גדלה בטירוף לא בהכרח אומר שהיא גם משפיעה, כלומר, בסופו של דבר, המטרה המוצהרת של הדר מוכתר היא שמפלגתה תיבחר לכנסת, על גלי תנועה של מחאה חברתית.

אז האם כמות העוקבים שלה מעידה שיש מאחוריה תנועה? האם אנשים עוסקים במה שיש למפלגה להציע? זה כנראה מה שייקבע האם היא תהיה ההצלחה הבאה של הבחירות או אולי רק "סלב לרגע" שלא נזכור עוד חודש.

אז כדי להחליט האם היא אפקט רשת ואיזה סוג של אפקט רשת, אנחנו צריכים לראות את... הרשת.

לצערי, רשת הטיקטוק כיום פחות זמינה למחקרים מהסוג הזה ונצטרך להסתפק ברשת הטוויטר.

לבדיקה כזו יש חסרונות:

טוויטר היא לא הרשת המובילה והמייצגת ביותר את הציבור בישראל.

אמנם להדר מוכתר יש כמעט 15 אלף עוקבים בטוויטר, נכון לזמן הפרק, אבל עדיין – זו לא "רשת הבית" שלה. יכול להיות שהציבור שלה פחות פעיל שם.

ובכל זאת, ממי שמצפה לתמיכה רחבה, נצפה שיהיה לה קצת אוהדים גם שם.

אבל לא סתם אוהדים, אני מזכיר, אנחנו מחפשים תנועה של ממש.

איך נאפיין תנועה?

בפרק 5 של נטפריקס נתנו כדוגמא מחקר שנעשה על רשת הטוויטר במצרים בזמן האביב הערבי.

בדוגמא זו הראינו שהגורם המרכזי ביותר באותה רשת היה... ג'סטין ביבר.

אבל אפילו אלו שאינם בוגרים של המחלקה למזה"ת הבינו שזה שביבר היה מרכזי באותה רשת, לא עשה אותו משפיען או מוביל במחאה.

ניתן היה לראות זאת לפי צורת הקהילה שלו.

כשהרשת חולקה לקהילות, הקהילה של ביבר נראתה כמו רשת כוכב, שהוא במרכזה. המשמעות של זה היא שאמנם הרבה עקבו אחריו, אבל לא באמת היה שיח בין אותם עוקבים. לא הייתה שם "תנועה חברתית".

לעומת זאת, בקהילה של המהפכה, צפיפות הצמתים הייתה גבוהה הרבה יותר והיו מספר מובילים באותה קהילה, למשל, אנשי אופוזיציה, שכנראה השפיעו יותר על התנהלות העניינים.

אז איך כל זה מתקשר לנו לאפקט הרשת?

נזכיר שכשדיברנו על החוקים של אפקט הרשת, אמרנו שהם רלוונטים לסוגים שונים של רשתות.

במקרה זה, הרשת של ביבר עונה לקריטריון של "חוק סרנוף", שעוסק ברשתות כוכב.

במקרה כזה, ערך הרשת יהיה כמספר הצמתים החברים בה, והערך יגדל באופן ליניארי.

לעומת זאת, ברשת שבה הצמתים מנצלים את פוטנציאל הקשרים שביניהם ומייצרים רשת צפופה, נקבל את חוק מטקלף, שקובע שערך של רשת כזו יגדל כמספר הצמתים החברים בה בחזקת 2, כלומר, באופן אקספוננציאלי,

רשת כזו תעיד שמדובר בתנועה סוחפת, או במקרה הכלכלי, בחברה שהיא "הדבר הבא".

אז כדי לבדוק אם הדר מוכתר היא Metcalf material, הסתכלתי במבנה הרשת של הדר מוכתר ומפלגתה בטוויטר ו... מה שגיליתי זה שהדר מוכתר היא רשת כוכב. מה זה כוכב – סופר נובה!

היוזר של הדר נמצא בלב הרשת ואליו חוברים כמעט כל הצמתים האחרים.

ומה רשת כוכב מזכירה לנו? נכון, את חוק סרנוף. סרנוף, מחלוצי הטלוויזיה במאה ה-20, אמר שערך של תוכנית הוא כמספר הצופים בה.

אם כך, להדר יש הרבה ערך. אבל, הערך הזה גדל ליניארית.

מה שחסר לנו זה רשת קשרים א-לה מטקלף, כלומר, שאנשים גם ידברו אחד עם השני.

למשל, אם נסיר את הדר מוכתר מהרשת, נגלה שנשארו לנו מעט קהילות דלילות ברשת.

בבדיקה שעשיתי לפני כחודש, היו כארבע קהילות כאלה, כשאחת הייתה קהילה של הימין, אחת של השמאל, ושתי האחרות של סקרנים. לא רק שלהדר מוכתר לא הייתה קהילה משל עצמה שהידהדה את מסריה, הקהילות התאפיינו בדיבור "מעל הראש" שלה, לא איתה ובטח לא על תכניה. רוב המסרים שם היו בעיקר תוקפניים ולועגים.

בבדיקה עדכנית שעשיתי בשבוע לפני יציאת הפרק, מבחינת מבנה הרשת, לא היה שינוי משמעותי: גם כאן הרשת הייתה רשת כוכב שהסרה של הדר ממנה השאירה רשת דלילה מאד, ללא קהילות משמעותיות.

מבחינת אופי המשתמשים, אז לראשונה נמצא באותה רשת יוזר מרכזי (אלמוני כמובן) שניסה להגן על הדר ומסריה, אבל הוא היה לבד. לעומת זאת, כל שאר המשתמשים באותה רשת דלילה תקפו את הדר מוכתר באופן מיזוגני ודוחה ממש. יכול להיות שההקצנה הזו קשורה לבחירות המתקרבות ונובעת מהחשש שהדר מוכתר "תשתה קולות" של מפלגות מבוססות יותר. זה רק ניחוש, אבל מה שבטוח – אין כאן תנועה חברתית חדשה.

ליתר בטחון, בדקתי גם את סרטוניה של הדר ומפלגתה ביוטיוב. בפלטפורמה זו, הסרטונים של המפלגה לא זוכים לצפיות רבות ובאמצעות ניתוח רשתי שלהם, נראה שאלא שצפו בהם לא הגיעו אליהם כחלק מתנועה חברתית חדשה או ככאלה שעוסקים במסרים שהיא הציפה, אלא פשוט דרך התעדכנות מכתבות שנעשו על הדר בתקשורת וכנראה נכנסו לסרטון מסקרנות.

מצורפות פה גם דוגמאות מדו"ח נחמד של חברת Cyabra, שניתח את מעמדה של הדר מוכתר ברשתות החברתיות השונות, כולל טיקטוק ופייסבוק. לפי אותו דו"ח, נראה שברשתות כמו פייסבוק וטיקטוק הדר זוכה ליחס הרבה יותר חם, אך גם שם - כך נראה - אין לה קהילה של ממש.

התופעה הפוליטית השנייה שנסתכל עליה היא איתמר בן גביר, שרץ עם מפלגת "הציונות הדתית" בראשות בצלאל סמוטריץ'.

כמו הדר, גם איתמר בן גביר הוא ללא ספק סלב רשת. אמנם יש לו "רק" 50 אלף עוקבים בטיקטוק, שזה מחצית ממה שיש להדר מוכתר, אבל בזירת הטוויטר, הוא חזק ממנה פי עשר עם כ-130 אלף עוקבים.

אבל האם העוקבים שלו ואלה שעוסקים בו ברשת הם תומכים שמהווים תנועה של ממש או דווקא כאלה המתנגדים לו ומבקרים אותו ברשת, או, כמו במקרה של הדר מוכתר, סתם סקרנים שרוצים לראות ריאליטי של פרובוקציות.

כדי לבחון את זה, נשחזר את אותו תהליך שעשינו כדי לנתח את הרשת של הדר מוכתר, כלומר, נסתכל על רשת הטוויטר שמזכירה/מגיבה/מתייחסת לבן גביר ונראה איך היא נראית בלעדיו.

והתמונה שנקבל כאן היא שונה מאד. בניגוד לרשת בתצורת כוכב של הדר מוכתר, הרשת של בן גביר היא סבוכה וצפופה מאד, מה שמעיד על שיח משמעותי.

שלא נתבלבל, הרבה מהשיח הוא של מבקריו (הרבים יש לומר) של בן גביר, אבל בניגוד להדר מוכתר, גם בהיעדר הצומת שלו ברשת, יש לבן גביר קהילות שמהדהדות את מסריו. אמנם לא מדובר בקהילות הגדולות ברשת, ואפילו לא המרכזיות שבהן – למעשה, מדובר בכ-5% מהרשת סה"כ – אבל הן שם.

מיותר להגיד שבמקרה של מפלגות פוליטיות, יש לנו המון סקרים, שבעזרת מדגמים, מאפשרים לנו לראות אחוזי תמיכה באוכלוסייה ברמת סמך סבירה. לכן, ממד הרשת שהוצג כאן כנראה שלא הפיל אף אחד מהכסא.

המטרה פה היא לא להתחרות בסקרים אלא להראות מה עומק - לא גודל! - התמיכה שלה זוכים המועמדים ובעיקר - להראות יישום אפשרי של המושגים שלמדנו מאפקט הרשת בשביל להבין תופעות שלא תמיד נוכל לסקור באופן שנעשה לקראת בחירות.

אם קיבלתם מכך השראה או שיש לכן או לכם רעיון או דוגמא נוספת – אשמח לשמוע! מוזמנות ומוזמנים לכתוב לי על כך (SNApodnet (at) outlook.com).

אפרופו לכתוב, אז במסגרת פינתנו, "ביקורות מרחבי המרשתת", אני רוצה להודות לטל, מאזין יקר, שכתב בלינקדאין:

"אני מאזין קבוע לנטפריקס, שלוקח נושאים מאוד מורכבים והופך אותם להרבה יותר מובנים."

מאד מוערך ותודה רבה!

אני רוצה גם לנצל את ההזדמנות להודות לכל המאזינות והמאזינים שהגיבו לפרק האחרון בנושא אפליקציות הדייטינג, מי בפרטי/DM, מי בלינקדאין (כמו עופר מרציני) או בפייסבוק, כמו גיתית שכתבה:

"הפרק מעניין ממש אבל הסגמנט על המונדיאל – פרייסלס."

ואחרונה חביבה, כמובן, תורה רבה גם למורית צונג שהתארחה בפרק! מנצל את ההזדמנות להזכיר: לכו להצביע! בחירות זה מקרה נדיר שבו ה-Power Law פחות משחק תפקיד – לכולנו קול שווה. תנצלו את ההזדמנות הזו - אל תהיו כבשים ברשת (: ואפרופו הצבעות, מוזמנות ומוזמנים לתת 5 כוכבים לפודקאסט בספוטיפיי, אפל-פודקאסטס או בכל פלטפורמה אחרת שאתם שומעים בה פודקאסטים. אתם כבר שם? תעשו Subscribe.

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!

נתראה בפרק הבא של נטפריקס.

[1]במובן המתמטי של "אקספוננציאל" (או גדילה מעריכית), נצפה לראות גדילה של 2 בחזקת מספר הצמתים (כפי שנראה בחוק ריד). הגדילה לפי חוק מטקלף היא ריבועית. אבל, בשפת היומיום, שבה פחות מקפידים על נוסחאות, המילה "אקספוננציאלי" משמשת פשוט לתאר גדילה מהירה.

#פודקאסט #מדע #נטפריקס #מדע_הרשתות #ניתוח_רשתות_חברתיות #אפקט_הרשת #פייסבוק #טוויטר #פוליטיקה #בחירות

#Podcast #Science #NETfrix #NetworkScience #SNA #SocialNetworkAnalysis #DataScience #NetworkEffect #Facebook #Twitter #Politics #IsraelElections

מה מתרחש (:

אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

עד היום הבאנו דוגמאות לשימוש במדע הרשתות ובניתוח רשתי בלא מעט תחומים: מחקר אינטרנט ורשתות חברתיות

מערכות המלצה

שימור ידע

פרסום והשפעה

סייבר

פוליטיקה

ניתוח יצירות קריפטו

מחקר התנהגות אנושית

ניתוח ארגונים

מודיעין

קרימינולוגיה

אפידמיולוגיה ורפואה

ספורט כלכלה

בישול ועוד. אבל נושא אחד חשוב הזנחנו – החיים עצמם, או לפחות חלק מהותי בהם – זוגיות.

היום נציץ אל מאחורי הקלעים של אפליקציות הדייטינג ונראה איזה סודות ניתוח הרשת של עולמות אלו יחשוף לנו על מציאת זוגיות. מאחל לכולנו שליש גן עדן – swipe right ובואו נתחיל.

היו הרבה הרצאות מעניינות בכנס מחקר הרשתות שהתקיים ב-2021, שסקרנו בפרק 17 בפודקאסט, אבל אולי המרתקת ביותר הייתה זו של מארק ניומן, אליל מדע הרשתות ואליזבט ברוץ', שמגיעה מתחום מדעי החברה. השניים שיתפו פעולה לחקור את אחת מהרשתות המסקרנות ביותר שנוגעת בליבה של ההתנהגות האנושית – במילים אחרות – אפליקציית דייטינג.

האפליקציה כללה רשת מסרים של כ- 4 מיליון משתמשים פעילים מארה"ב, כלומר, מי שלח מסר למי, והחוקרים ניתחו רשת זו, באמצעות כלים מעולם מדע הרשתות. מטרתם היתה ולנסות לאשש או להפריך "תחושות בטן" שכנראה יש לרובנו על נושא שוק הדייטינג. (למאמר של ניומן וברוץ'). מעבר לסקרנות טבעית, הסוגייה הזו היא גם סופר רלוונטית:

לפי מחקר מסטנפורד מ-2019, כ-40% מהאוכלוסיה הבוגרת בארה"ב מוצאים זוגיות ברשת ולפי הערכה של האתר statista, נכון ל-2020, אפליקציות דייטינג כוללות כ-44 מיליון משתמשים.

אז מה היו שאלות המחקר של ברוץ' וניומן ואיך הם בדקו אותן?

פירוט מלא פירסמתי בזמנו בקבוצת הפייסבוק "עליית המכונות" של מתי מריאנסקי אז כאן אשתדל לטרחן פחות ורק אציג את שני הממצאים העיקריים שרלוונטיים לעולם הרשת:

הראשון, הוא איך בנויות הקהילות בעולם הדייטינג והשני, ואולי הכי מעניין – איך נראית ההיררכיה של עולם הדייטינג.

אז נתחיל עם הנושא של חלוקת הרשת לקהילות שאותו סקרנו בפרק 5 של נטפריקס. באותו פרק תיארנו את תופעת הקהילות כחוק מס' 2 של הרשת – כלומר, כל רשת מתחלקת לקהילות. נזכיר שלקהילות אין הגדרה מדעית, אך ההגדרה הרווחת היא שבקהילה הכוונה לצביר של צמתים שיש ביניהם יותר קשרים בתוכם מאשר מחוצה להם, או במילים פשוטות, קהילה היא אזור צפוף יותר ברשת. באותו פרק גם סיפרנו שיש היגיון בצפיפות הזו שקראנו לו "הומופיליה", כלומר, אהבת הדומה. פירושו שצמתים ייטו להיות בקשר עם צמתים שדומים להם ולכן לכל קהילה יש מכנה משותף כלשהו.

אז כשניומן וברוץ' בנו רשת מהמסרים שנשלחו בין המשתמשות והמשתמשים באפליקציה, הם כמובן מצאו בה קהילות. אולי זה לא מפתיע, אבל הדבר שאיפיין את אותם איזורים צפופים ברשת, כלומר הקהילות, היה הומופיליה גיאוגרפית.

הכוונה היא שמשתמשים נטו ליצור קשר יותר עם אנשים קרובים אליהם פיזית מאשר למשתמשים רחוקים. למרות שמדובר ברשת מקוונת/אונליין, בסוף הציפיה היא הרי לפגוש פיזית את האדם השני. אז הלקח הראשון הוא שאהבה מנצחת הכל, חוץ מנסיעות ארוכות. החלק המעניין בממצא היה שהנטייה הזו של "לחפש מתחת לפנס" לא חצתה את גבולות המדינה, כלומר ה-state בארה"ב. ראינו תופעה דומה גם בפרק על הקהילות בהקשר של פייסבוק. כך, כמות החברויות בפייסבוק נוטות לצנוח כשגבול המדינה נחצה, גם אם מדובר באיזורים סמוכים גיאוגרפית. מצד שני, יכול להיות שהסיפור פה הוא קצת שונה. אולי האפליקציה שנחקרה איפשרה למשתמשים לבחור מדינה כברירת מחדל לחיפוש פרטנרים ולכן הדאטה היה מוטה מראש לטובת קשרים פנים-מדינתיים. אין לי תשובה לזה, אבל החלק החשוב כאן הוא שהתופעה הזו לא ייחודית לרשת הדייטינג וגבולות נראים ולא נראים יכולים להגביל את הקהילות שלנו.

הנושא השני שהחוקרים בדקו ברשת הוא כאמור היררכיית הדייטינג:

השניים ניסו לבדוק מה זה אומר להיות מבוקש או מבוקשת וגם האם הקונספט של "out of your league" , כלומר, מישהי או מישהו שיהיו בלתי מושגים לנו, קיים בעולם הדייטינג ומקבל אישוש מהנתונים?

כדי לבדוק את רמת המבוקשות הכללית, מארק ניומן ניתח את רשת המסרים על ידי שימוש במדדי מרכזיות, שזה נושא שכיסינו בפרק 4 של נטפריקס. מדדי מרכזיות מספרים לנו מי הכי מרכזי ברשת וישנם עשרות אם לא מאות שיטות לעשות זאת.

השיטה הבסיסית ביותר, עליה דיברנו באותו פרק, היא מדד הדרגה או ה-Degree. במילים פשוטות - ככל שיש לצומת יותר קשרים, הוא יותר מרכזי. במקרה שלפנינו, הכוונה היא כמובן לכמות הקשרים הנכנסים של הצומת, כלומר, מדד ה-inDegree, שבמחקר זה, המדד ספר כמה מסרים נשלחו לכל משתמש או משתמשת. התמונה הלא מפתיעה שהתקבלה מניתוח זה היא שרשת המסרים התפלגה "זנב ארוך". התפלגות זו נקראת לעיתים גם התפלגותPower Law או "חוק החזקה", שאלה מושגים שהרחבנו עליהם בפרק 3 של נטפריקס.

המשמעות של אותה התפלגות היא שבכל רשת ניתקל רק בצמתים בודדים מרכזיים מאד, שייקראו "רכזות" או האבים, ואילו לשאר הצמתים ברשת יהיו מעט מאד קשרים והם יהוו את "הזנב הארוך" של ההתפלגות. וזה בדיוק מה שקרה גם ברשת המסרים של האפליקציה:

שני החוקרים מצאו שהשיא שייך לבחורה מניו יורק שבמהלך חודש אחד קיבלה 1,500(!) מסרים ממשתמשים שונים, ואילו רוב-רובם של המשתמשות והמשתמשים קיבלו רק מסרים בודדים, אם בכלל.

בנוסף, החוקרים ביקשו להבין איך המושג "out of your league" בא לידי ביטוי ברשת ולשם כך, הם השתמשו במדד מרכזיות שנקרא PageRank שגם אותו תיארנו בפרק 4 בנטפריקס. מדד זה יוצא מנקודת הנחה שמרכזיות לא באה רק לידי ביטוי במספר הקשרים שלנו אלא גם בסטטוס של הצמתים השכנים לנו – האם הצמתים המרכזיים ברשת פונים אלינו וכך הופכים אותנו למרכזיים בעצמנו?

בהקשר של המחקר, המשמעות היא שמבוקשות היא לא רק שהרבה פונים אלינו אלא גם שאנשים שהרבה פונים אליהם, כלומר, משתמשים ומשתמשות מבוקשים– פונים אלינו.

אז למי נשים וגברים פונים? איך "היררכיית המבוקשות" מיתרגמת ברשת? האם אנו נוטים לחפש את אלה שלכאורה אין לנו סיכוי להשיג או שאנחנו מכוונים את "השווים" לנו? והאם לנשים יש אסטרטגיה שונה מלגברים בהקשר הזה?

אז המחקר העלה ממצא מרתק: א.נשים באפליקציה נטו לרוב לפנות לכאלה ש"מדורגים.ות" בערך באותה רמה שלהם.ן, בעצם, המשמעות של זה היא שנראה שקיימת הפנמה של המעמדות בעולם הדייטינג אצל אותם משתמשים. אבל - באותה נשימה - יש גם טוויסט: גם נשים וגם גברים פנו גם לכאלה שמדורגים כ-25% מעליהם ברמת המבוקשות, או מה שנקרא, הן והם ניסו את מזלם וכיוונו מעט יותר גבוה ב"שרשרת המזון". וזה עבד?

אז במקרה כזה, לפי המחקר, הסיכוי של נשים לקבל תשובה חזרה למסר הוא גבוה יותר משל גברים, אבל סה"כ הסיכויים לקבל תשובה במקרה זה הם, לצערי, נמוכים. אבל בכל זאת אני מציע – לא לאבד תקווה - ודוגמא לכך היא הסיפור הבא.

אז אפרופו מרדפים חסרי סיכוי, ניהלתי כזה מרדף אחרי מורית צונג. מורית היא ה-CTO של אחד הסטארטאפים המסקרנים ביותר כיום שנקרא "אלי הבוטית". הסטארטאפ, שהוקם על ידי אליאנה ברבל (barbel), הוא למעשה אפליקציית דייטינג עם טוויסט מעניין שמפריד אותה מהאפליקציות המוכרות והמפורסמות שרצות היום בשוק.

הרעיון מאחורי הסטארטאפ נשמע מעניין, אבל זה פוטנציאל השימוש שלו בניתוח רשתות שגרם לי לרדוף במעלה שרשרת המזון עד שהשגתי את הראיון עם מורית, שנזכיר, היא לא רק יושבת כמו דרקון על אוצר הדאטה הזה אלא גם אחראית על הניתוח הרשתי שלו והיישומים הנובעים מכך. אחד הדברים ששיחקו לטובתי כאן הוא שמורית היא מאזינה של הפודקאסט וכפי שהיא מעידה על עצמה- "סאקרית של רשתות".

אז על מה דיברנו?

1. מורית ציינה שחידת הגשרים של קניגסברג (עליה יש פרק קצר בנטפריקס)היא זו שהביאה אותה לעולם הרשתות.

2. היא סיפרה שהייחוד של האפליקציה הוא שהשידוכים נעשים על סמך אנשי הקשר שהמשתמשים מעלים. כך נוצרת רשת קשרים שמאפשרת לאתר בן/בת זוג פוטנציאלי דרך חברות וחברים, בסביבה נעימה ומוגנת יותר.

3. סה"כ הרשת מכילה כ-400 אלף אנשי קשר. כ-75% מתוכם עם דרגה 1 וכ-90 אלף עם דרגה 2 ומעלה (כלומר, קיבלו הפנייה מיותר מאדם אחד).

4. הרשת בנויה כמובן מרכיבי קשירות, כלומר, איים ברשת, שמחוברים רק לעצמם, ובפרק 2 של הפודקאסט דיברנו על כך שכל רשת מורכבת מרכיב קשירות מרכזי אחד גדול והרבה איים קטנים שלא מחוברים לכלום. במקרה זה, רכיב הקשירות מכיל כמעט 100% מהצמתים ברשת.

5. לא במפתיע, הקשרים של המשתמשים מתפלגים זנב ארוך, מה שקראנו לו בפרק 3 של נטפריקס, "חוק החזקה" או ה-Power Law. כלומר, יש מעט משתמשים עם הרבה קשרים והרוב עם מעט מאד.

6. אולי במפתיע, לא נמצא הבדל בכמות אנשי הקשר שמעלים גברים או נשים. מבחינה זו, האסטרטגיות של המינים דומות.

7. האפליקציה התרחבה לכלול גם להט"ב, לאחר שנצברו מספיק אנשי קשר.

8. דיברנו על האתגרים שקיימים ברשת דו צדדית או Bipartite : הכוונה ברשת דו צדדית היא רשת שבה יש שני סוגים של צמתים, נגיד צומת מסוג זכר וצומת מסוג נקבה. הרבה פעמים מוצאים כאלה רשתות במערכות המלצה, כלומר צרכן, שהוא צומת מסוג A, קשור למוצר שהוא צומת מסוג B. ברשתות כאלו הצמתים יכולים להיות קשורים רק לצמתים מסוג אחר, נגיד צרכן למוצר או נקבה לזכר, במקרה שלנו, ולא קשורים לסוג שלהם. הבעיה ברשתות כאלו היא שהן מקשות על הסקת מסקנות עם מפעילים עליהן את האלגוריתמיקה הסטנדרטית של עולם הרשת, מהסוג שדיברנו עליו בפרקים 4 ו-5 בנטפריקס, נגיד, מדדי מרכזיות או חלוקה לקהילות. הסיבה היא שהדו-צדדיות הזאת מגבילה את הקשרים ברשת ולכן האלגוריתמיקה מקבלת משמעות אחרת, לרוב שונה מזו שהתכוונו אליה. במקרה זה, הרשת הדו צדדית באה לידי ביטוי בשני סוגי הצמתים הבאים: משתמשים ואנשי קשר (שאינם משתמשים בעצמם). כדי להתמודד עם רשת כזו נעשה קיפול הרשת, או באנגלית Projection, שזה נושא שנגענו בו בעבר בהקשר של רשת דו צדדית.

9. כדי לחלק את הרשת לקהילות, מורית משתמשת במספר אלגוריתמים : ליידן (שהוא שיפור של הלובאין) לובאין ושיטת ה-Label Propagation (שהיא שיטה שניתן להשתמש בה גם לצרכי חלוקה לקהילות והרעיון שמאחוריה הוא לעשות שימוש בשכנים של הצומת כדי לשייך אותו לקהילה, או פשוט – אמור לי מי חבריך ואומר לך מי אתה. אם כל הקשרים של צומת מסויים הם לקהילה X, אז גם הצומת הזה שייך לקהילה X). החלק המעניין בכל האלגוריתמים האלה הוא שאם מתחילים אותם מצומת רנדומלי, אז לרוב נקבל תוצאות שונות. במקרה זה, מטרת השוני היא להבין את ההקשרים השונים של הקהילות השונות (ולא פעם - חופפות) בין המשתמשים. באמצעות השימוש בקהילות, האפליקציה מאפשרת למצוא התאמות למשתמשים מאותה קהילה.

10. ההומופיליה שמאפיינת את הקהילות (כלומר, המכנה המשותף של הקהילות) ברשת זו הוא גיאוגרפי, שזה סוג ההומופיליה הנפוצה ברשתות.

11. עד כה, התייחסנו לטופולוגיה של הרשת (המבנה הסטאטי). בדומה למשל לרשת כבישים. זו רשת יחסית קבועה ולא משתנה וזה למשל מזכיר את רשת אנשי הקשר. אבל על אותו מבנה רשת, יש גם זרימה דינאמית, כלומר, אנשים שיוזמים או יוצרים קשר עם התאמות פוטנציאליות. כדי להתמודד עם התפלגות "הזנב הארוך" ברשת דינאמית זו, האפליקציה מגבילה את מספר ההתאמות שכל אחת ואחד מקבלים.

מורית היא מאזינה ותיקה. יש עוד. הכירו אותם בפינתנו – ביקורות מרחבי המרשתת: איתי גפני כתב פוסט ארוך בלינקדאין אז אסכם:

קפץ לי הפרק של נטפריקס על ניתוח נתונים וכדורגל. אחרי שנה+ של התמכרות, החלטתי לעשות את הצעד ולפנות לאסף שפירא להרצאה.

אני רוצה להודות לו על הרצאה יוצאת דופן ששינתה לכולם את דרך החשיבה בתפקיד,

מה הטיפ שלי? רוצו לשמוע NETfrix ובשונה ממני, מומלץ להתחיל דווקא מהפרק הראשון.

תודה איתי, הייתה הרצאה כיפית עם הזדמנות לדבר על נושאים שפחות יוצא לי להתייחס אליהם בפודקאסט.

דניר כתבה בטוויטר ביקורת אבל היא כל כך מפרגנת, שאני נבוך מדי להקריא אז תודה על ההסמקה.

ואריאל סיכם בטוויטר:

נטפריקס מעלף ומאלף.

תודה אריאל!

אם גם אתן רוצות ורוצים להפיץ את בשורת מדע הרשתות, ספרו לחברות וחברים על נטפריקס.

אפילו יותר טוב – תעלו פוסט, רצוי גם לתייג, ואני אביא אותן כאן.

ואם יש לכן או לכם שאלות או תהיות, כתבו לי! מוזמנות ומוזמנים לפנות במייל. נתראה בפרק הבא של נטפריקס.

#פודקאסט #מדע #נטפריקס #דייטינג #זוגיות #מדע_הרשתות #ניתוח_רשתות_חברתיות #תורת_הגרפים #מדע_הנתונים #אלי_הבוטית

#Podcast #NETfrix #Dating #NetworkScience #SNA #SocialNetworkAnalysis #GraphTheory #DataScience #CommunityDetection #Clustering

מה מתרחש (:

אני אסף שפירא וזה נטפריקס.

במסלול של כל פודקאסטר מגיע הרגע שבו הוא חושב לעצמו "וואללה, זה יכול להיות ספר". מצד אחד, פודקאסט זו פלטפורמה מעולה אבל מצד שני, מוגבלת ומגיע פה המון קרדיט למאזינות ולמאזינים שמצליחים לעקוב אחרי מה שהולך פה בלי המחשה ויזואלית.

אז זו סיבה אחת למה ספר.

סיבה נוספת היא שיש עוד כמה כאלה שמסתובבים בינינו ועזבו רשתות, הם לא יודעים אפילו מה זה פודקאסט! מה זה ספר, ברוך השם, עדיין לא הייתי צריך להסביר לאף אחד.

אז אני שמח לספר שסיימתי סופסופ לכתוב את "ספר הרשתות הגדול" שעבדתי עליו השנה ועכשיו רק מתלבט לגבי הוצאה. בכל מקרה, מוזמנות ומוזמנים להירשם לאתר של הפודקאסט – www.SNApod.net – בשביל עדכונים והנחות אם וכאשר.

חוצמזה, שוב, כמו כל פודקאסטר, אני עושה גם הרצאות, חתונות, בר מצוות וועדי עובדים. בין לבין, אני גם יועץ לניתוח רשתי. חברה בריטית פנתה אלי שאעזור להם לנתח את הרשת של נקרא לזה סניף של ארגון בינלאומי באפריקה. הם רצו להבין את האקו-סיסטם של הארגונים הבינלאומיים והארגונים המקומיים בתחומם כדי לראות איזה קשרים מתגמלים את מטרת הארגון ואיזה קשרים חסרים לו.

כשרוצים לנתח את הקשרים החיצוניים של ארגון, ניתן לעשות זאת דרך שאלונים וראיונות עומק עם האנשים בארגון שעובדים עם הסביבה שלו ובכיוון ההפוך, לתחקר את האנשים מהסביבה החיצונית לגבי הקשרים שלהם לתוך הארגון. זה, אגב, מה שהם עשו בעבר. בלי להיכנס לאיכות הניתוח שהם עשו אז, בכל מקרה הבנתי שהזמן הקצר שהוקצה לפרויקט לא מאפשר ניתוח דומה ולכן בחרתי להתמקד בנוכחות הרשתית שלו, בדגש על הרשתות החברתיות, כי זה נראה לי הכי קוסט-אפקטיב. בסופו של דבר, מדובר בארגון בינלאומי שפרוס על תא שטח גדול ולכן רשתות חברתיות יכולות לשמש אותו כמכפיל כוח לייצר קשרים במרחבים גיאוגרפיים עצומים וגם להתגבר על מכשולי שפה. וככל שהתקדמתי, הפרויקט הזה הזכיר לי אנקדוטה מהעבר: לפני יותר מעשרים שנה הגיע מומחה סייבר בינלאומי לביקור ביחידת עילית של צבא ידידותי במזה"ת. במסגרת הביקור, אותו מומחה שאל לגבי הערכת האיומים של אותה יחידה ונענה שאין איום כי הרשת שלהם לא מחוברת לאינטרנט. אחרי צחוק בריא הוא ציטט להם את רוד בקסטרום, שהיה מנהל המרכז הלאומי להגנה בסייבר בארה"ב שעל שמו חוק בקסטרום שהולך כך: 1. כל דבר שמחובר לאינטרנט יכול.

וזה היה בדיוק המקרה שבו נתקלתי. נכון שאני תמיד להיפרץ.

2. הכל מחובר לאינטרנט.

עד היום, אמר אותו מומחה, הוא לא נתקל ברשת שחסינה מהתקפת סייבר, למעט מקום אחד. זה היה גוף צבאי של אחת מהמדינות באפריקה. כשהוא שאל אותם מה גודל הרשת שלהם הם ענו לו שאין להם רשת, כי אין להם מחשבים. הם מוגנים מתקיפות סייבר, הוא סיכם אומר שבכל מקום יש רשת? אז שם האמונה הזאת הועמדה למבחן. לסניף של הארגון הזה פשוט לא היו קשרים. לא ברשתות החברתיות, לא באתר שלו – בשום מקום. זה קצת מוזר, כי בסופו של דבר, זה ארגון שבא לעשות טוב, אז היינו מצפים שאנשים ירצו לחבור אליו. מה קרה כאן? כרקע להסבר, נזכיר שבאפריקה, רוחב הפס המוקצה למשתמש הוא לא בהכרח מהגבוהים, וזה כנראה גם מסביר מדוע אחוז החדירה של מדיה חברתית שם יכול לנוע בין 10-50%. ורק להשוואה, אז בישראל, להבנתי, מדובר באיזור ה-80% לפחות. המשמעות של רוחב פס קטן הניעה את פייסבוק להשיק ב-2015, אפליקציה שנקראת פייסבוק-לייט, שלדעתי רבים בארץ לא מכירים אבל היא אמורה לתת מענה בדיוק לתנאי שטח מסוג זה כיוון שהיא חסכונית יותר בשטח אחסון ובדרישות רוחב הפס.

בין השאר, זו אולי גם הסיבה שפייסבוק היא כנראה המדיה החברתית הכי נפוצה באפריקה. לעומת זאת, במקרה של אותו ארגון, קרה בדיוק ההפך – הם היו בחוסר התאמה מוחלט לשוק המקומי: לאותו סניף אפריקאי לא היה אפילו דף בפייסבוק, למרות שזו המדיה הזמינה ביותר ולמרבה האירוניה, היחידה שהם זכו בה לאזכור. עוד קיסם למדורת האירוניה היה שהם כן החזיקו ערוץ יוטיוב, כזה שמכיל סרטונים ארוכים ונזכיר שגם מוגבל מבחינת התרגום. מה שנקרא - הם לא קראו את החדר, כי הם ישבו בכלל בחדר אחר. כנראה ממוזג.

אז היום נדבר על פוטנציאל הקשרים ברשת. התחלנו במקרה הקיצון – ארגון ללא קשרים – אבל בפרק הזה נתמקד בצד השני של הספקטרום, או במילים אחרות - אפקט הרשת.

במושג "אפקט הרשת" אנחנו ניתקל לא פעם בהקשר של עסקים, או יותר ספציפית, בהרצאות של כל מיני גורואים ב-TED שמסבירים מדוע כל מוצר צריך שיהיה בו את "אפקט הרשת". למה הם מתכוונים?

אפקט רשת הוא מונח לתופעה שבה ככל שיש יותר משתמשים במוצר, הערך של כלל המשתמשים במוצר גדל, כלומר יש קשר - או רשת - של השפעה בין המשתמשים.

אנסה לדייק את ההגדרה על ידי המחשה: כשאנחנו קונים חולצה למשל, אז ככל שיותר אנשים ייקנו את אותה חולצה, זה לא אומר שהערך של החולצה גדל בעינינו. לפעמים, זה יכול להיות בדיוק ההפך - יהיו כאלה שיתבאסו לגלות שכולם הולכים עם אותה חולצה כמו שלהם.

לעומת זאת, כשאנחנו מורידים את האפליקציה של וואטסאפ, אנחנו בונים על זה שיש עוד הרבה אנשים שעשו את זה. אם לא, לא היינו מורידים אותה מלכתחילה כי לא היה בה ערך מספיק מבחינתנו. כשאנחנו משתמשים במוצר שנהנה מאפקט רשת, אנחנו בעיקר חושבים על הערך שאנחנו נקבל ממנו אבל לא במודע, אנחנו תורמים בעצמנו לערך שלו מעצם ההצטרפות שלנו. לכאורה, אין פה חדש. ההגדרה של כל רשת, או מערכת, היא ש"השלם בה גדול מסך חלקיו" ונגענו בכך בפרק 9 כשדיברנו על רשתות דינאמיות.

אבל אפקט רשת מדבר על יותר מכך. באפקט רשת, הערך הרשתי גדל באופן הרבה יותר מהיר, כשהסיבה לאפקט הזה היא לולאת משוב חיובית: יותר אנשים מצטרפים, הערך של כולם גדל, ולכן עוד אנשים רוצים ליהנות מהערך הזה ולהצטרף. זו הסיבה שבמישור הכלכלי, המשמעות של גידול כזה בערך הרשת היא שהמתחרים של אותה רשת יישארו הרחק מאחור כי רוב המשתמשים יעדיפו להצטרף לרשת עם הערך הגבוה הביותר.

אני מכריז כבר עכשיו שהמטרה בפרק זה היא להתייחס לפן הרשתי של אפקט הרשת – לא הכלכלי, ולכן מי שרוצה או רוצה להעמיק בנושא, מוזמנים לקרוא את הספר Information Rules של קרל שפירו. רק מציין שאמרתי מוזמנים, לא אמרתי ממליץ. הספר הזה נכתב בשנות ה-90' אבל רבים עדיין מצטטים דוגמאות ממנו, אז הנה – קבלו טיפ איך לזהות מצגת של שרלטן עצלן – תראו אם הוא מנסה להמחיש את אפקט הרשת באמצעות הסיפור ההיסטורי של הפקס: הפטנט הראשון על מכשיר פקס נרשם באמצע המאה ה-19 אך במשך למעלה ממאה שנה עלויות המכשיר היו גבוהות מאד אבל בעיקר החזקת מכשיר כזה בבית לא הייתה עוזרת לנו אם אנחנו היינו היחידים שיש להם כזה. רק כשנוספו יותר מכשירי פקס ביותר משרדים ובתים אנשים מצאו יותר ערך בשימוש בו וזה מה שקרה בשנות ה-80' של המאה ה-20. מאז, הפקס עשה דרך ארוכה עד שהגיע למעמדו הנוכחי ככלי לתסכל את האזרח מלהעביר מסמכים לרשות ממשלתית. בהערת אגב, המנהג המגונה של שליחת מסמכים בפקס בישראל נמשך עד 2018, אז הכנסת חוקקה שמשרדי ממשלה מחויבים לקבל מיילים. על החוק הנ"ל חתומים חברי מפלגות מכל קצווי הקשת (והרשת) הפוליטית: ממפלגת העבודה, הליכוד, הבית היהודי, כולנו, מרצ ועד דגל התורה. ואם זה נשמע לכם מוזר שמפלגות כל כך שונות מסוגלות לשתף פעולה ביניהן, סימן שלא שמעתם את פרק 13 בנושא פוליטיקה ורשתות.

אפקט הרשת הוא מושג שהלך והתפתח עם השנים בצמוד ההתפתחויות הטכנולוגיות של רשתות. אנשים שונים לאורך ההיסטוריה ניסו למדל את אפקט הרשת באמצעות ניסוח "חוקים" כשמטרת החוקים הייתה להיעזר בתכונות הרשת כדי למצוא מהו הערך הפוטנציאלי של רשת, בעיקר בהקשרים כלכליים.

חשוב לציין שהחוקים האלה שונים מהחוקים שהזכרנו עד היום בפודקאסט. החוקים שדיברנו עליהם עד כה, כמו למשל חוק החזקה או ה-Power Law, הם חוקים שמאפיינים כל רשת, ומשמשים אותנו להבין אותן טוב יותר. לעומת זאת, החוקים שנתאר כאן מבדילים בין סוגים שונים של רשתות. מכיוון שמטרתם הייתה מציאת ערך כלכלית, הם מבדילים גם בין סוגים שונים של מוצרים.

מה שננסה לעשות פה הוא לתת סקירה היסטורית של אותם חוקים, להבין את הרקע הטכנולוגי שממנו הם נבעו ולנסות, באופן ביקורתי, להבין מה המשמעות שניתן לגזור מהם. אז אני מציע לכולנו לחגור חגורות כי אנחנו הולכים לצלול במנהרת הזמן או במילים אחרות – ברוכות וברוכים הבאים ל"היסטוריית החוקים של אפקט הרשת":

תחנה ראשונה - חוק סרנוף:

דיוויד סרנוף היה מחלוצי הרדיו והטלוויזיה והיה אחראי לשידור הטלוויזיה הראשון בארה"ב ב-1939 שכמו חידושים רבים אחרים, הוצג לראשונה ביריד העולמי שנערך בניו יורק באותו זמן. שידורי רדיו וטלוויזיה הם למעשה רשת כוכב חד כיוונית שנקראת גם רשת של One2Many, כלומר, צומת מרכזי אחד ברשת, נגיד נטפליקס, והמוני אנשים פאסיביים שצופים.

אותה טכנולוגיה היא זו שגרמה לסרנוף לנסח את החוק, הקרוי על שמו, שהערך של רשת שידור כזו הוא פרופורציונאלי למספר הקשרים שלה - או במילים פשוטות יותר – למספר הצופים שלה.

לדוגמא, אם חברה מוכנה לשלם על פרסומת בתוכנית סנט אחד על כל צופה, הערך של פרסומת בתוכנית עם מיליון צופים יהיה 10,000 דולר, כלומר, ערך הרשת ליניארי לכמות הצופים. פשוט.

לנו החוק הזה אולי נשמע טריוויאלי, אבל אני מניח שבתחילת המאה ה-20, כשעוד היינו צעירים ונאיביים, בטוח היו כמה שחשבו שיש ערך גם באיכות התכנים המשודרים אבל סרנוף היה שם כדי לפוצץ את הבועה.

עם התפתחות הטכנולוגיה, בואכה שנות ה-70 וה-80', נוצרו רשתות עם יכולות חדשות והמודעות להן עודדה לנסח חוק נוסף ועדכני יותר – חוק מטקלף.

רוברט מטקלף היה מחלוצי האינטרנט בשנות ה-70' של המאה הקודמת והאיש שהמציא את ה- Ethernet (לא האינטרנט) – שזו אותה טכנולוגיה שמשמשת עד היום כסטנדרט לרשתות תקשורת כמו LAN (Local Area Network).

כשהוא ניסה למכור את אותה הטכנולוגיה לחברות השונות, בתחילת שנות ה-80', הוא ניסח את האמירה ש-"הערך של הרשת גדל פרופורציונאלית לחזקת המכשירים התואמים שמתקשרים בה".

מה זה אומר? ננסה להבין זאת על ידי השוואה לחוק סרנוף.

לפי סרנוף, ערך הרשת שווה לכמות הצמתים ברשת. פשוט.

לפי מטקלף, ערך הרשת שווה לכמות הצמתים ברשת בחזקת 2, כלומר, ערך גדול פי כמה.

מאיפה הוא הביא את זה?

בניגוד לרשתות הכוכב של סרנוף, מטקלף ראה לנגד עיניו רשתות מחשבים המבוססות על תשתית ה-Ethernet שהחברה שלו בנתה. ברשתות כאלו, המחשבים אינם חייבים להיות כולם קשורים למחשב אחד מרכזי אלא כל מחשב יכול לתקשר עם כל מחשב. לכן רשתות מסוג זה נקראות גם רשת Peer2Peer (או P2(P.

אז למה להעלות את כמות הצמתים ברשת בחזקה כדי לקבל את הערך? מה הלוגיקה מאחורי הטריק החשבוני הזה?

גם חוק סרנוף וגם חוק מטקלף טוענים שהקשרים הם-הם הערך שהרשת מספקת. ככל שיש יותר, הערך שלה גדל. אבל הם מדברים על שתי רשתות שונות: במקרה של סרנוף, הרשת המדוברת היא רשת כוכב חד-כיוונית. כדי לחשב את מספר הקשרים הפוטנציאלים ברשת כזו, כל מה שנדרש לעשות הוא לספור את כמות הצמתים (להחסיר אחד) ולקבל את התשובה.

לדוגמא, ברשת עם צומת אחד מרכזי ו-100 צמתים, כמות הקשרים הפוטנציאלית היא 100, כי 100 צמתים + אחד מרכזי = 101. ואז נחסיר אחד ונקבל 100. במקרה של מטקלף, כדי להבין מה פוטנציאל הקשרים שיש ברשתות Peer2Peer, אנחנו זקוקים לנוסחה אחרת: נדמיין שיש לנו רשת ובה שלושה צמתים. לפי סרנוף, מקסימום הקשרים בה הוא 2.

לעומת זאת, לפי מטקלף, אם כל צומת יכול להיות בקשר עם כל צומת אחר, מספר הקשרים הפוטנציאלי הוא 8. ההנחה של מטקלף כמובן היא שהקשרים ברשת הם כיווניים, כלומר, אם צומת A יוצר קשר עם צומת B וצומת B יוצר קשר עם צומת A, אז זה ייספר כשני קשרים.

אז מה הנוסחה למציאת פוטנציאל הקשרים?

נשתמש באות n ("אן" באנגלית) כדי לייצג את מספר הצמתים ברשת ואז, כל מה שצריך לעשות זה לכפול את n ב-(n-1),

כדי לוודא שזה ברור, בואו נדגים את חוק מטקלף על רשת ובה 4 צמתים: מקסימום הקשתות ברשת כזו הוא 12 כי 4*(4-1)=12.

בהערת אגב, יש לציין שאם הרשת היא לא-מכוונת, את התוצאה שקיבלנו נצטרך לחלק ב-2, שכן במקרה כזה, הדדיות הקשרים אינה רלוונטית וכל קשת בין שני צמתים תיספר כקשר פוטנציאלי אחד. במקרה כזה, מספר הקשרים הפוטנציאלי ברשת של 4 צמתים הוא 6 (דמיינו ריבוע עם איקס באמצע).

אז בואו נמשיך עם מטקלף: ברשת מכוונת עם 8 צמתים, פוטנציאל הקשתות הוא 56.

ברשת עם פי 2 צמתים, כלומר, 16 צמתים, פוטנציאל הקשתות הוא 240. ברשת עם 32 צמתים, הפוטנציאל הוא כבר כמעט אלף. כדי לפשט את המסר, מטקלף הזניח את הנוסחה המקורית של n כפול (n-1) ופשוט הניח שמדובר ב-n כפול n או במילים אחרות, n בריבוע.

החלק המעניין ביותר בחוק זה הוא שכפי שניתן לראות, למרות שכמות הצמתים גדלה כל פעם רק פי 2, פוטנציאל הקשתות בין הצמתים עלה פי 4.

מה המשמעות של זה? תיכף נרחיב על כך.

מטקלף הגה את הרעיון כבר בשנות ה-80' אבל רק כעשר שנים אחר כך, האמירה שלו קיבלה את המעמד האייקוני של "חוק". זה קרה כשג'ורג' גילדר, כלכלן אמריקאי מפורסם, הגדיר אותה ככזו במאמר שכתב ב-1993. מטקלף, כמובן, חיבק את זה מיד. לגילדר מותר היה לשדרג את מטקלף למועדון החוקים האקסקלוסיבי כי גם על שמו של גילדר יש חוק - חוק גילדר - הנוגע לגידול האקספוננציאלי של רוחב פס של שידורים... אבל אני מרגיש שצללנו מספיק. כשמטקלף אמר מה שאמר, הוא דיבר על המושג "מכשירים תואמים" כצמתים ברשת אבל במאמר של גילדר - שנתן למטקלף את מעמדו כ"חוק" - גילדר הרחיב את ההגדרה של אותם צמתים ל"משתמשים" ברשת ופה כבר אי אפשר לזלזל במשמעות של הדברים, בוודאי כשהם נאמרו על ידי איש כה משפיע. המשמעות של חוק מטקלף המשודרג שיש פה בשורה כלכלית אדירה. מדוע?

כי כל פעם שנכפיל את כמות המשתמשים במוצר הרשתי שלנו, הערך של הרשת יגדל פי 4. גרף ההוצאות שלנו במקרה הגרוע יהיה ליניארי, אבל הרווחים מהרשת יגדלו באופן ריבועי. אם כך, אז האסטרטגיה שלנו צריכה להיות עידוד של צמיחה. בכל מחיר. הרי הגידול במשתמשים יחזיר את עצמו פי כמה וכמה. נכון? יותר מכך, כדאי לעשות את זה מהר, כי הצלחה משמעותה שליטה בשוק ובמתחרים. לשם כך, צריך להפיץ את המוצר בחינם כדי להוריד את רף הכניסה למשתמשים ולחכות שאפקט הרשת יעשה את שלו עד האקזיט. לדוגמא, בואו נניח שיש לנו חברה שמייצרת מכשירים שיכולים לשלוח ריחות. זה אולי נשמע קצת הזוי, אבל לפי רן בר זיק, העיתונאי והמתכנת, הוא כבר זמם אב טיפוס למכשיר שמזהה נפיחות ועכשיו רק תחשבו על הפוטנציאל הרשתי של כזה מכשיר במשרד.

עכשיו נניח שהייצור של כל מכשיר כזה עולה לנו 1000 שקל. ברור לנו שמכשיר אחד כזה לא נותן שום ערך. למי נשלח מה הרחנו? אז כדי לייצר רשת ראשונית, חילקנו בחינם 16 מכשירים למשתמשים הראשונים שלנו. בהנחה שאף אחד מהם הוא לא תתרן, הערך של הרשת מקביל ל-16 בריבוע, שזה בערך מספר הקשתות האפשריות ברשת. כדי להגיע לשם, הוצאנו מכיסנו 16000 שקל. 16 בריבוע לא אומר לנו הרבה. זה מספר תיאורטי. כדי להפוך את המספר הזה למוחשי, פנינו לכמה משקיעות ומשקיעים שכולן סירבו בנימוס, כנראה בגלל השם שבחרנו למוצר - "רב בַּרֵיח". בסוף, הצלחנו לשכנע איזה חבר תפרן לשים 20 אלף שקל כדי שנוכל לייצר עוד מכשירים תמורת חמישים אחוז מהחברה. את הכסף השקענו ביצירת עוד 16 מכשירים והשאר - ביום כיף לחבר'ה וכמובן, תייגנו את עצמנו בבריכה, העלינו לאינסטגרם וללינקדאין, ולא שכחנו לפרגן לחבר על ההשקעה. חבר אמיתי – אח על מלא.

יום אחרי זה, החבר התקשר לשאול מה מתרחש ולמה אנחנו חוגגים בבריכה ומבקשים ממנו עוד כסף. ישר הרגענו אותו –

אח שלי גיבור, אמרנו, ייצרנו עוד 16 מכשירים, אין לך מה לדאוג, והמכשירים כבר נמצאים בשימוש אצל המשתמשים.

מעולה! הוא אמר. אז כמה הרווחתם?

כלום, אמרנו. גם אותם חילקנו בחינם.

כדי להרגיע את הצעקות מהצד השני של הזום, הסברנו לו על חוק מטקלף:

אתה, אמרנו לו, הערכת את שווי הרשת שלנו, שכללה 16 משתמשים, ב-40 אלף שקל.

כשמסרנו את 16 המכשירים הנוספים, אמנם העלנו את ההוצאות שלנו פי 2, אבל לפי מטקלף, ערך הרשת שלנו יגדל פי 4. כלומר, בשורה התחתונה, כיום אנחנו שווים כבר 160 אלף שקל. אם יהיו לנו עוד 32 מכשירים - כולה עוד 32 אלף שקל - נהיה כבר שווים כמעט מיליון ואנחנו מוכנים לקבל את זה גם בביט.

מטורף.

ההבטחה הזו לרווחים ריבועיים/אקספוננציאליים[1] שמתבססים על גדילה ליניארית הייתה אחת הסיבות לבועת הדוט.קום המפורסמת בסוף שנות ה-90'.

אז למה אותה בועה התפוצצה בתחילת המאה ה-21?

כל מי ששמעה את פרק 3 של נטפריקס כבר יודעת: כי החיים הם לא החזקה של חוק מטקלף. החיים הם "חוק החזקה" של הרשת או במילים אחרות, Power Law. תמיד יהיו לנו מעט מאד (פחות מאחוז) מצליחים וכמעט בהגדרה, "זנב ארוך" של חברות שלא יצליחו להבקיע.

במבט לאחור, צריך להבין את ההקשר שבו מטקלף דיבר על הערך של הרשת:

הזכרנו שמטקלף המציא את ה-Ethernet, אבל חוץ מלהמציא, הוא היה צריך גם למכור אותה.

כשהוא הגיע לחברות כדי להציע את המוצר שלו, הוא לא ניסה למכור להם חזון של כפר גלובלי. הוא רצה למכור להם LAN'ים קטנים, כלומר רשתות מקומיות קטנות. הרשת כללה רכיבים שאפשרו לחבר 3 מחשבים וזיכרון משותף של כ-10 מגהבייט, שזה היה המון לתקופה ההיא. אבל השוס האמיתי היה המדפסות:

מדפסות עלו הרבה כסף ועל ידי חיבורן לרשת, אפשר היה לאפשר למספר אנשים להשתמש באותה מדפסת וכך להוריד עלויות חומרה.

כדי להוריד את רף הכניסה של משתמשים, החברה של מטקלף הורידה את המחיר של המוצר ל-3000 דולר, שזה היה הסכום שאיפשר ללקוחות פוטנציאלים לקנות את המוצר בלי צורך באישור רכש מיוחד מהנהלת חשבונות.

עד כאן זה נשמע מעולה אבל העניין הוא שאף אחד מהלקוחות שכבר קנו את המוצר לא רצו להרחיב את הרשת ולקנות עוד רכיבים. כשמטקלף ניסה לברר למה, הוא גילה שהסיבה הייתה שהלקוחות לא מצאו ערך בהגדלת הרשת. מה עוד הם יכולים כבר לבקש? הם פשוט לא יכלו לדמיין משהו נוסף. שם נולד pitch המכירה של מטקלף. מטקלף הכריז באוזני הלקוחות שהערך שכל משתמש מקבל מהרשת הוא n-1, כלומר, מספר הצמתים ברשת מינוס עצמו. וכך, ככל שיהיו יותר צמתים, כלומר, תקנו יותר רכיבים, הערך למשתמש יעלה וכמובן, שערך הרשת כולה יגדל בחזקה.

בפרקטיקה, הוא הסביר להם שהם יכולים להשיג יותר מאשר שיתוף זיכרון ומדפסת. התקשורת בין המשתמשים היא-היא הערך המשמעותי של הרשת. וזה עבד לו.

אז זה נכון שברשתות הקטנות שמטקלף מכר, כל הצמתים "ראו" את כל הצמתים האחרים ולכן שאבו מהם ערך, אבל האם זה באמת המצב בכל מקום?

האם כשאני מצטרף לטיקטוק, אפליקציה שיש לה יותר ממיליארד משתמשים, אני באמת נהנה מתכנים של מיליארד איש? הרי גם אם אני אטקטק שם כל חיי, אני לא אחשף אפילו לאחוז בודד מהתכנים שעולים שם. טיקטוק היא עוד דוגמא קיצונית כי האלגוריתם שלה הוא מתירני ומאפשר לעומת שאר הרשתות החברתיות, שיחסית מגבילות את התכנים שנראה לקשרים החברתיים שלנו.

מטקלף מכר פוטנציאל, אבל המושג "פוטנציאל" ברשתות הוא חמקמק ולרוב לא ממומש. איך ניתן לדעת את זה?

כשהפוטנציאל של רשת ממומש במלואו, יש לזה שם: קליקה.

בפרק 5 של נטפריקס, שעסק בקהילות ברשת, דיברנו על כך שקליקות הן מקרה קיצון של קהילה. בקליקה (Clique), כל צומת קשור לכל הצמתים האחרים בקהילה, כלומר, אין עוד קשרים שניתן להוסיף כי פוטנציאל הקשרים מומש במלואו. זו הנחת היסוד מאחורי המודל של מטקלף, הרשת מאפשרת מצב כזה – פוטנציאלית. עכשיו, זה לא נדיר למצוא ברשתות קליקות שיכילו שלושה צמתים, אבל ככל שנעלה בכמות הצמתים, הסיכוי שהם יממשו את פוטנציאל הקשרים שלהם כקליקה הולך ופוחת. כמה פוחת? באותו פרק דיברנו על כך שקליקות מתפלגות "זנב ארוך", כלומר, ברשתות נמצא מעט מאד קליקות גדולות (אם בכלל) וזנב ארוך של קליקות קטנות מאד וכולן יחד עדיין לא ייצגו את רוב הקשרים ברשת. על פוטנציאל הקשרים נרחיב עוד בהמשך, אבל בינתיים, היה מי שראה בקהילות ברשת דווקא הזדמנות, וזה מביא אותנו לחוק הבא - חוק ריד.

חוק ריד שנוסח בתחילת המאה ה-21, נקרא כך על שם דיוויד ריד, מומחה לרשתות מחשבים, שלא חיכה לאף אחד והגדיר בעצמו חוק על שמו. חוק זה לא מתייחס לפוטנציאל הקשתות ברשת אלא לפוטנציאל הקהילות ברשת. לפי ריד, הפוטנציאל הגדול של רשתות הוא לא באינטראקציה בסגנון One2Many כמו בחוק סרנוף וגם לא One2One או Peer2Peer (P2P) כמו בחוק מטקלף. לפי ריד, הפוטנציאל הגדול ביותר נמצא ב-Many2Many, כלומר, ביכולת של הרשת להסתדר בקהילות שמגיבות זו לזו. על פניו, זה יכול להישמע הגיוני, אבל לפי חוק ריד, הגידול בערך הרשת משאיר אבק אפילו לחוק מטקלף: אם מספר הקשרים הפוטנציאלים ברשת הוא מספר הצמתים בחזקת 2, הרי שבהקשר של ריד, מספר הקהילות הפוטנציאלי ברשת הוא 2 בחזקת מספר הצמתים ברשת (n). המהדרין יוסיפו שממספר זה צריך להפחית את מספר הצמתים ברשת ועוד מינוס 1 (או: 2^{N}-N-1).

למשל, ברשת ובה 4 צמתים, ניתן לייצר 11 תת-קבוצות: 6 קבוצות שמכילות זוג (שזה למעשה מספר הקשתות ברשת לא מכוונת) אבל גם 4 קבוצות של שלושה צמתים ועוד קבוצה שמכילה את כל ארבעת הצמתים: 6 ועוד 4 ועוד 1 = 11. נזכיר, אצל מטקלף, יצא לנו 12. אחד יותר. אבל אם נמשיך לפי אותו היגיון, אז רשת של 32 צמתים לפי חוק מטקלף, תקבל ערך של כאלף.

לעומת זאת, לפי חוק ריד, אותה רשת תגיע לערך של כמעט 4.5 מיליארד, כי העלנו את 2 בחזקת 32.

נשמע קצת מבהיל ולכן ריד טען שזה לא עובד בדיוק ככה. בעצם, הוא אמר, רשתות עוברות מספר שלבים והוא הדגים זאת על ענקית האינטרנט שהייתה בזמנו - AOL: ריד דימה את הערך של הפורטל של AOL כמקביל לחוק סרנוף, כלומר, הערך שלו גדל כמספר הגולשים אליו ולכן הערך שלו גדל ליניארית. את חוק מטקלף הוא הקביל לערך ש-AOL והמשתמשים שלה מקבלים משירות המייל שהיא סיפקה והערך שם נקבע על ידי רהעלאת כמות המשתמשים במייל בחזקה. לבסוף, את החוק שלו-עצמו, הוא הקביל לשירות הצ'אטים והקבוצות של AOL. שם הוא חשב שנמצא הערך הגדול ביותר של הרשת כי הערך של אותם צ'אטים וקבוצות הוא 2 בחזקת כמות המשתמשים בהן. כיוון ש-AOL הלכה לעולמה בטרם עת, לא הצלחנו להשיג את תגובתה לממצאים.

אז מה היה לנו?

ההתפתחות הטכנולוגית של רשתות התקשורת עודדה טכנולוגים ותיאורטיקנים לנסות להעריך את הפוטנציאל שלהן. ההסתכלות על אותן רשתות היה מקסימליסטי, כלומר, הנחה אופטימית-משהו לגבי מימוש הפוטנציאל שלהן. התפתחות רדפה התפתחות וחוק רדף חוק וזה קצת מזכיר את הקטע בהגדה של פסח ששם חכמינו מתלהבים כל כך מנס יציאת מצרים, שהם מנהלים ביניהם תחרות על מספר המכות שנחתו על מצרים: סרנוף אומר שישים מכות, מטקלף אומר 240 מכות וריד בכלל אומר 300 מיליון.

מצד אחד, קל להיות ציני ולהגיד שיש פה הגזמות שנשענות על חשיבה תיאורטית. מצד שני, חלק מזה לא תיאורטי בכלל.

נזכיר שכל החוקים שהזכרנו נוסחו כבר במאה ה-20, והנה, תחילת המאה ה-21 הביאה איתה גל של רשתות ענק עם ערך עצום ובלתי נתפס כמו למשל פייסבוק, גוגל, טיקטוק, טוויטר. ובואו לא נשכח, כולן רוכבות על האמא של הרשתות – האינטרנט עצמה.

אבל ההסתכלות על החוקים דרך משקפיים כלכליות לדעתי מפספס פה משהו: למשל, האם אפשר לתת תג מחיר לערך של האינטרנט?

נניח שחיבור לאינטרנט עולה לנו כמאה ₪ לחודש. האם סכום זה באמת ממחיש מה הערך של רשת האינטרנט בעינינו?

זו הסיבה שאני חייב פה וידוי: ההקשר הכלכלי של המושג "אפקט הרשת" עושה לי קצת קרינג'. למה?

כי זה נשמע שרלטני. זה קצת כמו להגיד שעדיף להיות צעיר, עשיר, ובריא מזקן, עני וחולה. את אפקט הרשת נקבל במוצר מצליח ורק במוצר מצליח. ומה ייקבע אם המוצר יצליח? אין לנו מושג. אפקט הרשת לא יוכל לחזות לנו את זה. רוצים דוגמא? כפכפי קרוקס, ואני פשוט אשים את זה כאן.

מושגים פופוליסטיים מסוג זה לצערי יכולים לשמש, ומשמשים, אמירות לא אחראיות כמו למשל תעשיית הבלוקצ'יין שדוחפת את הקריפטו ואת ה-NFT לאנשים תמימים. תחת הכותרת של "אפקט הרשת" זה נשמע מאד הגיוני להניח שככל שיותר אנשים יתעסקו ב- NFT, כך הערך של הרשת ייגדל ולכן יש מוטיבציה לייצר שיטה של חבר-מביא-חבר. הבעיה היא שבשיטה זו, החבר האחרון שאנחנו מביאים הוא הפראייר. הוא מעלה את הערך של הרשת לאחרים, אבל הוא עצמו נשאר עם משהו חסר ערך. תשאלו כל אחד שקנה NFT ועכשיו מחפש על מי לפרוק אותו.

ואם זה נשמע כמו תרמית פירמידה, אז זה כנראה תרמית פירמידה.

סיבה נוספת שאני לא חם על אפקט הרשת, במובנה הכלכלי, זה היעדר הפרקטיות של המושג לחיי היומיום שלנו. דיון כלכלי על אפקט הרשת דומה לדיון בנושא האם ההיסטוריה רלוונטית לאנושות?

הכוונה שלי היא לא חקר העבר בפני עצמו, אלא האופן שבה היסטוריה סופרה לאורך השנים:

הטענה שהיסטוריה, או His-Story, מייצג רק 50% מהאוכלוסייה, כלומר גברים, עושה עם המחקר ההיסטורי חסד: חלקים גדולים מהמחקר, בטח בתרבות הפופולרית, עסקו ועוסקים במנהיגים ובמעורבותם בתהליכים פוליטיים, צבאיים ודיפלומטיים.

התהליכים האלה השפיעו על המון אנשים וכנראה שתהליכים אלו הושפעו בעצמם מתהליכים שהיו מעורבים בהם הרבה אנשים אבל בפועל, כל התהליכים האלה לרוב מסופרים דרך המבט הצר של מספר מאד קטן של אנשים. זו למשל הייתה הטענה של אסכולת האנאל, אסכולה שנוסדה בשנות השלושים, שדימתה מחקרים היסטוריים של מנהיגים ל"תיאור הקצף על פני הגלים של הים" כשלמעשה ההיסטוריה היא תוצאה של זרמי עומק שאותם יש לחקור אותם. לפי אותה אסכולה, סטאלין - מעצבן ככל שהיה - לא היה יכול לעשות את מה שעשה אילולא היו זרמים רחבים ועמוקים יותר שאפשרו לו לעשות זאת. מה לעשות, הם אמרו, המציאות היא מורכבת.

הרוב לא אוהבים מציאות מורכבת ולכן לא פלא שמרק בלוך, מייסד האסכולה, נרצח על ידי הגסטאפו. אז כמו שרוב הדיון ההיסטורי עוסק בפחות מאחוז של העושים במלאכה, כך גם דיונים בנושא אפקט הרשת הם רלוונטים רק לפחות מאחוז מהאנשים בתעשייה.

מכיוון שלא פעם מדובר במשחק סכום אפס, רק חברות מעטות יזכו לייצר כזה אפקט ו-99.9% האחרות יצטרכו להסתפק בפירורים או לא להתקיים. למעשה, מי שמכריז על הסטארטאפ שלו שהוא עם פוטנציאל לאפקט רשת, בעצם אומר שקיים 99.9% סיכוי שהוא ייכשל!

בפרק הבא נסקור חוקים נוספים שעוסקים ב"אפקט הרשת" שנולדו כביקורת על החוקים שסקרנו כאן. בנוסף, נראה אם לשפוך קצת דאטה על הסוגייה מקדם אותנו בתהליך ולבסוף, ננסה לענות על השאלה: מה אנחנו, פשוטי העם, יכולים לקחת מכל החוקים האלו?

כמו שבוודאי שמתם לב, ריבוי החוקים בנושא אפקט הרשת שחק משמעותית את רף הכניסה, אז אם יש לכם איזושהי תיאוריה בנושא אפקט הרשת, זה לא הזמן להיות ביישנים. פרסמו ואולי גם אתם תוכלו לזכות בחוק על שמכם. מוזמנים לנסח אחד ולתייג את נטפריקס כפי שעשו האנשים הבאים בפינתנו: "ביקורות מרחבי המרשתת".

אביאל מקמל כתב בטוויטר:

יש המון שימושים מדהימים ברשתות והתוספת שלהם לארגז הכלים של DS מוסיף ערך רב. אם תרצו לשמוע עוד אני ממליץ בחום על הפודקאסט של NETfrix וממליץ בחום לעקוב אחריו.

פודקאסט זה כמו הצעת חברות ודורש קצת קפיצת אמונה, לכן שמחתי לראות את הפוסט של ידידיה ניולנדר שכתב בלינקדאין:

Matanel Zoldan אז אם גם אתה וגם Nehemia Rosenfelder על ממליצים , כנראה ששווה להעיף שם מבט. תודה נטפריקס של אסף שפירא!

בין התגובות על הפרק האחרון "שופרות הרשת" יש את אלעד אליאב שכתב בלינקדאין:

ממש אהבתי את ההסבר הקצר. הדוגמה על הקיטוב האפשרי בתוכן הפוליטי לעומת הקשר הרשתי שקיים בפוליטיקה, ומראה שקיטוב לא כזה נורא, הייתה ממש מעניינת ורלוונטית.

ויפתח שדלצקי שסיכם בפייסבוק:

"פרק מצוין!"

מזכיר לכולן – תכתבו ביקורות - ורצוי גם לתייג – ואני אעלה לפודקאסט! רוצים רק לדרג? מוזמנות ומוזמנים לתת 5 כוכבים לפודקאסט בספוטיפיי, אפל-פודקאסטס או בכל פלטפורמה אחרת שאתם שומעים בה פודקאסטים. אתם כבר שם? תעשו Subscribe.

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!

תודה רבה לדרור גולדין שהציע את הרעיון לפרק וסייע בדרכו המיוחדת.

נתראה בפרק הבא של נטפריקס.

[1]במובן המתמטי של "אקספוננציאל" (או גדילה מעריכית), נצפה לראות גדילה של 2 בחזקת מספר הצמתים (כפי שנראה בחוק ריד). הגדילה לפי חוק מטקלף היא ריבועית. אבל, בשפת היומיום, שבה פחות מקפידים על נוסחאות, המילה "אקספוננציאלי" משמשת פשוט לתאר גדילה מהירה.

#פודקאסט #נטפריקס #מדע_הרשתות #ניתוח_רשתות_חברתיות #אפקטהרשת #פייסבוק #חוק_סרנוף #חוק_מטקלף #חוק_ריד

#Podcast #NetworkScience #SNA #SocialNetworkAnalysis #DataScience #NetworkEffect

אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות בפרק קצרצר במיוחד.

האתגר הכי גדול בלעשות מחקר רשת הוא לא המחקר, וגם לא הרשת, אלא "הלעשות". בשביל זה צריך להיות מודעים לתחום ולפוטנציאל הקסום שעומד מאחורי הסתכלות על העולם דרך קווים ונקודות. את המודעות לתחום אנו מחויבים להעביר הלאה, או בפראפרזה על דבריו של ז'ק קוסטו, חוקר האוקיינוסים המפורסם:

"כשלבן אדם יש הזדמנות לגלות דברים יוצאים מהכלל, מכל סיבה, אין לו או לה שום זכות לשמור זאת לעצמם."

והנה, בזמן שקראתי את ספרו של לינטון פרידמן "The Development of Social Network Analysis", נתקלתי בדיוק בדוגמא ההפוכה:

אנשים שגילו דברים מדהימים, שלא רק ששמרו אותם לעצמם, אלא גם באו בטענות לאלה שהפיצו אותם, והנה הסיפור:

פרימן, מחבר הספר, היה סוציולוג וחוקר רשתות שכתב מאמרי יסוד בתחום ה-SNA ואפילו הקים את האפליקציה הראשונה לניתוח רשתות (אותה הזכרנו בפרק 23).

בספרו, הוא מבקר את תגליתו של ברבאשי, הפיזיקאי וחוקר הרשתות המפורסם, בנושא מודל

ה-Preferential Attachment שנגענו בו בפרק 3 בנטפריקס, אותה תגלית שבכל רשת נמצא התפלגות "זנב ארוך". הביקורת של פרימן היא לא על התגלית עצמה אלא על זה שמדובר בתגלית בכלל. טענתו של פרימן, ושמעתי את הטיעון הזה מסוציולוגים מובילים נוספים, היא שאותה התפלגות "זנב ארוך" ברשתות התגלתה כבר לפני כמאה שנה על ידי ג'ייקוב מורנו, הפסיכולוג החברתי שעסקנו בו בפרק 2.

בגדול, הם צודקים.

מורנו ושותפיו למחקר פרסמו מאמר עוד בשנת 1938 שמראה שברשתות החברתיות שהם חקרו ישנם צמתים מרכזיים עם הרבה קשרים ואילו רוב הצמתים הם בשוליים ויש להם מעט מאד קשרים. הם לא קראו לזה התפלגות "זנב ארוך", אבל הם כן הראו שלא מדובר בהתפלגות נורמלית או ביד המקרה, והם הוכיחו זאת בצורה מקורית:

הם לקחו את הצמתים ברשתות שהם חקרו והגרילו בינהם קשרים באופן רנדומלי.

כשהם בחנו את התפלגות הקשרים הרנדומלית, הם הראו שמדובר בהתפלגות נורמלית, כלומר, כשיד המקרה היא זו שאחראית על מי נמצא בקשר עם מי, יהיו למעט צמתים הרבה קשרים, למעט צמתים מעט קשרים, והרוב יהיו "באמצע".

הסיבה שאני אוהב את הדוגמא הזו היא כי כך בדיוק עובד אלגוריתם הלובאין לגילוי קהילות ברשת שדיברנו עליו בפרק 5. האלגוריתם משווה בין הקשרים ברשת "האמיתית" לקשרים ברשת "רנדומלית" שהוא מייצר על סמך אותם צמתים ומההשוואה בין שתי הרשתות הוא יכול להסיק איזה קשרים שייכים לקהילה ואיזה לא. מורנו ושותפיו גם הראו שההתפלגות, שאז עדיין לא קראו לה "זנב ארוך", מאפיינת לא רק את הרשתות שחקרו אלא גם את התפלגות ההון, למשל, וזה משהו שהיום אנחנו לוקחים כמובן מאליו.

ובכל זאת, למרות שלמורנו היה פור של 60 שנה, המאמר שלו צוטט רק כ-400 פעם לעומת מאמרו של ברבאשי שזכה ליותר מ-40 אלף ציטוטים, כלומר, הבדל של שני סדרי גודל.

ההסבר של פרימן לכך היה אישיותו של מורנו, או כפי שניסח זאת "Moreno was a troubled man".

בפשטות, לפי פרימן, מורנו היה חרא של בן אדם ולכן לא נמצאו לו ממשיכים.

אבל באותו ספר, פרימן מצביע על נתון שיכול אולי להסביר את זה טוב יותר.

במחקר על רשת של ציטוטים אקדמאיים, פרימן הראה שחוקרי רשת סוציולוגים נוטים, באופן קיצוני יותר מאחרים, לצטט רק את "המחנה" שלהם.

ברור שזו לא הסיבה היחידה לכך שברבאשי קצר את התהילה של מורנו. ברבאשי הדגים את התגלית שלו על מגוון רחב הרבה יותר של רשתות, ועל רשתות גדולות משמעותית מאלה של מורנו. זה לכאורה לא חוכמה, כי בתקופתו של מורנו, לא היו הכלים שעמדו לרשותו של ברבאשי. אבל הסיפור הוא לא למי מגיעה התהילה אלא האם הלקח נלמד. האם אנו עושים כמיטב יכולתנו להפיץ את הבשורה?

ניסיון כזה קרה החודש כשד"ר אוסי מוקרין מאוניברסיטת חיפה חברה לד"ר הילה דה ליאון מהטכניון ולפרופ' יורם לוזון מאוניברסיטת בר אילן להרים כנס בנושא מחקרי רשת אפידמיולוגיים לזכרה של נועם רוזנבוים, שהייתה חוקרת אפידמיולוגית מבטיחה שנפטרה בטרם עת כתוצאה מסרטן.

בכנס השתתפו לא רק מומחים לתחום הרשת, כמו פרופ' ראובן כהן מבר אילן או רמי פוגץ' מאוניברסיטת בן גוריון, אלא גם מומחים מתחומים אחרים וכלל פאנל בהשתתפות העיתונאי נדב אייל והרצאה של חגי לוין, יו"ר איגוד רופאי בריאות הציבור.

תרומתי הצנועה לקמפיין להעלאת המודעות לתחום הרשתות, היא ריאיונות שנתתי בזמן האחרון לערוץ "כאן" אצל ערן זינגר ולפודקאסט "שאלה טובה" של אסף פול כהן ושם ניסיתי להסביר קצת על התחום ומה הקסם שבו. בריאיון אצל זינגר, דיברתי על ניתוח רשתות בעיקר בהקשר פוליטי, כולל ניתוחים מהעת האחרונה רגע לפני העוד בחירות. הריאיון הזכיר לי שורה מהסרט "מאנק": מדובר בסרט, לדעתי מוצלח מאד, שמתאר את הסיפור מאחורי כתיבתו של הסרט "האזרח קיין" על ידי התסריטאי הרמן מאנק, תוך כדי שהוא נמצא בלחץ זמנים מטורף. בשלב מסויים, כשהבוסים שואלים אותו איך הוא התקדם, מאנק מגיש להם את חוברת התסריט, חוברת עבה מאד, וכשהם נראים קצת מופתעים הוא אומר: "אם היה לי יותר זמן, הייתי כותב קצר יותר." הצורך לתמצת את המסר לכמה דקות ושעדיין יהיה ברור ונגיש זה אתגר גדול. לא יודע אם עמדתי בו, אבל אני מקווה שבאמצעות הריאיון נושא הרשת הונגש לקהלים נוספים והוא יכול אולי לסייע לעוסקים בתחום לחדד מסרים. לעומת זאת, הריאיון לפודקאסט "שאלה טובה" הוא כנראה תמונת הראי לריאיון הקודם. היתרון הוא ששם היה זמן להתפלספויות בנושא הרשת וחפרנו על רשתות בארגונים, סייבר, קורונה ביולוגיה ומה לא. החסרון העיקרי בריאיון ההוא זה שהסוף שלו מאד רחוק מההתחלה. לכן אני מציע להתחיל להקשיב מדקה 6-7. מקווה שהבנתם את הראש ובתמורה, אני מקצר לכם כאן.

אני מצרף כאן את התמונות והקישורים לניתוחים השונים שאוזכרו במהלך הראיונות:

כמובטח, הנה מספר ביקורות מרחבי המרשתת:

מתן זולדן כתב בלינקדאין בתמציתיות אופיינית:

הקשבתי לפודקסט. ממש מעניין.

לעומתו, Ellabi השתפכה קצת יותר בפודקאסטאדיקט:

אחד הפודקאסטים הטובים שפגשתי. נושא רציני, הגשה מרתקת

תודה רבה מתן ואלה! יוליה שנרר המליצה בפודקאסט פלייליסט על פרק 25:

פרק מעניין על רשתות סמנטיות. אבל אני בעיקר ממליצה עליו בגלל הדוגמא של חברת Smartech שלוקחת פתרונות קיימים בתעשייה אחת ומנסים ליישם אותם בתעשיה אחרת. זאת אומרת פתרון טכנולוגי מעולם הבנייה שאפשר ליישם בעולם הרכב. הם משתמשים במדע הרשתות כדי לייעל את תהליך הלמידה שלהם של תהליכים מתעשיות שונות.

בפרס הביקורת המבוזבזת של השנה זכתה היוזרית @NaamaAriella (הידועה כ"סימפית של השם יתברך" בטוויטר) שטענה שהיא המליצה לחברה על הפודקאסט, אבל החברה לא שומעת פודקאסטים... בסוגיה מענינת נגע יואב וולנסקי שהמליץ בפייסבוק למתעניינים בתורת הגרפים על נטפריקס כ"Side dish" ואולי באמת הגיע לעשות פרק שמוקדש לתורת הגרפים? השאלה הזו עלתה גם ממאזין נוסף ונראה לי שצריך איזה פודקאסט שירים את הכפפה.

אז כפי שהבנתן, אתן תכתבו ביקורות - ורצוי גם לתייג – ואני אעלה לפודקאסט! רוצים רק לדרג? מוזמנות ומוזמנים לתת 5 כוכבים לפודקאסט בספוטיפיי, אפל-פודקאסטס או בכל פלטפורמה אחרת שאתם שומעים בה פודקאסטים. 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.

ואם עוד לא עשיתן לייק בדף של נטפריקס בפייסבוק, זה הזמן. אתרים עם יותר לייקים, מקבלים יותר חשיפה. לינקים לכל הפלטפורמות שציינתי נמצאים בלינק ההרחבות לפרק שנמצא בתיאור הפרק באפליקציית הפודקאסטים. אתם כבר שם? תעשו Subscribe.

לפניות/הערות/הארות/הצעות ועוד: שלחו מייל!

נתראה בפרק הבא של נטפריקס.

#פודקאסט #נטפריקס #מדע_הרשתות #ניתוח_רשתות_חברתיות #ביגדאטה #ריאיון #כאן11 #קורונה

#Podcast #NetworkScience #SNA #SocialNetworkAnalysis #DataScience #BigData #Covid19

אחד מהדברים מעוררי ההשראה ששמעתי בהקשר של ניתוח רשתות חברתיות הוא מה שאמר מארק סמית', המייסד של תוכנת ניתוח הרשת NodeXL (שכיסינו בפרק 22). בראיון עימו, מארק שאל באופן רטורי: "נניח שאנחנו מערכת של עיתון ושמענו על הפגנה של 50 אלף איש בכיכר – מה, לא נשלח צלם? אבל, הוא המשיך, אירועים מסוג זה קורים כל הזמן ברשתות החברתיות. האם אנחנו מבינים מה קורה שם?"

לדעתי התשובה היא לא ממש. כלומר, למעט חשיפת פוסטים שערורייתיים פה-ושם, המדיה הישנה לא באמת עוקבת אחרי מה שקורה, וגם אם כן, לא בטוח שהם באמת מבינים מה קורה. כאן נכנס לתמונה הניתוח הרשתי. הניתוח יכול לספק לנו לא רק צילום של האירועים אלא גם זוויות ותובנות חדשות על מה שקורה.

בניגוד למשל לתמונה של הפגנה, שבה נראה רק עדר של פרצופים, בעזרת ניתוח רשתי אנחנו יכולים להבין מה עומד מאחורי הפרצופים האלו ולתת תובנות על הקהל – למי הוא פונה? את מי הוא מהדהד ונגד מי הוא יוצא. מי הפרצופים המשפיעים ומי המושפעים. והאמת, זה נשמע כמו אחלה רעיון לפינה או מדור באתר חדשות.

דוגמא אקטואלית לתובנות שניתוח רשתי יכול לתת לנו אפשר למצוא ביחס למגפת "אבעבועות הקוף" שמקרה ראשון שלה התגלה במאי 2022 בישראל.

המציג אינו מומחה לאבעבועות או לקופים, למרות שיש לי פינה חמה בלב לשניהם. זה גם לא משנה. מה שמשנה הוא איך אנשים מגיבים לסיפור החדשותי. בסוף, הציבור הוא הקליינט המרכזי של המגפה הזו. האם הציבור לחוץ? האם הוא מזלזל? לפחות לפי טוויטר, נראה שאנשים לא אדישים לסיפור כי ההאשטג MonkeyPox#, לפחות נכון למאי 2022, הוא די טרנדי. אז אם האנשים לא אדישים, מה כן? כדי לגלות את הסנטימנט של הקהל, לכאורה מתבקש להריץ אלגוריתמים לזיהוי סנטימנט על התעבורה ברשת ולראות האם הוא שלילי או חיובי. הבעיה היא שהאלגוריתמים האלה לא תמיד יודעים איך לעכל את התוכן ואיזה לייבל לתת לו. מה עושים עם כל הטקסטים הניטרליים? יש הרבה כאלה. שם בצד שיש כאן גם קושי מובנה מול שפות שונות ובוודאי מול ניואנסים שונים בכל שפה.

אז פתרון פשוט הרבה יותר יהיה לנתח את הרשת.

מה שנרצה לבדוק במקרה כזה הוא מי המשפיענים והמשפיעניות בה. לפי חוק הרשת מס' 1 - עליו דיברנו בפרק 3 - אותם גורמים מרכזיים ברשת "יכתיבו את הטון" לכל שאר המשתמשים. אז בואו נדבר קצת על השיטה ותהליך הניתוח: בניתי רשת על סמך כעשרת אלפים יוזרים בטוויטר שאיזכרו את המגפה והקשרים ביניהם הם הריטוויטים שהם עשו אחד לשני. דבר ראשון, יצאתי לבדוק מי הם מרכזי הכובד ברשת, בעזרת מדדי המרכזיות עליהם דיברנו בפרק 4. היופי בשיטה הזו הוא שלא צריך לעבור על כל תעבורת הרשת. כפי שציינו בפרק 3, מבט על הגורמים המרכזיים ברשת יעשה את העבודה. ומה שעלה לגבי רשת הטוויטר הוא, שבכל המדדים, הגורמים המובילים ברשת הם "מכחישי מגפה".

אותם יוזרים מרכזיים מגיבים בזלזול על הפרסומים בנושא, רומזים לתיאוריות קונספירציה ובעיקר יוצאים בביקורת קשה נגד ארגון הבריאות העולמי – ה-WHO.

עכשיו, בוודאות ניתן להגיד שלא כל הגורמים ברשת הם קונספירטורים. ברור שישנם כאלה שמתייחסים לנושא ולארגון הבריאות העולמי ברצינות. אבל לפחות לפי הרשת, קולם פחות נשמע. וזו תובנה שרק ניתוח רשתי יכול לתת לנו.

אבל רגע, מה לגבי בוטים ברשת החברתית? נכון שטוויטר טענה בפני אילון מאסק שרק 5% מהיוזרים ברשת שלה הם בוטים, אבל אם יש אנשים שם בחוץ שלא מאמינים שיש מגפה שהופכת אנשים לקופים, למה שיאמינו לטוויטר? השאלה היא כמובן לא אם יש בוטים אלא האם הפעילות שלהם מייצרת לנו הטיה בניתוח, למשל, יכול להיות שנראה פוסט עם אלף לייקים ונחשוב שהוא מאד פופולרי אבל למעשה מדובר בגידול פרא של חוות לייקים. כאן נכנסת לתמונה עוד תכונה יפה של ניתוח רשתי. המבט הרחב של הניתוח מאפשר לנו לראות את הפוסטים או הטוויטים בהקשר. דרך מחקר המבנה של הרשת, הרבה יותר קל להבחין האם הפוסטים "מקודמים" באופן מלאכותי. דוגמא יפה לכך היא ניתוח רשתי של עומר נוי, מאוניברסיטת בן גוריון, שהציג רשת של טוויטים שבה ניתן לראות חשבונות מזוייפים רבים מקדמים את החשבון של ראה"מ בנט. ההשראה לניתוח הייתה בדיקה שנעשתה על ידי היוזר-החוקר FakeReporter@ בטוויטר שהראה כי אותם משתמשים (לכאורה, מהודו) תמכו באופן עיוור בעבר גם בראה"מ נתניהו: במקרה הזה, הסיבה שהבוטים היו קלים לזיהוי זה שהניתוח הרשתי הראה לנו שאותם בוטים קשורים אך ורק לאותו טוויט, ללא שום אינטראקציה עם שאר הרשת "הישראלית" בטוויטר.

תשומת לב שטוויטר תוזכר פה לא מעט בפרק כי היא אחת מהרשתות הכי נחקרות בהקשרי אקטואליה. טוויטר היא רשת חברתית מיוחדת בשני היבטים:

הראשון הוא שבניגוד לאינסטגרם, שם אנחנו משקרים לחברים שלנו, בטוויטר אנחנו אומרים את האמת לאנשים שאנחנו בכלל לא מכירים. השני הוא שטוויטר היא אולי הרשת החברתית היחידה (מאותן רשתות מובילות) שעוד מחזיקה ממשק שמאפשר לחלץ ממנה דאטה.

ה-API של טוויטר רחוק מלהיות אופטימלי ולא ברור בדיוק מה היקף הפעילות שטוויטר מאפשרת לחלץ דרכו. גם לפי ההערכות המפרגנות, הוא כנראה לא ייחלץ יותר מאחוז אחד מהדאטה הגולמי. אז האם זה מייצג לנו מה שבאמת קורה? בוודאות לא, אבל מה כן? להגיד "יותר טוב כלום מכמעט" זה טוב לעברי לידר, לא לחוקרי דאטה. "קצת" עדיף מ"כלום", ואם כבר קצת, אז ניתוח רשתי של הדאטה מאפשר למצות מהקצת הזה את המקסימום. עוד משהו שמשחק לטובתנו כאן זה חוקי הרשת. מכיוון שרק אחוז אחד מייצר תוכן, 9% מגיבים ו-90% לא עושים כלום, הסיכוי שנעלה על משפיענים ומשפיעניות הוא גבוה, כי רוב התעבורה תהיה שלהם או לפחות תעבור דרכם. ולכן, אולי לא נעלה על כל צייצן מזדמן, אבל כן נקבל תמונה יחסית טובה של מה מתרחש (לפחות בטוויטר).

עוד רשתות חברתיות שזכו למחקרים לאחרונה הן הרשתות החברתיות של הימין בארה"ב.

הסיבה היא לאו דווקא הנכונות של אותן רשתות לשתף את הדאטה אלא יותר פרצות אבטחה שהאקרים וחוקרים נהנים לנצל. הרשת החברתית אולי הכי מפורסמת בהקשר זה היא פארלר, שפנתה לתומכי טראמפ, ובשיאה הגיעה כמעט ל-14 מיליון משתמשים אבל בגלל כשלי אבטחה היא נפרצה לגמרי ובשלב מסוים האפליקציה שלה הוסרה בגלל זה משרתים של חברות המיינסטרים. לא כל כך מזמן הושקו שתי רשתות חברתיות נוספות של הימין האמריקאי. אחת בשם TruthSocial שהוקמה על ידי טראמפ, אבל נכון לעכשיו הרשת לא ממש ממריאה, בין השאר בגלל הרבה כשלים טכניים. כדי לעודד אנשים להצטרף, נראה שטראמפ יתחייב לפרסם בה באופן בלעדי. הרשת הימנית השנייה היא GETTR, וגם היא לא נחשבת הצלחה מסחררת, למרות שהיא מבטיחה אפס צנזורה/סינון תכנים. בינתיים, החופש שהיא מציעה מדיכוי נוצל על ידי המשתמשים כדי להפיץ המלצות על חומרי ניקוי כתרופה לקורונה ובעיקר לצורך הפצה של פורנו קיפודים, ספציפית, של סוניק הקיפוד הכחול.

הותיקה מכולן היא כנראה הרשת החברתית של הימין הקיצוני בארה"ב, האלט רייט, בשם GAB, שהושקה ב-2016. הרשת זכתה לתשומת לב בעקבות הירי בבית הכנסת בפיטסבורג ב-2018, בגלל שהיורה פרסם בה פוסט שרמז על כוונותיו. בנוסף, הרשת כנראה שימשה גם לתיאום הפריצה לקפיטול בינואר 2021, ומאז אותו אירוע הגדילה משמעותית את מספר החברים בה לכשלושה וחצי מיליון משתמשים.

במקרה של GAB, חוקרי רשתות חברתיות זחלו על הרשת ב-2018 והצליחו לחלץ ממנה כ-22 מיליון פוסטים שמשמשים עד היום כדאטהסט למחקר רשתי. אחת מהחוקרות של אותו דאטהסט, ד"ר נעמי ארנולד, שעוסקת במחקר של רשתות דינאמיות, גילתה כמה דברים מעניינים על GAB, שכללה באותו זמן כ-170 אלף משתמשים:

התגלית הראשונה שלה הייתה שכ-40% מהמשתמשים ב-GAB נטו לשוחח עם "זרים". הכוונה כמובן לא למקסיקנים אלא לכאלה שאינם חברים שלהם באפליקציה. בנוסף, היא מצאה שרכיב הקשירות המרכזי ברשת ההודעות ב-GAB מכיל באופן יומי כ-60% מהרשת. מה זה אומר?

נזכיר שרכיבי קשירות, עליהם דיברנו בפרק 2 בפודקאסט, הם אותם "איים" ברשת, כלומר, החלקים ברשת שמחוברים רק לעצמם. כמו שאנחנו יודעים מאותו פרק, רכיבי הקשירות ברשתות מתפלגים "זנב ארוך", כלומר, יהיה ברשת רכיב קשירות מרכזי גדול ולצידו "זנב ארוך" של רכיבי קשירות זעירים שרובם יכילו 2 צמתים בלבד שמתקשרים אך ורק זה עם זה. ברשתות שהמבנה שלהן יחסית סטאטי, כמו למשל ברשת החברויות בפייסבוק, אנחנו נצפה שרכיב הקשירות יהיה ענקי ממש ויכיל את רוב הקשרים ברשת, באזור ה-90%. בנוסף, אנחנו נצפה שהרכיב יהיה יחסית סטאטי ובעיקר יגדל עם הזמן. ברשתות דינאמיות לעומת זאת, אנחנו נצפה שהגודל של רכיב הקשירות יהיה קטן יותר כי, לאורך זמן, צמתים יכולים גם לעזוב אותו. בהקשר של טוויטר, אנחנו נצפה שרכיב הקשירות המרכזי של הרשת הסטאטית יהיה חלק משמעותי מהרשת כשב"סטאטי" הכוונה היא לרשימת היוזרים אחריהם אנחנו עוקבים. לעומת זאת, רכיב הקשירות של הרשת הדינאמית בטוויטר, כלומר, למי אנחנו מגיבים, יהיה קטן יותר משמעותית וגם יהיה הרבה פחות יציב. מה שד"ר ארנולד מצאה זה שרכיב הקשירות של ההודעות ב-GAB משתנה לאורך היממה. בשעות שבהן הפעילות יורדת, למשל, בלילה, הרכיב מגיע לכ-30% ובשעות הפעילות ל-60%. באופן די קבוע האמת.

רכיב קשירות של רשת דינאמית שנע רוב הזמן באיזור ה-60%, מעיד, לדעתי, שמדובר ברשת די מגובשת. הייתי מצפה שברשת חברתית דינאמית, רכיב הקשירות יהיה קטן הרבה יותר – אצבע בפה – 20% נגיד? הרבה פחות מזה של GAB. בהנחה שההערכה המצוצה מהאצבע הזו של 20%~ מקובלת עלינו, מה אנחנו יכולים ללמוד מזה? אז זה נראה שהימין הקיצוני הוא יחסית מגובש ואוהב להדהד את עצמו. וזה מזכיר קצת את מה שדיברנו עליו בפרק 13, שם דיברנו על קיטוב פוליטי ברשתות. בהמשך לאותו פרק, ההבנה שלי מהרשתות האלה היא שהזעקות על קיטוב מעט מוגזמות, כלומר, ברור שיש פערים בין ימין לשמאל אבל הקיטוב המשמעותי הוא לא ביניהם אלא בין הימין הקיצוני לכל השאר. נראה שהימין הקיצוני, מבחירה או כאילוץ, מצטופף בקהילה שלו ומופיע כמנותק יחסית מהשאר. למעשה, במקרה של GAB למשל, זה הגיע למצב שבו הימין הקיצוני בחר להתנתק לחלוטין מרשת המיינסטרים ולהקים רשת חדשה לחלוטין.

מכאן, העובדה שהרשתות האחרות של הימין כמו TruthSocial ו-GTTR, לא מצליחות להתרומם, הוא לדעתי סוג של נייר לקמוס על הבדלי הגישה בין פעילי הימין לימין הקיצוני:

בניגוד לקיצוניים, פעילי הימין עדיין מצביעים ברגליים לטובת רשתות המיינסטרים. כלומר, הם לא איבדו את האמון הבסיסי במערכת. לצד זאת, קיימת התמרמרות שבאה לידי ביטוי בניסיונות להקים רשתות חברתיות אלטרנטיביות, אבל זה מרגיש יותר כאקט מחאתי ופחות כתפיסת עולם. גם בישראל הוקם חיקוי לרשתות הימין האמריקאי בשם "Mykey" ובדומה למקור, גם ניסיון זה לא נראה שמתרומם כרגע. בין הסיבות לכך היא אולי שטוויטר, לפי מחקרו של ד"ר אורן צור מאוניברסיטת בן גוריון, למעשה כבר נשלטת על ידי הימין ולכן אין לפעילים מוטיבציה להחליף פלטפורמה.

דוגמא לדומיננטיות של הימין ברשת הטוויטר בישראל אפשר לראות בניתוח שעשיתי בעקבות פיגוע הירי בדיזינגוף ב-7 באפריל 2022.

בניתוח אפשר לראות שלא רק שקהילות הימין ברשת היו הגדולות והמשמעותיות ביותר, אלא שאפילו בקהילת השמאל, הגורם הכי מרכזי באותה קהילה היה ... גלית דיסטל, חברת הכנסת מהליכוד, כלומר, רוב האיזכורים של הקהילה הופנו אליה. ואני מזכיר – נכון למאי 2022 – הליכוד נמצא באופוזיציה והשמאל בקואליציה, מה שעושה את זה אפילו עוד יותר מעניין.

ניתוח רשתי הוא לא דבר מסובך, אבל הוא דורש מודעות וחשיבה רשתית. אני מאד בעד פרסומים פופולריים של ניתוחי רשת, שחשובים להעלאת המודעות והמורל, אבל צריך להיזהר מפרסומים כאלה שבהם הכותב.ת מתבלים את הפרסום בויזואליזציה של רשת שאולי נראית מאד יפה וצבעונית, כמו שוקולד בצורת ארנב, אבל כמוהו - מאכזבת וחלולה אחרי שמורידים את העטיפה. דוגמא לכך היא רשת שהפיץ מייקל ג'נסן, ממרכז המחקר לטרור של אוניברסיטת מרילנד. ג'נסן ניסה להבנות רשת של קשרים בין הפעילות והפעילים שהואשמו בפריצה לקפיטול ב-6 בינואר 2021.

המאמץ הוא ראוי, ומבט מהיר על הרשת מייצר תמונה מרשימה מאד. הרשת מכילה 244 פעילים והיא נראית יחסית צפופה וכך לכאורה מוכיחה כמה הדוק היה התיאום בין הפעילים.

אבל כשמתחילים לרדת לעומק העניין, העסק מתחיל להיפרם. קודם כל, הוגשו כ-800 כתבי אישום במסגרת חקירת הפריצה ורק כשליש מהם מופיעים במיפוי הרשתי של ג'נסן. נניח שהסיבה היא קושי בגישה לדאטה וניתן לג'נסן ליהנות מהספק. אבל כשבוחנים את הקשרים לעומק מגלים שיש ברשת שני סוגי קשרים: קשרים אישיים, שאלו הקשרים שנחפש לראות האם היה תיאום, וקשרים מסוג חברות בארגון. קשרים מסוג זה הם רופפים יותר ולא בהכרח מוכיחים הרבה. אמנם הארגונים שמופיעים ברשת נחשבים קיצוניים, בזה אין ספק, אבל לצד זאת, זה עובדה שלא כל החברים בארגון הואשמו בקנוניה. מכאן שחברות באותם ארגונים, לפחות מבחינת המשפט האמריקאי, אינה תנאי לשותפות בקונספירציה. ואפרופו קונספירציה, ג'נסן תייג ברשת את הצמתים או הפעילים שכתב האישום שלהם כולל קשירת קשר. בדיקה מדוקדקת של הרשת מראה שיש קשרים בין חלק מהצמתים האלה אבל רובם לא כל כך קשורים אחד לשני, לפחות לא לפי הדאטהסט שהוא מביא. חייב להגיד שזה קצת מביך, כי נראה לי שהתנאי הבסיסי לקשירת קשר הוא... שיהיה קשר. ההטייה של האנשים שהגיבו בהתלהבות לפוסט של ג'נסן הייתה שהם התמקדו בקשרים שהוא כן סימן אבל התעלמו ממה שלא נמצא שם, וזה טבעי. קל לנו להתייחס למה שיש ולא למה שאין. בכל מקרה, אני מקווה שלגורמי אכיפת החוק בארה"ב יש מודיעין רשתי טוב יותר ממה שלג'נסן היה להציע.

מה שזה בא להראות לנו זה שלרשתות יש הרבה כוח וחשוב להשתמש בהן בזהירות. רשתות מקיפות אותנו בכל מקום. בצורה כזו או אחרת, הכל קשור להכל, מה שנקרא: "בודהה צדק!". אבל זה שדברים קשורים, לא אומר שהם בהכרח משפיעים אחד על השני וזה שדברים נראים לנו בעין כקשורים, לא אומר שהקשר ביניהם בהכרח חזק ומשמעותי.

הנה, אפרופו בודהה, אני יכול להציג גרף שיראה שבודהה נמצא רק במרחק צעד אחד מהיטלר, לחובבי וחובבות הסמנטעל בקהל:

מה שיעזור לנו להבדיל בין עיקר וטפל ברשתות שלנו זה שימוש נכון באלגוריתמיקת רשת שתהפוך את תחושת הויזואליזציה שלנו למספרים קשיחים ותאפשר לנו להשוות בין הרשתות השונות. עם הזמן והניסיון זה יבוא לנו יותר טבעי.

עד כאן, הסתכלנו בעיקר על רשתות חברתיות בקטע של אקטואליה. אבל מה אפשר ללמוד מניתוח רשתי על יוזרים? בהקשר זה, רשת חברתית מעניינת שיצא לי לנתח לאחרונה היא יוטיוב. יש כל מיני דרכים להבנות את המידע של יוטיוב כרשת, למשל, מי מגיב למי, מי מנוי לאיזה ערוץ, איזה סרטונים נראו על ידי אותם משתמשים ועוד. אני מניח שיוטיוב עושה שימוש ברוב, אם לא בכל הגרפים האלו כדי להמליץ לנו על סרטונים, ולפחות במקרה שלי, היא עושה עבודה לא רעה בכלל בלהמליץ לי על סרטונים מעניינים. העוצמה של הגרפים האלה מאפשרת להתכוונן לרצון הצופים בדרך שקטגוריות כוללניות כמו "מוסיקה", "כלכלה", "מדע וטכנולוגיה" וכו' בחיים לא יצליחו לקלוע. הגרפים מספקים את ההקשר של הסרטון ובניתוח דאטה "הקשר" הוא מילת מפתח ולא בטוח שאנחנו תמיד נותנים לו את הכבוד הראוי. אי אפשר "לספר את הסיפור" של הדאטה בלעדיו.

חזרה לניתוח אז בניתוח הרשתי על יוטיוב ניסיתי לאפיין את קהל הצופים של סרטון שהעליתי בזמנו לערוץ החדש של נטפריקס. הסרטון שחקרתי הוא סרטון שמסביר על אלגוריתם למציאת קהילות ברשת, ספציפית, מודולאריטי.

את הניתוח הרשתי שעשיתי הקלטתי והעליתי כסוג של סרטון "לייב" כדי שאפשר יהיה לעקוב אחרי התהליך הלוגי של הניתוח ועל הדרך התרשם ממערכת ניתוח הרשת Gephi. מה שאותי הדהים בתהליך היה לגלות את העומק והמיקוד שניתוח רשת מאפשר בניתוח הדאטה. במקרה הזה, הסיפור שיכולתי לספר על קהל הצופים הרגיש לי מאד ממוקד: נראה שקהל הצופים מורכב בעיקר מסטודנטים הודיים למדע הנתונים שלומדים בחו"ל ומממנים את הלימודים באמצעות נהיגה במונית. נשמע יותר מדי ספציפי באופן מחשיד? לאלה שהסתקרנו איך אפשר להגיע לתוצאות האלה, כנסו לסרטון ותנו פידבק. אשמח להערות והארות.

המשמעות של הניתוח הזה גדלה לאור התאוצה ההולכת וגוברת של סוגיית הפרטיות ברשתות חברתיות. מידע על משתמשים הולך ונהיה קשה יותר לאיסוף, וכנראה שטוב שכך, אבל הדבר פוגע בעיסוק במרקטינג, טירגוט וכד'. לטובת אותה אוכלוסייה מוחלשת, ניתוח הרשת יכול להיות פתרון אלגנטי להבין מי הקהל יעד כדי שאפשר יהיה להתאים אליהם את המסרים, למצוא את המשפיענים כדי להרחיב את ה-Reach ולדאוג ל- retentionול-growth.

הניתוח לא חייב להיות של רשת חברתית במובן של פייסבוק, טוויטר או אינסטגרם. לחברות יכול להיות דאטה משלהם שמאד רלוונטי לנושא, רק צריך לא לשכוח להציף את הרשת החבויה בו.

אני מצרף כאן גלריית תמונות וקישורים לניתוחים מעניינים נוספים של רשתות חברתיות.

מכל רשת יש מה ללמוד – לא רק תובנות על הדאטה אלא גם על שיטות וכלי המחקר.

• ניתוח של רשת הטוויטר בעקבות סכסוך של חה"כ אביר קארה עם מפלגתו, ימינה (2021)

• ניתוח של הגורמים המרכזיים שעוסקים במלחמת רוסיה-אוקראינה בישראל (2022)

• התפלגות הטוויטר בין תומכי רוסיה לתומכי אוקראינה בהקשר קייב (2022)

• ניתוח של רשת הטוויטר במהלך הלווייתו של הרב קנייבסקי (2022)

• השיח אודות הבחירות בעקבות עזיבתה של חה"כ עידית סילמן את הקואליציה (2022)

• ניתוח רשתי של הבחירות בצרפת, ע"י תמיאו ג'קומי, כפי שפורסם בעיתון "לה-מונד" (2022)

ועכשיו, כמובטח, מגוון ביקורות מרחבי המרשתת:

המלצה מפתיעה לנטפריקס מאתר "ידיעות אחרונות". שם אסף יערי כתב:

עדיאל כתב בטוויטר:

אסף שפירא AKA @NetfrixP לקח נושא שיכול להיות יבש יותר ממצה ערב פסח ועשה ממנו קרואסון. הומור קליל, שליטה, רהיטות ומגוון מדהים של רעיונות.

תודה לעדיאל על הטוויט ועל היידישקייט.

דורון כתב בטוויטר בתגובה על ניתוח רשתי שהעלה עידו קליין, שהוא הרוח החיה מאחורי #פידתחבורה:

אחלה פרויקט ומפות יפות וכבוד ל @NetfrixP שמפיץ ידע רשתי בעברית וכמובן ל @idoklein1 על הקישורים.

רז כתב בלינקדאין:

המלצה חמה על הפודקאסט NETfrix, מעביר בצורה כיפית וברורה את המורכבות בנושא ניתוח רשתות(SNA). נתקלתי ביישום מגניב של זה בשיפור יכולת התבוננות(Observability) לתוך מערכות מבוזרות ע״י ניתוח טרייסים(tracing).

תודה רז, ולמי שמתעניין.ת מה רז מצא, לינק לפוסט נמצא בהרחבות לפרק.

אז כמו שניתן להבין, לנטפריקס יש גם ערוץ יוטיוב חדש כדי להפיץ את בשורת מדע הרשתות גם בויז'ואל. מדי פעם אשתדל להעלות דברים לא יותר מדי מביכים. מוזמנות ומוזמנים לסבסקרב. רוצות ורוצים לעזור גם להפיץ את בשורת מדע הרשתות? חשוב לא פחות זה לדרג את הפודקאסט. זה קריטי בשביל הרחבת התפוצה והמצב רוח שלי.

קחו שניה לתת 5 כוכבים לפודקאסט 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.

ואם עוד לא עשיתן לייק בדף של נטפריקס בפייסבוק, זה הזמן. אתרים עם יותר לייקים, מקבלים יותר חשיפה. לינקים לכל הפלטפורמות שציינתי נמצאים בלינק ההרחבות לפרק שנמצא בתיאור הפרק באפליקציית הפודקאסטים. אתם כבר שם? תעשו Subscribe.

לפניות/הערות/הארות/הצעות ועוד: שלחו מייל!

נתראה בפרק הבא של נטפריקס.

#פודקאסט #מדע_הרשתות#ניתוח_רשתות_חברתיות #ביגדאטה#מדעי_המחשב#מדע_הנתונים #יוטיוב #טוויטר#למידת_מכונה #קופים #חדשות #שיווק #טירגוט

#Podcast #NetworkScience #SNA #SocialNetworkAnalysis

#DataScience #BigData #Youtube #Facebook #Twitter #ML #MachineLearning #MonkeyPox #News #Marketing #Targeting #Engagement

בפוסט זה ננתח את רשת הטוויטר בישראל בזמן הפיגוע בדיזינגוף (7/4/22): ב-7 באפריל ירה מחבל ברחוב דיזינגוף והרג שלושה. המחבל נמלט והחל מרדף שנמשך כעשר שעות עד להריגת המחבל. באמצעות ה-API של טוויטר, אספתי אלפי טוויטים שהכילו מילים אינדיקטיביות לאירוע ("פיגוע", "תל אביב", "דיזינגוף") מהם נבנתה הרשת.

קצת על כלי הניתוח

לטובת הניתוח, נעשה שימוש במערכת ניתוח הרשתות – Gephi - בה עסקנו בפרק 21 (פודקאסט). אנצל את ההזדמנות לדווח שהיא יצאה בגרסה חדשה (0.9.3) אחרי שנים של הדחקה. אז מה הגרסה כוללת?

1. המערכת נראית טוב יותר ומכילה כותרות אינטואיטיביות יותר למה לחפש איפה.

2. ניקו קצת תכונות/plugins ישנים. אני מניח שזה אמור לעשות אותה גם יציבה יותר.

3. הבשורה הגדולה: הכניסו אלגוריתם חלוקה לקהילות חדש – Statistical Inference (ובקיצור – SI).

מה זה אומר? אז קודם כל, למי שצריכ.ה תזכורת לגבי מה זה חלוקה לקהילות והשיטות השונות לעשות זאת - מציע לקפוץ לפרק 5 לקרוא או סתם לרענן (פודקאסט). ועכשיו להסבר הקצר: SI הוא אלגוריתם שמתבסס על שיטת בייסיאנית של Stochastic Block Model)SBM) ובמילים של בני אדם, הכוונה היא שהאלגוריתם מנסה לחלק את הרשת לקהילות לפי מודל ההיווצרות שלה. על מודלי היווצרות של רשת דיברנו בפרק 3 ובפרק 9 אבל ניתן דוגמת קיצון להמחשה:

נניח שהרשת היא רנדומלית, כלומר, צמתים מתקשרים זה לזה באופן מקרי (למשל מודל ER של רשתות. אין רשתות כאלה כמעט במציאות, אבל רק לשם הדוגמה). במקרה כזה, לא נצפה למצוא קהילות ברשת כי ההגדרה של קהילה היא איזור ברשת שבו כמות הקשרים של הצמתים בתוכה גדולה מכמות הקשרים לשאר הרשת. כשפיזור הקשתות הוא רנדומלי, אנחנו לא מצפים להצטופפות של קשרים אלא שהקשרים ייתפזרו בין כל הרשת. למעשה, העובדה שלא אמורות להיות ברשת רנדומית קהילות היא הסיבה שהלובאין משתמש בה כדי להשוות את תוצאותיו: אם הוא מוצא שיש באיזור מסויים ברשת יותר קשרים ממה שהיה מצפה למצוא ברשת רנדומית, זו אינדיקציה שיש כאן קהילה. אבל בפרקטיקה... לובאין לפעמים כן מוצא קהילות ברשת רנדומית (אם היא מאד sparse, או לא צפופה) - כלומר, זיהוי מקרי של קהילה. לכן, יש כאלה שטוענים שלובאין הוא שיקוץ טמא (כי תיאורטית, אסור היה לו למצוא קהילות ברשת שההיגיון שלה נובע מהתפשטות רנדומית). שיטת SI אמורה לזהות שהמודל הוא רנדומי ולכן לא תמצא קהילות כלל (כל הרשת = קהילה אחת). אז למה להשתמש בלובאין בכלל?

1. כי ברשתות ענק, הלובאין נותן תוצאה די דומה ובאופן מהיר מאד.

2. ובפרקטיקה, אין סיכוי שניתקל ברשתות רנדומיות.

למשל, אפילו ברשת של רק כמה עשרות אלפי צמתים, SI של Gephi עדיין מתקשה לתת תוצאה מהירה (למעשה, בזמן כתיבת שורות אלו, האלגוריתם עדיין נאבק ברשת שנתתי לו לנתח). אבל רשת של כמה אלפי צמתים הוא ינתח בקלות.

בנוסף לגילוי קהילות, נעשה כאן גם שימוש במדדי מרכזיות כדי למצוא משפיעני רשת. לתזכורת לגבי מדדי מרכזיות, אני ממליץ לעיין בפרק 4 שהוקדש לנושא (פודקאסט).

רשת הטוויטר בזמן הפיגוע - מקרה בוחן

הרשת מכילה כ-3,360 צמתים (משתמשים) וכ-4,120 קשרים (מסוג: retweet/quote/mention).

את הרשת נחלק לקהילות (כל צבע יהיה קהילה) ובנוסף, נדגיש את המשתמשים ברשת שזכו להכי הרבה אינטראקציה (לצורך העניין, נשתמש במדד הפשוט של ה-InDegree, כלומר, כמה קשרים נכנסים לכל צומת). כדי לחלק את הרשת לקהילות, נעשה השוואה בין שלושה אלגוריתמים: לובאין (Louvain), ליידן (Leiden) ו-SI (מבוסס B-SBM).

לא במפתיע, תוצאות הלובאין והליידן נראים די דומים, כי שניהם עובדים על פי אותו עקרון (מודולריות, ור' סרטון קצר) כשלמעשה הליידן הוא פיתוח של הלובאין. ציון המודולריות של שני המדדים זהים (0.81) והוא נחשב גבוה, כלומר, הרשת מקלוסטרת היטב.

אבל מה לגבי SI? כאן התמונה נראית מעט שונה, אבל קשה להבחין ויזואלית בחריגות כי בכל זאת מדובר ברשת של אלפי צמתים.

ההבדלים והדימיון בולטים יותר לעין כשעושים שימוש בגרף קהילות. גרף קהילות הוא למעשה אגרגציה של הצמתים שראינו קודם. כל צומת בגרף הקהילות "מכיל" את כל הצמתים ששייכים לקהילה שלו. הקשתות הן הקשרים בין הקהילות. הקהילות במרכז הן הקהילות של רכיב הקשירות המרכזי, והצמתים "המנותקים" שמסביבן אלו הצמתים המנותקים שראינו בגרף הצמתים. לתזכורת על מהו רכיב קשירות ולמה ברשתות יש רכיב קשירות מרכזי והרבה רכיבים קטנים, אני מפנה לפרק 2 (פודקאסט). התיאור שמופיע ליד כל קהילה מתבסס על זיהוי הגורמים המרכזיים באותה קהילה (ומפנה לפרקים 4 ו-5 בכדי להסביר מדוע), וגודל הקהילה נקבע לפי המרכזיות שלה בגרף הקהילות, בדיוק כפי שנעשה בגרף הצמתים "הרגיל":

מילה לגבי תיוג הקהילות:

רשת הטוויטר היא רשת שמוגדרת כ"דלילה" (Sparse, או "לא צפופה") ולכן לא פעם גורמים מרכזיים בקהילה יהוו בעצם את "מהות" הקהילה. זה למשל המקרה בקהילת "ינון מגל"; ינון מגל, מגיש בטלויזיה/רדיו ומזוהה עם הימין, הוא צייצן בולט בכל נושא פוליטי ולכן יופיע ברוב הניתוחים.

אחת מהקהילות המענינות שנחשפות כאן היא קהילת "שמאל+גלית דיסטל": מחד, נמצאים בה בעיקר אנשי שמאל (כמו למשל גלעד קריב, ח"כ ממפלגת העבודה) אך הצומת המרכזי ביותר הוא דווקא חה"כ מהליכוד, גלית דיסטל אטבריאן. מכיוון שחברת הכנסת לא יצרה אף קשר ברשת מיוזמתה (OutDegree 0), ניתן להבין שקהילת השמאל "התאחדה" נגדה. נקודה נוספת, היא נוכחות של משתמשים מרכזיים תחת שמות ערבים בקהילות הימין (מופיעים כ"ערבים" בתמונה). משתמשים אלו נוטים להציג את הנראטיב היהודי-ימני ומגלים תמיכה עקבית בנתניהו. מחנה הימין נוטה להעצים את המסרים שלהם וכך להדהד את אותם קולות "אותנטיים" מהמגזר. גרף הקהילות מאפשר לנו לראות את הדימיון בין תוצאות הלובאיין לליידן. בשניהם יש בערך אותה כמות קהילות ברכיב הקשירות המרכזי ופחות-או-יותר אותן קהילות מרכזיות. בגרף הקהילות מבוסס ה-SI לעומת זאת, ניתן לראות שיש הרבה יותר קהילות, שכוללות גם קהילות שלא מופיעות בגרפי הקהילות הקודמים. הסיבה לכך היא "בעיית רזולוציה" בלובאין עליה דיברנו בפרק 5. אלגוריתמים מסוגו של הלובאין, מנסים מבצעים כמה איטרציות כדי "לחבר" קהילות זו לזו ולכן לפעמים נדרש "לצלול" לתוך הקהילות הגדולות של הלובאין כדי לחלץ מהן קהילות קטנות יותר ("תת-קהילות"). המחשה נוספת לדימיון/שוני בין האלגוריתמים נקבל בעזרת שימוש בתרשים זרימה מסוג Sankey/Alluvial. התרשים מראה לנו איזה מהצמתים בחלוקה של הלובאין מופיעים באיזה קהילות בחלוקה של ה-Leiden:

כמה הערות לגבי התרשים:

• הקהילות בצד הלובאין מסודרות לפי גודל (אין התייחסות למרכזיות הקהילה ברשת).

• התיוגים של הקהילות מתבססים על הגורמים המובילים בכל קהילה.

ניתן לראות שהקווים בין הלובאין לליידן יחסית ברורים, כלומר, ניתן לעקוב פחות או יותר איפה מופיעה כל קהילה בכל שיטה. הסדר של הקהילות אולי מעט שונה, אבל החלוקה עצמה יחסית מוסכמת על שני האלגוריתמים. כעת, נבצע את אותה השוואה שביצענו קודם, רק הפעם בין ה-Louvain לבין SI:

כאן כבר השינויים מובהקים מאד. אחת מהסיבות ש-SI "מתפזר" על יותר קהילות מהלובאין היא אותה "בעיית רזולוציה" בלובאין עליה דיברנו קודם (והרחבנו עליה בפרק 5). מבחינת התכנים:

ראשית, ניתן לראות שהקהילה המבוססת על דמות מרכזית (ריקלין) וקהילת ה"שמאל+גלית דיסטל" מוסכמת על שני האלגוריתמים. מה לגבי כל השאר? רוב ההבדלים נובעים מרזולוציה, כלומר, הלובאין מציג אגרגציה של הקהילות הקטנות שה-SI זיהה.

בגלל הרזולוציה המשופרת, ה-SI חושף לנו קהילות מעניינות כמו למשל קהילת "הקואליציה" (שמכילה את בנט/לפיד). הבדל מעניין נוסף הוא קהילת החדשות (News):

הלובאין לא שם את כל הצמתים שמייצגים גופי ממסד באותה קהילה. כלומר, מבחינת הלובאין, שבוחן קשרים, העוצמה של הקשרים בין הגופים השונים "לא הייתה חזקה מספיק" כדי להגדירם באותה קהילה. לעומת זאת ה-SI, שמנסה לחלק את הקהילות לפי מודלים של בניית הרשת, זיהה שאופי היווצרות הקשרים של הגופים הממסדיים (גופי חדשות, משטרה) דומה ולכן כלל את המשטרה עם גופי החדשות.

אין הכוונה שאלגוריתם אחד עדיף על האחר. אין נכון או לא נכון. המטרה היא להדגים שההשוואה בין שתי התפיסות האלו נותנת לנו מימד נוסף על הרשת והצמתים שבה. כך למשל, בהקשר של קהילת החדשות, הלובאין מספר לנו איזה גופי ממסד יותר קשורים זה לזה וה-SI עוזר לנו לבחון את אופי הפעילות שלהם.

#נטפריקס, #מדע_הרשתות #רשתות_חברתיות #מדע_הנתונים

#NETfrix #Network_Science #SNA #Social_Network Analysis #Graph_Theory #Data_Science #Podcast #Twitter #Dizengoff

לפני הכול, אני שמח לבשר שבימים אלו סיימתי לכתוב את "ספר הרשתות הגדול" (שם זמני) שאנשאללה יצא בקרוב. אגב, אני ממש פתוח לרעיונות לשם של הספר, אז אם יש לכם/ן כאלה – אשמח לשמוע!

בדומה לפודקאסט, מטרת הספר היא להנגיש את הנושא לציבור רחב ככל הניתן ולכן הוא נכתב באופן ידידותי למשתמש, עם הפניות להרחבות (לחובבי וחובבות ז'אנר ההרחבות. מסתבר שיש כאלה).

כמובן שלמנויי האתר של נטפריקס www.SNApod.net הספר יוצע בהנחה, אז אם עדיין לא נרשמתן/ם – זה הזמן. ואם אתם/ן מעוניינים לשריין מראש כמות של ספרים, למשל, כדי לאכזב את העובדות והעובדים שלכן/ם עם ספר מתנה – אל תהססו לפנות אלי. (SNApodnet@outlook.com)

אנקדוטה מוכרת במדעי המוח היא ניסוי שעשה יצחק פרייד על מטופלים בזמן ניתוח. בזמן ניתוח מוח, המטופל ער, המוח שלו מלא אלקטרודות ואין לו ממש לאן ללכת. פרייד ניצל זאת כדי להשיג את הסכמתם לניסוי שבו הראה למטופלים תמונות ובדק איך המוח מגיב לכל תמונה. התגלית המפתיעה שלו הייתה שקיים נוירון מסויים שהופעל רק כשהראו למטופל תמונה של...ג'ניפר אניסטון AKA רייצ'ל מהסדרה "חברים". הסיבה שמדובר באנקדוטה היא שכיום ברור לכולם שהמוח לא עובד בשיטה כזו: אין לנו רשימת נוירונים מקבילה לרשימת אנשים שאנו מכירים. המוח שומר את הזכרונות כרשת. פרייד הראה זאת בניסוי המשך שערך שנים אחר כך, הפעם על חולי אפילפסיה שאלקטרודות נשתלו בראשם במסגרת הטיפול. הוא הראה למטופלים תמונות של מגדל אייפל ותמונות של ג'ניפר אניסטון כדי לאתר היכן מתרחשת הפעילות במוח שאחראית לזיהוי תמונות אלו. לאחר מכן הוא הראה להם תמונות מזוייפות של ג'ניפר אניסטון שנשתלו לצד מגדל אייפל וכך יצר קשר בין אותם איזורים. בהמשך הניסוי, כשאותם המטופלים ראו תמונה רק של ג'ניפר אניסטון, הופעל גם אותו איזור במוח שזיהה את מגדל אייפל.

מסקנתו הייתה שזיכרון הוא קשר בין איזורים במוח ולכן, אם אנחנו רוצים לזכור איפה החנינו את האוטו, כדאי לייצר אסוציאציה בין האוטו שלנו למקום שבו החנינו. הקשרים, או הגרף, שמחברים את פיסות המידע בראשנו, מייצרים לנו ידע, כלומר, מה שהמוח מספק לנו זה בעצם גרף ידע עשיר, דינאמי גמיש ומורכב. ואם זה טוב למוח שלנו, אז למה לא לדאטה שלנו?

בזמן האחרון פנו אלי לא מעט בנושא Graph DB וגרף ידע שאלו נושאים שלא כיסינו עד היום בפודקאסט. אמנם התעסקנו ברשתות בתעשייה - אבל התמקדנו בעיקר איך לנתח רשתות מהצד של המשתמש וזה באמת הבסיס. קודם כל, כי כשאנחנו ניגשים לרשתות, אנחנו צריכים להבין מה אנחנו עושים וגם כשרוצים לשנות משהו, אז קודם כל השינוי מתחיל בתוכנו. אבל כשאנחנו רוצים לעבוד בסביבת ביגדאטה רשתית, שתכיל את כל הנתונים שלנו ותאפשר לנו חופש לחקור את הדאטה מכל זווית אפשרית – אנחנו צריכים שהדאטה שלנו, בבסיסו, יהיה מוכן לשתף איתנו בזה פעולה. אז אם הכל הוא רשת, אז אולי לפחות חלק מהתעשייה צריכה לקחת את זה לשלב הבא?

והשלב הזה הוא Graph DB.

לכן הפרק הזה הוא עם זווית מבט קצת שונה. בפרק זה ניקח צעד אחד אחורה ונסתכל על סביבת העבודה שלנו ומה נוכל להרוויח אם במקום להבנות כל פעם את הדאטה שלנו כרשת, פשוט נקבל את העובדה שהוא רשת וכך נשמור אותו מלכתחילה. למה הכוונה? במאגרי נתונים מסוג SQL, שמכילים טבלאות של רשומות, אנחנו נאלצים לעשות Join או "הצמדה", כל פעם שאנחנו רוצים לקשר בין טבלאות שונות. זהו תהליך תובעני עם הרבה אילוצים ומוגבל מבחינת ביצועים. Graph DB לעומת זאת הוא Join בנטוראל ולכן אין כמעט בפועל מגבלה על כמות הקשרים בין ישויות שהוא יכול לעשות. כדי להמחיש את הפוטנציאל, נביא בפרק דוגמאות ויישומים לשימושים השונים שניתן לעשות בסביבה שכזו. ודוגמא נחמדה ונגישה לגרף ידע הוא מאגר ICIJ, שהוא הקונצרן הבין-לאומי של עיתונאים חוקרים. מאגר זה המכיל כמעט מיליון ישויות, מתבסס על מסמכים שהודלפו למשל, מסמכי פנמה (שהודלפו ב-2016) או מסמכי פנדורה (שהודלפו ב-2021) והוא נגיש לציבור הרחב. בכדי לאפשר ניווט נוח בין הישויות השונות, למשל, שמות אנשים, שמות חברות, כתובות ועוד, הוא נוצר על Graph DB וכולל גם ויזואליזציה נוחה.

רשת סמנטית/גרף ידע זה בעצם שמות נרדפים לאותו רעיון: אלו גישות שמאפשרות למצוא ערך לא רק ברשומות שלנו אלא גם בקשר בין הרשומות. והתשתית שמאפשרת לעשות את זה היא Graph DB . ענקיות הטכנולוגיה כבר מזמן שם. הדוגמא הבולטת ביותר היא גוגל שמשתמשת בגרף ידע כדי להציג למגגלים את התוצאות המתאימות להם ביותר. אם כבר הזכרנו תוצאות בגוגל, אז גם המתחרה הכי גדולה של נטפריקס ב-SEO, כלומר נטפליקס, עושה שימוש בגרף ידע בכדי לשמר קשרים בין שמות הסרטים, השחקנים והבמאים וכך להתאים טוב יותר לצופים את הבחירה לסדרה או הסרט הבאים שיצפו. חברות גדולות כמו אמזון ומיקרוסופט מציעות שירותי Graph DB כחלק משירותי הענן שלהם, כאלה שמסוגלים להתמודד עם ביגדאטה.

הנה, גם אני אמרתי "ענן" ו-"ביגדאטה" באותו משפט, כאחרון הלוזרים. אז לפני שאני אתחיל להגיד AI ואעשה את זה ממש מביך, אני מציע שניגש לעסק.

אחד מהשמות המוכרים בעולם ה- Graph DB, הוא Neo4J, שהיא אחת מהחברות הוותיקות בתחום, ושוחחתי עם נציגי החברה בישראל לטובת הפרק. החברה נתנה את אחת הדוגמאות המוכרות שלהם ליישום של Graph DB והוא המקרה של נאס"א. נאס"א עשו שימוש ב-Graph DB כדי לאחד את כל מאגרי המידע שלהם, אבל בעיקר בכדי לשמר את הקשרים בין חלקי המידע השונים. למשל, מאמרים שנשמרו במאגר מכילים מספר מרכיבים: מחברים, נושאים (Topics) שנת פרסום וכד'. כל פריט מידע כזה מקושר לשאר פריטי המידע ולכן שימוש ב-Graph DB איפשר ניווט טוב יותר וחסך לדברי החברה שנים רבות של עבודה.

מצד שני, תהליך ה-ETL (או Extract, Transform, Load, כלומר הגירת המידע למערכת), הוא תהליך לא פשוט שדורש איפיון והבנה עמוקה של המערכת.

גם השימוש במערכת הוא לא טריויאלי ודורש היכרות עם קוד. במקרה של Neo4j - השפה היא Cypher, שבה נדרש להשתמש בשביל לממש את האלגוריתמים השונים הקיימים בספרייה העשירה של המערכת (למשל לצורך מדדי מרכזיות, גילוי קהילות, מציאת דמיון בין צמתים ועוד).

לצד זאת, לאחר הקמת המערכת, ניתן לעשות שימוש בממשק ויזואלי פשוט ונגיש יותר למשתמשים בשם Bloom, שלא דורש היכרות עם Cypher, אך מאפשר רק שאילתות פשוטות, אך כן מאפשר אקספלורציה במידע. Neo4J ממקסמת על הגרף. דוגמא אחרת היא חברה בשם Grakn, שבשיחה שלי עם נציגיה, תיארו כיצד היא ממקסמת על הרשת הסמנטית. הכוונה היא שמצד אחד היא מאפשרת חופש רב יותר של קשרים ומצד שני, מאפשרת להניח חוקים על המאגר. נדגים תחילה למה הכוונה בחופש מבחינת הקשרים:

נגיד שבמאגר הנתונים שלנו מופיע שא' נשוי ל-ב'. א' ו-ב' הם צמתים מסוג "אנשים" ו"נשוי" הוא סוג של קשר.

אבל "נשואים" יכול להיות לא רק קשר אלא גם צומת, למשל, אם נרצה לראות את כל הנישואים בישראל, נוכל להתייחס לערך "נישואים" גם כצומת שקשור לצומת "ישראל". כלומר, Grakn מאפשרת גם להפוך קשתות לצמתים.

כהדגמה לחוק שהמערכת מאפשרת להגדיר נוכל לנסח משהו כמו: אם X קשור ל-Y ו-Y קשור ל-Z, אז X קשור ל-Z. ניתן ליישם זאת, למשל, על מאגרים גיאוגרפיים: אם לונדון היא באנגליה ואנגליה היא באירופה, אז ניתן להגדיר חוק שמגדיר ערים כ-subset של מדינות כך שלונדון תופיע לנו גם תחת אירופה.

ישנם הרבה מאד יישומים נוספים ומגוונים לגרף ידע שאפשר למצוא במרשתת, אבל כאן אני רוצה להביא דווקא את זה שלא תשמעו עליהם במקומות אחרים וזה המקרה המיוחד, המרתק והשאפתני של חברת Smartech בה עובדים רועי וניצן. בראיון עימם הם סיפרו שמטרת החברה היא למחזר תהליכים ופתרונות שמשמשים בתעשיה X לתעשיה Y ועל ידי כך להביא לחסכון בתהליך. הם הביאו לדוגמא פתרון שהחברה סיפקה לתעשיית העץ לצרכי בנייה. תעשיית העץ בתחום זה עושה שימוש בשעווה (במצב נוזל) אותה היא מפזרת על העץ, אבל הרבה שעווה בוזבזה בתהליך הייצור. החברה חיפשה תעשייה שעושה תהליך דומה אך עם פחת נמוך ומצאה את תעשיית הרכב. בתעשייה זו לא נעשה שימוש בשעווה אבל כן נעשה שימוש בצבע (נוזל) שמיועד להיצמד לשטח מוצק (הרכב). הפתרון בתעשיית הרכב הוא ל"מגנט" את החומרים כך שיידבקו זה לזה. אמנם קשה למגנט עץ אך את השעווה ניתן היה למגנט וכך לייעל את הדבקתה. רועי וניצן עושים שימוש ב-Graph DB בכדי למדל את הידע והתהליכים מהתעשיות השונות כדי למצוא דימיון (Similarity) סמנטי, על תשתית הגרף, בין התהליכים והחומרים השונים. הרעיון של למדל את הידע של תעשיות שלמות כרשת נשמע מאד יומרני, אבל רועי וניצן נעזרים בספריות פתוחות של ארגונים שממדלים את הידע האנושי כרשתות סמנטיות בתחומים שונים, למשל בתחום הכימיה, הביולוגיה ועוד (כמו למשל ספריות מפרויקט Protége של אוניברסיטת סטנפורד). בספריות אלו התהליכים השונים מוצגים כגרף. מה שחסר - הם נאלצים להשלים בעצמם. כמו כן, הם עושים שימוש ב-RDF שהוא מודל של רשת סמנטית לתיאור מקורות מידע ונושאים וכמו כן הם משתמשים גם ב-OWL שמשמש כשפה של רשתות סמנטיות, שמאפשר להם לעשות קלאסיפיקציה נוספת על המידע שלהם, בעזרת שימוש בחוקים. טיפ שהם נתנו בהקשר זה הוא שעדיף למעט בשימוש ב-RDF/OWL כי הם מיושנים ומסורבלים.

דוגמא לגרף ידע מהתעשייה:

בתמונה מימין - גרף ידע (במאקרו) של תהליך ייצור הבירה (כפי שהוא נראה בממשק Bloom של Neo4J). בתמונה משמאל - אותו גרף עם מקרא צבעים: הצמתים: הצמתים בגוונים הכחולים הם חברות / מפעלים/ מותגים של בירה, הירוקים הם מיקום, הוורודים הם החומרים/מוצרים, הצהובים הם התהליכים (ניתן לראות שיש פחת בתהליך השמרים שנכנס לתהליך של ייצור מרמייט, ממרח אנגלי שרק אנגלים מוכנים לסבול). הקלאסטרים בגרף: הקלאסטר הסגול הוא של החברות העסקיות. הירוק הוא תהליך הייצור (חלקו מעגלי בגלל שחלק מהיצרנים גם מוכרים חומרי גלם להכנה), הכחול הוא ייצור תוספי מזון על בסיס שמרים.

כמובטח, הנה כמה ביקורות ותיוגים של נטפריקס מרחבי המרשתת:

בהשראת נטפריקס, אושיית הטוויטר עדו קליין החל להדיח אנשים תמימים לעשות שימוש באלגוריתם לובאין לחלוקת קהילות והוא נותן שם דוגמאות ממש יפות לניתוח הרגלי תחבורה. אפרופו להדיח, אז בין שאר הרגליו המגונים, הוא מעלה תמונות של הכלים שהוא שוטף בכיור בשעת האזנה לכל פרק בפודקאסט. לדעתי, אחד מהפידים המרתקים. ביקורת יותר מיינסטרימית היא זו של יובל שכתב בפודקאסט אדיקט:

Like its subject matter, Network Science, this podcast is interdisciplinary. Like few other teachers, Asaf Shapira has understated humor. Overall, NETfrix explains a complex, visual subject over very accessible audio.

אהבתי מאד את גישת ה-In your face של ברוך שסיכם את התרשמותו מנטפריקס כשכתב בטוויטר:

סיכום לפרק 2 של נטפריקס – "האמת על עולם הרשת" - פרק מקיף, מעניין ומעמיק על גודל הרשת והפיזור של הצמתים בה. אבל אני לא כזה מתעניין ברשתות. אם אתם כן, ממליץ לכם, תקבלו נקודת מבט רחבה ויסודית על הנושא.

ונסיים ביישום שלא חשבתי עליו למערכות ניתוח רשת. עוז כתב בטוויטר בתגובה למישהו שחיפש כלי לויזואליזציה ליצירת תיאוריית קונספירציה:

בפרקים האחרונים של נטפריקס הוא הציג כלים לבניית גרפים מתמטיחם, או רשת של קשרים. אני חושב שחלקם אפשריים למימוש של כל אחד ללא קוד או משהו כזה, שווה לבדוק.

בקטע של לעזור להפיץ את בשורת מדע הרשתות? 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.

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.

נתראה בפרק הבא של נטפריקס.

#פודקאסט #מדע_הרשתות #ניתוח_רשתות_חברתיות #תורת_הגרפים #מדע_הנתונים #תוכנה

#Podcast #NetworkScience #SNA #SocialNetworkAnalysis #GraphTheory #DataScience #Software #Book #Neo4J #AWS #Neptune #Google #Microsoft #Azure #Cosmos #Cloud #Bigdata #RDF #OWL

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?

מכיוון שזה נושא מורכב, נעסוק בו בפרקים מאוחרים יותר - פרק 9 ופרק 15,

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

#Podcast #NetworkScience #SNA #SocialNetworkAnalysis #GraphTheory

#DataScience #ONA #OrganizationalNetworkAnalysis #Statistics #BigData #ComputerScience #Mathematics #Physics #Google #Facebook #Twitter #Cyber #ML #MachineLearning #Biology #Chemistry #Covid19 #Neurology #Sports #Intelligence #Astronomy #SocialScience #History

מה מתרחש (:

אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

לפני סיום הסקירה של המערכות לניתוח רשת ודירוגן הסופי, הייתי רוצה לנצל את ההזדמנות לדבר על נתונים ודירוג בהקשר של הצלחה והשפעה ברשת, שזה נושא שיצא לי להרצות עליו בזמן האחרון. דירוג פודקאסטים הוא פיצ'ר חדש שהכניסה אפליקציית ספוטיפיי, שהיא האפליקציה שאחוז גדול מהמאזינות והמאזינים שלנו משתמשים בה. כמה גדול? אז כ-30 אחוז מאזינים לנטפריקס דרך ספוטיפיי. חצי מכך, כלומר, באיזור ה-15%, מאזינים דרך אפל. שליש, או 10%, מאזינים דרך גוגל ורבע דרך פודקאסט אדיקט. שאר עשרות האפליקציות זוכות כל אחת לכאחוז ומטה. מי שלא הופתע או הופתעה מהנתון הזה יכול להמשיך הלאה. למי שזה נראה סתם צירוף מקרים שמקום 2 הוא חצי ממקום ראשון, מקום 3 הוא שליש ומקום רביעי הוא רבע, אני מזמין לפרק 3 של נטפריקס בנושא חוק החזקה או ה-Power Law.

חזרה לדירוגים, אז דירוג הוא פעולה אקטיבית שאנחנו מבצעים. זה דורש רצון ואנרגיה של שני הצדדים: הפודקאסט צריך לחזור ולבקש ממאזיניו לדרג והמאזינים צריכים ללחוץ על כפתור. נשמע פשוט נכון? אז בהנחה שהפודקאסט מממלא את הצד שלו, כמה אחוז מהמאזינים ידרגו את הפודקאסט? קחו שניה לחשוב על זה.

אם נתתם מספר דו ספרתי, סימן שאתם צריכים לחזור אחורה כמה משבצות לפרק 3. התשובה היא שהמספר ינוע בין 1 ל-10 אחוז, שזה התפלגות "זנב ארוך" קלאסי של מעט שמדרגים לצד רוב דומם. וזה נורמלי וטבעי מאד וגם נטפריקס נמצא שם. מה שהפתיע היה שבין המדרגות והמדרגים היה גם מישהו שנתן לפודקאסט רק כוכב אחד או אם לצטט משירו של נתן זך: "איך זה שכוכב אחד מעז? איך הוא מעז, למען השם?!" אז מה, מבאס? כשלון? בדיוק ההפך.

למה? כדי להבין למה, צריך לספר את הסיפור של אברהם וולד.

וולד היה מתמטיקאי שהצטרף במלחמת העולם השניה לקבוצת מחקר שעשתה חקר ביצועים סטטיסטי לטובת הצד הנכון במאמץ המלחמתי. הפרוייקט המוכר ביותר כיום של אותה קבוצה הוא מחקר שנדרשו לבצע על מיגון מטוסים: הצבא העביר לקבוצה נתונים לגבי פגיעות במטוסים שחזרו מהמשימה, כשהנטייה של הצבא היתה למגן את אותם איזורים שנפגעו. אבל וולד, שעבר על הנתונים, ציין שהמצב הוא הפוך: מכיוון שהמטוסים שנבדקו הם אלה שהצליחו לחזור מהמשימה, הדבר מעיד שהאיזורים שבהם נפגעו אינם מהותיים לכשירות המטוס. דווקא המקומות שלא נפגעו הם כנראה האיזורים הקריטיים. הסיבה שאין פגיעות באיזורים אלה הם בגלל עיקרון סטטיסטי שנקרא "הטיית השורדים": המטוסים שנפגעו באיזורים הקריטיים לא יכלו לחזור לספר את הסיפור.

למרבה הצער והאירוניה, וולד עצמו נספה בתאונת מטוס ב-1950 ולא זכה לקצור את מלוא התהילה על המחקר שלו. הסיפור שלו פורסם רק 30 שנה אחר כך, בספר זכרונות של אחד מהחוקרים באותו מרכז, ומאז הפך לאגדה. וכמו כל אגדה, זו אכן קצת אגדה אבל בניגוד להרגל שלי ושל הנ"מ הגרמני ליירט דברים, הפעם אני בוחר להשאיר אותה לטוס בשמי הארץ.

אז איך הסיפור היפה הזה על ספיטפייר קשור לספוטיפיי? כשאנחנו יוצרים משהו, אנחנו נוטים לחלוק את היצירה קודם כל עם אנשים שקרובים לנו וחושבים כמונו. לא במפתיע, נקבל הרבה פעמים עידוד וביקורות חיוביות כמעין תיבת הדהוד או echo chamber למחשבות שלנו. אלו התגובות ששורדות ומגיעות אלינו ומעודדות אותנו להמשיך לכתוב שירה ווגונית, שהיא כידוע לכל קורא של דגלאס אדאמס, סוג השירה השלישי הכי גרוע ביקום. הילדה שלי למשל מרבה לצייר בזמן האחרון ארנבים קורצים. למה קורצים? לא שאלתי. אני קהל שבוי. אבל אני חושש לפעמים לפרסם את היצירות שלה מעבר לגבולות המקרר. מה אם המבקרים במוזיאון ייתנו ביקורת שלילית על הרגלי הקריצה שלה וזה יפגע בנפשה הרכה? והנה ההקשר לנטפריקס:

עד עכשיו הפודקאסט קיבל הרבה ביקורות תומכות וחיוביות מהקהילה שנתנו לי את הכוח להמשיך ולהציף את אהבתי לרשתות ושנאתי לרשימות. אבל הקטע עם קהילות זה שהן מבוססות על הומופיליה, כלומר, קהילה ברשת היא קבוצה של אנשים שחולקים מכנה משותף כלשהו. אני מתלהב מהביקורות החיוביות כי הן אלה ששרדו להגיע אלי. הקרובים והיקרים לי שפחות התלהבו פשוט בחרו לא להציף את הביקורת. הרי למה להסתבך? מה זה פה, הוואטסאפ של הגן שאפשר לפתוח ג'ורה על אנשים בלי השלכות? מה שזה אומר זה שברגע שנקבל אינדיקציה שמישהו לא חולק איתנו את אותו מכנה משותף, ולמעשה, הוא מוכן אפילו להשקיע אנרגיה כדי להראות לנו את זה, זה כנראה סימן שהגענו לפיתחה של קהילה אחרת. זה קרה כשמישהי או מישהו עם Betweenness גבוה, כלומר, צומת ברשת שמהווה גשר בין קהילות, החליטו להעביר את הפודקאסט הלאה. מה שניתן להסיק מזה הוא שהשמועה על נטפריקס ומדע הרשתות מתפשטת ומתחילה לחצות קהילות. ומה לעשות, כשמתפשטים, נתקלים גם בהתנגדות. תשאלו כל איש ערום שרץ אי פעם לתוך מגרש כדורגל.

אז רגע לפני שנעבור לדירוג המערכות, אמרנו שלקבל דירוג מאחוז בודד של מאזינים עונה להגדרה של התפלגות זנב ארוך וזה נורמלי וטבעי. אבל האם זה אנושי? תלוי איך מגדירים אנושי וטבעי. במובן המילולי, יובל נח הררי מגדיר טבעי כל דבר שקורה או יכול לקרות. אם זה קרה, הרי זה כי הטבע איפשר זאת ולכן זה טבעי. אם נוריד קצת את הבולד מהשוליים של ההגדרה הזו, אז זה ייתן לנו מקום להתפעל מעצמנו: למשל זה שבני אדם מסוגלים להיכנס לצינורות מתכת, לעוף בתוכם מסביב לכדור הארץ ולנחות בשלום, זה הישג שאנחנו חוגגים יום יום. לא פלא שאחרי טיסה אנחנו נדרשים לדחוף מטוש לאף להזכיר לנו שאנחנו רק בני תמותה. אבל יובל נח הררי צודק - טיסה היא אפשרית ולכן טבעית, כלומר, לא ניצחנו את הטבע. רק ניצלנו את הטבע. וניצול זה משהו שכולנו נסכים שהוא אנושי מאד. אבל מה לגבי נצחון על הטבע? יש בכלל כזה דבר?

כנראה שלא, אבל עצם הניסיון נשמע לי כמו תמצית ההגדרה, או הטרגדיה, של מהו אנושי. אז מכיוון שנטפריקס הוא פודקאסט ללא מטרות רווח, והוא נהנה בעיקר מהדירוגים שאתם נותנות ונותנים – תנו לאנושי שבתוככם לנצח את הנצחון הקטן הזה. תילחמו בטבע שמכתיב לכם לא לעשות את זה – ותלחצו על הכפתור לדרג.

אז זו היתה הההקדמה לנושא הדירוג שנעסוק בו בהקשר של מערכות לניתוח רשת. המערכות בפרק הזה זוכות לפרק נפרד מפני שמכל מיני סיבות הן או הרבה פחות פופולריות או שהן צריכות להיות הרבה פחות פופולריות. זו גם הסיבה שאת הפרטים המלאים עליהן נשמור בעיקר לבלוג ההרחבות, ופה נתייחס רק ל-juicy stuff. אבל רגע, אם זה המצב, אז למה בכלל לטרוח?

אז דווקא יש הרבה דברים שניתן ללמוד מהן.

אבל זו ההזדמנות לתת הבהרה חשובה לפרק הזה ובכלל:

הפודקאסט נטפריקס בנוי כך שפרקים 2 עד 5 הם פרקי יסוד שעליהם בנויים שאר הפרקים.

זה לא חובה לשמוע אותם, אבל זה יבהיר הרבה מאד מהדברים שנאמרים כאן, כמו למשל מהו חוק החזקה, מדדי מרכזיות, חלוקה לקהילות וכדומה.

לגבי הפרק הזה ספציפית, ממליץ לשמוע את פרקים 21 ו-22 קודם כי שם התחלנו את הסדרה בנושא מערכות לניתוח רשת ופה נרחיב ונסכם.

אוקי, עד עכשיו סקרנו, כולל Gephi, חמש מערכות שמהוות את המיינסטרים למחקר רשתות נגיש. בפרק הזה תיכננתי להציג את 7 המערכות שנותרו, אבל בזכות הפרק הקודם, פנו אלי וגילו לי שיש מערכת נוספת, אז יצא לנו 8 סה"כ. ועכשיו לשאלה הגדולה, למה לסקור אותן מלכתחילה? אז קודם כל, כי בסוף הפרק תהיה לנו ההזדמנות לסיים את הסדרה בטבלה האולטימטיבית שתכריע, מי המערכת שתשלוט בכולן? ואני מבטיח שהגמר יהיה מפתיע. למי שפחות בקטע של ריאליטי ויותר בקטע של רשתות, אז יהיו לנו פה לא מעט הזדמנויות למידה. למשל, דרך המערכות האלה נחשף למהו גרף ידע ובמה הוא שונה מרשתות רגילות. בנוסף, נזכיר מה זה Random Walks או "שיטוט ברשת" ומה הקשר בינו לבין מטריצות, עליהן דיברנו בפרק 21. ואפרופו מטריצות, בסוף הפרק נספר על יתרון משמעותי שיש למטריצות על פני גרפים, שלא הזכרנו בפרקים הקודמים.

ואחרון, לחובבי ההיסטוריה, נדבר פה קצת על מערכות ניתוח הרשת הראשונות שתתפלאו, אבל חלקן שרדו עד ימינו. שיבדלו לחיים ארוכים? נדבר גם על זה.

את הפרק נתחיל עם מערכות ה-web שאיתן סיימנו את הפרק הקודם. למעונינים במאפיינים כלליים של מערכות אלו, אני ממליץ לחזור משבצת אחת אחורה לפרק 22.

Graph Commons

והמערכת הראשונה שנדבר עליה היא Graph Commons. מה שמייחד אותה מכל שאר המערכות שסקרנו ונסקור הוא שהיא מתיימרת לייצר גרף ידע, או Knowledge Graph שזה מונח שבטוח נעסוק בו מתישהו לעומק בפרק עתידי. למה מתיימרת? נשמור משהו לסוף. גרף ידע, בשונה מרשתות סקרנו עד היום, יהיה לרוב מורכב מכמה סוגים של צמתים וכמה סוגים של קשתות. דוגמא למודל פשוט לרשת כזו שמכיל ארבעה סוגי צמתים היא מודל P-O-L-E שנקרא כך כי הוא מורכב מ: Person-Object-Location-Event. סוגי קשתות אפשריות במודל כזה יכולות להיות למשל קשת מסוג חברות בין אנשים, קשת מסוג בעלות של אדם על חפץ וכד'. גרף מסוג זה יהיה בדרך כלל גם מולטיגרף, כלומר, הוא כזה שמאפשר מספר קשתות בין אותם שני צמתים. לדוגמא, אפשר לדמיין ברשת שני צמתים מסוג בן אדם שיש בינהם מספר סוגים של קשתות אוקשרים שנרצה לראות בו זמנית, למשל, קשת מסוג של פגישה, קשת מסוג של שיחת טלפון וקשת של חברות. כבר עכשיו אנחנו הולכים פה על חוט דק או יותר נכון – קו פרשת מים – בין מערכות לניתוח רשת לבין מערכות שמאפשרות לייצר גרף ידע ומכאן כבר קצרה הדרך לדאטהבייסים גרפיים. אז נשאיר משהו לפרקים עתידיים, ורק נזכיר קצת מהחסרונות והיתרונות של גרפים כאלה.

היתרון של גרף ידע הוא כמובן במידע ובידע הנוסף שהוא מאפשר לנו לראות על הצמתים והקשתות. במובנים מסויימים, גרף הידע מקרב אותנו לתיאור מדוייק יותר של המציאות שבה לכולנו יש קשרים מסוגים שונים לדברים מסוגים שונים. החיסרון הוא שנתקשה להפעיל עליו אלגוריתמיקת רשת, וכבר נתקלנו בזה בעבר כשדיברנו על רשתות שהן Bipartite או מורכבות משני סוגי צמתים. הסיבה לכך היא שאלגוריתמיקת ה-SNA בנויה על ההנחה שכל הקשרים הם מאותו סוג, כלומר, שהקשתות ממושקלות באופן שווה. למשל, גרף חברות בפייסבוק. כל קשר מוגדר כאותו סוג קשר, ולכן, בהיעדר מידע אחר, כל הקשרים שווים, ומשקלם לרוב יהיה 1. גם ברשת ממושקלת שבה אנחנו נספור כמות הודעות בין צמתים, אז כל הודעה שווה לכל הודעה, ואם צומת שלח לצומת אחר 4 הודעות, המשקל של הקשר יהיה שווה 4 והוא יהיה בהגדרה חזק פי 2 מקשר בין צמתים ששלחו רק שתי הודעות ביניהם. אבל מה קורה במצב בו הקשרים שונים במהותם ובמשקלם? ניתן דוגמא: נניח שיש לנו רשת שמחברת מספר אנשים והיא מכילה סוגים שונים של קשרים, למשל, חברות בפייסבוק, הודעות בוואטסאפ, פגישות אישיות ושמירה משותפת על חתול. הרשת הזו מתארת סבך קשרים שאכן יותר מדמה את המציאות, אבל זה מציב בפנינו בעיה. ברשת הזו, לכל סוג קשר יש קונטקסט שונה ולא ניתן אובייקטיבית להגדיר משקל יחסי בין סוגי הקשרים.

אם היינו מנתחים רק את רשת הוואטסאפ של אותם אנשים, סביר להניח ש-10 הודעות יעידו על קשר חזק יותר מהודעה אחת. אבל הערבוב של סוגי הקשרים באותה רשת, מכניס אותנו לויכוח סובייקטיבי לגבי משקלי הקשרים. האם פגישה פנים אל פנים חזקה יותר ממשמורת משותפת על חתול או מ-5 הודעות בוואטסאפ? סוגיית הסובייקטיביות של המשקל מזכירה בדיוק את אותה הבעיה שהייתה לנו עם קביעת המשקלים ברשתות המסומנות כשדיברנו על Pajek. אז שאלנו כמה חיובי או שלילי נדרש להיות משקל הקשר? מי מחליט? וגם, מה זה אומר אם לצומת יש הרבה קשרים שליליים? שיש לו דרגה גבוהה? זה נשמע קצת סותר את הרעיון מאחורי המהות המקורית של המושג "דרגה" ברשת. כמו שניתן להבין, מבחינה טכנית, אנחנו יכולים להפעיל את האלגוריתמיקה הרגילה על הרשת, אבל המשמעות של התוצאות כבר לא יהיו לנו כל כך ברורות, אפילו במדדים פשוטים כמו דרגה, שלא לדבר על חלוקת הצמתים לקהילות.

אז במקרים מסויימים אפשר לפתור את זה על ידי קיפול הרשת או projection, מושג שהזכרנו מספר פעמים בעבר, אבל זה דורש שברשת המקורית לא יהיו קשרים בין צמתים מאותו סוג. אבל זה פחות הסיפור של גרף ידע. העוצמה שלו באה לידי ביטוי בדברים אחרים, למשל, לבצע אגרגציה של צמתים לפי התיוגים שלהם וכך לייצר גרף קבוצות. אני מבדיל גרף זה מגרף הקהילות שכן בגרף קהילות אנחנו מבצעים אגרגציה על סמך הקשרים בין הצמתים ואילו כאן אנחנו מבצעים אגרגציה על סמך התכונות של הצמתים. גרף ידע יכול גם לספק לנו מסלולים קצרים בין הישויות השונות בגרף ועוד, אבל מכיוון שיכולות אלה לא באות לידי ביטוי במערכת המדוברת, לא נרחיב עליהם. לכן, מבחינת אלגוריתמיקה של רשתות, זה לא מפתיע של- GraphCommons אין הרבה מה להציע. המערכת מחשבת דרגה של צמתים באופן אוטומטי ומאפשרת חלוקת קהילות לפי לובאין ופחות או יותר זה הכל. לכן גם אין כל כך משמעות לתהליך איטרטיבי במערכת. לכן זה קצת מאכזב שהמערכת מכריחה את המשתמשים להכניס נתונים לגבי סוגי הצמתים וסוגי הקשתות אבל בסופו של יום - לא מאפשרת שימוש אמיתי ברשת כגרף ידע, למעט היכולת לייצר מולטיגרף. בנוסף, לפי הברושור, המערכת יכולה להתמודד עם עד 4,000 צמתים. אבל בפועל, היא חוותה האטה משמעותית כבר אחרי העלאה של רשת עם 2,500 צמתים, שזה די מעט כשמדובר בגרף ידע שאמור לכלול סוגים רבים של צמתים. רק אנקדוטה קצרה לקראת סיום: מכיוון שהמערכת נוצרה בתורכיה, בגלריה של הרשתות שהיא מציגה ניתן לראות מידע רב על המערכת הפוליטית התוססת שם. אז שורה תחתונה: יתרונה המרכזי של Graphcommons הוא בכך שהיא סיפקה לנו תירוץ להזכיר את המושגים גרף ידע ומולטיגרף. זה לא מעט.

המערכת הבאה היא עוד מערכת web בשם Palladio. זו מערכת שנועדה לסייע לחוקרים במדעי הרוח והחברה להציג את הנתונים שלהם כרשת. במידה ויש לדאטה תגית זמן או מיקום, היא מאפשרת לראות ציר זמן או את פריסת הצמתים על מפה. מבחינת אלגוריתמיקה, יש לה רק את האלגוריתמיקה הבסיסית, לא כולל Closeness. אם מצאתם בבוידעם תיבה עם עשרות מכתבים מהתקופה העותמאנית ותרצו לנתח אותם רשתית – זו המערכת בשבילכם. הבעיה היא שאם בתיבה יש יותר מאלף מכתבים, המערכת כבר לא תעמוד בזה. בעיה נוספת היא שגם בשביל מערכת שמיועדת לאנשים מהמדעים הפחות מדוייקים, היא הרבה פחות אינטואיטיבית משהייתי מצפה.

מערכת ה-web האחרונה היא מערכת שגיליתי דרך הפנייה שקיבלתי בלינקדאין ושמה Graphistry. לאלה מאיתנו שהם נטולי ענן או רצון לשלם, Graphistry מציעה בגרסה החינמית ממשק לטעינת אקסלים, ואפילו כאלה בגודל של עשרות מגה. בתמורה, המערכת מאפשרת להציג כמעט מיידית תמונה רשתית שלהם, כולל היסטוגרמות שונות וחישוב מדדים. הסוד הוא שברקע הם משתמשים ב-GPU שאלו כרטיסים גרפיים שמאפשרים חישוב מהיר. אלו אותם כרטיסים שאיפשרו את פריצת הדרך בעולם למידת המכונה שהייתה זקוקה לכח חישוב חזק כדי להתממש. העניין הוא שמבחינת אלגוריתמיקה ומדדים, המדד היחיד הזמין הוא דרגה והחלוקה לקהילות באה לידי ביטוי רק ויזואלית, כלומר, הצמתים נצבעים לפי הקהילה. מה שכן, אפשר לפלטר בתצוגה רק את הקהילות שנרצה לראות. אז מה היתרון של Graphistry? היא המערכת היחידה שתוכל לספק לנו ויזואליזציה לרשתות ענק. קצת כמו שקיעות בחוף געש: זה מאד יפה, אבל אין הרבה מה לעשות עם זה מבחינת ניתוח רשתי.

Visone

על המערכת הבאה שנקראת Visone (שזה אגב "חורפן" באיטלקית), מעולם לא שמעתי עד ש-Renaud Lambiott הזכיר אותה בדיון צד בכנס הרשתות העולמי. רנה הוא אחד מכותבי המאמר המקורי של אלגוריתם הלובאין ובדיון הוא ציין שיש לו פינה חמה בלב לתוכנה הזו. הסתכלתי עליה והיא נראתה כמו קרוב משפחה מכוער של Gephi וזה כבר אומר הרבה. שתיהן כתובות ב-Java, ולכן משדרות הזנחה אבל ב-Visone נראה שלא השקיעו הרבה בעיצוב מאז היווסדה ב-2002 או בתחזוקה שלה. ואז, לצורך התחקיר, חזרתי אליה ובצירוף מקרים מדהים, היא עברה שדרוג באוגוסט 2021 וכך זכתה לאזכור כאן. שלא נתבלבל – היא נראית בדיוק אותו דבר - לא משהו - אבל היא עובדת הרבה יותר חלק.

מערת Visone תומכת בקבצי CSV בלבד ומייצאת קבצים רק בפורמט TXT מה שאומר שקשה יותר לעשות מחקרי המשך על הפלט. גם טעינת הזיהויים לרשת, אגב, מצריך שימוש בממשק שונה מטעינת הרשת עצמה. תהליך מיותר שסובל לפעמים גם מבאגים.

משם והלאה הממשק יחסית פשוט והכותרות של הפונקציות הן די ברורות ומסודרות בצורה נוחה, למעט טבלת הצמתים/קשתות שדורשת עבודה דרך תפריטים, בדומה לPajek וזה קצת לא נוח.

השמצנו מספיק, מה בכל זאת סבבה בה? אז מבחינת ויזואליזציה, ברירת המחדל של ה-layout של המערכת הוא טוב מאד ואחת מהתכונות שמאד אהבתי זה תכונה שמאפשרת לייצר אוטומטית פוליגון סביב כל קהילה שהאלגוריתם מגלה ברשת. כך אפשר להזיז את הקהילות כפוליגון ולראות את גרף הקהילות והצמתים במשולב. כמו בGephi, גם ל-Visone יש יכולת לבצע קיפול או projection של רשת והיא גם מאפשרת עוד מדדים שאין ב-Gephi. הבעיה היא שהמדדים המתקדמים שVisone- מציעה יעזרו רק למי שיודע בדיוק מה זה אומר Simmelian Backbone למשל. וגם מי שמבין מה זה אומר, ימצא שלא טריויאלי לעשות את זה בלי עזרה מהמדריכים של המערכת. כמו בGephi, גם Visone מאפשרת לבצע ניתוח דינאמי ויזואלי של רשתות אבל לדעתי הוא מסורבל יותר מזה של Gephi. לכאורה, יש ב-Visone יכולת יותר מתקדמת לניתוח דינאמי של רשת, שאמורה לספק סטטיסטיקות דינאמיות על הרשת ועוד יכולות כאלה ואחרות. הפיצ'ר נקרא Event networks ומי שהצליח להשמיש אותו, אשמח שיראה לי איך עושים את זה.

מבחינת ספיקה, כלומר, התמודדות עם רשתות גדולות, אז כשחזרתי למערכת הזו, אחרי מתיחת הפנים שעברה, פתאום גיליתי שהיא מאפשרת להעלות גם רשת של 20 אלף צמתים. נכון, לוקח לה כמה שניות להתאפס עליה, והיא מציגה אותה ברזולוציה נמוכה כדי לחסוך זמן חישוב, אבל היא עולה. מה שכן, זה מותח אותה למקסימום. ניסיון להוסיף עוד רשת קטנה במקביל נתקל בסירוב מוחלט מצד המערכת.

אז לסיכום, היתרון של Visone על Gephi הוא בעיקר בגרף הקהילות ובפוטנציאל, שכרגע מבחינתי לא ממומש, של ניתוח דינאמי אמיתי ולא רק ויזואלי. החיסרון המשמעותי הוא ש-Visone מרגישה קצת כמו זן מוחלש של Gephi.

ועכשיו, לפינה ההיסטורית ולמערכת NetDraw: NetDraw היא רכיב חינמי בתוך מערכת לא חינמית אבל מוכרת מאד לחוקרים ממדעי החברה שנקראת UCINET. למרות שהיא רק רכיב, אפשר להתקין אותה עצמונית. את UCINET אני מזכיר כאן רק בגלל שהיא אולי המערכת הראשונה לניתוח רשתי, והיא נוסדה על ידי שתי אושיות מתחום ה-SNA: הראשון הוא לינטון פרימן, שכתב ב-1978 מאמר יסוד על מדדי מרכזיות שצוטט כ-20 אלף פעם והוא היה זה שהקים את המערכת. מאוחר יותר הצטרף אליו סטיבן בורגטי, שהוא אחד החוקרים הידועים ביותר בתחום ה-SNA, שהקים כמעט במקביל מערכת אחרת. השניים החליטו לאחד מאמצים תחת השם UCINET, כשאחד מרכיבי המערכת שזמין גם חינמית הוא NetDraw. כשמסתכלים על NetDraw, אי אפשר להתבלבל. זו אכן נראית כמו מערכת משנות השמונים. זה גם מסביר את הקושי הראשון שניתקל בו והוא שניתן לטעון אליה רק קבצי TXT בפורמט UCINET או Pajek. אבל זה גם אומר שהיא המערכת כמעט הכי פשוטה שאפשר לדמיין. המערכת כולה נמצאת במסך אחד שמכיל אך ורק ויזואליזציה והיא מעולה אם אתם אוהבים לשחק פונג או snake. אם אתם לא יודעים על מה אני מדבר, סימן שלא תאהבו מה שתראו. מה שזה גם אומר זה שהממשק שלה סופר אינטואיטיבי עם סרגל כלים מאד ברור והיא מאפשרת את כל האלגוריתמיקה הבסיסית. מכיוון שהיא נבנתה לטובת ניתוח רשתות חברתיות במדעי החברה, היא גם מכילה פיצ'רים ייעודיים לניתוח חברתי, למשל, זיהוי חורים מבניים ברשת ומדדי מרכזיות נוספים שהומצאו ברבות השנים ע"י חוקרי רשתות משועממים. מכיוון שמדובר במערכת מיושנת מאד, גם שאר האלגוריתמיקה שלה היא מאד מיושנת, ונראה שהאלגוריתם החדש ביותר שם הוא אלגוריתם החלוקה לקהילות של גירבן-ניומן מ-2004 ודי לחכימא.

היא לכאורה יכולה לנתח רשת של עד כאלף צמתים, אבל בגלל שאין בה טבלה או גריד לניהול הצמתים והקשתות, אין הרבה מה לעשות בה עם רשת של יותר מעשרה צמתים.

אז אם את או אתה חוקרי רשתות חברתיות וגם חובבי וינטז' – זו המערכת בשבילכם.

עברנו 5, נשארו עוד 3. ונמשיך עם Tulip: Tulip ואני התחלנו לא טוב, כשרק ההתקנה לקחה 1.5 ג'יגה ועל הדרך שתתה לי את כל הסוללה מהלפטופ. עכשיו נשאלת השאלה, האם היה שווה את זה? במילה אחת – לא. אבל במאה מילים?

למרות העיצוב המודרני שלה, המערכת בנויה בצורה מאד מוזרה. יש לה תפריט אחד שמכיל רשימה ארוכה של כל הפקודות. שמחה לגוללים. מצד שני, ההסברים על כל פונקציה הם מאד ברורים. באופן מאד מוזר, המערכת מכילה את כל האלגוריתמיקה הנדרשת למעט מדד ה-Closeness. אבל זה לא היה הדבר היחיד שמוזר. אחרי שהרצתי את האלגוריתמיקה, לא הצלחתי למצוא את התוצאות. זה קצת בעייתי הייתי אומר. כאילו, אני בטוח שהן שם איפשהו. למשל, נתתי למערכת לחשב Betweenness לרשת של 5 אלפים צמתים. לקח לה בערך 2 דקות, אבל זה ניחא. עד עכשיו לא הצלחתי למצוא את התוצאות של אותה שליפה ארוכה, כלומר, איפה מסתתרת תוצאת ה-Betweenness של הצמתים. אז יכול להיות שאני האהבל, אבל האמת, בשלב מסוים כבר לא היה אכפת לי שהמתכנתים של Tulip צוחקים עלי מאחורי הגב.

תכלס, בשביל מערכת כל כך כבדה, הייתי מצפה שהויזואליזציה תהיה מדהימה. במקרה הטוב, היא בינונית. ויותר מזה, היא קורסת לא מעט. אפילו במקרים של רשתות לא גדולות. אני מניח שהיא יציבה לרשתות קטנות. עכשיו, מי שגר בבית מזכוכית, כמו למשל משתמשי Gephi, שלא יתחילו לזרוק אבנים על מערכות לא יציבות. וזה נכון, גם ב-Gephi יש באגים שדורשים סגירה/פתיחה, אבל מכיוון שTulip היא מערכת כבדה, פתיחה וסגירה של המערכת לוקחים זמן.

אז מה בכל זאת יש שם?

היתרון, כנראה היחיד, של Tulip הוא באלגוריתמיקה מתורת הגרפים. המערכת מאפשרת ליצור סוגים רבים של גרפים שונים ומתמקדת באלגוריתמיקה הקשורה לגרפים ופחות לרשתות, למשל, תכונות שקשורות לגרף מסוג DAG (שזה Directed A-Cyclic Graph) שאלו גרפים או רשתות כיווניות שזורמות רק בכיוון אחד. בעולם האמיתי, רשתות כאלה יהיו בדרך כלל תשתיות כמו חשמל, ביוב, מים או משתמשים שבורחים מ-Tulip.

המערכת הלפני אחרונה שנסקור היא SocNetv: צריך לתת הקדמה קצרה על המערכת הזו, כי מרגע שמבינים את זה, מבינים הכל: SocNetV נועדה לרשתות קטנות. מה זה קטנות – זעירות! הרמז הוא בשם. שמתי לב שכשתוכנה מגדירה את עצמה כתוכנת SNA, בדגש על ה-S כלומר ה-Social, זה סאבטקסט לזה שהיא תתמוך רק במחקר של רשתות קטנות מאד. כנראה שבמדעי החברה יש חשש מובנה מהתקהלויות גדולות. ב-SocNetV זה בא לידי ביטוי באופן מעצבן במיוחד: מרגע שהזנתם את הצמתים, המערכת ממספרת אותם (מ-1 והלאה) ומעכשיו והלאה היא תעבוד בעיקר עם מספרי הצמתים האלה, כלומר, בחלק מהניתוחים תצטרכו לרשום בצד או לבדוק בתצוגה הויזואלית מה התיוג שהמערכת נתנה לכל צומת. אפשר להציג את התיוגים המקוריים אבל הם לא נוחים לתצוגה והם לא מופיעים בפלטי המערכת. מצד אחד, זה מאד פוליטיקלי קורקט מצד SocNetV שהיא לא מוכנה שאף אחד ישים תגית על הצמתים שלה. מצד שני, יש פה דיקטטורה של פוליטיקת הזהויות. רק ל-SocNetV מותר לקבוע. לכן זה גם לא מפתיע שSocNetV לא סוחבת גם עם רשת של מאות צמתים. היא מיועדת לרשתות כה אינטימיות עד שמי שחוקר אותן מסוגל לזהות כל אחד מהצמתים על סמך העיגול בלבד.

סיבה אפשרית לפיצ'ר המוזר הזה זה שנראה ש-SocNetV מיועדת לייצור פלטים למעבדת מחקר, ולא לביצוע מחקר איטרטיבי. כך יכול להיות שהתכונה הזו של העלמת התיוגים היא למעשה פיצ'ר שמאפשר אנונימיזציה אוטומטית של הרשת. עדות נוספת לכך ש-SocNetV היא יותר מחשבון ממערכת מחקרית זה שאי אפשר לעשות תהליך איטרטיבי ב-SocNetV והויזואליזציה שלה לא נוחה לתפעול. התוצר שלה זה רק פלטים בתצורת popup שניתן לשמור. מרגע שמבינים את זה ומתייחסים למערכת כמו מחשבון מדעי, זה ממש נחמד למצוא בה פיצ'רים מורכבים שמונגשים בצורה נוחה של הקלקה על כפתור. לזכותה ייאמר ש-SocNetV עושה שימוש בשפה פשוטה ונוחה והפיצ'רים מסודרים בצורה נוחה ואינטואיטיבית עם הסברים. יש בה את כל האלגוריתמיקה הבסיסית אבל אין בה ממש גילוי קהילות, שזה לא מפתיע, כי היא מתמודדת עם רשתות קטנות מאד. מה שכן היא מאפשרת זה לזהות טריאדות וקליקות. וחוצמזה, באלגוריתמיקות שמצריכות מטריצות, SocNetV דווקא יודעת להציע דברים, למשל אלגוריתמיקה להשוואות ודמיון בין צמתים או Embedding של צמתים ועוד כמה כלים שהם טיפה הארדקור כמו למשל מטריצת לפלסיאן שזה מושג שלתחושתי לא נדבר עליו לעולם.

חדי האוזן ישימו לב שיש לי יחסים אמביוולנטיים עם מטריצות, אבל אם כבר פתחנו את זה, אז יש מקום אחד שבו למטריצות יש יתרון גם למשתמש הפשוט. זה ממש לא אינטואיטיבי להגיד אבל למטריצה יש יתרון ב... ויזואליזציה.

כאן אני רוצה לנצל את ההזדמנות להמליץ על הניוזלטר של כריסטיאן מיילס בשם "source/target" העוסק בין השאר בויזואליזציה של רשתות. שם מצאתי קישור למאמר מעניין שבחן שיטות של ניתוח רשת ויזואלי בעזרת קבוצה של נסיינים. למרות שהנסיינים כמעט אף פעם לא עשו שימוש ויזואלי קודם במטריצות, יצא שברוב המקרים, המטריצה איפשרה להם להעריך את הרשת בצורה טובה יותר. הטיעון של כותבי המאמר היה שלא משנה כמה צפופה הרשת, במטריצות אין את הבעיה של צמתים וקשתות שעולים אחד על השני ומפריעים לניתוח. וזה טיעון לא רע. אבל מכיוון שאף תוכנה שסקרתי לא מאפשרת משחק ויזואלי עם המטריצה, נשאיר את זה ברמה התיאורטית כרגע.

מה זהו? כן, נשארה לנו רק מערכת אחת. Infomap: InfoMap היא מערכת web'ית, אבל שונה מאד מכל שאר המערכות שצויינו כאן. InfoMap יודעת לעשות כמעט רק דבר אחד וזה להשתמש באלגוריתם InfoMap לחלוקה לקהילות. אז מה הקטע? העניין הוא שהמערכת היא בעצם רק הביסטרו. המסעדה האמיתית היא הספרייה של האלגוריתם InfoMap שנועדה למפתחים. האתר הוא רק בונוס שהוקם ע"י כותבי האלגוריתם, מרטין רוזוול וקארל ברגסטרום (Rosvall & Bergstrom) שהם חוקרי רשת ידועים. התלבטתי אם בכלל להכניס את InfoMap לפרק הרי ניתן להריץ את האלגוריתם גם ב-CytoScape, אז בשביל מה? הסיבה הפרקטית היא שהאתר של InfoMap מאפשר, בניגוד ל-CytoScape, לנתח גם רשתות של עשרות אלפי צמתים. אבל הסיבה האמיתית היא שזה נותן לנו הזדמנות לדבר קצת על אלגוריתמיקת Random Walk ש-InfoMap עושה בה שימוש. אבל לפני שנצלול לאלגוריתמיקה, ניתן סקירה קצרה של המערכת: מבחינת הזנה, ניתן להזין רק קבצי TXT בפורמט הלא טריויאלי של Pajek. אבל מרגע שהכל מוזן, נדרש רק להקליק על כפתור ה"נתח" והניתוח מסתיים תוך זמן קצר. ניתן לשנות הרבה מאד פרמטרים בדרך החישוב של האלגוריתם, למשל, לשנות את רזולוציית הקהילות, אבל מניח שרובנו לא נידרש לכך, או במילים אחרות, לא נבין איך לעשות את זה ונסתפק במה שנקבל. ומה שנקבל זה ויזואליזציה יפה שמשלבת בין גרף הקהילות לגרף הצמתים ומאפשרת zoom in-out מאד מרשים ונוח. בנוסף, נקבל פלט של התוצאות, כלומר, איזה צומת שוייך לאיזו קהילה וכבונוס, גם מדד PageRank לכל צומת. למה דווקא PageRank? עוד מעט נבין.

אז עכשיו בואו נצלול קצת לסיפור של ה-Random Walk, נסביר איך הוא קשור למטריצות ולמה InfoMap מצליחה לתת לנו תשובה מהירה למרות שחישוב של מטריצות הוא איטי. נתחיל בלהזכיר מה זה Random Walk או שוטטות אקראית ברשת (שנקראת גם: הליכת שיכור): נדמיין שאנחנו משוטטים ברשת לאורך הקשתות שלה. אנחנו נתחיל בצומת רנדומלי ונבחר באופן רנדומלי לאיזה צומת שכן נמשיך. במקרה של רשת מכוונת, נוכל להגיע לשכן רק אם הצומת שלנו מצביע עליו. במהלך השיטוט נגלה שישנם צמתים ברשת שבהם נעבור מספר רב של פעמים. הסיבה לכך היא שאלו צמתים מרכזיים ברשת וכך מדד השיטוט יכול לשמש גם כמדד מרכזיות וזה בגדול דומה לרעיון מאחורי PageRank. לקצת יותר פירוט, מוזמנים לחזור לפרק 4 בנושא מדדי מרכזיות. לאורך זמן, נגלה שבשיטוט שלנו אנחנו נתקעים מדי פעם בחלקים אחרים של הרשת. אנחנו נשוטט בין הקשרים שבאותו איזור זמן רב, עד שנמצא קשת שתוציא אותנו החוצה ממנו. בסבירות גבוהה, הקשת תיקח אותנו לאיזור אחר בגרף שגם בו ניתקע זמן רב בגלל צפיפות הקשרים שבו. אותם איזורים צפופים של הרשת הם בעצם הקהילות, והסיבה שאנחנו נתקעים בהן זה כי הקשרים בתוכן צפופים ויש רק מעט יחסית קשתות שיכולות להוציא אותנו משם. כך אנו בעצם משתמשים בשוטטות כדי לגלות את הקהילות ברשת.

זו דרך נחמדה לחשוב על האלגוריתם, אבל הדרך שבה הוא באמת פועל היא קצת יותר מורכבת. וכאן נכנסת המטריצה. את החישוב של ה-Random Walk נעשה על מטריצה, בשיטה שנקראת גם Markov Clustering. (מזמין לרענן את הזיכרון בנושא המטריצות בפרק 21). מכיוון שאנחנו עוסקים בפרקים אלו ב-DIY, את כל התהליך שתראו ניתן לעשות גם באקסל:

שלב 1: מרשת למטריצה

נמיר את הגרף שלנו למטריצה:

מכיוון שיש לנו שבעה צמתים בגרף, אנו נזדקק למטריצה של 7 על 7. תשומת לב שהקשתות בגרף שלנו ממושקלות, למשל, הקשת בין B ל-C משקלה 3 ולכן בתא בטבלה שמצטלב בין B ל-C נרשום "3". נשים לב שהגרף שלנו הוא לא-מכוון (Undirected) ולכן המטריצה שלנו היא סימטרית כי כל הקשרים ברשת שהבאנו הם הדדיים. דבר אחרון, הצמתים שלנו אינם קשורים לעצמם (ללא "קשת עצמית") ולכן קיבלנו אלכסון "0".

שלב 2: נירמול המטריצה

עכשיו שהקשרים שלנו הם בתצורת מטריצה, ניקח כל עמודה וננרמל אותה, כלומר, נחבר את המספרים בכל עמודה ונחלק בסכום שנקבל כל תא באותה עמודה. למשל, סך המספרים בעמודה A = 3 + 3 + 2 = 8 ולכן נחלק את כל המספרים בעמודה A ב-8 (0/8, 0/8, 0/8, 2/8, 3/8, 3/8, 0/8), ואלה תוצאות האמת:

שלב 3: הכפלת המטריצה

כעת, נעלה את המטריצה בחזקה, או בפשטות (אם יש דבר כזה במטריצות), נכפיל את המטריצה בעצמה. פעולה זו נקראת הרחבה (Expansion) ומטרתה, באופן ציורי, לבצע מעין "היכרות" בין כלל הצמתים ברשת. זהו למעשה החלק של ה"שיטוט" (Random Walk) בתהליך. איך כופלים מטריצה? נכפול את השורה הראשונה בעמודה הראשונה ונחבר את התוצאות:

A1*A1 + B1*A2 + C1*A3…

נכפול את השורה הראשונה בעמודה השנייה ונחבר את התוצאות:

A1*B1 + B1*B2 + C1*B3…

וכך נכפול את השורה הראשונה בכל העמודות ונחבר את התוצאות. את התוצאות שחיברנו נשים בשורה הראשונה של המטריצה החדשה שקיבלנו:

לכשנסיים, הגיע תורה של השורה השנייה להכיר את הצמתים ברשת:

נכפול את השורה השנייה בעמודה הראשונה ונחבר את התוצאות:

A*2A1 + B2*A2 + C2*A3…

נכפול את השורה השנייה בעמודה השנייה ונחבר את התוצאות:

A2*B1 + B2*B2 + C2*B3…

וכך נכפול את השורה השנייה בכל העמודות ונחבר את התוצאות. את התוצאות שחיברנו נשים בשורה השנייה של המטריצה החדשה שקיבלנו:

​

כך נמשיך עד שנמלא מטריצה חדשה שגם בה 7 עמודות ו-7 שורות:

שימו לב, שבעקבות ההכפלה, אנחנו נראה תופעה משונה. כשנשווה את המטריצה שקיבלנו למטריצה המקורית, אנחנו נראה שהקשרים החזקים שלנו ברשת נחלשו והחלשים התחזקו. למעשה, אנחנו נראה אפילו שהיכן שפעם היה לנו 0 (לא היה קשר בין הצמתים), פתאום מופיע לנו מספר. מה קרה? אז יש לי בשורה מרגשת: רבותיי, זה סימן שהשיטוט התחיל! כל הכפל הזה לא היה לחינם ועכשיו קיבלנו מטריצה שבה תוצר ראשוני של שיטוט האלגוריתם בין הצמתים. אנחנו בשלים לשלב הבא.

שלב 4: העלאה בריבוע ונירמול

כעת אנחנו נעבור על כל עמודה במטריצה החדשה שקיבלנו ונעשה בה שתי פעולות: נעבור על כל מספר בעמודה ונעלה אותו בריבוע וכך נקבל את המטריצה הבאה:

כשנסיים, ננרמל את המספרים בעמודה בשיטה שעשינו קודם (נחלק כל מספר בסך החיבור בין המספרים בעמודה) ונקבל את התוצאה הבאה:

מה אנחנו מנסים להשיג בכך? המטרה של פעולות אלה היא "לנפח" (Inflation) את הקשרים החזקים ולהחליש את הקשרים החלשים. כך אנחנו "מסבירים" לאלגוריתם המשוטט שהוא צריך לתת דגש לקשרים החזקים שאנו מצפים למצוא בתוך הקהילה ולהחליש את הקשרים החלשים שאנו מצפים למצוא בין הקהילות.

שלב 5: המשך הניפוח

אולי לא תאהבו לשמוע את זה, אבל עכשיו, צריך להתחיל את התהליך מחדש על המטריצה המשודרגת שלנו.

הסיבה לכך היא שזה "התהליך הלימודי" שעובר על האלגוריתם שלנו. התהליך מסייע לנו לנפח את הקשרים החזקים ולהחליש את החלשים. לאחר הסבב השני שעשינו (הכפלה, העלאה בחזקה ונירמול) קיבלנו את המטריצה הבאה:

נוכל לראות עדיין שיש "רעשים" במטריצה אבל התמונה הולכת ומתבהרת והיא תמשיך להתבהר ככל שלא נתייאש וננפח שוב. אחרי הניפוח השלישי, נראה שכר לעמלנו במטריצה הבאה:

עכשיו המספרים כבר מאד קרובים לייצוג הרשתי של הקהילות שחיפשנו: הקשרים החלשים שואפים ל-0 והחזקים ל-1. אנחנו בשלים לשלב האחרון.

שלב 6: עיגול התוצאות וזיהוי הקהילות

את המספרים מהמטריצה הקודמת עיגלנו למספר הקרוב ביותר (רזולוציה של 0.5) וקיבלנו את המטריצה הסופית:

פה אנחנו כבר יכולים לראות שהקשרים החזקים מופיעים כ-1 והחלשים (או הלא קיימים) כ-0. כך מה שנשאר לנו הן הקהילות, כמעין איים מנותקים זה מזה. כל מה שנשאר לנו לעשות עכשיו הוא לרוץ לאורך השורות של המטריצה ושם נראה את הקהילות שלנו (מסומנות במלבן). בחזרה לרשת המקורית שלנו, אנחנו יכולים עכשיו לתייג את הצמתים שלנו לפי הקהילה שלהם: קהילה ראשונה: A, B, C קהילה שנייה: E, F, G

אבל מה לגבי D? צומת D קשור במידה שווה לשתי הקהילות. האם הוא קהילה בפני עצמה? נשאיר את זה תלוי באוויר כתזכורת לכך ששום דבר לא מושלם.

נכון שהתיאור של השיטוט היה יותר פשוט ואינטואיטיבי? תוסיפו לתחושת הבאסה הכללית שכל התהליך הזה לוקח זמן ולכן אלגוריתם Markov לגילוי קהילות נחשב איטי ומיושן קצת. אז אחרי כל ההקדמה הזו, מה יש לחגוג את InfoMap? אז מה שרוזוול וברגסטרום עשו זה לייעל את התהליך ע"י שימוש בשיטת כיווץ שפיתחו שמתבססת על Information Theory. ולמי שמעוניין להבין איך הם בדיוק עשו את זה, אני מאחל חיים ארוכים ונטולי אירועים.

אז בואו נסכם: אחת מהשפעות הקורונה שפחות מדברים עליה זה שלמתכנתים היה כנראה יותר זמן לעשות סדר בבית. במקרה הזה, הרווח של כולנו – הרבה תוכנות של ניתוח רשתי קיבלו לאחרונה booster והן עדכניות וטובות יותר מבעבר.

סה"כ סקרנו 12 מערכות:

מערכות מבוססות Java:

Gephi

CytoScape

Visone

NetDraw

Pajek

מערכות מבוססות web: KUMU

Graph Commons

Palladio Graphistry

InfoMap וגם את

NodeXL

Tulip

SocNetV

ועכשיו, לרשימת הדירוג. האם יש לנו מנצחת בכל הקטגוריות, או מערכת אחת שתשלוט בכולן? אז מזכיר לכולנו שרשימות, הן האויב של הרשתות. רק בדקתי אתכם.ן. לראות דברים ברשימה מוציא את ההקשר מהתוכן. אמנם צירפתי טבלת ציונים להרחבות של הפרק הזה, אבל זה כי אני איש חלש ומושפע בקלות. כדי לפצות ולנסות לשמור על הקשר, הטבלה חולקה לקטגוריות:

ובמקום הראשון בקטגוריה של "המערכת הכי נוחה למשתמש המתחיל" זוכה... NodeXL ובמקום הראשון בקטגוריה של "המערכת הכי טובה לניתוח" זוכה... CytoScape

ובמקום הראשון בקטגוריה של "המערכת הכי טובה למתקדמים" זוכה.. Pajek הפתעה? Gephi לא נמצאת במקום הראשון בשום קטגוריה. אבל בכולן היא נמצאת במקום השני או השלישי.

אז הייתי מנסח את זה ככה: אם רק התחלתם לעשות ניתוחי רשת ואתם רוצים למשש את דרככם בעדינות, הייתי ממליץ על NodeXL או KUMU. הן בעלות ממשק נוח ונמצאות בסביבה מוכרת.

אתם מתקדמים יותר ורוצים את הדבר האמיתי? כאן תצטרכו לקבל הכרעה קשה:

מערכת CytoScape או Gephi.

הזהרתי כבר מראש שאני משוחד לטובת Gephi , ואני אופטימי מאד לקראת העדכון הצפוי שלה בסוף 2021. לא רק שיש בה כמעט כל מה שצריך לניתוח רשתי, האפשרות שישלבו בה כפיצ'ר את היכולת לנתח hyperedges ישים אותה בקטגוריה ייחודית. חוצמזה, כשנרצה לעשות ניתוחים מתקדמים יותר, נרצה גם לנתח רשתות גדולות ולשם כך, נצטרך את Gephi .

אבל כמו שאמרנו, אף מערכת לא מושלמת, אז איפה נדרשות השלמות ל-Gephi?

• אז קודם כל – כמויות. כשצריך לנתח רשתות מעל 50 אלף צמתים, נצטרך לפנות ל-Pajek.

• אם נרצה לעשות שימוש במאגרי מידע חיצוניים, למשל, לקצור מידע מטוויטר לצורך הניתוח, נצטרך להשתמש בתוכנות כמו NodeXL אבל במקרה הגרוע ביותר, ניתן לייצא את הדאטה ולהעביר להמשך טיפול ב-Gephi.

• לפחות כרגע, לכל הפעולות הקשורות במטריצה, למשל, מציאת דמיון בין צמתים ע"י node embedding, נידרש לפנות למערכות חיצוניות כמו למשל Socnetv.

ויש תכונות שלא נמצא באף מערכת.

הפיצ'ר הבולט ביותר בהיעדרו, לפחות בתוכנות החינמיות הוא סוגיית הדינאמיות. זה נכון שפה ושם יש כמה פתרונות ויזואליים, אבל כלי ניתוח אמיתי שעובד, לא מצאתי. ומה שבוודאות אין באף תוכנה זה כל התחום שעוסק בקהילות דינאמיות ברשת. זהו תחום מרתק שדיברנו עליו בפרק 9, נשמע שיש בו הרבה פוטנציאל ולצערי הוא לא זמין כרגע לקהל הרחב.

עכשיו, כמובטח, נביא כמה ביקורות מרחבי המרשתת:

א-בישי, שביקש להיקרא אבישי, כתב בטוויטר:

אולי הדבר הכי חשוב שלמדתי עד כה מנטפריקס הוא: "לקרב סכינים תביא קרוקודיל"

תודה אבישי, שהזכיר לנו את חוק מס' 3 של הרשת!

אוריאל כתב בלינקד אין:

לאחרונה נחשפתי לפודקאסט מעולה על מדע הרשתות - 'נטפריקס' של אסף שפירא. נשמע נושא קצת טרחני ומשעמם. אבל בעצם מדובר בנושא שנוגע לכל אחד מאיתנו. ובמיוחד למתכנתים שעובדים כל הזמן במרחב של רשתות. מה שמיוחד בפודקאסט הזה הוא שמצד אחד כמו כל פודקאסט נעים לשמוע אותו בזמן נסיעה או שטיפת כלים וכו', ומצד שני הוא נותן המון ידע מקצועי ומדוייק. עוד לפני הפודקאסט הכרתי את הרעיון של התפלגות זנב ארוך או power law. אבל רק בפודקאסט הכרתי המון דוגמאות ויישומים של הרעיון הזה, שעזרו לי להבין איך ניתן להיעזר בו, ואיך אפשר להבין דרכו הרבה תופעות שקורות סביבנו.

. תודה רבה אוריאל! הביקורת הזו מהדהדת משהו שיצא לי להיתקל בו הרבה אחרי הרצאות שהעברתי לבוגרות ובוגרי מדמ"ח. זה לא האלגוריתמים שהלהיבו אותם אלא המטבע שנפל כשהבינו את היישומים האפשריים שלהם.

איתן כתב בקאסטבוקס:

פודקאסט ממש מומלץ ואיכותי. אחרי שמתחילים לשמוע את הפודקאסט מבינים עד כמה העולם סביבנו מורכב מרשתות, וכמה ההבנה שלהם מאפשרת להבין טוב יותר את העולם, לא ידעתי שאפשר להעביר נושא כזה - שנחשב מורכב - בכל כך פשטות, הומור וכיף - אבל לא לוותר על איכות הלימוד והחומר. ממש ממליץ!

תודה איתן!

ועכשיו, גם אתן רוצות להרחיב את קהילת מדע הרשתות בישראל? ככל שתדרגו יותר, כך הפודקאסט יהיה חשוף לא.נשים רבים יותר.

דרגו את הפודקאסט בספוטיפיי - עכשו אפשר! אפשר גם 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.

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!

נתראה בפרק הבא של נטפריקס.

#פודקאסט #מדע_הרשתות #ניתוח_רשתות_חברתיות #תורת_הגרפים #מדע_הנתונים #תוכנה

#Podcast #NetworkScience #SNA #SocialNetworkAnalysis #GraphTheory #DataScience #Software #Survey #Infomap #CytoScape #NodeXL #Pajek #KUMU #Graphistry #Spotify

I'm Asaf Shapira and this is NETfrix - the Network Science Podcast.

As my friends already know, the engraving on my headstone will say:

I hate to be mistaken, but when this rare event does occur, I like to quote the Israeli proverb:" When you point an accusing finger at someone, at least 3 of your fingers are pointed at your direction." And now that it happened, I'm here to undo my errors. It all began when I recently read an interview with Prof. Robin Dunbar in an Israeli newspaper, to promote his new book. The title of the article went as follows:

" Professor Robin Dunbar has devoted his life to social research and found that humans have 150 friends, no matter in what culture and in which period. " We encountered Dunbar in episode 9 on NETfrix where we referred to the concept of "Dunbar's Number".

So just a quick reminder: "Dunbar's Number" refers to the number of friendships a person can maintain, given a cognitive threshold. According to Dunbar, this threshold is about 150.

In the interview, Dunbar defined a friend as someone who you would feel comfortable to join at a restaurant table if you met by chance, or as someone you'd call at least once a year to ask what's the rumpus. Dunbar came to his conclusions following a study he did on group behavior of apes. He found a correlation between the size of the neocortex, which is

the conscious thinking part in the brain, and the number of relationships the apes had. Dunbar also noticed that when a shrewdness of apes reached a certain number, a few dozen or so, it tended to split. Shrewdness, by the way, is the collective noun for a group of apes and that was our Word of the Day.

Back to Dunbar, so, his conclusion was that when a group has reached a certain number of members, it couldn't maintain the intimacy and ties that contributed to its cohesiveness and so it had to split into smaller groups. Dunbar hypothesized that humans also have a limit on the number of friendships they can maintain. Based on the differences between the human brain and that of an ape, he hypothesized that the number would be approximately 150.

When he went on to investigate human networks, Dunbar found that his initial hypothesis was correct and 150 is indeed the threshold to the number of ties a person can maintain. The results of the study were published and the number 150 was nicknamed the "Dunbar Number". Back to the interview, Dunbar told the reporter how the Dunbar Number phenomenon repeated itself in the many experiments he conducted. He also shared an insight that he has developed over the years saying that good health and longevity are closely related to the number of friends a person has. According to Dunbar, lonely people tend to die much earlier than others. The interview wasn't news to me, but I found it amusing to read the talkbacks that were posted by the readers. The interview was published in Haaretz, which is an Israeli newspaper associated with the left-wing and its cross section of readers is usually conceived to be older people of European descent. Here is a translation of some of these talkbacks:

• " Most people in the world do not have one hundred and fifty friends that they call once a year to ask how they are doing. This man is delusional."

Or another one:

• " Nonsense in tomato sauce. I'm a married woman. What friends should I have?! Whoever wants a friend should adopt a dog!"

(By the way, "Nonsense in tomato sauce", which is an Israeli proverb borrowed from German, is a phrase that came up several times in the comments).

And my favorite:

• "If [what Dunbar says is] true [i.e., longevity is conditioned by the amount of friends one have], it seems to me that I do not have much time left."

Weirdly enough, I found similar replies to Alan Alda's tweet after interviewing Dunbar. For example, one of them replied: "According to [Dunbar's] …math, I died twenty years ago." I went to the shower while thinking about these talkbacks to the article. My thoughts were that the readers were being very critical and bitter. No wonder, I told myself, they are also lonely. And then it hit me. Since ancient Greece, it is no secret that insights come to a person in the shower. Pulling an Archimedes, I ran out wet in mid shower to read the article again, and especially the next paragraph in the interview, that I quote almost verbatim: " Dunbar says that social networks actually helped him gather data on a huge scale - and reaffirm his findings. Quote: "People said to me that this doesn't make sense, because they have more than 500 friends on Facebook. But when we did an accurate analysis of the number of friends of 61 million unique users, we found that on average, the exact number of friends was 149." Dunbar says with satisfaction." End quote.

According to Dunbar, the complaint he usually got from people was the opposite of that of Haaretz readers. He quotes his critics by saying they claim that 150 was actually too small a number. Allegedly, in the age of social networks, we could have thousands of friends. But Dunbar retorts that this perception is purely theoretical. On a social network we can have thousands of friends only in the technical sense of the word. But in practice, relationships require maintenance, such as personal messaging, response to posts and so on. When looking only on relationships that are well-maintained, Dunbar proclaimed that the number is much smaller than his critics believe it to be and with much satisfaction, he pointed out that the actual number is 149. So what's the story with Haaretz readers claiming that Dunbar completely exaggerated? Could it be that they're just a bunch of Eleanor Rigbies with a WiFi connection? That might be, but it doesn't mean they are wrong. In fact, the Beatles might be onto something.

The thing that should have set off our alarm was Dunbar's quote: " we found that on average, the exact number was 149". and specifically, the word "average". What does "average" mean? In episode 3 on NETfrix we talked about how people like to use averages because it has some magic to it. Though it's just one number, it presumes to portray to us a considerable part of the data. But later in that episode we talked about why this is misleading. This is only true when our data is normally distributed. But when our dataset fits a Long Tail distribution, the concept of average changes its meaning. A Long Tail distribution in networks, for example, means that most of the nodes in the network will have only a few links or none at all. When drawn as a graph, they would look like a long tail across the X axis. But it also means that a few nodes, very few, will have lots of links. Maybe even more than all the other nodes in the network put together. So, when we look at the average number of a Long Tail distribution, the vast majority will be below average and a small, but significant minority will be well above it.

I say significant, because in economics for example, this minority will be the few people or companies that hold the majority of the capital. On social media, these will be the users with orders of magnitude more friends than the rest of us.

Because Dunbar has tested his theory on social networks - and as we all know from episode 3 on NETfrix, social networks fit a Long Tail distribution - something here smells fishy.

Dunbar said he studied a dataset of 61 million users, so I searched for the article and with the help of Prof. Gilad Ravid we believe we found it. Dunbar just did not write it. The paper surveyed 61 million Facebook users who were active on the day of the midterm elections in the United States in 2010. According to the paper, the average number of friends of the 61 million users they surveyed was 149.

Is there a better confirmation than that of Dunbar's claim?

Before we accuse Haaretz readers of misanthropy, let's pay attention to Dunbar's own words.

Dunbar said that Facebook friendships are "technical" in nature and therefore does not necessarily meet the definition he gave to a social tie. This means that it is reasonable to believe that the true number of maintained ties, according to Dunbar's original definition, is lower. But to be on the safe side, let's use Dunbar's own research to check if our thesis is right. For example, let's look at a paper by Dunbar et al. in which they studied a social network of 3 million people. While this is only 5% of the 61 million promised it's not something to take lightly. When was the last time you interviewed 3 million people? And this is where it gets interesting. After collecting the 3 million users, the researchers discovered something surprising: The social network they were looking at was a Long Tail distribution.

They found relatively few people with many friends and the majority had very few friends or none at all. Everyone who is into network analysis or has listened to episode 3 on NETfrix knows this. So how did they rise to the challenge? I quote the paper: "For the analysis we consider only egos with an average of more than 10 interactions per month, thus selecting "socially active people" since they are particularly relevant for our analysis" Okay. I'll bite. How many "socially active people" did they find in this huge dataset? The answer is about 130,000 in total.

130,000 is about 4% from the original 3 million users. More than 95% of the data, which did not fit the hypothesis, was thrown out because it was labeled as noise. Basically, what we have here is a classic case of what we talked about in Episode 6 on the subject of dynamic networks. In that episode we've shown how the misunderstanding of the chaotic nature of networks, caused many researchers to label most of the data as "noisy" and throw it out, leaving only what suited them.

And in Dunbar's case, we have to ask ourselves: If 95% of the data is "noise", then what is the noise and what is the signal? As the famous saying goes: When you torture data – it will confess to anything, Instead of learning from the "noise" we beat it senseless and discard it. But here comes the best part: even after being stripped and beaten, the average they got on this tortured dataset was still lower than Dunbar's Number. To be on the safe side, I looked at another paper by Dunbar et al. This time they looked at a mobile network of 6 million users. But it seems to me that it's already pretty clear by now where this is heading. And indeed, here too the paper complained about the "noise" in the data. They found that only about half a percent had a Degree of over 100, meaning that only very few made calls to more than 100 devices. Much less than Dunbar's original number. Since they had to admit that this sample was too small, they revised it to also include users that called to more than 50 devices. And even after adding these less active users to their sample, it all amounted to about 5% of the data in total. What this means is that Dunbar "cherry picked" the data he had and discarded 95% of it because it proved his assumptions were wrong. So, going back to the readers of Haaretz, I think I owe them an apology. They were right, and Dunbar and I got it wrong. It's rare to have 150 relationships. And now we can even answer the Beatles' great question: All the lonely people – where do they all come from? The answer is: from Dunbar's own data. When we look at it we can see that Eleanor Rigby is not just a face in the crowd. She is the crowd.

So far, we talked about the fact that network science pulls the carpet out from under Dunbar's thesis. But what about the way he got to his conclusions? After all, Dunbar based his hypothesis on a correlation between the size of a brain and the number of relationships, and from that he concluded that there is a "glass ceiling" to the number of friendships we can maintain. So first of all, it seems clear that Dunbar was right about the fact that there is a "glass ceiling" here, and it's physical. That is, even if we really wanted to, we do not have enough time in the day to pick up the phone to a hundred thousand people and ask them how it's going. But Dunbar adds a cognitive limitation as well. He says our brain is not built to maintain so many relationships and he sets the bar at 150. So is there such a limitation and if there is, is it due to the size of brain parts? My initial instinct is to say: I have no idea. I am not a cognition expert, so I refer to a paper published in 2021 in Sweden that contradicts Dunbar's assumption and you can find the link to it in the episode's transcripts. I can’t be the judge to the arguments they put forward regarding cognition, but the interesting part is their attempt to reconstruct Dunbar’s findings on the relationship between neo-cortex size and the amount of friends or group size of people. Their findings indicated that the average tends to be significantly lower than what Dunbar pointed out. The reason they are unwilling to commit to their own results is because the results spread out on a wide range. Put it in other words, they seem to have discovered a Long Tail distribution that produces on the one side very low results suggesting the Dunbar Number is too high, and on the other end, they found results that were much higher than Dunbar's Number, suggesting that the bar he set was too low. But on a second thought, I think we can use network analysis to test Dunbar's claim on cognition. As a side note I just want to say that one of the cool things about network analysis is its ability to give predictions, or in other words, an analyst can surprisingly come up with good answers, even without being an expert on the specific topic at hand.. I talked about it with network analysts and it often happens that the analyst's conclusions do not surprise the experts, but usually they will lead to one of the following two scenarios: The first, is that the experts might not be surprised, but that does not necessarily mean they could have predicted in advance the data's behavior. Their lack of surprise simply means that the analyst's explanation sounded very logical to them. The second scenario is that sometimes yes, the expert has already reached the same conclusion as the analyst. But the fact is that it required the expert years of expertise on the subject. The analyst came to the same conclusions with the click of a button.

So, what does network's savviness contribute to the question of whether there is a correlation between the size of the neo-cortex and the number of friendships a person can maintain?

OK so, let's assume for a moment that Dunbar is right, and the average number of friendships is 150. Now, since we know social networks fit a Long Tail distribution, we can predict that most of the population will have far fewer friends than the average, but on the other hand, it also means that a small percentage of the population will have an enormous number of friends. Far beyond the average that we imagine to be 150. I'm not an expert on the size of the neo-cortex but I can fairly guess that the size of the adult human brain fits a normal distribution. Because the number of friendships is not normally distributed, but rather a Long Tail , it would mean that comparing the two distributions would produce a non-linear graph. What this means is that if we try to match the normal distribution of brain size to the nonlinear distribution of social ties, it could suggest that the person with the highest number of friends in the world should have a brain the size of a spacious apartment.

I am not claiming that the neo-cortex has nothing to do with the number of friendships a person can maintain. I argue that size is probably the wrong measure. My guess is, and this is just a guess, that it is the network in the brain, not the size of it, that should be accounted for our ability to maintain friendships. The answer might lie in the Long Tail of the Degree distribution of the neurons in our neocortex. Maybe.

OK, so we've covered the cognitive limitations of individuals, but what about organizations?

Dunbar said organizational frameworks fall apart or change after reaching their Dunbar Number. According to Dunbar, an organization of up to 150 members, is an intimate group where everyone knows everyone. When it grows beyond this number, the organization needs to rely on more formal procedures to hold everything together, because intimacy is lost. Otherwise, it will break down. The reason he gives for it is people's limited ability to handle more than 150 social ties. So, is that no longer true? And what about all the examples we gave of this phenomenon like in episode 9? Well, the phenomenon might still be true but Dunbar's explanation of it needs to be corrected.

In light of everything we've talked about so far, I'll try the following hypothesis regarding organizations: It's true that when an organization grows - it changes. But not because of a lack of intimacy. There wasn't much intimacy to begin with. What I mean is that not everyone really knew everyone else, certainly on the level Dunbar suggested. How do I know that? Because we've already talked about it in episode 5 on the subject of cliques in the network.

Recall that a clique is a network where everyone is connected to everyone and therefore an organization where everyone knows everyone, is actually a clique. What we also mentioned in this episode was that small cliques are a fairly common phenomenon in networks. But cliques in the order of magnitude that Dunbar is talking about are quite rare. So rare in fact, that a clique of 150 users would seem to most analysts as a group of bots rather than that of ordinary users. So, if Dunbar's presumed intimacy does not keep the organization together, what does? To understand this, we will need to return to episodes 5 and 6, where we talked about the community structure of networks. What holds the communities together is not just their strong inner ties but also the hubs in the community. The hubs are the highly connected nodes in the network. The Long Tail distribution of social networks tells us that there are only a few of them in every network and they will usually be some orders of magnitude more connected than the rest of the nodes in the network. These hubs are so dominant that the community is often defined by them. Those key players have a rare ability to maintain many relationships, far above average. And so, the hypothesis I propose here is this: It is not the cognitive limit of the group's members that causes the organization to change. What forces the organization to evolve or to split is the cognitive limit of the hubs in the group. The hub is the glue that keeps it all from falling apart. They do know everyone and are able to bridge between the small cliques that exist in the organization. But when the hub can't handle it anymore, we add some artificial glue, like formal procedures to keep everyone in line. And this hypothesis settles beautifully with everything we know about networks. Now all that's left is to wait for Dunbar to host a podcast and tear me a new one. Does this mean a mic fight? I say - Bring it on.

In conclusion,

We said that the concept of Dunbar Number, which states that a person has 150 social ties on average is a very dubious one because of the word "average". Averages don’t represent most of our data when we deal with social networks. From our shared understanding of Real-World networks, we know that networks follow a Long Tail distribution. We know that most of us can maintain only a small number of social ties but there are a few that can handle an enormous number of ties - probably much higher than 150 - and these are the network's hubs. This doesn't mean that the concept of "average" is meaningless. If we accept Dunbar's claim that humans have more friends on average than apes, then that gives us something. We can assume from it that we are more socially developed than apes. But claiming, as Dunbar did, that the average number of social ties of humans is 150, is similar to a claim that the world's average wage is X. What does this claim mean? The only thing we can deduce from it is that most of the people earn much less than this average wage and only a few are paid well above it. Is this the first time Dunbar has been exposed to such criticism? No way, but his immediate response was to dismiss it as "nonsense in tomato sauce" as the readers of Haaretz newspaper would put it. So how can Dunbar ignore this? Here I wish to quote one of the smartest people I know who once told me: I spend 1% of my time coming up with theories, and I spend the remaining 99% falling in love with them.

And if this is not a Power Law, what is?

For those who wish to dive deeper into the rabbit hole which is Network Science, the next segment is for you. I recently finished Carlo Rovelli's book "Helgoland" which I first heard about in, oh yes, an interview Rovelli had in Haaretz newspaper.

The book deals with quantum physics and what I found most intriguing is the way Rovelli uses quantum physics to explain how he perceives reality. Rovelli argues that quantum physics teaches us that nothing exists by itself. It's the interactions between things that create reality as we know it. What this means is that it's not that networks model reality. It is the other way around: Networks are reality. Cool, huh? If you want to share this with others and by doing so help Network Science to reach a larger audience, please rate NETfrix on Spotify or on Apple Podcasts. And do not forget to Subscribe on your favorite app.

See you in the next episode of NETfrix.

[1] Prof. Gilad Ravid from BGU was kind enough to send me the paper Dunbar mentioned (though Dunbar wasn't one of its writers). The paper analyzed 61 million Facebook users that were active during the 2010 elections to the USA Congress. According to the paper: "Users in our sample had on average 149 Facebook friends, with whom they share social information, "although many of these relationships constitute ‘weak ties’."

[The post's featured image is by Nithin K Prabu ]

#Podcast #NetworkScience #SNA # SocialNetworkAnalysis # GraphTheory #DataScience #Statistics #ONA

אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

הסלוגן "דאטה יש כמו חול, ואין עם מה לאכול" הוא הסיבה לסדרת הפרקים הזו, שבה התיימרנו ונמשיך להתיימר לסקור את כל התוכנות החינמיות לניתוח הדאטה שלנו כרשת, נכון לשנת 2022. ועכשיו, כבר נגמרו התירוצים למה לא ניתחנו את הנתונים שלנו כרשת. אבל אם כבר מדברים על דאטה ותירוצים, מה התירוץ למחסור החמור בפודקאסטים בנושא דאטה? אני יודע שזה לא יהיה קל, אבל עזבו שניה את מדע הרשתות ובואו נסתכל באופן רחב על כל עולם הנתונים. חוץ מנטפריקס, יש רק עוד 2-3 פודקאסטים בתחום הדאטה, בעיקר ללמידת מכונה, וזהו. זה נשמע סביר? אז נכון שיש ניוזלטרים, קבוצות בפייסבוק ומדי פעם אפילו פרק שבו מראיינים מישהי או מישהו מהתחום, אבל פה זה נגמר. הסבר אפשרי לתופעה הזו קיבלתי השבוע כשישבתי עם חבר שלי מהתחום ושיתפתי אותו בתובנה הבאה: זה לא נראה הגיוני שיש מאות פודקאסטים על מיינדפולנס ופיתוח אישי אבל על עולם הדאטה – יוק. אז הוא חייך ואמר שההסבר הוא פשוט: למה אין פודקאסטים על דאטה? כי אנשים בתחום הדאטה אשכרה עובדים. אין להם זמן לשטויות האלה. לא נעלבתי, הרי הוא כבר לא חבר שלי, אבל במקביל גם החלטתי לא לפתוח פודקאסט בנושא מיינדפולנס. אז הנה אני מנצל את הבמה לאתגר את הקהל: אם אתם מוכנות או מוכנים להשקיע מזמנכם ובסתר רוצים שהחברים שלכם יזלזלו בכם, אז יש פה הזדמנות פז שלא כדאי להחמיץ. מכין מראש, זה לא קל, אבל אשמח לסייע לכל מי שתבחר או יבחר להרים את הכפפה. ואפרופו סיוע, אז תודה רבה לכל המאזינות והמאזינים וכמובן לכל המדרגות והמדרגים של נטפריקס! בזכותכן.ם, נטפריקס הגיע לרשימת ה-Top10 בקטגוריית הטכנולוגיה תחרות הפודקאסטים של גיקטיים. עדיין ניתן להיכנס ללינק ולהעלות את נטפריקס בדירוג (עד ה-9/1/22). תרמתם.ן להפצת מדע הרשתות בארץ ואפילו בעולם ולרגל האירוע, merch צנוע נשלח לנרשמים.ות באתר הפודקאסט. אם עדיין לא נרשמתם.ן, מוזמנות.ים ל-www.SNApod.net.

ו... חפרתי מספיק.

אז בפרק קודם דיברנו על העקרונות של מערכות ניתוח רשתי והדגמנו אותם על מערכת Gephi, בפרק הזה נסקור את עוד מערכות שקיימות שם בחוץ, בתנאי שהן עונות על התנאים הבאים:

חינמיות על-מלא, לא דורשות תכנות וניתן להזין אליהן אקסל, או שווה ערך.

כמו שכבר אמרתי בפרק הקודם, זו לא תחרות אבל Gephi לוקחת. אז למה לטרוח לסקור עוד מערכות? אז חוצמזה שאני מאמין בשוק חופשי, יש סיבה למה אנשים מסוימים מתאהבים גם במערכות אחרות. אמרתי שוק חופשי? התכוונתי "כל אחד כפי יכולתו וכל אחד לפי צרכיו". לפעמים הצרכים שלנו יהיו מאד פשוטים, ולא נצטרך את כל העושר הזה. ולפעמים נרצה לעשות דברים מאד מורכבים שדורשים תוכנה ייעודית לשם כך. ולפעמים... לפעמים אני סתם מקובע וכדאי להכיר עוד מערכות ויכולות.

כך או כך, Gephi תשמש אותנו כ-benchmark למערכות הבאות, ולא מעט מהן יכללו, כמו Gephi, את שלושת המרכיבים הבסיסיים של מערכת ניתוח רשתות:

הראשון הוא חלון הויזואליזציה של הרשת, השני הוא סרגל הכלים לניתוח הרשת והשלישי הוא הגריד או הטבלה של הצמתים והקשתות שבה נראה את תוצאות האנליזה שלנו בפירוט.

על הדרך, נלמד על עוד מושגים מתקדמים מעולם הרשתות, למשל:

- מה הן רשתות מסומנות או מה שנקרא: Signed Networks וקצת על מהו שיווי משקל ברשת.

- נדבר על נושא שהפך להיות חם בשנים האחרונות בתחום והוא מוטיפים ברשתות.

- ולקראת הסוף, נספר קצת על אלגוריתמיקה אקזוטית ברשתות שלא תפגשו בשום מקום אחר.

וזו הסיבה שאני נותן פה כבר עכשיו התראונת: לצורך הפרק הזה אני מניח שהמושגים הבסיסיים של ניתוח רשתי כמו מדדי מרכזיות, חלוקה לקהילות וכדומה - כבר מוכרים למאזינות ולמאזינים. למי שזו הפעם הראשונה בתחום אני ממליץ להתחיל בפרק 2 ומשם להמשיך ולאלו שסתם צריכים חימום קל, אני ממליץ על פרקים 4 ו-5, בנושא מדדי מרכזיות וקהילות ברשת, בהתאמה.

רק נזכיר שבכל מערכת נבדוק את הרשימה הבאה:

1. התקנה

2. ממשק הזנה

3. ממשקים חיצוניים

4. ממשק אינטואיטיבי

5. מדדים בסיסיים

6. חלוקה לקהילות

7. ניתוח איטרטיבי

8. ויזואליזציה טובה/נוחה

9. אלגוריתמיקה ופיצ'רים מתקדמים

10. התמודדות עם רשתות גדולות

11. מתעדכן

12. יתרון משמעותי

13. חיסרון משמעותי

אז מה כבר עשינו ומה עוד לפנינו? את מערכת Gephi סקרנו בפרק 21 ופה נסקור עוד ארבע. סה"כ, נסקור בסדרה 12 מערכות כשהאינסטינקט הראשוני שלי היה לחלק אותן לקטגוריות טכניות: מערכות מבוססות Java, מערכות מבוססות שפת C ומערכות מבוססות Web. הסיבה היא שמעבר לשפה שבה נכתבו התוכנות, בדרך כלל יהיה להן מכנה משותף נוסף. מערכות Java יהיו ותיקות יותר (נראה לי שזה המונח הפוליטקלי קורקט) ומוכוונות לקהל מקצועי יותר. זאת לעומת מערכות ה-Web שהן הרבה יותר בסיסיות אבל גם לרוב יותר אינטואיטיביות. למרבה ההפתעה, מה שיאפיין את מערכות שפת C זה שהן די מעפנות, ופה אני כבר די בטוח שזה לא המושג הפוליטקלי קורקט. אבל מכיוון שהסדרה הזו מוקדשת בעיקר לכאלה שרוצים להיכנס לתחום, אני מציע שנתחיל עם המערכות שנראות לי הכי רלוונטיות או נגישות ומשם לאט לאט נעבור למערכות היותר אקזוטיות. ובהערת אגב, דווקא התוכן העוסק במערכות האקזוטיות, יש יגידו איזוטריות, היה התוכן שהכי נהניתי ליצור.

המערכות שנסקור בפרק זה יהיו:

• CytoScape

• NodeXL

• Pajek

• KUMU

Cytoscape

אז למרות שהיא לא המערכת הכי נגישה שיש, בחרתי להתחיל את הפרק הזה עם CytoScape. למה? כי לאורך השנים האחרונות, זו התוכנה היחידה שנושפת בעורפה של Gephi, המערכת הפופולרית לניתוח רשת שכיסינו בפרק 21.

זה לא מפתיע כי הממשק של Cytoscape נראה הרבה יותר מודרני ומגניב. מכיוון שאני מאד שמרן, לא רק באלגוריתמים לחלוקת קהילות אלא גם בתוכנות לניתוח רשת, זה מעצבן אותי. מאיפה CytoScape צצה? אז במקור, CytoScape נולדה בשביל לבצע מחקרי רשת בביולוגיה. אבל בגלל המראה המודרני ועוד כמה יכולות, CytoScape מצאה את עצמה נותנת פייט לGephi. פייט שהיא תפסיד בו כי אין על Gephi, אבל פייט.

הפייט הזה מתחיל כבר בעדכון הגרסה. גם CytoScape עדכנה גרסה ממש לאחרונה באוקטובר 2021, אחרי שלוש שנות הזנחה.

את התהליך המחקרי, CytoScape מתחילה ברגל ימין. היא מאפשרת לייבא ולייצא אקסלים באופן גמיש, כלומר, לא נדרש לדבוק בסטנדרט הזנה מסוים והיא גם מאפשרת drag&drop לקבצים שזה תמיד נחמד.

מכיוון שזו מערכת שיועדה במקור למחקרי רשת בתחום הביולוגיה, יש לה API לדאטה-סטים בתחום הביולוגיה, למשל, כאלה העוסקים בגנים, יכולת לבנות רשת מאמרים ממאגרי המאמרים של עולם הביולוגיה וכד'.

מבחינת ממשק, אז למי שניגש למערכת אחרי שהוא מכיר Gephi, המערכת נראית יחסית אינטואיטיבית. אבל מי שפעם ראשונה ניגש למחקר רשתי, אז יש כאן קצת מס למידה ש-CytoScape דורשת לשלם. אבל כשכבר מתחילים את הניתוח ומתרגלים למערכת, אז נראה ש-CytoScape יותר ידידותית. למה הכוונה? כשחיפשתי את סרגל הכלים הרלוונטי למדדי המרכזיות הבסיסיים בשביל לנתח רשת, לא מצאתי. מה, גם הם החביאו אותו כמו ש-Gephi עושה? מסתבר שהסיבה היא הרבה יותר פשוטה: אין סרגל כלים כזה. פשוט לוחצים על הכפתור "נתח רשת" ותוך מספר שניות בודדות המערכת מנתחת את כל המדדים הבסיסיים של הרשת, הצמתים והקשתות. גם כשמדובר ברשת של 5 אלפים צמתים. וזה די מרשים. אבל זה מביא אותנו לצד האפל של CytoScape. מה קורה כשיש לנו רשתות גדולות יותר? כאן הפיצ'ר הופך לבאג. CytoScape לא עושה את ההפרדה בין המדדים ואז קורה שהיא מחשבת ביחד גם מדדים שנותנים תשובה מהירה, כמו למשל דרגה, יחד עם מדדים שלוקח להם הרבה זמן לחזור, כמו למשל Betweenness ואז כל החישוב מתעכב.

בהקשר של חלוקה לקהילות, אז כדי להנות מכל מה שיש ל-CytoScape להציע, נדרש להוריד את ה-plugins הרלוונטים ושם כבר יש הכול, כולל אפילו Leiden, וגם ניתן לייצר גרף קהילות.

5.בהקשר של איטרטיביות התהליכים ב-CytoScape - היא מעולה. אחד מהפיצ'רים הכי חכמים בה בהיבט זה הוא שמירת תהליך העבודה כעץ תיקיות. כך, בכל שלב ניתן לחזור אחורה בניתוח.

מבחינת הויזואליזציה, ל-CytoScape יש ממשק משובח ונוח וגם ה-layout המשמש כברירת מחדל במערכת הוא טוב מאד. קל לבחור ולהזיז את הגרף ומקש ימני על העכבר יפתח לכם מגוון של אופציות להתעלל בכל צומת או צמתים שתבחרו.

ועכשיו, לאלגוריתמיקה ופיצ'רים מתקדמים: נראה לי שבמקום לפרט מה יש ב-CytoScape, יהיה יותר קצר להגיד מה אין: אין. כלומר, בזכות ה-Plugins המרובים והמתעדכנים של CytoScape, יש בה כמעט כל פיצ'ר אפשרי שקיים בכל מערכת אחרת ועוד. למשל פיצ'ר שלא ראיתי בשום מערכת אחרת זה Link Prediction שזו יכולת שדיברנו עליה בפרק 9, שנותנת פרדיקציה על קשתות. את הפרדיקציה, CytoScape עושה על בסיס שכנים משותפים, כלומר, ככל שיש לשני צמתים יותר שכנים משותפים, סיכוי גדול יותר שצפויה להיות או כדאי שתהיה קשת ביניהם. בנוסף, חוקרים מתחום הביולוגיה יגלו פה כנראה כמה קיצורי דרך כמו למשל אלגוריתם ייעודי לקליסטור חלבונים, ניתוח רשת דינאמית ייעודי לתחום ועוד.

אבל אין ארוחות חינם ובסעיף הבא CytoScape מתחילה לדמם נקודות לטובת מערכות אחרות.

הזכרנו את זה קודם אבל הנה זה בא: היכולת או יותר נכון, היעדר היכולת של CytoScape להתמודד עם רשתות גדולות: רשת של 20 אלף צמתים המערכת כבר בקושי הצליחה לעכל. ברמה שביטלתי את התהליך באמצע. גם כל עושר הפיצ'רים המעולים של CytoScape פשוט לא עובדים, או לוקח להם נצח, על רשתות גדולות. וזה חבל, כי הושקעה הרבה מחשבה מאחורי חלקם. למשל, חלק מהאלגוריתמים הם בהגדרה איטיים מאד. אז מה שחלק מה-plugins איפשרו זה לתת לאותם אלגוריתמיים איטיים לרוץ על שרת חיצוני ומהיר יותר, וכך רק לייבא למערכת את התוצאות. זה חכם ומהיר אבל המערכת לא עומדת בהצגת התוצאות שהתקבלו, אז היכולת הזו קצת מבוזבזת. אני לא מומחה גדול לביולוגיה, ואולי הרף שלי קשוח יותר משל החוקר הממוצע, אבל נראה לי שיש רשתות גדולות גם בביולוגיה אז מה הקטע? כשבוחנים את הברושור, נראה ש-CytoScape מסוגלת לבצע מחקרים על רשתות גדולות. אולי הכוונה היא שבמחקר מדעי, לא יפריע לנו לתת למחשב לרוץ קצת על הדאטה ומקסימום נקבל את התשובות עוד חצי שעה. מה נורא כל כך? בלאו הכי הכול מכוסה בתקציב המחקר.

אז מה היתרון המשמעותי של CytoScape: זה יהיה לא הוגן להגיד על CytoScape שהיא טובה לחוקרי ביולוגיה. היא טובה להרבה דברים. היא יחסית אינטואיטיבית ואיטרטיבית ונראית סבבה. למחקרים מתקדמים על רשתות של עד כמה מאות או אלפי צמתים היא כנראה הכי טובה שיש.

ומה החיסרון המשמעותי של CytoScape? רציתי להגיד שהיא לא Gephi, אבל, שוב, זה לא יהיה הוגן. הבעיה המרכזית שלה היא התמודדות עם רשתות גדולות. בדומה למה שאמרתי על Gephi בפרק קודם, יש כנראה מחיר גם לעושר הרב של CytoScape והמחיר במקרה הזה הוא כנראה חוסר יכולתה להתמודד עם מאסות. וזה מביא אותי למערכות הרבות יחסית שיש לניתוח רשתות ביולוגיות, שאני לא מתייחס אליהן כאן כי הן ייעודיות לתחום הספציפי של מחקר ביולוגי. לא מצאתי בפיצ'רים שלהן שום ערך מוסף על זה של CytoScape. אבל אולי זה הערך שלהן. כלומר, CytoScape היא מערכת כבדה. יכול להיות שכשכל מה שצריך זה סוג של מחשבון מהיר לרשת ביולוגית, חלק מהמערכות שציינתי בהתחלה מספקות את הסחורה כתוכנות מאד קלות ומאד פשוטות.

אם גודל הרשת לא מטריד אתכם כי רק התחלתם לנתח רשתות ואתם מחפשים משהו פשוט, אז אין יותר פשוט מהמערכת הבאה שנדבר עליה - NodeXL.

NODEXL

מערכת NodeXL היא כנראה המערכת הכי אינטואיטיבית שיש לניתוח רשת. הגעתי אליה לפני שנים בעקבות ראיון ששמעתי עם מארק סמית', המייסד של NodeXL. שסיפר סיפור מעורר השראה על מחקר שעשה בטוויטר והלכתי לבדוק.

ה-Claim to fame של NodeXL זה שהם למעשה plugin בתוך אקסל מה שמפשט הרבה מתהליכים שדיברנו עליהם. העניין הוא של-NodeXL יש גם גרסת premium. מה שזה אומר, למרבה הצער, זה שגרסת ה-freemium היא מאד מוגבלת וזה יבוא לידי ביטוי בהמשך.

מבחינת ההתקנה זה פשוט התקנה של plugin באקסל ומבחינת ההזנה של הדאטה, NodeXL היא הכי אינטואיטיבית שיש כי כל עמודה מגיעה עם כותרת והסבר.

שוס נוסף זה שאם תממשקו את יוזר הטוויטר שלכם למערכת, NodeXL מאפשרת API מאד פשוט שדרכו תוכלו לקצור את רשת הטוויטר, כמובן, עם מגבלות על כמות. סדר גודל של מאות טוויטים.

בגלל ש-NodeXL פועלת בסביבת האופיס המוכרת, אז גם אם לא יודעים איפה כל כפתור נמצא, כל משתמש ירגיש מאד בנוח לשוטט בין הסרגלים השונים.

החדשות הטובות והרעות הן שבגרסת ה-freemium אין הרבה איפה לשוטט. וזה מביא אותנו לסעיף הבא: אלגוריתמיקה.

בגרסת החינמית, יש רק מדד מרכזיות אחד נגיש: מדד הדרגה, או ה-Degree, כלומר, לכמה צמתים מחובר הצומת. יש עוד מספר מדדים שאפשר לבדוק בהם את הרשת כמו צפיפות וכד' אבל מהבחינה הזאת, המערכת מאד מוגבלת.

גם בחלוקה לקהילות המגוון מאד מצומצם. אמנם אין לובאין אבל כן יש אלגוריתם דומה שעושה שימוש במודולאריות.

קישור לסרטון של 60 שניות שמסביר על מודולאריות

החלק המפתיע הוא שאפשר להציג את גרף הקהילות גם ויזואלית, כלומר, לאחר שחילקנו את הרשת לקהילות, ניתן לבצע אגרגציה של הצמתים ולהראות כל קהילה כצומת ואז להראות את הקשרים בין הקהילות. בנוסף, ניתן לבצע התאמה של ה-layout שיתאים לקהילות וזה נראה יפה מאד.

עוד פיצ'ר מפתיע זה האפשרות למצוא מוטיפים ברשת.

מוטיפים (או: Motiphs), הם מבנים שחוזרים על עצמם ברשתות. לרוב מדובר במבנים או דפוסים בקנה מידה קטן של כמה צמתים בודדים. דוגמא קלאסית למשל זה הטריאדות, או קשרים בין 3 צמתים. 3 נשמע מעט אבל אפשר למצוא עשרות קונפיגורציות, או מוטיפים אפשריים לקשרים בין 3 צמתים, במיוחד כשמתחשבים גם בכיווניות הקשר.

ולמרות שמדובר ברשתות זעירות, מסתבר שתחום המחקר הזה לא מיצה את עצמו ונראה לי שבשנים האחרונות הוא זוכה אפילו לעדנה, בהקשר של מוטיפים ברשתות מורכבות ודינאמיות, כנראה הרבה בזכות אליס שוורץ שמעבר להיותה חוקרת רשתות ומתראיינת סדרתית, היא גם הנשיאה של עמותת WINS שזה Women In Network Science.

מוטיפים ברשת דינאמית כנראה שלובים גם בעליית הענין בהייפר גרפים. על הייפר גרפים דיברנו בפרק קודם ורק במילה : מדובר בקשתות שמחברות כמה צמתים סימולטנית, כלומר באותו זמן. ומרגע שהכנסנו את מימד הזמן לקשתות, הייפר גרפים הופך להיות subset של רשת דינאמית, שמוסיף עוד למגוון של המוטיפים הקיימים.

אז למה מוטיפים מעניינים אותנו? כי הם נותנים לנו עוד מידע על מבנה הרשת וזרימת המידע בה. הם בעיקר מעניינים לצרכי השוואה בין רשתות. למשל, יכול להיות שברשת מסויימת נמצא מוטיפים רבים של קשרים הדדיים בטריאדות שיכולים להצביע על שיתוף פעולה לעומת רשת עם קשרים חד כיווניים שמצביעים על העברת אינפורמציה בלבד.

אז למעט התכונות הללו, אין עושר של אופציות לניתוח בגרסה החינמית של NodeXL, וגם אין הרבה מקום לתהליך איטרטיבי. What you see is pretty much what you get.

מבחינת נוחות ההפעלה, אז מן הסתם, בסביבת אקסל, תצוגת הטבלה היא אופטימלית והיא נמצאת באותו מסך של התצוגה הגרפית. זה לכאורה יתרון אבל התצוגה הגרפית קצת פחות נוחה כי נדרש לשחק עם הגודל שלה ומבחינת יכולות היא די מנוונת, למעט יכולת ה-layout של הקהילות שהזכרתי קודם שמפצה על שאר הקשיים.

המערכת יכולה לתת מענה לרשתות של עד כאלף צמתים והיא מערכת סופר ידידותית למי שעושה את צעדיו הממש ראשונים בתחום. היא תאפשר לבצע מחקר קצר ובסיסי, בעיקר כשנדרש רק פלט ולא תהליך איטרטיבי ואם מחפשים דאטה מעניין אז הממשק לטוויטר הוא גם יתרון.

החיסרון המשמעותי שלה זה כמובן יכולות הניתוח המוגבלות שהיא מציעה. אולי כדאי לחובבי מחקר של טוויטר לייצא את הדאטה מ-NodeXL להמשך מחקר במערכת אחרת. מישהו אמר Gephi?

הגרסה החינמית (1.0.1.418) עודכנה לאחרונה ב-2014. סביבת ה-premium מתוחזקת היטב ומציעה קורסים (בתשלום).

נתנו ייצוג למערכת מיינסטרים לניתוח רשתות כמו CytoScape ודיברנו על המערכת הכי אינטואיטיבית שהיא NodeXL. עכשיו הגיע הזמן של התותח הכבד במערכה וזה מערכת Pajek. מדובר במערכת הכי הארד קור לניתוח רשתות שאחריה נצטרך לנוח קצת, אז אחרי שנסקור אותה, נעבור למערכות המבוססות web. אלו מערכות מאד אטרקטיביות למשתמשים חדשים גם כי הן אינטואיטיביות ונגישות וגם בגלל הגרפיקה היפה. אבל רגע לפני היפה, בואו ניתן את הבמה לחיה: Pajek

מערכת Pajek (שזה אגב "עכביש" בסלאבית) היא מערכת מבוססת Java. היא הגיחה ב-1997, מה שעושה אותה אחת מהתוכנות הותיקות בתחום. מה שמפתיע זה לא רק שהמערכת שרדה 24 שנה אלא שה-Claim2Fame שלה שרד איתה: Pajek נוצרה כדי לאפשר ניתוח של רשתות גדולות (מאד) ועד היום היא המערכת הטובה ביותר לכך וממשיכה להיות מתוחזקת עד היום. כבוד.

היא באה ב-3 גרסאות וכולן חינמיות: Pajek הקלאסית, כמו סלובניה הקלאסית, שמיועדת לרשתות גדולות. אחריה באה גם גרסת Pajek XXL שמיועדת לרשתות ענק (שיצאה ב-2011), וב-2017 יצאה גרסה נוספת הנקראת Pajek XL3 שלפי הברושור, יכולה לנתח רשתות של עד 10 מיליארד צמתים. אמרתי חיה והתכוונתי לזה.

אני אוסיף ואגיד כבר על ההתחלה שב-Pajek יש הכול, כלומר, היא מכילה לדעתי כמעט כל אלגוריתמיקה מוכרת בעולם הרשתות, ואפילו כמה שלא מופיעות באף מערכת אחרת. מטורף.

אז עכשיו תשאלו איפה ה-catch? ברור שיש catch. וזה מזכיר לי מערכון נוסף מהתקליט (כן, תקליט!) שכבר אוזכר פה בעבר בשם: You don't have to be jewish. במערכון אישה ניגשת לאישה מכובדת ומתפעלת מטבעת היהלום שלה:

- "וואו, איזה טבעת יהלום!"

- "כן, זה טבעת הנישואים שלי", עונה האישה המכובדת באדישות.

- " הוא כל כך ענקי! " אומרת השנייה בהתפעלות, " איזה יהלום זה?"

- "כמו לכל היהלומים הגדולים גם לזה יש שם. כמו שיש למשל יהלום "הכוכב של הודו". ליהלום הזה קוראים יהלום 'Pajek''. ".

- "איזה יהלום יפה! מה לא הייתי עושה בשביל יהלום כזה!"

- "אה, תאמיני לי, עדיף לך בלי. כי כמו כל היהלומים הגדולים גם יהלום Pajek נושא איתו קללה ארוכת שנים."

- "באמת? זה נשמע כל כך רומנטי, מה הקללה מאחורי יהלום Pajek?"

- "מר Pajek!"

אז זהו, Pajek היא מערכת שיש לה הכול, אבל לעבוד איתה נראה נוראי.

כאילו את כל מה שהיא חוסכת בניתוח רשתי היא מוציאה על המשתמש התמים. מצטער להגיד, אבל זו המערכת הכי פחות אינטואיטיבית שראיתי מעולם, בלי קשר לניתוח רשתי.

ההתקנה של המערכת היא החלק הקל פה. רק צריך לבחור איזה מ-3 הגרסאות של Pajek רוצים. לצורך העניין נקרא להן הגרסה הרגילה, הגדולה והענקית. שתי הגרסאות האחרונות נראה שנועדו בעיקר כדי לנתח גרפים, לא רשתות, ולכן הן לא מאפשרות שימוש בתיאורים לצמתים, והן באות ללא ויזואליזציה בכלל, ולכן לא נתייחס אליהן בהמשך. והנה, כבר משלב הזנת הדאטה מתחילות הבעיות. Pajek לא מקבלת אקסל. במקרה הטוב, היא מקבלת קבצי TXT בפורמט ייחודי לה ומאד לא נוח. הוא עד כדי כך לא נוח שיש תוכנות ייעודיות להמרת אקסל או קבצי TXT לפורמט של קבצי Pajek. אז מבחינת אינטואיטיביות, היא כבר התחילה ברגל שמאל ובואו ננסח את זה ככה: הייתי צריך לראות סרטון של 10 דקות רק בשביל להבין איך לעשות ניתוח בסיסי, וגם אותו לא קל לשחזר... הסיבה היא שהמערכת עובדת לפי היגיון משלה שלא דומה לאף מערכת אחרת וזו כנראה ירושה שלה מהניינטיז. ממשק העבודה עם Pajek מאפשר עבודה רק דרך התפריטים. ואם אתם חושבים שהתפריטים אינטואיטיביים, אז זה סימן שממש לא הקשבתם לי בכמה דקות האחרונות. מצד שני, בני אדם הם סתגלנים, אז אני מניח שברגע שמתרגלים, זה אולי פחות נורא. בכל מקרה, זה לא פלא שלמערכת יש ויקי מפואר עם הרבה מדריכים. מבחינת איטרטיביות, Pajek על הנייר אמורה להיות מאד איטרטיבית. כמו ב-CytoScape, גם Pajek מאפשרת עץ של התהליכים המחקריים שנעשו על הרשת כך שתמיד אפשר לחזור בנו ולהפעיל עליו כלים וניתוחים שונים. אבל האיטרציה בין הגרפיקה לניתוח היא מאד איטית כי הממשק של המערכת מאפשר עבודה רק דרך התפריטים. מזכיר שהויזואליזציה בכלל לא קיימת בגרסאות מסויימות של Pajek וכשכבר יש כזו, היא מתאפיינת בוייב של סרט מדע בדיוני משנות השמונים.

לכאורה זה נשמע שלא מדובר בתוכנה אלא בארטיפקט פלאי מימי הביניים, אבל החלק הכי הזוי הוא שכבר 24 שנה יש ל-Pajek צוות שדואג ומפתח אותה באופן קבוע, כשהגרסה האחרונה יצאה בספטמבר 2021. במובן מסויים, התוכנה הזו מזכירה לי עסק לכיוון פסנתרים שעובר מדור לדור.

אז בכל זאת, קצת על הצד החיובי.

זה קטע מטורף בעיניי, שהמערכת העתיקה הזו, שאמנם עברה הרבה בדרך, אבל עדיין, מסוגלת לעכל רשתות בסדרי גודל שמערכות אחרות יכולות רק למצמץ לעברן. את הרשת של עשרות אלפי הצמתים Pajek ניתחה בשנייה. מה שלקח שעות היה להעלות את הדאטה ולהבין מה קורה פה.

רגע, אמרתי צד חיובי, לא? אז בואו נדבר על האלגוריתמיקה:

ב-Pajek יש כל אלגוריתם אפשרי למדידת צמתים/קשתות/רשתות וגם לצרכי חלוקה לקהילות. בנוסף, Pajek מאפשרת לראות את גרף הקהילות, לתת לייבל לכל קהילה, ולשחק בויזואליזציה בין גרף צמתים לגרף קהילות, כלומר, ניתן לפתוח מתוך גרף הקהילות את אחת מהקהילות ולראות את הצמתים הפרטניים בה. רמה כזו של איטרטיביות בקהילות אין באף מערכת אחרת, בטח לא בקנה מידה כזה. ומכיוון שב-Pajek יש כל מה שיש במערכות אחרות ויותר, אז נתמקד בתוספים שיש בה ושאין בשום מקום אחר. למשל, Pajek היא היחידה שמאפשרת הצגה של רשתות מסומנות או מה שנקרא: Signed Networks. למה הכוונה? זהו סוג של רשתות בהן הקשתות יכולות לקבל גם משקל שלילי. איך דבר כזה קורה? בדרך כלל כשאנחנו מדמיינים רשת חברתית, אז אנחנו חושבים על רשת חברויות, אבל חלק מהקשרים ברשת יכולים להיות של יריבויות ואז המשקל שלהם יהיה שלילי. דוגמא ליישום כזה בתחום מדעי המדינה הוא של מידול קשרים בין מדינות. קשרים בעלי משקל חיובי בין מדינות בנות ברית, שיסומנו בסימן של פלוס וקשרים שליליים בין מדינות שנמצאות בעימות שיסומנו בסימן מינוס. כאן נפתח פתח לתחום שלם ב-SNA שנקרא שיווי משקל רשתי או Network Balance שמנסה למדל את הדינאמיקה של רשתות בנוכחות קשרים שליליים. דוגמא קלאסית לזה היא למשל המשפט: האויב של האויב שלי הוא חבר שלי. קשר שלילי עם גורם אחד יכול ליצור קשר חיובי עם גורם אחר. רשת יציבה בהקשר זה תהיה רשת שבה כל טריאדה, או משולש קשרים, תהיה בעלת קשתות חיוביות בלבד. מכאן, ההקשר למדעי המדינה הוא ברור – יש כאן ניסיון למדל ולחזות התפתחויות של קשרים ובריתות.

בפרק 13 דיברנו על הבעיה בניתוח רשתי כדי למצוא קיטוב ברשתות חברתיות. רשתות מסומנות הן כנראה הדרך הכי טובה למצוא אם קיטוב כזה קיים. כדי למשקל את הקשתות, מחקר מסוג זה נדרש לרוב לבצע ניתוח סמנטי של הקשתות בד"כ ע"י שימוש ב-Sentiment Analysis כדי להבין האם מדובר בקשתות חיוביות או שליליות. הבעיה כמובן תהיה בקביעה הסובייקטיבית של מהו המשקל החיובי או השלילי של הקשת. איך קובעים כמה חיובי או שלילי הקשר? בעיה. זו אולי הסיבה למה התחום הזה הוא קצת נישתי, ונשען הרבה על ציטוטים מעבודות בנות 80 שנה בערך, או פלוס מינוס, כמו שאומרים בתחום. אגב, הקושי בקביעת המשקל מייצרת בעיות נוספות עליהן נדבר לקראת סוף הפרק. בחזרה ל-Pajek, אז חוצמזה, המערכת מאפשרת לבצע פעולות שהן הארדקור מדע הנתונים כמו רגרסיה ליניארית, פעולות שקשורות בווקטורים וכד' ומדענים מתחום תורת הגרפים יעופו על עושר הפיצ'רים והפרמטרים ש-Pajek מציעה לטובת יצירה או ג'ינרוט של גרפים. וזה הסיפור של המערכת. היא לא נבנתה לבני תמותה. היא מערכת של מדענים שנבנתה ע"י מדענים סלאבים לטובת מדענים.

אז לסיכום, מה היתרון המשמעותי של Pajek? נראה לי שאין ניתוח רשתי שהמערכת הזו לא תוכל לבצע. נקודה.

והחיסרון המשמעותי: אין משתמש שיתקרב למערכת הזאת ויגיד – איזה יופי של מערכת. נקודה. יש בעיה עם מערכת שצריך בשבילה חבר טלפוני ובסוף לא בטוח שתישארו חברים.

ומקיצוניות אחת – לשנייה. עד עכשיו סקרנו רק מערכות שדורשות התקנה. עכשיו הגיע הזמן לסקור גם מערכות web שפועלות הישר מהדפדפן. היתרון הנוסף שלהן הוא שלרוב הן הרבה יותר אינטואיטיביות ונגישות וחלקן משלבות Walk-Me או הדרכה טובה מאד שאני ממליץ לא לדלג עליה. הסיבה היא שהיא לרוב מאד קצרה אבל משמעותית כי לרוב המערכות האלה נדרש פורמט ייחודי משלהן להזנת הדאטה. לא פעם גם הויזואליזציה שלהן תהיה יפה יותר ופריסת הצמתים, או אלגוריתמיקת ה-layout תהיה מובנית בתהליך כלומר, תתבצע אוטומטית ותאפשר צפייה טובה ברשת. בגלל שהן מבוססות web, מערכות אלה גם מאפשרות הזנת דאטה ישירות מ-Google Sheets, ולשלב בצורה נוחה גם תמונות ולינקים להעשרת תיאור הצמתים ברשת. רובן יאפשרו גם תהליך מובנה לשמר את החקירה ולשתף אותה. לכן, בשורה התחתונה, הן מאד יתאימו לכאלה שרוצים לטעום קצת ממה זה ניתוח רשתי. החיסרון יהיה לרוב הפונקציונליות הנמוכה, כלומר, הן יאפשרו רק מעט אלגוריתמיקה, וזה אם אני לא טועה, מאפיין גם את הגרסאות שלהן בתשלום. סיבה אפשרית לכך היא שמערכות אלה לא ממקסמות על יכולות הניתוח הרשתי, אלא בעיקר על היופי המובנה של רשתות. למי שרוצה לשבות את הקהל בשקפים יפים שנעשו בשיטת האינסטנט – אלה המערכות לעשות את זה. לכאורה, חיסרון נוסף הוא היעדר היכולת להתמודד עם רשתות גדולות, אבל כבר ראינו שיש גם מערכות שדורשות התקנה שמתקשות עם זה, אז בקטע הזה, מערכות ה-web נותנות פייט לא רע. חיסרון אחרון שלא נתקלנו בו במערכות הקודמות הוא סוגיית הפרטיות. בגרסאות החינמיות, כל הניתוחים שעושים במערכת נגישים לכולם באתר של המערכת, וניתן לחפש אותם לפי מילות מפתח או שם היוזר שיצר אותם. מכיוון שכל מה שתיארנו כרגע הם מאפיינים של רוב מערכות ה-web, נתמקד בסקירה רק במה שמייחד אותן. את רובן נשאיר לפרק הבא ונתמקד במערכת שאני משער שהיא המוכרת מכולן והיא מערכת KUMU.

KUMU

מבחינה כמותית, KUMU הצליחה לטעון רשת של עד כ-200 צמתים ו-10 אלפים קשרים. בסדר גודל הזה זמן התגובה לא היה מהיר אבל גם לא נוראי. מבחינת איטרטיביות, המעבר בין הממשק הויזואלי לטבלת הנתונים של הצמתים והקשרים הוא לא אופטימלי, אבל ניתן לעבוד איתו.

מבחינת אלגוריתמיקה, אז KUMU מאפשרת את כל מדדי המרכזיות, כולל מדד ה-Micmac המסתורי, ש-KUMU יהיה כנראה המקום הראשון והאחרון שתפגשו אותו. מדד זה מתיימר לגלות משפיעים ומושפעים ברשת ואני לפחות לא זוכר שנתקלתי בו בעבר. הסתקרנתי אז ביצעתי תחקיר עומק על מה המדד הזה באמת אומר ולא הצלחתי לגלות הרבה למעט שהוא הומצא ב-1971 ע"י חוקר צרפתי בשם Godet (גוּדה). בכלל, נראה של-KUMU יש חיבה לאיזוטרי בכל הקשור לאלגוריתמיקה. זה בא לידי ביטוי גם בבחירת האלגוריתם שלה לחלוקה לקהילות. מדובר באלגוריתם בשם SLPA שמבוסס על האלגוריתם Label Propagation שדיברנו עליו בפרק אודות פוליטיקה ורשתות. לכאורה, האלגוריתם בא עם כוונות חיוביות. בניגוד ללובאין, שבו כל צומת שייך רק לקהילה אחת, SLPA מאפשר לצמתים להיות חברים ביותר מקהילה אחת, מה שנקרא, קהילות חופפות. יש רק בעיה אחת – הוא לא כל כך עובד, כלומר, החלוקה שמתקבלת לא טובה. שוב, מדובר באלגוריתם איזוטרי יחסית, שזכה מאז פירסומו לפני כ-10 שנים לכ-450 ציטוטים בלבד. רק להשוואה, אלגוריתם Leiden זכה מאז פירסומו לפני שנתיים במספר כפול של ציטוטים. ושלא לדבר על הלובאין שזכה לפי 30 יותר ציטוטים.

לסיכום,

בפרק 21 סקרנו את מערכת Gephi ובפרק זה סקרנו 4 מערכות נוספות שביחד מהוות את המיינסטרים למחקר רשתות נגיש: CytoScape, NodeXL, Pajek ו-KUMU.

בפרק הבא, נציג את 7 המערכות שנותרו, או כמו שאני קורא לזה – פינת האקזוטיקה והאיזוטריה. והשאלה המתבקשת היא למה בכלל לטרוח לסקור אותן? אז יש כמה סיבות:

קודם כל, מילה זה מילה. התיימרתי לסקור את כל המערכות ולכן צריך לסקור אותן. חוצמזה, זו תהיה הזדמנות להציג את טבלת ההשוואה המתבקשת בין כל המערכות, או מה שנקרא, "דבר בציונים". ולמרות שכבר חשפתי קצת הטיות, אני בטוח שחלק יהיו מופתעים מהדירוג הסופי.

ועכשיו ברצינות, דרך סקירת מערכות אלה נלמד על נושאים נוספים למשל, מה בין רשתות לגרף ידע, נלמד עוד קצת על אלגוריתמיקה מתקדמת וגם, לחובבי ההיסטוריה, נדבר קצת על המערכות הראשונות לניתוח רשתי, שחלקן שרדו עד ימינו.

ואחרון, מבחינה עובדתית, ישנם חוקרי רשתות שמשתמשים במערכות האלה. יכול להיות שיש בהן איזה צ'ארם מסויים שאני פחות התחברתי אליו ואפרופו צ'ארם, אז יש קסם מסויים בלהגיד: "אני משתמש במערכת X" שאף אחד לא שמע עליה.

עכשיו, כמובטח, נקריא ביקורות מרחבי המרשתת:

נועם כתב בלינקדאין:

"כמי שגר ב"חור", אני נאלץ מפעם לפעם לנסוע למרכז הרחוק (מחתים דרכון כמובן). אחד הפודקאסטים המעניינים והמלמדים שמלווים אותי הוא NETfrix של Asaf Shapira חברי המוכשר. הפודקאסט מוביל את השומעים ברזי מדע הרשתות באופן רהוט, ברור ושנון. ממליץ בחום."

נועם ביקש להדגיש שאת התיוג הזה בפוסט הוא לא עשה תוך כדי הנסיעה. בקשה מוזרה. נעמי כתבה בטוויטר:

"מצאתי פודקאסט חובה חובה חובה למי שמתעניין לעומק בדיגיטל - הוא מיועד בכלל לאנליסטים בהייטקס ומדבר על מדע הרשתות, אבל הוא עושה בדיוק את מה שאני הכי אוהבת בדיגיטל - חוקר את המובנים האלגוריתמיים של התנהגות של אנשים. בקיצור, מרתק."

איזה כיף לשמוע! אז תודה רבה לנעמי ולשאר החבר'ה ב-Webos. והנה גם קצת ביקורת בונה של המאזין יעקב שכתב:

"קצת מבאס שהסאונד שם לא מושלם אבל לגמרי אחד מתחומי הידע הבאמת מרתקים."

אני אומר תודה ליעקב ולא סתם כי האמת? בשם מחלקת התוכן אני שמח שסופסוף אחד מהמאזינים נכנס קצת במחלקת הסאונד. למרות שזה לא תחרות. אז המון תודה למתייגות ולמבקרים ועכשיו, גם אתן רוצות להרחיב את קהילת מדע הרשתות בישראל? 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.

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.

נתראה בפרק הבא של נטפריקס.

#פודקאסט #מדע_הרשתות #ניתוח_רשתות_חברתיות #תורת_הגרפים #מדע_הנתונים #תוכנה

#Podcast #NetworkScience #SNA #SocialNetworkAnalysis #GraphTheory #DataScience #Software #Survey #Gephi #CytoScape #NodeXL #Pajek #KUMU

מה מתרחש (:

אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

כמו שחברים שלי יודעים, על המצבה שלי ביקשתי שיהיה כתוב "הוא צדק". אני לא אוהב לטעות אבל כשהאירוע הנדיר הזה קורה, אני אוהב לצטט את המשפט הבא: "כשאתה מפנה אצבע מאשימה לעבר מישהו, לפחות 3 מהאצבעות שלך מופנות אליך." והנה זה קרה. אז טעיתי ובאתי לתקן.

הכל התחיל כשקראתי לא מזמן ראיון של פרופ' רובין דנבאר לעיתון "הארץ" לקראת צאת ספרו החדש. הכותרת של הראיון הייתה:

" פרופ' רובין דנבר הקדיש את חייו לחקר החברות, וגילה כי לבני אדם יש 150 חברים, לא משנה באיזו תרבות ובאיזו תקופה." את דנבאר פגשנו בפרקים 6 ו-8 בנטפריקס שם התייחסנו למושג "מספר דנבאר".

אז רק תזכורת קצרה: ב"מספר דנבאר" הכוונה היא למספר החברים שאדם יכול קוגנטיבית לתחזק באופן עיתי ולפי דנבאר, מספר זה הוא כ-150 חברים.

בראיון, ההגדרה של דנבאר לחברים הייתה מישהי או מישהו שתרגיש בנוח להצטרף אליהם בשולחן במסעדה אם תפגשו במקרה, או שתתקשר או תתקשרי אליו לפחות פעם בשנה לשאול מה מתרחש. דנבאר הגיע למסקנות שלו בעקבות מחקר שעשה על התנהגות קבוצתית של קופים. הוא מצא קורולציה בין גודל הנאוקורטקס (מוקד החשיבה המודעת במוח), לבין כמות הקשרים החזקים שיש לקופים שחקר. דנבאר גם שם לב שכשקבוצת הקופים הגיעה לאותו מספר, כמה עשרות בערך, הקבוצה נטתה להתפצל. המסקנה שלו הייתה שבגלל אותה מגבלה קוגנטיבית, קבוצה גדולה מדי מאבדת את האינטימיות שלה. בגלל שהקופים הגיעו למגבלה הקוגנטיבית שלהם וכבר לא היו יכולים לתחזק את הקשרים בקבוצה, היא התפצלה לקבוצות קטנות יותר. דנבאר שיער שגם לבני אדם יש איזושהי תקרת זכוכית לכמות קשרי החברות שהם יכולים לתחזק ועל סמך ההבדלים בין המוח האנושי לזה של קוף, התזה שלו הייתה שמדובר במספר 150 בקירוב.

כשעבר לחקור רשתות אנושיות, דנבאר מצא שהשערתו הראשונית היא נכונה ו-150 משמש כאיזשהו חסם אנושי. תוצאות המחקר התפרסמו והמספר 150 זכה לכינוי "מספר דנבאר". בחזרה לריאיון, דנבאר תיאר כיצד מספר דנבאר משתחזר שוב ושוב בניסויים וגם פירט על התובנות שפיתח עם השנים לגבי אותו מספר. למשל, הוא הסביר שלבריאות טובה ואריכות ימים יש קשר הדוק עם מספר החברים שיש לאדם. אנשים בודדים נוטים למות הרבה קודם. הראיון עצמו לא חידש לי כל כך, אבל השתעשעתי לקרוא את התגובות של קוראי עיתון "הארץ". הנה מבחר מייצג ואני מצטט:

• "לרוב האנשים בעולם אין מאה חמישים חברים שהם מתקשרים אליהם פעם בשנה כדי לשאול מה נשמע. האיש הזה הזוי."

או תגובה אחרת:

• "שטויות במיץ .אני אישה נשואה . איזה חברים בדיוק צריכים להיות לי ? יכנע וינטע ? מי שרוצה חבר שיקח כלב. ויהיה בן אדם ."

("שטויות במיץ" אגב זה ביטוי שחזר כמה פעמים בתגובות).

והאהובה עלי ביותר:

• "אם [מה שדנבאר אומר זה] נכון [כלומר, שקשרים רבים הם ערובה לאריכות ימים], נראה לי שלא נותר לי הרבה זמן."

הלכתי להתקלח כשאני חושב על הכתבה. "הארץ" נחשב עיתון אליטיסטי, שיהיו כאלה שיגידו שקוראיו חמוצים, והנה חשבתי לעצמי, לפי התגובות, הם גם בודדים. ואז זה קרה. מאז יוון העתיקה, זה לא סוד שתובנות מגיעות לאדם במקלחת. כארכימדס בשעתו רצתי החוצה רטוב לקרוא שוב את הכתבה, ובמיוחד את הפיסקה הבאה בראיון, ואני מביא אותה כלשונה: "דנבר מספר שהרשתות החברתיות דווקא סייעו לו לאסוף נתונים בהיקף אדיר — ולאשש מחדש את ממצאיו. "אנשים טוענים בפניי לא פעם שהמספר של 150 חברים לא הגיוני, כי יש להם יותר מ–500 חברים בפייסבוק. אבל כשערכנו ניתוח מדויק של מספר החברים שיש ל–61 מיליון משתמשים שונים, גילינו שהממוצע עמד על 149 חברים בדיוק", הוא אומר בסיפוק מופגן."

לפי דנבאר, התלונה שהוא בדרך כלל סופג מאנשים היא הפוכה מזו של קוראי "הארץ". מכריו של דנבאר טענו ש-150 הוא דווקא מספר קטן מדי. הרי בעידן הרשתות החברתיות, יכולים להיות לנו תיאורטית אלפי חברים. אבל דנבאר עונה שזה עניין תיאורטי בלבד. אמנם ברשת חברתית יכולים להיות לנו אלפי חברים במובן הטכני של המילה. אבל בפרקטיקה, מספר הקשרים שבאמת מתוחזקים לאורך זמן. למשל, כאלה שנשלח להם הודעות אישיות, נגיב להם לפוסטים וכדומה, יהיה נמוך בהרבה, ודנבאר אפילו נוקב, בסיפוק, במספר 149. אז מה הסיפור של הקוראים של "הארץ" כשהם טוענים שדנבאר הגזים לגמרי? יכול להיות שהם פשוט חבורה של אלינור ריגביז עם מקלדת? אז התשובה לזה תבוא דווקא לא מלהקת החיפושיות אלא מלהקה אחרת. החברים של נטאשה.

המשפט של דנבאר שהיה אמור להדליק נורה אדומה אצל כולנו הוא: " אבל כשערכנו ניתוח מדויק של מספר החברים שיש ל–61 מיליון משתמשים שונים, גילינו שהממוצע עמד על 149 בדיוק".

ויותר ספציפית, המילה "ממוצע". מה זה אומר ממוצע? בפרק 3 דיברנו על כך שאנשים אוהבים להיעזר בממוצע כי מאחורי המספר הזה יש קסם: זהו אמנם מספר בודד אבל לכאורה הוא יכול לתאר לנו חלק ניכר מהדאטה. אבל באותו פרק דיברנו על כך שכשהדאטה שלנו מתפלג "זנב ארוך", הממוצע מאבד ממשמעותו. בהתפלגות כזו, ממוצע ממש לא מתאר את רוב הדאטה. בהתפלגות "זנב ארוך", הרוב המכריע יהיה מתחת לממוצע ומיעוט קטן, אבל משמעותי, מעליו.

אני אומר משמעותי, כי בכלכלה למשל, המיעוט הזה יהיה למשל אותם אנשים או חברות שמחזיקות ברוב ההון. ברשתות חברתיות, אלה יהיו היוזרים עם הכי הרבה חברים.

מכיוון שדנבאר בחן את התיאוריה שלו על רשתות חברתיות, וכולנו יודעים שרשתות חברתיות מתפלגות "זנב ארוך". משהו כאן מריח חשוד.

דנבאר אמר שהם בדקו 61 מיליון איש, אז חיפשתי את המאמר ובסיועו של פרופ' גלעד רביד כנראה שמצאנו אותו, פשוט דנבאר לא כתב אותו. המאמר חקר 61 מיליון משתמשי פייסבוק, שהיו פעילים ביום של בחירות אמצע הכהונה בארצות הברית ב-2010. לפי המאמר, ממוצע החברים בפייסבוק של 61 מיליון המשתמשים שהם חקרו היה 149. האם יש אישור טוב מזה לדבריו של דנבאר? רגע לפני שנאשים את קוראי "הארץ" במיזנתרופיה, בואו נשים לב לדבריו של דנבאר עצמו. דנבאר אמר שחברות בפייסבוק היא "טכנית" במהותה ולכן אינה בהכרח עונה להגדרה שהוא נתן לקשר חברי. המשמעות היא שסביר והמספר האמיתי של קשרים מתוחזקים, לפי ההגדרה המקורית של דנבאר, הוא נמוך יותר. אבל בואו נוודא, ואת זה נעשה באמצעות מחקריו של דנבאר עצמו.

לדוגמא, מאמר של דנבאר ושותפיו למחקר מ-2015 שבו הם חקרו רשת חברתית של 3 מיליון אנשים. זה לא 61 מיליון אבל זה ממש לא משהו לזלזל בו. מתי בפעם האחרונה חקרתם 3 מיליון אנשים? וכאן מתחיל החלק הממש מעניין. אחרי שהם אספו את 3 מיליון המשתמשים, החוקרים גילו משהו מפתיע: הקשרים ברשת מתפלגים בהתפלגות "זנב ארוך".

יש מעט אנשים יחסית עם הרבה מאד חברים והרוב עם מעט מאד חברים או בלי חברים בכלל. אז מה עושים? אני מצטט מהמאמר:

"For the analysis we consider only egos with an average of more than 10 interactions per month, thus selecting “socially active people” since they are particularly relevant for our analysis"

ובתרגום חופשי: לטובת המחקר, בחרנו רק משתמשים עם יותר מ-10 אינטראקציות בחודש, כלומר, מאד פעילים חברתית, כיוון שהם הרלוונטים למחקר שלנו. ניחא. אז כמה כאלה היו? בערך 130 אלף סה"כ. 130 אלף מתוך ה-3 מיליון המקוריים משאיר לנו פלוס/מינוס 4% מהדאטה המקורי. יותר מ-95% מהדאטה, שלא התאים לתזה, נזרק החוצה. אז מה כאן הרעש ומה הסיגנאל? בעצם מה שיש לנו כאן זה מקרה קלאסי שדיברנו עליו בפרק 9 בנושא רשתות דינאמיות, שבו הדאטה שלא מתאים לנו לתזה נזרק החוצה כ"רעש" ועכשיו, נשארנו רק עם מה שמתאים לנו. במקום ללמוד מה"רעש" אנחנו מעיפים אותו. אבל הנה מגיע הקטע הכי טוב – אפילו אז, הממוצע שיצא להם על הדאטהסט עדיין היה נמוך יותר מזה של דנבאר.

ליתר בטחון, הסתכלתי על מאמר נוסף של דנבאר וחבורתו. הפעם הם הסתכלו על רשת סלולארית שמונה כ-6 מיליון משתמשים. אבל נראה לי שזה כבר די ברור לאן זה הולך. ואכן, החוקרים התלוננו גם כאן על ה"רעש" בדאטה. הם מצאו שרק לפחות ממחצית האחוז יש דרגה של מעל 100, כלומר, מעטים מאד עשו שיחות ליותר מ-100 מכשירים. אז הם הרחיבו קצת את המבט ולקחו גם כאלה שהתקשרו ליותר מ-50 מכשירים. כמה זה יצא באחוזים מסה"כ הדאטה? 5% בלבד. מה לעשות, המציאות מסרבת להתנהג בהתחשבות. אז עכשיו, מה קשור החברים של נטאשה? כי בכל הנוגע לרשתות דינאמיות, הם מביאים את התיאור הכי מדוייק והכי פואטי:

מִילְיוֹנֵי אֲנָשִׁים לְבַד,

וְאִם כְּבָר לְבַד אָז שֶׁיִהְיֶה בִּתְנוּעָה,

שֶׁנִּתְחַמֵּם,

שֶׁלּא נִקְפָּא, שֶׁלּא נִשְׁתַּגֵּעַ.

אז עד כאן דיברנו על זה שהתובנה הרשתית שומטת את הקרקע מתחת לשורה התחתונה של התזה של דנבאר. אבל מה לגבי הדרך שבא הגיע אליה? דנבאר הרי הגיע למספר שלו באמצעות קורולציה בין הרשת למוח ובכך סלל את הדרך לטענה שיש מגבלה או "תקרת זכוכית" לכמות החברויות שאנחנו יכולים לתחזק. אז קודם כל, נראה לי שברור לכולנו שבטוח שיש כאן מגבלה פיזית. כלומר, גם אם היינו מאד רוצים, אין לנו מספיק זמן ביממה להרים טלפון למאה אלף איש ולשאול אותם מה מתרחש. אבל דנבאר מוסיף על כך גם מגבלה קוגנטיבית. הוא אומר שהמוח שלנו לא בנוי לתחזק כל כך הרבה קשרים והוא שם את הרף ב-150. אז האם יש כזו מגבלה והאם היא נובעת מגודל חלקים במוח? האינסטינקט הראשוני שלי הוא להגיד: אין לי מושג. אני לא מומחה לנושא, ולכן אני מפנה למאמר שפורסם ב-2021 בשבדיה שיוצא עם תזה מנוגדת לזו של דנבאר ופירוט עליו אפשר למצוא בלינק להרחבות שמופיע בתיאור הפרק. לא יודע להגיד כמה הטיעונים שלהם במישור הקוגניציה תופסים מים, אבל החלק המעניין הוא ניסיון השיחזור שלהם של ממצאיו של דנבאר על היחס בין גודל הנאוקורטקס לכמות החברים או גודל הקבוצה של אנשים. הממצאים שלהם הצביעו שהממוצע נוטה להיות נמוך משמעותית ממה שהצביע עליו דנבאר, אבל הסיבה שהם לא מוכנים להתחייב זה בגלל המנעד הגבוה של התוצאות. או במילים אחרות, נראה שהם גילו התפלגות "זנב ארוך" שנותנת להם תוצאות מאד נמוכות בצד אחד ומאד גבוהות בצד השני. גבוהות פי כמה ממה שדנבאר הצביע עליו.

אבל האמת? גיליתי שאחד מהדברים היפים שהבנה רשתית נותנת זה יכולת פרדיקציה או במילים אחרות, אפשר במפתיע לתת תשובות טובות, אפילו בלי להיות מומחה לנושא ספציפי. דיברתי על זה קצת בזמנו בפרק עם טל מזרחי, Analysis Paralysis AKA, על איך שלא פעם יקרה שהמסקנות של אנליסט הרשתות לא יפתיעו את המומחים, אבל בדרך כלל זה יוביל לאחד משני התרחישים הבאים: הראשון, הוא שהמומחים אמנם לא מופתעים, אבל זה לא אומר בהכרח שהם היו יכולים לדעת מראש שככה הדאטה מתנהג. פשוט ההסבר של האנליסט נשמע להם מאד הגיוני. התרחיש השני הוא שלפעמים כן, המומחה כבר הגיע לאותה מסקנה. אבל העובדה היא שזה דרש ממנו שנים של מומחיות בנושא. האנליסט או האנליסטית הגיעו לזה בלחיצת כפתור.

אז מה הבנה רשתית תורמת לנו כדי לענות על השאלה האם יש קורולציה בין גודל הנאוקורטקס לכמות החברויות שאדם יכול לתחזק?

בואו נניח לרגע שדנבאר צודק בטענתו ושהממוצע של כמות החברים הוא 150. אז הרי מכיוון שאנחנו יודעים איך רשתות מתנהגות, נוכל לומר שלרוב האוכלוסיה יהיה מספר נמוך בהרבה של חברים מהממוצע, אבל זה אומר באותה נשימה שיש אחוז קטן באוכלוסיה שכמות החברים שיש לו היא עצומה, הרבה מעבר ל-150. אני לא מומחה לגדלים של מוח אנושי אבל אני מניח, וזו תהיה הפעם הראשונה והאחרונה שאני מודה בזה, שגודל המוח האנושי של אדם בוגר מתפלג נורמלית. מכיוון שכמות הקשרים אינה מתפלגת נורמלית, אלא זנב ארוך, זה אומר שאם נצייר גרף של כמות הקשרים בחלוקה לאנשים, הגרף יעלה בצורה לא ליניארית. מה שזה אומר זה שאם ננסה להתאים את ההתפלגות הנורמלית של גודל המוח להתפלגות הלא ליניארית של הקשרים, נמצא שלאדם שיש לו הכי הרבה קשרים בעולם, צריך להיות מוח בגודל של דירה מרווחת. להשכרה. לא בשבת.

אני לא טוען שלנאוקורטקס אין קשר לאירוע. אני טוען שלגודל כנראה יש פחות משמעות. אני משער, וזו השערה בלבד, שלא גודל המוח הוא הקובע. אם משהו קובע, זו כנראה תהיה הרשת שבמוח. כמות הנוירונים במוח היא יחסית קבועה. החיבורים ביניהם זה הקסם שמייצר מערכת לא ליניארית. ופה אולי יכולה להיות טמונה התשובה.

אז עד כאן לגבי המגבלות הקוגנטיביות של בני אדם בודדים, אבל מה לגבי ארגונים?

דנבאר אמר שמסגרות ארגוניות מתפרקות או משתנות לאחר שהגיעו למספר הדנבאר שלהן. הסיבה לכך, הוא מסביר, היא שהארגון עובר משלב של אינטימיות שבו כולם מכירים את כולם לארגון שצריך להישען על נהלים יותר פורמליים כדי להחזיק את כולם ביחד, כי הקוגניציה של האנשים כבר לא מספיקה להכיל את כל הקשרים. אז מה, זה כבר לא נכון? ומה עם כל הדוגמאות שהבאנו לתופעה הזו? אז אני לא אומר שזה בהכרח לא נכון. אני רק אומר שהסיבה שהבאתי מדנבאר היא כנראה לא נכונה. לאור כל מה שדיברנו עליו עד עכשיו, אני אנסה לתקן עם תזה אחרת: כשארגון גדל הוא משתנה, אבל לא בגלל היעדר אינטימיות. מלכתחילה לא בהכרח הייתה כזו. לא באמת כולם מכירים את כולם ברמה שדנבאר התכוון אליה. איך אני יודע את זה? כי כבר דיברנו על זה בפרק 5 בנושא של קליקות.

נזכיר שקליקה היא רשת שבה כולם מחוברים לכולם ולכן ארגון שבו כולם מכירים את כולם, בטח ברמה שדנבאר מתייחס אליה, הוא בעצם קליקה. מה שעוד נזכיר זה שקליקות של מעט צמתים זו תופעה די נפוצה ברשתות. אבל קליקות בסדרי הגודל שדנבאר מדבר עליהן הן די נדירות. למעשה הן כל כך נדירות, שכבר הזכרנו שקליקות בסדרי גודל כאלה, למשל ברשת חברתית, יכולות להעיד על פעילות לא אנושית, כלומר, בוטים. אז אם האורגיה האינטימית של דנבאר לא מחזיקה את הארגון, מה כן? כדי להבין את זה, נידרש להיזכר בפרקים 5 ו-9 בהם דיברנו על כך שרשת בנויה מקהילות. מה שמחזיק את הקהילות זה לא רק הקשרים הצפופים אלא בעיקר הרכזות בקהילה, או במילים אחרות: אותם גורמים שמובילים את התפלגות הזנב הארוך במספר הקשרים הרבים שלהם.

לאותם גורמים מרכזיים יש יכולת שלא מצוייה אצל רובנו והיא לתחזק קשרים רבים, הרבה מעבר לממוצע. והתזה שאני מציע כאן היא שכשאנחנו מגיעים לתקרת הזכוכית של היכולת של אותן רכזות להכיל את הקשרים, אז הקבוצה משתנה, או מתפרקת, או עוברת להתארגנות פורמלית יותר כדי לייצר "דבק ארגוני" שהרכזות כבר לא יכולות לייצר. כלומר, ה"דבק" הארגוני הוא אותם בודדות או בודדים שכן מכירים את כולם ומחברים את הקליקות הקטנות. וזה מסתדר יופי עם כל מה שאנחנו יודעים על רשתות.

עכשיו נשאר רק לחכות שדנבאר יעשה פודקאסט ויתחיל לרדת עלי. זה אומר מייק פייט? אני אומר – Bring it on.

לסיכום,

אמרנו שמספר דנבאר, שקובע שלאדם יש 150 קשרים בממוצע הוא מושג מאד בעייתי כי המילה "ממוצע" לא מתארת נכון את רוב הנתונים שלנו כשאנחנו מסתכלים על רשתות חברתיות. התשובה היא שיש מעט כאלה שיכולים לתחזק הרבה קשרים, כנראה הרבה מעל 150 והרוב המוחלט יכול לתחזק הרבה פחות. אז האם "ממוצע" הוא מושג חסר משמעות? לא, יש לו משמעות, למשל, אם נקבל את טענתו של דנבאר שלבני אדם יש יותר חברים בממוצע מלקופים, אז זה נותן לנו משהו. אבל בהיעדר מקום להשוואה, טענה כמו זו של דנבאר לגבי ממוצע "כלל אנושי", דומה לטענה שתגיד שהשכר הממוצע העולמי הוא אלף ש"ח. מה זה אומר? הדבר היחיד שזה יאמר זה שיש הרבה מאד מתחת לממוצע הזה ומעט מאד הרבה הרבה מעליו.

האם זו פעם ראשונה שדנבאר נחשף לביקורת כזו? אין מצב, אבל תגובתו המיידית היא לנפנף אותה כ"שטויות במיץ" כפי שאומרים הקוראים של עיתון "הארץ", שלהם, אגב, אני חייב התנצלות.

אז איך דנבאר יכול להתעלם מזה? כאן אני רוצה לצטט את אחד מהאנשים הכי חכמים שאני מכיר, כיום בכיר במערכת הבטחון, שאמר לי פעם: אני מבלה 1% מהזמן שלי בלהמציא תיאוריות, ו-99% מהזמן בלהתאהב בהן.

ואם זה לא Power Law, אז מה כן?

למי שרוצה או רוצה לצלול עמוק עוד יותר לחור הארנבת שנקרא מדע הרשתות, אז הפינה הבאה היא בשבילכם. הפעם לא בדיוק אקריא ביקורות אלא אודה לפודקאסט "אסור להשוות" של אורן ברנשטיין וחגי אלקיים שלם על האיזכור של נטפריקס בפרק האחרון שלהם, וגילוי נאות, אני שומע אותם הרבה.

האיזכור היה בהקשר הספר "הלגולנד" שכתב קרלו רובלי, שהוא מומחה לקוואנטים וגם התראיין בנושא, כן, גם בעיתון "הארץ". הספר מעניין מאד והחלק הכי מעניין היה כיצד רובלי מתאר את המציאות. למעשה, הוא טוען, הקוואנטים מלמדים אותנו שלשום דבר אין קיום בפני עצמו. זה הקשרים בין הדברים שמייצרים את המציאות. כלומר, זו לא הרשת שממדלת את המציאות. הרשת היא היא המציאות. מה שנקרא, באתי בשביל הקוואנטים ונשארתי בשביל הרשת.

ואפרופו רשת, בקטע של להרחיב את קהילת מדע הרשתות בישראל? 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.

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.

תודה רבה למושקין על התמיכה המוראלית.

נתראה בפרק הבא של נטפריקס.

#פודקאסט #ניתוח_רשתות_חברתיות #תורת_הגרפים #מדע_הנתונים #סטטיסטיקה

#Podcast #NetworkScience #SNA #SocialNetworkAnalysis #GraphTheory #DataScience #Statistics #ONA

In a recent post in a data analysis group on Facebook, someone posed the following problem: He wanted to know which product of his company is usually bought with which product. A brief inquiry revealed that he does not program, but far worse than that, he wasn't aware of episode 8 on NETfrix in which this exact issue was discussed. So, I was able to solve at least one of his problems, but what about programming? Can only programmers analyze networks? In this context, I am reminded of Pixar's movie "Ratatouille":

In this movie, Remy the Rat becomes a chef and so conveys the message that anyone can cook. However, this message downplays some of the plot like the fact that Remy was almost killed several times, forced to steal food, and had to deal with hostility from family and friends.

So, unlike being a chef, network analysis doesn't usually involve near-death experiences and for those who want to try it, this episode aims to make life much easier. So, what's the secret?

In this episode we will talk about and survey accessible network analysis software meaning that you do not need to program, nor do you need a special database. An Excel sheet will do the job just fine. And last but not least, the software featured here are free. With their help, we can display our data as a network and analyze it. Although programmers can use network analysis packages such as NetworkX for Python or igraph for R, still, I guess at least some of them would prefer to work with a designated software either to save some effort or to better rely on best practice or both.

Speaking of, in this episode we will talk a bit about best practice in network analysis and get to know some advanced concepts in the network's field, things like matrices and Higher Order Networks or Hyper Graphs . This is why I'm giving the heads up early on: For the purpose of this episode, I assume that the basic concepts of network analysis, such as Centrality Measures, Community Detection etc., are already familiar to the listeners. For those who are first timers, I recommend to start with episode 2. For those who just need a light warm-up, I recommend Episodes 4 and 5, on the subject of Centrality Measures and Community Detection, respectively.

During my research for this survey, I found at least dozens of network analysis software, but only a dozen of them met all the criteria: The first – that they don't require programming and can run on a PC with Windows. The second – that they can upload Excel files. And third – that they are absolutely free. No "trial period" is permitted. Some may have a premium version, but we won't expand on its features. And lastly, the software should allow analysis of all kinds of networks, that is, we will not review software that only allows to analyze specific networks or that uses network's visualization as a kind of a side show. For example, we will not talk about software designed for analyzing only biological networks, organizational networks, texts or academic papers or software designated to analyze process graphs or decision-making graphs (which bear some similarity to Microsoft's Visio). They may be good in their field, but do not allow much flexibility.

While reviewing the different software I've noticed an interesting phenomenon: Though about half of them were poorly maintained for years, it seemed as though from the moment I started the survey, many of them released a new version or plan a significant upgrade this year. Maybe I just experienced the Bader-Meinhof effect but perhaps it's something else? Could it be that all the lockdowns we endured these last 2 years resulted with a baby boom of network analysis software upgrades? Why? Was it just a way to pass the time or is there something else at play? The answer might be found in Barabshi's reply to a question I presented to him on the 2021Networks conference. Albert Lazlo Barabashi is considered to be one of the founding fathers of Network Science and I asked him how come the general public is familiar with concepts like Machine Learning and AI but the vast majority never heard of Network Science? His answer was that Covid19 brought Network Science to center stage. Everyone started talking about Epidemiological models, R0 and many other concepts that just a few years ago were only used in Network Science conferences. I guess it's too early to say, but perhaps Barabashi was right and Covid19 did usher a growing awareness to Network Science which might in turn resulted in the upgrading of network analysis software. Yet another sign to the growing interest in networks is that for the first time, we have Nobel laureates from the field of Complex Systems, and as we all know, networks are a big part of this field so…Respect! So on this optimistic tone, let's get down to business. We'll review the basics of each software - what sets it apart and what are its pros / cons – keeping in mind especially those which are just starting out in the field. Along the way, we will learn a little about the analysis process and advanced concepts in Network Science. Our review process will try to run parallel to the actual analysis process, so first of all, we will start by talking about installing the software and uploading the data. The installation is mostly straightforward or in the case of browser-based software – not even required. Some of the network analysis software are Java based and therefore may require Java installation as well. It's not complicated, just go to Google, search for Download Java and download. But uploading our data can be a little trickier. The usual practice for uploading data to network analysis software is to upload two separate files, in our case, Excel or CSV files: An edges file (or table) and a nodes file. The edges table is mandatory and will usually contain two columns: "Source" and "Target". This should be enough for most software. Sometimes you might wish to add a weight column, that is, the count of edges or links between the nodes, but most of the time it is not required and the software will do the edges count by its own. Most software will also allow you to add more columns that contain further information about the edges, such as the type of relationship, a time stamp etc. The latter is necessary when doing dynamic network analysis, which is sadly not a common feature in network analysis software.

In regard to the nodes table, it is optional and is mainly used in cases when we wish to show the nodes' attributes in our analysis. This table will usually require 2 columns which will include in its header an "Id "column and a "Label "column. The "id "column serves as the pointer for the software to identify the relevant node in the edges table. That is why the id of a node should match exactly to the node as it appears in the edges table. The second column will include the description of the node. Again, in many cases it would be possible to add more columns with a variety of descriptions and information about the node.

If you just wish to test drive the software, most of them come with sample networks that can be loaded directly from the software. It usually contains classic datasets from the field of Social Network Analysis, some of which we have already touched on, for example, the Zachary's karate club network. Another quick way to test the software is by generating a graph, which is a common feature in most software. By choosing some parameters, the software can create a graph for you. This feature is mainly used to test graph attributes in the field of Graph Theory but since this episode is dedicated to real-world networks, meaning SNA and Network Science rather than theoretical graphs, we will hardly address this feature. But by far, the coolest feature is that some software allow data to be streamed from an external source, or API, most commonly Twitter, so you can harvest it directly via the software. In some you'll need an API key but some software only requires a Twitter account to enable this feature. Now that we have the data, the question is how much data can the software handle?

I guess most of us would not launch our network analysis career by analyzing networks in the magnitude of millions of nodes, but a few thousands, why not? That's why it's important to note that not every software can handle such a quantity and keep pace. Most of the software was designed for small networks with only a few that can handle networks larger than 10,000 nodes. But this benchmark can vary by our willingness to wait for the results. For the purpose of this survey, I tested each software on a standard laptop and ran with it a network with tens of nodes, a network with thousands of nodes and a network with tens of thousands of nodes. If the software took more than 2 minutes to respond, I gave it the mercy blow and pull the plug on the poor thing. Now that everything's ready – it's analysis time. So how intuitive is the analysis on each software? Because intuitiveness is a bit subjective, I used the Israeli benchmark: never read the manual. If it works, it's intuitive and if not, we'll bend and crank it until it works or breaks. On some software I had to admit defeat early on because they required a unique format to upload the data that doesn’t conform to the standard "source/target" format. In that case you sadly have to check the ReadMe file.

Once we know what's what, we can continue our survey by checking what algorithms and visualizations the software provides, and does it allow for an iterative process between these two. We'll start with the algorithms, and they split to "basic" and "advanced". When I say basic algorithms I mean the Centrality Measures: Degree, Betweenness and my close friend, Closeness, and also basic network metrics, for example, calculating the network's density or its diameter. For the purposes of this survey, Community Detection isn't considered a basic algorithm but I highly recommend to apply it. There is a wide and eclectic variety of Community Detection algorithms, but as I see it, a software that does not have the Louvain algorithm, well… it says a lot about it. Full disclosure: First, while talking with French speakers they insisted on pronouncing it "Luva" and not "Louvain" for some obscure reason. Second, is that I'm a sucker for "Luva". It's a great algorithm. So now that we covered the basics, let's move on to talk about more advanced techniques and we'll start with a subject we haven't covered yet in this podcast and by that I point to the elephant in the room: The Matrix.

A psychopath once said that there is more than one way to skin a cat, and this is also true of networks: There is more than one way to store our data as a network.

So far, we have mentioned 2 techniques: the visual method, that is simply drawing the network as nodes and edges and the second is the "edges list" which is the source/target table we mentioned earlier. What we haven't mentioned is the "Adjacency matrix", which can be used to show which node is adjacent to which node.

This matrix is ​​basically a table with as many rows and columns as the number of nodes in the network, that is, a network with 10 nodes will be displayed as a table with 10 rows and 10 columns and the nodes will be assigned as the headers of these rows and columns. In each intersection between two nodes, the cell will contain a numeric value: If there is no link or edge between the nodes, it will be zero, indicating "False". If there is a connection – it will be 1, indicating "True". In a weighted matrix, the value will be the count of edges between the two nodes, or in other words - the weight of the relationship. The diagonal of the table, meaning the cells where the column and row of the same node meet, will show the self-loops in the network. Usually, it will be 0 but there are some networks where self-loops can be found, for example, in an email network, I can send an email to myself. In practice, these cells are often ignored.

The whole idea might sound a bit complicated and the first thing that pops to mind is - why do it? Moreover, it also sounds very wasteful in terms of data storage: think for example of a network with a thousand nodes. It means we need to keep a table with a million cells that most likely the vast majority of them will be empty or contain zero values. Why's that? Because, as you might remember, networks' edges form a long tail distribution meaning most of the nodes will have only a few edges or links. So why should we use matrices for these sparse networks? One reason is that although an adjacency matrix is wasteful in space, it can be economical in running time. Thanks to the matrix, all the node's neighbors appear in each row or column and so we can quickly check which nodes are connected to which nodes. In order to optimize the two methods and save both space and time, there is another method that is a hybrid of the two, and it is called an "Adjacency list". The list contains two columns: on the first one are all the nodes and on the other column all of the nodes' neighbors. That is, if we have a network where the node A is linked to node B and C, node A will be placed on the first cell of the first column and on the same row in the second column, there will be nodes B and C, meaning all the nodes A is linked to. On the second row of the first column will have node B, and on the cell in the column next to it will have node A (C is missing because C isn't linked to B. Just to A).

This way, we do not waste space on links that do not exist and at the same time we can quickly find neighboring nodes.

For those in computer science, optimizing efficiency in data storage and retrieval is important. That sounds cool but again, as a user, who cares? A simple Source/Target table should be enough because it's the software that's doing all the heavy lifting. That's true, but there are some algorithms that rely on the matrix format as an input, because they involve matrix multiplication and other sorts of math Voodoo. We won't get in to it now, and save something for the next episode, but for the time being, let's just give a simple use case for it such as finding similarity between nodes. When we compare two nodes, in terms of their role and location in the network, we are required to compare their neighbors as well. And the best way to find neighbors is by using a matrix. Finding a large percentage of common neighbors between these nodes will give these nodes a high similarity score. In a social network this could mean that these nodes share many mutual friends and if there's no link between them, the application might suggest one. Perhaps the most common application these days for such use cases is in the field of machine learning on graphs, called GNN or Graph Neural Network, which is a subject I might cover someday on this podcast. Matrices open a door to many applications in the network field, but contrary to what I usually say about networks, they are not always simple to grasp and even computers have a hard time dealing with them, resulting in longer running times. Fortunately, and I hope I'm not offending anyone, most of the time we won't need it. Moreover, the results we'll get from some of these algorithms won't be necessarily much better than simpler and often more up-to-date algorithms. Now that all the computer science fanatics have left the room in a tantrum, I can secretly tell you that some software can perform the conversion of an edges list to a matrix by themselves, with no action needed from the user. But when we'll move to the next issue at hand – visualizations – we'll might need to rethink our view of matrices.

Now that we have our data, and we know which algorithms we need to apply, let's talk about the visualization features. Almost all software will have some editing features which can be applied to the nodes and edges, like sizing them according to their Centrality, changing their colors etc.

But the more advanced feature which we'll address is the layout options for the network. The bigger the network, chances are that the nodes and edges will overlap and sure enough, they will get to a state which is known in the professional literature as "The giant hairball effect". This messy ball of yarn makes the network incomprehensible.

That's where the various network layout configurations kick in. They use algorithms that aim to maximize certain features of the network, according to the user's visualization need. For example, a layout algorithm can maximize on the proximity of nodes to each other, i.e., pin nodes connected to each other and keep other nodes away from them. Other algorithms can maximize on the desired layout style, for example, display all nodes in a circle or in a hierarchical configuration or even allow the nodes to be displayed according to their geographical location, for example, by embedding them on a map. On a personal note, my go-to layout is the ForceAtlas2 developed by Mathieu Jacomy which is great for large networks. It usually does a great job of highlighting the network's communities, making the network more readable in the visual sense.

. Though I can deeply relate to those who have been captivated by a particular visualization or layout because of its aesthetic beauty, looks can be deceiving. That's why there's best practice literature on how to visualize networks by none other than Mathieu Jacomy and - spoiler alert - he will also be our guest toward the end of the episode. Speaking of visualizations, I would like to take this opportunity to recommend Christian Miles' newsletter called "source/target" which deals, among other things, in networks' visualizations. There I found a link to a paper who claimed that sometimes networks are better represented visually when they are in a Matrix form rather than in a Node/Edge form.

Their main claim was that no matter how dense the network is, matrices don't suffer from overlapping nodes and edges. And that's a good argument.

But since no software I've surveyed lets you play with the matrix visualization mode, we'll keep this one theoretical for now.

So, now that we can analyze our network by using algorithm and visual aids, we need a software that can iterate between these two. To gain insights on our network, we'll usually need to go back and forth between the algorithm results and the visualization. The process might also involve some filtering or even exporting the data to continue our research on another software. Iteration is an important feature, especially for beginners but also whenever we do some exploring on our network for the first time. Sadly, not all network analysis software enable this workflow. At last – we can begin our software survey, and when I say software, I actually mean Gephi. One reason for it is that there's lots of software to cover so we can't cover all of them in one episode. The rest will be covered in the next episode. Also, to try and keep it light, the full list is detailed at the bottom. But there's also a second reason for it- I'm a sucker for Gephi.

GEPHI When it first came out in 2009, Gephi had about 10,000 downloads, but seven years later, it has crossed the 2 million and by unofficial polls, it seems that even today it is probably the most popular network analysis software.

As I tell my kids, this is not a competition, but Gephi wins.

By the way, when people search Google for a substitute for Gephi, these are the results they get.

Most of the results are programming languages or premium software, but at least one of them is freemium and we will talk about it in the next episode.

Do you know which one? If you do you might win a goat with a bell. *

The founding father of Gephi is Mathieu Jacomy, whom I mentioned earlier. On the interview he'll reveal to us some new features and if you are a Java developer, he'll make you an offer you can't refuse.

Gephi is a Java-based software that at least for now, requires installation of both the software and Java's latest version. Gephi also comes with a lot of plugins, that is, other features that also need to be installed and the good news is that lots of them are quite useful. We'll start with Gephi's most renowned features: Visualization and scale. As for the visualization, there's almost nothing you can't do with it. That's why a lot of network posters you'll find on the web were made on Gephi. It's also one of the few software that allows you to run Jacomy's layout algorithm, ForceAtlas2. As for scale, Gephi is one of the best and can pretty well handle networks with tens of thousands of nodes and edges. According to some brochures, Gephi can handle hundreds of thousands of nodes and edges. This might be true but it doesn't pass the 2 minutes benchmark I mentioned early on and I bet Gephi would crash most of the times. It sounds bad but keep in mind there's only one software out there that can outperform Gephi in that regard and we'll cover it on the next episode.

As for the intuitiveness, I'm not so objective, because I've been working on Gephi for a long time and even wrote a basic guide to it in Hebrew for Israeli research teams during Covid19 (is Covid19 still an issue these days?).

I guess the obvious conclusion is that if it had been intuitive, there would have been no need for a manual. So, for those who wish to take their first steps in the field, Gephi will require some getting used to. Why? Because sometimes even basic functions are "hidden" under non-intuitive headers. For example, in Gephi, if you want to analyze key metrics like Closeness or Betweenness, you need to click on the function: "Calculate the network's diameter". Only then do you realize that it analyzes the other Centrality Measures as well. Although computationally this can make sense, it's a pity to make such a basic operation into a kind of an Easter egg for the user.

Speaking of Centrality Measures and basic algorithms, Gephi of course has you completely covered, Louvain included, and to the best of my knowledge, it is also the only network analysis software that has the Leiden algorithm, which is considered the improved Louvain.

But again, to apply it you need to install the relevant plugin.

Thanks to its 100 or so plugins, Gephi also enjoys a large variety of advanced algorithms and features.

One of them, which is not so common in network analysis software, is the ability to play a dynamic network. Given that the network edges or nodes have a Time Label, Gephi allows you to "play" the network and so watch it change.

Needless to say, it's a nice feature for small networks, but on large networks we'll probably lose our hands and feet if we try to figure out what's going on there by visuals alone.

Another nice feature in Gephi is the ability to perform projection, a feature we mentioned in a previous episode, and it does so quite comfortably and intuitively. Again, you'll need to install the relevant plugin.

Besides its features, Gephi is a great tool to explore networks because it allows the user to easily iterate between analysis states. Once you open Gephi, you can move between its three main tabs:

The "Overview" tab which is where the analysis process takes place, and it has a visualization window and the analysis menus.

The second tab is the "Data Laboratory" which presents the tables of the nodes and edges.

And finally, there's the "Preview" tab which is where you can polish the visualization to fit your PowerPoint needs.

The "Overview" tab keeps the relevant analysis menus close at hand, plus a user can toggle comfortably between the tabs, for example you can highlight a node on one tab and view it on another.

A major drawback though, and it may sound a bit silly, but I can see how it can be irritating to some, is that it takes some mouse skills to pan and zoom the network when you're using the "Overview" tab's visual interface. When this happens, I advocate patience and remember – it's all in the wrist.

So, in conclusion, what are the pros and cons of Gephi? A significant advantage for Gephi is that it's a one-stop shop. You can perform an end-to-end analysis even of large networks, and not feel anything is missing. The fact that it is expected to undergo a significant facelift and include new features, makes it score even more points. I don't want to steal Mathieu Jacomy's thunder, but I got to mention one of the new planned features and that is Hyperedges. This is exciting news because there is currently no free software that have it. So, we need to stop for a moment and explain what are hyperedges: In traditional network analysis, each edge connects two nodes. But there are real-world use cases where an edge can connect more than two nodes. Let's give an example: Suppose we have a network that consists of 3 nodes: A, B and C. Let's say that A corresponded with B, B corresponded with C and C corresponded with A. On this network we have now 3 pairs of edges forming a triad or a triangular graph. A hyperedge is formed when A sends a message to node B and to node C simultaneously. In this case, the edge stands for a parallel action that simultaneously connected more than two nodes together. In order to differentiate this edge from a standard edge it is called "a hyperedge" which can be found in "Higher Order Networks". In recent years there is a growing interest in the concept of "Higher Order Networks" as a model that can improve the resolution at which we analyze networks.

I hate to Say it, but Gephi also has some drawbacks, and I'll begin with a story: When I was little, we would sometimes go to the Mall to a big restaurant which I recall had many food stands. Each food stand offered a different cuisine which is a fancy word for fast food: There was a hamburger stand, pizza, Chinese, Indian, etc. And even though it was not the most delicious meal, the mere ability to choose from a wide variety really impressed me as a child. Needless to say, this restaurant has been closed for many years now. Probably because of health issues but why am I telling this? It's not my intention to imply that Gephi gives a mediocre solution to a wide range of issues, it's just that when you disperse your efforts, it comes at a price. In the case of the forementioned restaurant it meant that all the food there had a greenish hue and to this day I can't explain its source. In the case of Gephi, the toll is a non-intuitive UX and at least for now, a stability issue. When there are so many features, sometimes some of them get crammed into all sorts of tabs making them hard to find. And as for stability, sometimes, when running a particular feature, Gephi crashes, probably because not all of the plugins play nicely with the rest. Clicking the "save" button before each time you try a new function will not necessarily be so attractive to every user. Personally, I consider it as a bonus because it both toughens you up and serves as a contingency in the case of a sudden power outage.

So, is it a bug? Is it a feature? See? This is true love –

when you love in spite of the flaws and perhaps because of them. That’s' why on the next episode we'll compare the rest of the network analysis software to Gephi. Its wide range makes it a good benchmark for the rest.

The Survey Checklist - In each software we will check for the following list:

1. Installation

2. Uploading data interface

3. External interfaces

4. Interface Intuitivity

5. Basic metrics

6. Community Detection

7. Iterative analysis

8. Good / comfortable visualization

9. Advanced algorithms and features

10. Robustness or the capability to handle large networks

11. Maintenance

12. Significant advantage

13. Significant drawback

Gephi:

1. Installation: Gephi requires installation + installing the latest Java version. The installation is short and simple but after installing you might want to install many of Gephi's plugins which include features that do not come automatically with the software and we'll mention some of them.

2. Uploading Data: You can upload Excel files but the headers are not flexible, meaning it has to include a "Source" column and a "Target" column. But Gephi's advantage over other software is that it allows importing and exporting from a wide variety of file types.

3. External Data Sources or API's: If you have an API code to Twitter, Gephi allows you to connect directly and harvest data from there. In addition, if you have a website that you can connect to as a stream, Gephi allows it too.

4. Is it intuitive: The analysis menus are not intuitive. Some basic features are "buried" under non-intuitive headers. For example, Centrality measures such as Closeness and Betweenness, are hidden behind the "Network Diameter" function. Also, many functions are plugins that you need to find in the "tools" menu to install.

5. Basic Metrics: So, if you found them or installed the appropriate plugins, Gephi has it all and then some.

6. Community Detection: There are not many Community Detection algorithms in Gephi, and it doesn't include any algorithms for triad or clique detection. On the other hand, it has the Louvain algorithm, and to the best of my knowledge, it is the only software that has the improved version or the Leiden algorithm. It can also show the aggregated communities' graph and automatically label each community using the labels of its nodes. Again, to enjoy these features you need to install the relevant plugin.

7. Iterative Analysis: On this issue Gephi is among the best. It is very convenient for an iterative process and allows you to test metrics, go in and out of the visualizing tab, filter the results and more. But in this regard, there are two major drawbacks: The first is the panning and zooming in the visualization tab. It requires high mousing skills and can be a little frustrating. Another disadvantage is the lack of ctrl-Z or the Undo function. That is, if you delete something, it cannot be recovered. It will not affect your source files of course, but if you want to undo, you will have to upload them again.

8. Visualization: Gephi is one of the best visualization software and it allows a lot of flexibility. In fact, many posters of networks that you will find online were made with the help of Gephi. In my opinion, Gephi's most significant advantage is in the layout algorithm called Force Atlas2 that was developed by Mathieu Jacomy. It's fast and allows good layout even for huge networks. This is because it often coincides with the network communities, making the network more readable in the visual sense.

9. Advanced algorithms and features: Thanks to its large collection of plugins, Gephi has a wide range of algorithms and features at its disposal. One of them is the ability to fold a network or perform projection, which is a feature we mentioned in a previous episode, and it does so in a comfortable and intuitive fashion. Another rare feature is the ability to view the dynamics of a network. Given that the edges have a Time Label, Gephi allows you to "play "the network and thus watch it unfold. In addition, on the grid section, you can see a kind of small graph of when each edge was formed. But to do so, you need to make sure that you upload the time labels in the correct format (dd-mm-yyyy) and only use CSV files. It's a nice feature for small networks, but on large networks, we'll probably lose our hands and feet if we try to figure out what's going on there based on visual alone. What Gephi is missing is the matrix-based algorithms family.

10. Dealing with large networks and performance: Gephi provides a good and fast analysis even for networks with tens of thousands of nodes. According to its brochure, Gephi can also handle even larger networks, at the range of hundreds of thousands of nodes. In practice, the response time for such networks seems to be either too long or end with a crash, even after increasing Gephi's memory to the max which can be done manually.

11. Is the software updated: The latest version of the software (0.9.2) was released in 2017. A hackathon is planned to take place at the end of 2021 to do some facelifting and adding new features.

12. Significant advantage: The significant advantage of Gephi is that it's a one-stop shop. You can perform end-to-end analysis even of large networks, and not feel anything is missing. The fact that it is expected to undergo a significant facelift and include new features such as hyperedges makes it score even more points.

13. Significant drawback: Non-intuitive UX and as for stability, sometimes, when running a particular feature, Gephi crashes, probably because not all of the plugins play nicely with the rest. Better click on the "save" button before each time you try a new function.

Wish to expand the Network Science and SNA community?

The more you rate this podcast, the more people will be exposed to it.

Rate the podcast on Apple Podcasts and / or write a review.

Creative reviews will be read in the following episodes.

For those of you who are IOS challenged, tag NETfrix in posts on Facebook / Twitter / Instagram or LinkedIn. Again, creative posts will be read in the following episodes.

See you in the next episode of NETfrix (: * - Participation is prohibited for NETfrix listeners/readers.

#NetworkScience #SNA #SocialNetworkAnalysis #GraphTheory #DataScience #Gephi #ComputerScience #MachineLearning #Mathematics #SocialScience #Podcast #Software #Survey

בפוסט שפורסם לא מזמן בפורום אנליסטים בפייסבוק, מישהו הציג את הבעיה הבאה: הוא רוצה לדעת איזה מוצר של החברה שלו קונים בדרך כלל עם איזה מוצר. בירור קצר העלה שהוא לא יודע לתכנת אבל הרבה יותר חמור מזה, הוא לא מכיר את פרק 19 בנטפריקס על ניתוח רשתות בתעשייה שבה דנו בדיוק בבעיות האלה. אז בעיה אחת לפחות הצלחנו לפתור, אבל מה לגבי תיכנות? רק מתכנתים יכולים לנתח רשת? בהקשר הזה אני נזכר בסרט "רטטוי" של פיקסאר.

בסרט, רמי החולדה הופך להיות שף במסעדה תחת המסר: כל אחד יכול להיות שף. מה שלא מדגישים שם זה שרמי כמעט נהרג כמה וכמה פעמים, נאלץ לגנוב מזון ובמקביל להתמודד עם עוינות מצד המשפחה והחברים.

אז בניגוד ללהיות שף, מניתוח רשתי כמעט אף אחד לא מת ולמי שרוצה או רוצה להתנסות בזה, הפרק הזה מיועד לעשות את החיים הרבה יותר קלים. אז מה הסוד?

בפרק הזה נציג את התוכנות שמנגישות את היכולת הזו לכולנו וזה אומר שלא צריך לתכנת, וגם לא צריך מאגר נתונים מיוחד. אקסל (או שווה ערך) יעשה את העבודה. וחשוב לא פחות – כל התוכנות או המערכות שיוצגו כאן הן חינמיות. בעזרתן, נוכל לקחת את הנתונים שלנו מהאקסל, לנתח אותם רשתית ולהציג את התוצאות באופן ויזואלי. לכאורה, עבודה עם פייתון פוטרת אותנו מהצורך בתוכנה חיצונית. יש בפייתון ספריות עם כמעט כל אלגוריתם אפשרי (למשל, ספריית NetworkX) ועכשיו רק נשאר לבחור בחוכמה. אבל למרות זאת, אני מניח שיהיו כאלה שיעדיפו לעבוד עם תוכנה ארוזה יותר, להתאמץ קצת פחות וגם להישען על Best practices.

מכיוון שהפרק הזה עוסק בפרקטיקה, אז על הדרך, נדבר קצת על Best practices לחוקרי וחוקרות הרשת ונכיר מושגים מתקדמים בתחום הרשתות, למשל מטריצות ברשתות ומה זה Higher Order Networks או הייפר גרפים. וזו הסיבה שאני נותן פה כבר עכשיו התראונת: לצורך הפרק הזה אני מניח שהמושגים הבסיסיים של ניתוח רשתי כמו מדדי מרכזיות, חלוקה לקהילות וכדומה - כבר מוכרים למאזינות ולמאזינים. למי שזו הפעם הראשונה בתחום או סתם לטובת חימום קל, אני ממליץ על פרקים 4 ו-5, בנושא מדדי מרכזיות וקהילות ברשת, בהתאמה.

במסגרת התחקיר, ואני יודע שזה נשמע קצת כמו בומר, אבל נראה לי עברתי על כל מה שיש לאינטרנט להציע. מדובר בעשרות מערכות לפחות, אבל רק כעשר מתוכן עמדו בכל הקריטריונים: הראשון - לא דורשות תיכנות וניתן לעבוד איתן עם PC ו-Windows. השני - יכולות לעבוד עם אקסל. השלישי - חינמיות על-מלא, כלומר, כאלה שהן חינם רק לתקופת ניסיון לא נכנסו לכאן. לחלק מהמערכות החינמיות יש גם גרסת premium שעליהן לא נרחיב, אבל חשוב לי להבהיר שרוב התוכנות כאן, בוודאי אלה הותיקות, אינן מסחריות במובן הכלכלי של המילה. הן לרוב תוצר של עבודה אקדמאית שנתמכת ע"י תרומות. ורביעי ואחרון, המערכות צריכות לאפשר ניתוח של כל סוגי הרשתות, כלומר, בפרק הזה לא נסקור מערכות שמאפשרות ניתוח רק של רשתות ספציפיות או תהליכים ספציפיים או מערכות שמאפשרות להציג את הדאטה כרשת, אבל רק כסוג של sideshow, כלומר, לא מאפשרות ניתוח אלא ויזואליזציה בלבד. כך למשל, לא נדבר על מערכות ייעודיות לניתוח רשתות ביולוגיות, רשתות ארגוניות, ניתוח טקסטים ומאמרים כרשת ומערכות לניתוח גרף תהליכים ו/או קבלת החלטות (קצת בדומה ל-Visio של מיקרוסופט). הן אולי טובות בתחומן, אבל לא מאפשרות הרבה גמישות. והנה תופעה מעניינת שנתקלתי בה במהלך סקר התוכנות: הרבה מהמערכות האלה לא תוחזקו במשך שנים, אבל מרגע שהתחלתי לעבוד על הפרק, גיליתי שלהרבה מהתוכנות שמצוינות פה מתוכננת גרסה חדש או בוצע בה השנה שדרוג משמעותי. אז או שזה אפקט באדר-מיינהוף או שיכול להיות שהסגרים של הקורונה ייצרו בייבי בום של שדרוג מערכות? מוקדם להגיד, אבל אולי 2021 מביאה איתה גל של מודעות גוברת והולכת לעולם הרשתות. אולי זה כמו שברבאשי, חוקר הרשתות המפורסם אמר בפרק קודם שהקורונה הביאה איתה את שפת הרשתות לבמה המרכזית וזה תפס. למשל, אני לא יודע אם שמתם לב, אבל לראשונה יש לנו זוכים בנובל מתחום המערכות המורכבות, שרשתות הן חלק גדול בתחום הזה. ריספקט. אז בנימה אופטימית זו ניגש לעסק. מה שנעשה כאן זה לסקור את העיקרים של כל תוכנה – מה מייחד אותה ומה היתרונות/חסרונות שלה עם דגשים לכאלה שמתחילים ומתחילות בתחום. על הדרך, נלמד קצת על תהליך המחקר ועל מושגים מתקדמים במדע הרשתות. את הסקירה של כל מערכת נקביל לשלבים בתהליך המחקר, אז דבר ראשון, נתחיל בהתקנת המערכת וטעינת הנתונים. ההתקנה לרוב פשוטה או לא נדרשת (במקרה של מערכות web). חלק מהמערכות שנסקור מבוססות Java ולכן עלולות לדרוש התקנה גם של Java. זה לא מסובך, פשוט ניגשים לגוגל, מחפשים Download Java ומורידים. אבל תהליך הטעינה של הנתונים יכול להיות קצת יותר טריקי. מה זאת אומרת?

אז ה-Best practice לטעינת הנתונים הוא לרוב שימוש בשני קבצים:

קובץ קשרים וקובץ זיהויים.

קובץ הקשרים הוא חובה והוא יכיל לרוב שתי עמודות: source ו-target וזה יספיק לרוב התוכנות. לעיתים ניתן להוסיף גם עמודת weight, או משקל, כלומר, כמה פעמים הקשר חזר על עצמו, אבל לרוב זה לא חובה, והמערכת תחשב זאת בעצמה. כבונוס, יש תוכנות שמאפשרות להכניס מידע נוסף על הקשרים למשל סוג הקשר וכד'. במערכות מסוימות שמאפשרות ניתוח דינאמי, ניתן להכניס גם את תאריך וזמן הקשר.

קובץ הזיהויים הוא אופציונאלי והוא יכיל בבסיסו 2 עמודות: עמודת ID שזה הזיהוי החד ערכי של הצומת ברשת והוא צריך להיות תואם לזיהוי של הצומת בקובץ הקשרים. העמודה הנוספת תהיה עמודת Label או תיוג, שתכיל את התיאור של הצומת. ברוב המערכות אפשר להוסיף עוד עמודות עם מגוון תיאורים ומידע על הצומת, אבל אלה 2 העמודות הבסיסיות.

רוב המערכות מציעות עוד אפשרויות לטעינה פשוטה של נתונים:

מרבית המערכות מגיעות עם רשתות לדוגמא שרק נדרש לטעון אותן. הכוונה בדרך כלל לדאטהסט של רשתות מפורסמות בתחום המחקר הרשתי שבחלקן כבר נגענו, למשל, רשת הקשרים במועדון הקראטה של זכארי, רשת הקשרים בין הדמויות ברומן "עלובי החיים" וכו'. דרך נוספת היא לג'נרט גרף, כלומר, בחלק מהמערכות ניתן להכניס פרמטרים והמערכת תיצור גרף בשבילכם.ן. למה זה טוב? זה טוב לעצלנים שרק רוצים להתרשם מהמערכת אבל בעיקר לחוקרים מתחום תורת הגרפים. יש מערכות שממקסמות על היכולת הזו ומאפשרות הרבה מאד פרמטרים לייצור גרף שכזה, אבל מכיוון שאנחנו עוסקים פה בפרקטיקה של רשתות ולא בגרפים תיאורטיים, כמעט ולא נתייחס ליכולת הזו.

אבל החלק הכי מגניב זה שיש מערכות שמאפשרות טעינת נתונים ממקור חיצוני, או API, בדרך כלל טוויטר, כלומר, הן מאפשרות לקצור דאטה דרכן.

עכשיו שיש לנו נתונים, השאלה היא כמה נתונים המערכת יכולה לאכול?

אני מניח שרובנו לא נרוץ לנתח בבית רשתות של מיליוני צמתים, אבל כמה אלפים, למה לא? אז חשוב להגיד שלא כל תוכנה תוכל לטעון כמות כזו ולעמוד בקצב. יש תוכנות שמיועדות לניתוח רשתות קטנות וכאלה שיכולות להתמודד גם עם מיליונים, השאלה לא פעם היא, כמה זמן אנחנו מוכנים לחכות עד שנקבל תוצאה? לצורך התחקיר, הרצתי על המערכות השונות רשת עם עשרות צמתים, רשת עם אלפי צמתים ורשת עם עשרות אלפי צמתים. אם עברו יותר מ-2 דקות עד שהמערכת הגיבה, אז יש לנו בעיה. היו מערכות שקרסו ישר אבל היו כאלה שאפילו לא שיהקו.

אז אחרי שיש לנו מערכת, והנתונים הוזנו, השלב הבא הוא שלב הניתוח:

פה נשאל דבר ראשון האם המערכת אינטואיטיבית? זו סוגייה קצת סובייקטיבית, אז ניסיתי את הקטע הישראלי של לא להשתמש בהנחיות, המדריכים או הויקי של המערכות וככה למדוד את האינטואיטיביות. מתי נכנעתי? כשהתוכנה דרשה טעינה של נתונים בפורמט ייחודי, שלא תואם את ה-Best practice, ואז אין ברירה וחייבים לפשפש בברושור.

בניתוח עצמו התייחסתי לשלוש סוגיות מרכזיות: הראשונה היא האלגוריתמיקה שהמערכת מאפשרת להפעיל על הרשת, השנייה היא הויזואליזציה שהיא מאפשרת של הרשת והשלישית היא האיטרטיביות של תהליך הניתוח.

הסוגייה הראשונה היא די פשוטה: האם יש למערכת את האלגוריתמיקה הבסיסית שתאפשר לנו ניתוח טוב של הרשת והאם יש לה גם אלגוריתמיקה למתקדמים? כשאני אומר אלגוריתמיקה בסיסית אני מתכוון בעיקר ל-3 מדדי המרכזיות העיקריים שמי שלא אמר אותם לא יצא ידי חובתו והם: Degree, Betweenness ובני יקירי Closeness. כמו כן, במסגרת המדדים הבסיסיים אני כולל גם מדדי רשת, למשל, מדידת הצפיפות של הרשת או הקוטר שלה. חלוקת הרשת לקהילות לא תיחשב כאלגוריתמיקה בסיסית אבל אני ממליץ עליה מאד. כאן יש מגוון רחב ואקלקטי מאד אבל מבחינתי, מערכת שלא מאפשרת שימוש באלגוריתם Louvain, זה אומר עליה הרבה ובהקשר זה שני גילויים: אחד, שבשיחותיי עם דוברי צרפתית הם התעקשו להגיד "לובה" ולא "לובאין", וזה רק מראה מה הם יודעים. דבר שני, זה שאני סאקר של "לובה". אחלה אלגוריתם. על אלגוריתמיקה מתקדמת יותר נדבר אח"כ, אחרי שנבנה מומנטום.

הסוגייה השנייה בנושא הניתוח היא אפשרויות הויזואליזציה של הרשת.

כמה נוח לשחק איתה וכמובן, האם היא מאפשרת פריסה נוחה של הרשת, מה שנקרא, תכונת ה-Layout.

ברשתות עם צמתים בודדים, אין כל כך בעיה. אנחנו נראה את כל הצמתים והקשרים ביניהם באופן די אינטואיטיבי. אבל ככל שהרשת גדלה, הצורה שבה היא פרוסה על המסך מתחילה להיות משמעותית כי הצמתים והקשתות מתחילים לרמוס אחד את השני כשהשיא הוא מה שמכונה בספרות המקצועית: "The giant hairball effect" או רשת שנראית כמו כדור צמר ענקי שאי אפשר להבין ממנו כלום.

מאחורי התצורות השונות לפריסה של הרשת עומדים אלגוריתמים בפני עצמם שמטרתם למקסם תכונות מסוימות של הרשת, לפי הצורך של המשתמש, למשל, אלגוריתם פריסה יכול למקסם על הקירבה של צמתים זה לזה, כלומר, להצמיד צמתים שקשורים זה לזה ולהרחיק מהם צמתים אחרים. אלגוריתמים אחרים יכולים למקסם על סגנון הפריסה המבוקש, למשל, להציג את כל הצמתים במעגל או בתצורה היררכית, כמו של עץ מבנה או אפילו לאפשר הצגה של הצמתים ברשת לפי מיקומם הגיאוגרפי בעולם, כלומר להצמידם למפה ועוד. למרות שאני ממש יכול להבין כאלה שנשבו בויזואליזציה מסוימת בגלל היופי האסתטי שלה, יש ספרות של Best practice להצגת רשתות, כי ויזואליזציות מסוגלות גם ליצור רושם מוטעה. דיברנו על זה קצת בפרק 13 על פוליטיקה ורשתות בעקבות התמונה האייקונית במחקרה של לאדה אדאמיק "Divided They Blog". אז הסוגייה השלישית בנושא הניתוח היא סוגיית האיטרטיביות. למה הכוונה?

לא פעם במחקר רשת נקבל איזושהי תוצאה, ואז נרצה לראות אותה בתצוגת רשת, לשנות מדדים, שוב לראות את תצוגת הרשת וכו' ולפעמים גם לייצא את הנתונים שלנו כדי להמשיך לחקור בשיטות נוספות. זהו תהליך איטרטיבי של פעולה ותוצאה ואז שוב פעולה ותוצאה. יש מערכות שמאפשרות תהליך כזה בצורה פשוטה ונוחה אבל יש כאלה שהן יותר מוכוונות לזבנג וגמרנו, ואז כדי לשחק עם הרשת אנחנו נדרשים לטעון אותה מחדש. ולפעמים גם כשהתוכנה מאפשרת לשחק עם תוצרי הניתוח, היא פשוט עושה את זה בצורה לא נוחה. למחקר נקודתי או כשנרצה רק לעשות ויזואליזציה של הרשת, זה לא כל כך יפריע לנו אבל זה צורך משמעותי, בטח כשנתקלים ברשת בפעם הראשונה.

עכשיו הגיע זמן האלגוריתמיקה המתקדמת אז נתחיל עם לדבר על הפיל בחדר: המטריצה.

פסיכופט פעם אמר שיש יותר מדרך אחת לפשוט עורו של חתול וזה נכון גם על רשתות:

יש יותר מדרך אחת לשמור מידע כרשת.

עד היום דיברנו על 2 שיטות: השיטה הגרפית, כלומר, לצייר את הרשת כצמתים וקשתות או שיטת רשימת הקשרים: טבלה ובה מקור ויעד או source ו-target.

אבל שיטה שלא הזכרנו עד היום היא שיטת המטריצה הנקראת Adjacency matrix, או טבלת שכנויות, שנקראת כך כי היא מראה איזה צומת נמצא ליד איזה צומת.

המטריצה היא בעצם טבלה ובה מספר שורות ועמודות כמספר הצמתים ברשת, כלומר, רשת עם 9 צמתים תיוצג כטבלה ובה 9 שורות ו-9 עמודות והצמתים יהיו מסודרים בראש אותן עמודות ושורות, לאורך ולרוחב. בכל מפגש בין שורה לעמודה, כלומר, בכל תא של הטבלה, יופיע מספר: עם אין קשר בין הצמתים יופיע המספר 0, ואם יש קשר, יופיע המספר 1. אם הרשת ממושקלת, ניתן להציג בשדה את כמות הקשרים, כלומר המשקל של הקשר.

האלכסון של הטבלה, כלומר, המקום שבו העמודה או השורה של הצומת נפגשות עם עצמן, ייצגו את הקשרים העצמיים של הצמתים. לרוב מספר זה יהיה 0 אבל יש רשתות בהן קיימים קשרים עצמיים, למשל, ברשת מיילים אני יכול לשלוח מייל לעצמי. בפרקטיקה, הרבה פעמים מתעלמים מהנתון הזה.

כל זה נשמע קצת מורכב והדבר הראשון שקופץ לראש זה למה לעשות את זה? זה גם נשמע מאד בזבזני מבחינת אגירה: תחשבו למשל על רשת של אלף צמתים. זה אומר שאנחנו צריכים להחזיק טבלה של 1000 על 1000, כשרוב הסיכויים שמרבית הטבלה תהיה מורכבת מאפסים, כי כמו שאנחנו זוכרים, קשרים ברשת מתפלגים "זנב ארוך", כלומר, יש לנו מעט צמתים עם הרבה קשרים אבל לרוב הצמתים קשרים בודדים. כלומר, יופי לנו, ייצרנו טבלה גדולה שרובה ריקה. אבל שימו לב שהטבלה אמנם בזבזנית במקום אבל חסכונית בזמן. למשל, בעזרת המטריצה, אנחנו יכולים במבט מהיר על שורה או עמודה לראות איזה צמתים קשורים לאיזה צמתים. במטרה למקסם על שני העולמות – גם לחסוך במקום אבל גם להנות מקריאה מהירה של הנתונים, קיימת שיטה שהיא מעין הכלאה של רשימת הקשרים ומטריצת השכנויות והיא נקראת Adjacency list או רשימת שכנויות: הרשימה מכילה בעמודה אחת את כל הצמתים ובעמודה השנייה את כל השכנים של הצמתים. כלומר, אם יש לנו רשת ובה שלושה צמתים וצומת X קשור לצומת Y ו-Z, אז בעמודה הראשונה, בשורה הראשונה יופיע צומת X ובעמודה השנייה כל הצמתים שהוא קשור אליהם, במקרה זה, Y ו-Z עם פסיקים ביניהם. בשורה השנייה יופיע צומת Y, ובעמודה לצידו צומת X בלבד (כי Z לא קשור ל-Y) וכן הלאה.

בשיטה זו, אנחנו לא מבזבזים מקום על קשרים שלא קיימים ברשת ובמקביל נהנים ממבט מהיר על מי השכנים של מי.

אבל שוב, למה זה טוב?

אז למי שעוסק במדעי המחשב, אופטימיזציה של אחסון מידע לצד יעילות השליפה של המידע היא דבר חשוב. אם נרצה לקבל תשובה מהירה מי השכנים של כל צומת, רשימת שכנויות היא הדרך המהירה ביותר וגם החסכונית ביותר במקום. אבל לכל שיטה יש יתרונות חסרונות משלה ורובנו לא מדמ"חניקים והשיקולים האלה פחות קריטיים לנו.

רשימת קשרים פשוטה של source ו-target מספיקה לנו, במיוחד שמי שסוחב את החישוב זו תוכנה חיצונית. שתעבוד קצת, למי אכפת? בטח עם היא חינמית. העניין הוא שיש אלגוריתמים שמבוססים על הבנת הרשת כמטריצה וזקוקים למטריצה כקלט. לא נפרוט את כולם, כי בכל זאת יש גבול, ונשמור קצת לפרק הבא. רק נגיד מילה על יישום המטריצה בהקשר של מציאת דמיון בין צמתים: כשאנחנו רוצים להשוות בין שני צמתים, מבחינת תפקידם ומיקומם ברשת, אנחנו נדרשים לשכנים של אותם צמתים. והדרך המהירה ביותר לגלות שכנים היא דרך מטריצה. השוואה זריזה בין השכנים של אותם הצמתים יכולה לגלות לנו, למשל, שקיים אחוז חפיפה גבוה בין אותם צמתים ולכן הם דומים מאד. מה זה אומר? זה יכול להגיד למשל שמדובר בחברים קרובים שחולקים את אותה חבורה בפייסבוק או באלטר אגו של המשתמש, או במילים פשוטות – יוזר נוסף של אותו משתמש. אולי היישום הנפוץ ביותר כיום למטריצות הוא לשמש כקלט לכל מה שקשור ללמידת מכונה על רשתות וגרפים, תחום שנקרא Graph Neural Network, או GNN בקיצור, ומתישהו נהיה חייבים לכסות אותו באיזה פרק. עד אז, מוזמנים לפרק בנושא של Amlek AI שהוא לצערי בין הפודקאסטים הבודדים בעברית שעסקו במדע הנתונים, חוץ מנטפריקס, וכיסו את תחום למידת המכונה. אני מדבר בלשון עבר כי שוב, למרבה הצער, נראה לי שהם הפסיקו להוציא פרקים. ואז גיליתי שמסיבותיהם הם, לאחר הפסקה של כחצי שנה, הפודקאסט שינה את שמו ל-ExplAIable וממשיך להוציא פרקים. אז טוויסט עם סוף טוב (: מטריצות זה תחום שלם בעולם הגרפים והרשתות, ובניגוד למה שאני בדרך כלל אומר על רשתות, הוא לא תמיד פשוט. למרבה המזל, ואני אשתדל לא להעליב אף אחד, לרוב לא נצטרך אותו בניתוח רשת. חוצמזה, האלגוריתמים שעושים שימוש במטריצות הם לא פעם כבדים ומסורבלים והתוצאות שנקבל באמצעותם לא בהכרח יהיו טובות בהרבה מאלגוריתמים פשוטים ועדכניים יותר.

אז עכשיו אחרי שכל הפנאטים של תורת הגרפים ומדעי המחשב לחצו על pause ועשו unsubscribe לפודקאסט, אני יכול גם לספר שחלק מהמערכות שנפגוש מבצעות את ההמרה מטבלה למטריצה בעצמן בתהליך שקוף למשתמש וכך מאפשרות לעשות שימוש נוח גם בפיצ'רים המתקדמים שמחבבים מטריצות.

ועכשיו, בואו נעבור למערכות, וכשאני אומר מערכות, אני בעצם אומר Gephi.

כשנסקור את המערכות (בפרק הזה ובפרק הבא), נבדוק אותן לפי הפרמטרים הבאים:

1. התקנה

2. ממשק הזנה

3. ממשקים חיצוניים

4. ממשק אינטואיטיבי

5. מדדים בסיסיים

6. חלוקה לקהילות

7. ניתוח איטרטיבי

8. ויזואליזציה טובה/נוחה

9. אלגוריתמיקה ופיצ'רים מתקדמים

10. התמודדות עם רשתות גדולות

11. מתעדכן

12. יתרון משמעותי

13. חסרון משמעותי

וכמו שאמרתי, אנחנו נתחיל עם מערכת Gephi וגילוי נאות, אני סאקר של Gephi.

GEPHI

אז כש-Gephi רק יצאה ב-2009, היו לה כ-10,000 הורדות. 7 שנים אחר כך, היא חצתה את ה-2 מיליון ומסקרים לא רשמיים, נראה שגם כיום זו כנראה תוכנת ניתוח הרשתות הפופולרית ביותר.

כמו שאני אומר לילדים שלי, זה לא תחרות, אבל Gephi לוקחת.

האב המייסד של Gephi הוא מתיאו ג'קומי, שמעבר ל-Gephi הוא גם מחזיק בלוג מצוין שעוסק בויזואליזציות של רשתות ובעוד סוגיות שמעסיקות את עולם מדע הרשתות. ספויילר קטן, הוא גם האורח שלנו בפרק בפודקאסט, שם הוא נתן כמה סקופים לגבי פיצ'רים חדשים במערכת ואפילו הציע הצעה שאי אפשר לסרב לה לאלה מאיתנו שמפתחים ב-Java.

אז מה אפשר להגיד על Gephi?

1. התקנה: Gephi דורשת התקנה של המערכת ושל גרסת Java עדכנית. ההתקנה היא קצרה ופשוטה ולכן לא אתגר משמעותי. בנוסף, יש ל-Gephi הרבה plug-ins כלומר, פיצ'רים נוספים שלא באים אוטומטית עם התוכנה וחלקם דווקא די שימושיים אבל צריך להתקין אותם.

2. ממשק הזנה: ניתן להזין אקסל, אבל הממשק אינו גמיש, כלומר, צריך להשתמש ב-Best practice שדיברנו עליו של Source/Target. בהקשר ההזנה, היתרון של Gephi על הרבה מערכות אחרות זה שהיא מאפשרת לייבא ולייצא ממגוון מאד רחב של סוגי קבצים.

3. ממשקים חיצוניים: אם יש לכם קוד ל-API של טוויטר, Gephi מאפשרת לכם להתחבר ישירות ולקצור דאטה משם. בנוסף, אם יש לכם איזה אתר שאתם יכולים להתחבר אליו כ-stream, אז Gephi מאפשרת גם את זה.

4. ממשק אינטואיטיבי: כאן זו בעיה קשה, כי אני עובד על Gephi כבר הרבה זמן ואני לא כל כך אובייקטיבי. גילוי נאות, כתבתי מדריך קצר בעברית על Gephi לטובת צוותי מחקר בזמן הקורונה (זה עדיין issue קורונה?) אז המסקנה המתבקשת מזה היא שאם היא הייתה מאד אינטואיטיבית, לא היה צריך לכתוב לה מדריך. כלומר, אלה שירצו לעשות את צעדיהם הראשונים בתחום, Gephi תדרוש מס למידה על המערכת. למשל, וזו תכונה קצת מעצבנת שקיימת בלא מעט מערכות, זה שהדברים הבסיסיים שנחפש "מוחבאים" תחת כותרות לא אינטואיטיביות. למשל ב-Gephi, אם רוצים לנתח מדדי מרכזיות כמו Closeness ו-Betweenness, צריך ללחוץ על הפעולה: "חשב קוטר הרשת" ואז המערכת תיחשב את הקוטר, אבל גם את מדדי מרכזיות נוספים. אמנם מבחינת חישובית, אחד תלוי בשני, אבל למה להפוך פעולה בסיסית לסוג של Easter egg למשתמש? ל-Gephi פתרונים.

5. מדדים בסיסיים: אז אם מצאתם אותם או התקנתם את ה-plugins המתאימים, ל-Gephi יש את כל מדדי הרשת הרלוונטים ועוד קצת.

6. חלוקה לקהילות: ב-Gephi אין הרבה אלגוריתמים לחלוקה לקהילות ולמשל כל העולם של זיהוי ו/או ספירת קליקות ברשת לא קיים בכלל. לעומת זאת, יש בה את אלגוריתם הלובאין, ולדעתי היא המערכת היחידה שמכילה את הגרסה החדשה של הלובאין כלומר, אלגוריתם Leiden המשופר. שוב, כדי ליהנות מהם צריך להוריד את ה-plugin הרלוונטי.

7. ניתוח איטרטיבי: כאן Gephi היא בין המובילות. היא מאד נוחה לתהליך איטרטיבי ומאפשרת לבצע מדידות, להיכנס ולצאת מהויזואליזציה, לפלטר על תוצאות ועוד. שני חסרונות עיקריים בהקשר זה: הראשון הוא הקושי להתמרכז על המיקום הרלוונטי ברשת. זה דורש מעט מיומנות עם העכבר ויכול קצת לתסכל אנשים חסרי סבלנות. חסרון נוסף, הוא היעדר ה-ctrl-Z או לעשות Undo. כלומר, אם מחקתם משהו, לא ניתן לשחזר. זה לא ישפיע על קבצי המקור שלכם כמובן, אבל אם תרצו לבטל מחיקה, תצטרכו לטעון את כל העסק שוב. בראיון עימו, ג'קומי מתייחס לסוגיה הזאת ואולי לפתרון אפשרי שלה.

8. ויזואליזציה טובה/נוחה: נושא ש-Gephi חזקה בו הוא ויזואליזציה והיא מאפשרת הרבה גמישות. למעשה, הרבה פוסטרים של רשתות שתמצאו במרשתת נעשו בעזרת הממשק של Gephi. לדעתי, היתרון הכי משמעותי של Gephi הוא באלגוריתם הפריסה שנקרא Force Atlas2 שפותח ע"י מתיאו ג'קומי והוא מאד מהיר יחסית ומאפשר פריסה טובה גם לרשתות ענק. יתרונו בכך שהאלגוריתם שלו פורס את הרשת די בהתאמה לחלוקה לקהילות, כלומר, הוא מבנה את הקהילות ויזואלית ומרחיק אותן זו מזו.

9. אלגוריתמיקה ופיצ'רים מתקדמים: בזכות כמאה ה-plug-ins שלה, ל-Gephi יש מגוון רחב מאד של אלגוריתמים ופיצ'רים לרשותה. מה שאין זה אלגוריתמים מבוססי מטריצות. מה שכן יש וזה נדיר יחסית למצוא, זו יכולת צפיה ברשת דינאמית. בהינתן שלקשרים ברשת יש Time Label, אז Gephi מאפשרת "לנגן" את הרשת וכך לצפות בהשתנות שלה. בנוסף, בשדה הטבלאי, ניתן לראות מעין גרף קטן של מתי נוצרה כל קשת. אבל כדי ליהנות מכל הטוב הדינאמי הזה, צריך להקפיד על הזנה נכונה של תגי הזמנים לפי הפורמט של Gephi, ורק בקבצי CSV. חוצמזה, זה פיצ'ר נחמד לרשתות קטנות, אבל ברשתות גדולות, נאבד את הידיים והרגליים אם ננסה להבין מה קורה שם מבחינה ויזואלית בלבד. עוד תכונה נחמדה של Gephi זה היכולת לקפל רשתות או לבצע Projection, תכונה שהזכרנו בפרק קודם, והיא עושה את זה באופן די נוח ואינטואיטיבי.

10. התמודדות עם רשתות גדולות וביצועים: למי שמחפש ניתוחים מהירים, Gephi תתן מענה טוב גם לרשתות עם עשרות אלפי צמתים. לפי הברושור, Gephi יכולה להתמודד גם עם רשתות גדולות מאד, שם קוד מאות אלפי צמתים, אבל בפועל, זמן התגובה לרשתות כאלה יהיה ארוך עד קריסה, וזאת למרות שיש אפשרות להגדיל את הזיכרון של Gephi, עד תקרת זכוכית מסוימת.

11. האם המערכת מתעדכנת: הגרסה האחרונה של המערכת (0.9.2) יצאה ב-2017 אבל בנובמבר 2021 צפוי הקאתון בכדי לבצע מתיחת פנים לתוכנה הותיקה ולהוסיף בה פיצ'רים חדשים.

12. יתרון משמעותי: היתרון המשמעותי של Gephi זה שהכול תחת קורת גג אחת. ניתן לבצע ניתוחי רשת, גם רשתות גדולות, קצה לקצה, ולא להרגיש שמשהו חסר. גם העובדה שהיא צפויה לעבור מתיחת פנים משמעותית ולכלול פיצ'רים חדשים כמו הייפר-קשתות מוסיפה לה נקודות על החשבון. הוספת הפיצ'ר הזה היא חדשה מרגשת כי אין כיום תוכנה חינמית שמאפשרת את זה.

אז בואו נעצור לרגע להסביר מה זה הייפר קשתות שנקראות גם:

• Hyper Edges

• Higher Order Edges

• או סתם Parallel Edges.

ממש בשנים האחרונות התחיל לעלות חזק העיסוק ב-Higher Order Networks או Hyper Graphs כמודל שמשפר את הרזולוציה בה אנו מסתכלים על הרשת. הכוונה היא פשוט לתופעה שבה קשת יכולה לחבר יותר משני צמתים. מה זה אומר? אז הנה דוגמא: נניח גרף המורכב מ-3 צמתים, A,B ו-C. נניח ש-A התכתב עם B ו-Bהתכתב עם C ו-C התכתב עם A. יש לנו מקרה קלאסי ובו 3 זוגות של קשרים יצרו גרף משולש. ההייפר-גרף נוצר כאשר A שולח הודעה ל-B ו-C ביחד. כלומר, נעשתה פה פעולה מקבילה שהמשמעות שלה היא שהקשר של A עם B הוא סימולטני לקשר של A עם C. בהקשר זה, הייפר-קשת זו הקשת שמחברת יותר משני צמתים באותו זמן או במילים אחרות: Higher Order Edge.

בעזרת יכולת זו ניתן לראות האם הקשרים הם א-סינכרוניים או סימולטניים, דבר שיכול לשפר את ההבנה שלנו של מהות הקשרים.

רק דיסקליימר קצר: זה נשמע מצוין. אבל האם זה מה שיעשה את הכרוב חמוץ? לא יודע. לא פעם דברים שאינטואיטיבית נשמעים מאד משמעותיים, בפועל – הם לא תמיד כאלה. למשל, כיווניות ברשת היא סוגייה שנשמעת מהותית. כלומר, ההנחה ש-A יצר קשר עם B ולא ההפך היא מאד מהותית כדי להבין את הקשר בין שני הצמתים האלה. אבל כשמסתכלים באופן רחב על הרשת, הכיווניות של הקשרים זה נתון פחות מהותי ממה שנדמה לנו. במערבולת הגדולה של זרימת הרשת, הכיווניות מאבדת קצת מהמשמעות.

צריך להגיד שבחוגים מסויימים, מה שאמרתי עכשיו נחשב לכפירה אז אני אנצל את הוייב השלילי כדי לסקור את הצד האפל של Gephi, ואתחיל בסיפור קצר: כשהייתי קטן, היינו לפעמים הולכים לקניון איילון והייתה שם מסעדה שנקראה "אפרופו". היו בה הרבה דוכנים וכל דוכן הציע אוכל מסוג אחר: המבורגר, פיצה, סיני, הודי וכו'. ואפילו שלא היה הכי טעים בעולם, עצם היכולת לבחור מתוך מגוון רחב מאד הרשים אותי כילד. מאז התבגרתי ואפרופו נסגרה. אז ככה - זה לא ש-Gephi נותנת מענה בינוני למגוון רחב של נושאים, זה פשוט שכשאתה מתפזר על הרבה דברים, יש לזה מחיר. במקרה של אפרופו זה שלכל האוכל שם היה גוון ירקרק, לא ברור לי למה. במקרה של Gephi המחיר הוא קושי באינטואיטיביות השימוש ולפחות כרגע, בעיית יציבות. כשיש כל כך הרבה פיצ'רים, אז לפעמים חלקם נדחסים לכל מיני טאבים שזה ממש לא אינטואיטיבי לחפש בהם. ולגבי יציבות, לעיתים, כשמפעילים תכונה מסוימת, Gephi נתקעת כי כנראה שלא כל ה-plugins משחקים יפה עם השאר. הפתרון של לשמור את הקובץ לפני כל פעולה רגישה לא בהכרח יהיה אטרקטיבי לכולם למרות שכפיצ'ר הוא משמר עירנות מצד היוזר ומהווה תרופת מנע להפסקת חשמל פתאומית.

זה באג? זה פיצ'ר?

רואים? ככה זה כשאוהבים - אוהבים עם הפגמים ואולי גם בגללם.

אז בפרק הבא נעבור על שאר המערכות לניתוח רשת, וטיזר קטן:

כשאנשים מחפשים בגוגל מערכות/תוכנות/שפות לצרכי השוואה עם Gephy, אלו התוצאות שהם מקבלים. רוב התוצאות הן שפות תכנות או תוכנות בתשלום, אבל לפחות אחת מהן היא חינמית ונדבר עליה בפרק הבא. יודעים איזו? בין המנחשים נכונה תוגרל עז עם פעמון*.

כמובטח, הנה כמה ביקורות מרחבי המרשתת:

לימור כתבה:

הפודקאסט הטוב ביותר בעברית. שאפו!.

תודה לימור. בירור קצר העלה שהיא התכוונה שזה הפודקאסט הטוב ביותר לרשתות בעברית. חידוד חשוב. משה כתב:

נושא מרתק שנוגע בכל כך הרבה אספקטים וצדדים של היומיום, עסקים, ספורט, מגיפות ומה לא בעצם. מוגש בצורה בהירה, זורמת, נעימה ועם קורטוב של הומור, שמאפשר גם למי שאינו טכנולוג להבין ולמצוא ענין בנושא.

תודה למשה, מאזין יקר וחבר מוערך בקבוצת הפייסבוק של הפודקאסט "הבית החם של מדע הרשתות".

ואחרונה חביבה, אפרת מחברת לייטריקס שהעלתה את הפוסט הבא ולא התעצלה לתייג:

נטפריקס הוא למעשה אחדות מופלאה של תוכן וצורה! פודקאסט מבריק ונהדר על מדע הרשתות, שמפעיל על עצמו את חוק החזקה, או כמו שאסף נוהג לכנות אותו פאולו. הכיצד? הפודקאסט נמצא אי שם במורד הזנב של הדינוזאור (בינתיים!), וכך כשמחפשים אותו בגוגל או בלינקדין, תמיד נקבל קודם כל את נטפליקס, הנמצא אי שם במעלה הגב. וכך אנו למדים כיצד מתנהגות רשתות רק מלגגל את הפודקאסט. סחטיין אסף שפירא, ולכולם - לכו להאזין ויחד נעלה את נטפריקס במעלה הדינוזאור.

רק לקרוא את זה הפך אותי מורוד לורוד כהה. תודה רבה! התיאור של אפרת מזכיר לי את השיר על הקאובוי בשם "סו". אביו עזב אותו כשהיה תינוק, אבל לפני שעזב הוא קרא לו "סו". הילד, שגדל בסביבה פחות סובלנית מהיום, חטף הרבה מכות בגלל השם ונאלץ ללמוד להילחם כדי להגן על עצמו והפך להיות הקאובוי הכי קשוח באיזור. יום אחד הוא נתקל במקרה באביו שעבד באיזה מסבאה. סו התנפל על האב בכעס אבל אז האב גילה לו שהוא רצה בטובתו. מכיוון שהוא ידע שהוא לא יהיה שם לדאוג לו, הוא היה צריך לבחור לו שם שיכריח את סו לדאוג לעצמו. אז זו אולי הסיבה שחבר שלי, קרסיק, בחור די חד, המליץ לי על השם נטפריקס ואילץ אותי להיאבק ב-SEO של נטפליקס. כדי לתת פייט, הפודקאסט חייב את התמיכה שלכן ושלכם ואני די מאושר להגיד שהוא אכן מקבל אותה: לפי סטטיסטיקות של אתר הפודקאסטים Listen Notes, נטפריקס נמצא ב-Top 5% העולמי ולפי אתר הפודקאסטים buzzsprout נטפריקס בערך ב-Top15%. אולי בזכות העקשנות של מאזינות כמו אפרת, ננצח את נטפליקס ו"משחקי הדיונון". אבל אל תספרו לי, כי לא ראיתי.

אז גם אתן רוצות להרחיב את קהילת מדע הרשתות בישראל? 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.

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.

נתראה בפרק הבא של נטפריקס.

* - ההשתתפות בהגרלה אסורה על מאזיני וקוראי נטפריקס #פודקאסט #מדע_הרשתות #ניתוח_רשתות_חברתיות #תורת_הגרפים #מדע_הנתונים #תוכנה

#Podcast #NetworkScience #SNA #SocialNetworkAnalysis #GraphTheory #DataScience #Software #Survey #Gephi #Java

מה מתרחש (: אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות- תחום חדש ומלהיב בעולם מדע הנתונים. פרק קצר זה הוא חלק מסדרת פרקי פיילוט לפודקאסט "עושים תנ"ך" של יותם שטיינמן והנושא הוא "מדוע חשוב לדעת סטטיסטיקה והתפלגויות כשמתווכחים עם אלוהים".

אנחנו אוהבים לחשוב על החיים כהתפלגות נורמלית או התפלגות פעמון – יש קצת כאלה וקצת כאלה אבל הרוב באמצע. כמו גבהים של אנשים: יש קצת גבוהים וקצת נמוכים, אבל רובנו נמצאים באמצע. אבל מה לעשות, והרבה דברים בחיים הם לא כאלה. בפועל - יש מעט עם הרבה והרבה עם מעט. זה מאד לא אינטואיטיבי, אבל זה נכון גם לגבהים. הסיבה שאנחנו חושבים על גבהים כהתפלגות נורמלית היא כי אנחנו מסתכלים בעיקר על אנשים, אבל מה אם נגדיל את היקף המבט שלנו ונסתכל על כלל היצורים החיים? אם ניקח מדגם אקראי של יצורים על פני כדור הארץ, בסבירות גבוהה, רובם יהיו חיידקים. אבל מספיק שנתפוס איזה חתול או אפילו ג'וק במדגם, וההתפלגות של הגבהים תיראה שונה לחלוטין: יהיה לנו חתול ענק אחד, ושורה ארוכה של חיידקים זעירים, כלומר, מעט יצורים מאד גבוהים-יחסית והרבה יצורים זעירים. ממש לא התפלגות פעמון נורמלית. את התופעה הזו נראה גם ברשתות חברתיות: לכאחוז מהחברים ברשת (פייסבוק, טוויטר וכו') יהיו המון חברים או עוקבים ולרוב יהיו מעט חברים. אבל ממש מעט. גם זה נשמע מאד לא אינטואיטיבי, כי אנחנו לא מכירים אנשים שיש להם כל כך מעט חברים בפייסבוק, אבל כשחושבים על זה, אנחנו הרי לא מכירים אנשים כאלה כי... יש להם מעט חברים. אז בואו ננסח את זה בצורה קצת אחרת ובמקום חברים ברשתות החברתיות נתייחס לתוכן: ברשתות החברתיות יש מעט אנשים שמעלים תוכן, 10% רק מגיבים ו-90% לא עושים כלום, אז פתאם זה נראה לנו הרבה יותר הגיוני, כי עכשיו רובנו ב-90%. אבל הרעיון הוא אותו רעיון, או ההתפלגות היא אותה התפלגות. בעולם הכלכלה, התופעה הזו של למעט יש הרבה והרבה יש מעט, היא כבר קלישאה מוכרת: יש מעט מאד עשירים, והרוב, עניים. למשל, חברות הענק, למרות שהן פחות מאחוז מכלל החברות בעולם, שולטות בנתחי שוק אדירים. החוק שמגדיר את ההתפלגות הלא הוגנת הזו נקרא חוק החזקה, או ה-power law הקרוי גם התפלגות "זנב ארוך". החוק דומה קצת לחוק ה-80/20 או חוק פארטו, אך יותר קיצוני ממנו. במקום חלוקה ל-80/20, החוק קובע יחס של 1 ל99, כלומר אחוז שיש לו הרבה ו-99% שיש להם מעט. זו הסיבה למשל ששמה של תנועת המחאה החברתית שקמה בארה"ב הוא "אנחנו ה-99%", כלומר, לציין שהם מייצגים את הרוב המדוכא לעומת האחוזון העליון ששולט ברוב הכלכלה. למי שהנושא מעניין אותו, יש על זה פרק שלם בנטפריקס (פרק 3 בשם "החוק מס' 1 של הרשת").

אז עכשיו, מה הקשר לסדום? לפי התנ"ך, גם בסדום חרגו מההתפלגות הנורמלית, תרתי משמע: לא היו שם קצת רשעים, קצת צדיקים והרוב באמצע. היו שם מעט מאד צדיקים, והשאר – רשעים. אבל כמה? לפי מחקרים ארכאולוגיים, ההנחה היא שבעיירות בתקופה ההיא חיו בין 200-500 איש. אז בואו ניתן לסדום ליהנות מהספק שהאל לא נתן לה, בכל זאת עיר מפורסמת, ונגיד שחיו בה 500 תושבים, כלומר, עיירה גדולה.

כך יוצא שאברהם מתחיל את המו"מ המפורסם שלו בהנחת חסר. הוא מבקש שהאל לא ישמיד את סדום בהנחה וימצא שם 50 צדיקים ונזכיר, 50 איש זה 10% מהאוכלוסיה של סדום. אברהם מניח שבמקרה של התפלגות נורמלית, 10% מהאוכלוסיה יכסו אותו, הרי אם יש קצת צדיקים וקצת רשעים והרוב באמצע, אז 10% צדיקים נשמע סביר מאד. כשהאל ישר מסכים, אברהם, שלא מכיר התפלגויות אחרות, מבין לאט לאט שעקצו אותו ויורד במו"מ עד ל-10 צדיקים בלבד. האל, באופן חשוד, משתכנע. למה?

כי בחשבון פשוט, הסיכוי למצוא צדיק בסדום הוא בערך 1 ל-99 כלומר, אם אברהם היה מתמקח עוד טיפה ומוריד את האל לחמישה צדיקים, יש מצב שהיה לנו קזינו בים המלח.

כמובטח, הנה מספר ביקורות שפורסמו על הפודקאסט במדיה החברתית: המאזין היקר יוסי דביר כתב:

פודקאסט מדהים, היה ממש כיף ומרענן לשמוע אותך ואת אלטשולר בדואט. בנוסף למדתי כמה דברים חשובים: אם זה מתחרז זה כנראה נכון (: , tuning של רשתות (חיובי ושלילי) שהצית לי את הדימיון בפוטנציאל האדיר שגלום בו בדגש על העולם המודיעיני, ועל הקשר המפתיע בין IoT למסטיקים בסינגפור...

אמנם רק יוזר אנונימי באמזון, אבל הנחישות שלו/שלה שבתה אותי:

Friendly, professional, and fascinating: Paints real-world processes, stories, and situations as network analysis problems and practices, through very interesting and friendly explanations. Asaf Shapira might be the only one in the world who can solve the COVID-19 pandemic. A must listen podcast.

אוקי... אז מזל שיש לנו בשביל האיזון את המאזין נעם שפירא בביקורת בונה על הפרק בנושא ספורט וניתוח רשתי:

מעניין מאד הקישור לתחום שלא חשבתי שמתקשר לניתוח רשתות. נשמע בקצב מהיר מדי עבורי.

אז תודה רבה לנעם.

ואחרי כזו הרמה, צריך משהו פשוט ומרגיע, כמו הביקורת של זוהר שני-רבה שפשוט כתב:

אחד הפודקסטים המהנים ביותר שאני מאזין להם

אז מה, רוצים להרחיב את קהילת מדע הרשתות בישראל? 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.

ואם עוד לא עשיתם 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 בכל אפליקציה שבה אתם או אתן שומעים פודקאסטים. לאלה שהצטרפו לא מזמן, אז החל מ-2021, קיימת גרסה של הפודקאסט נטפריקס גם באנגלית,

נכון להיום, האזינו לפודקאסט ביותר מ-57 מדינות, מניו זילנד ועד הוואי (:

הפרקים הראשונים דומים במהותם לפרקים בעברית, ואולי קצת יותר מעודכנים, אך הפרקים האחרונים כוללים תכנים ייחודיים שלא כולם נכנסו לגרסה העברית. מוזמנים לבדוק ואשמח מאד לפידבקים.

אשמח מאד גם לקבל פידבקים על הפורמט של סדרת הפרקים הקצרים. זה מתאים, לא מתאים? קצר מדי? מעט מדי? מאוחר מדי?

נתראה בפרק הבא של נטפריקס.

#NetworkScience #SNA #SocialNetworkAnalysis #GraphTheory #DataScience #Statistics #Facebook

#מדע_הרשתות #ניתוח_רשתות_חברתיות #תורת_הגרפים #מדע_הנתונים #סטטיסטיקה #פייסבוק

מה מתרחש (: אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

לא פעם השתמשנו לצד המונח "רשת" ממדע הרשתות גם במונח "גרף", מתורת הגרפים. זה נשמע קצת אותו דבר, אבל זה לא בדיוק. שמתי לב לבעיית ההמשגה הזו כשעדכנו את הערכים בויקיפדיה והוספנו את הערך "מדע הרשתות". אז נעשה קצת סדר. מדע הרשתות נמצא בתווך בין שני תחומים: מצידו האחד של מדע הרשתות נמצא תחום תורת הגרפים, שהיא במקור מתחום המתמטיקה, ועוסקת במודלים תאורטיים של גרפים. בתורת הגרפים, לא אכפת לנו מה מהות הנקודות והקווים ברשת שאנו מסתכלים עליה. ההסתכלות היא מתמטית טהורה. מצידו האחר של מדע הרשתות, ישנו תחום ניתוח הרשתות החברתיות, או SNA, שזהו תחום השואב ממדעי החברה ועוסק במחקר רשתות שהצמתים בהם הם אנשים. התחום הזה מחפש תובנות שהן יותר רלבנטיות למחקר האנושי ופחות למחקר של הרשת. מדע הרשתות עצמו מתמקד ברשתות אמיתיות, או רשתות כפי שהן בטבע, ולא בגרפים תיאורטיים. למשל, רשתות של נוירונים במוח, רשתות חשמל, רשת מגעים של התפשטות הקורונה או רשתות של מטבעות קריפטו. מה שכן, הוא עושה שימוש במושגי יסוד ובמודלים תאורטיים מתורת הגרפים למשל לצורכי השוואה לרשתות עולם אמיתי. גם תורת הגרפים וגם SNA הקדימו את מדע הרשתות. ובמקרה של תורת הגרפים, היא הקדימה אותו בלמעלה מ-280 שנה. כל מי שאי פעם נגע או נגעה בתורת הגרפים, מכירים את החידה בנושא שבעת הגשרים של קניגסברג ואת הפתרון שלה. אני שונא לספר סיפור שכולם מכירים, אז אני די בטוח שאותם אנשים לא מכירים את הפתרון הנוסף שנמצא לחידה. אבל נתחיל בסיפור הקלאסי: העיר קניגסברג, ששכנה בפרוסיה המזרחית, נחצתה על ידי הנהר פְּרֵגוֹלְיָה. הנהר היה רחב מאד ובמרכזו היו שני איים קטנים. העיר נוסדה במאה ה-13 ובמרוצת השנים נבנו בה שבעה גשרים. בגלל רוחבו, הגשרים בין הגדות עברו דרך האיים במרכז הנהר: גם מהגדה הדרומית וגם מהגדה הצפונית יצאו 2 גשרים לאי המערבי, כלומר, 4 גשרים סה"כ. גם מהגדה הדרומית וגם מהגדה הצפונית יצא גשר לאי המזרחי, כלומר 2 גשרים. ועוד גשר נוסף חיבר בין שני האיים.

האגדה מספרת שהתושבים בילו את זמנם הפנוי במסלולים ברחבי העיר בניסיון למצוא מסלול שבו יוכלו לחצות כל אחד מהגשרים פעם אחת.

ב-1736, במסגרת חליפת מכתבים עם מתמטיקאים נלהבים, הוצג ללאונרד אוֹילֶר, המתמטיקאי המפורסם, אותו אתגר מסלולי של גשרי קניגסברג. מכיוון שלא היתה אז תורת גרפים, אוילר הגדיר את הבעיה כשייכת לענף איזוטרי שהוא כינה "הגיאומטריה של המיקום", תחום שבו למרחקים בין העצמים אין חשיבות. את התיאור של הפתרון שלו הוא ניסח ללא שימוש פעם אחת במילים קשת או דרגה, מושגים שלא היו קיימים אז.

קשת היא הקשר בין הצמתים ואוילר לא מתייחס לקשרים בכלל. כנראה הניח שהקשרים ברורים מאליהם. דרגה, אגב, היא כמות הצמתים שהצומת קשורה אליה. במקרה שלנו, לכמה חלקי יבשה כל גדה או אי קשורים. אבל אוילר לא התכוון לסתם דרגה, אלא לדרגה ממושקלת. למה הכוונה?

אמרנו שבדרגה רגילה, אנחנו סופרים לכמה צמתים אנחנו קשורים. בדרגה ממושקלת, אנחנו סופרים כמה קשרים יש לכל צומת, גם אם הם כפולים. משקל, במובן הרשתי, הוא כמות הקשרים בין שני צמתים, למשל, אם אנחנו עוקבים אחרי הודעות ברשת, ושלחנו הודעה למישהו והוא שלח לנו חזרה, הדרגה הרגילה של כל אחד מאיתנו תהיה 1 אבל משקל הקשר שלנו יהיה 2. כלומר, הדרגה הממושקלת של כל אחד מאיתנו תהיה 2. כך, דרגה ממושקלת בהכרח תהיה שווה או גבוהה יותר מהדרגה הרגילה. למה אנחנו מתייחסים כאן לדרגה ממושקלת? כי במקרה שלנו, שני גשרים שמחברים את אותם שני צמתים זה שני קשרים שונים. זה לא אותו גשר שרוכבים עליו הלוך ושוב. אז מה שאוילר ניסח במושגים של ימינו הוא שניתן לעבור בין צמתים בגרף ולא לחזור על אותה קשת, רק אם כל הדרגות הממושקלות של הצמתים בגרף הם זוגיות או שהגרף מכיל שני צמתים עם דרגה ממושקלת לא זוגית. במקרה של קניגסברג, יש לנו שתי גדות, כשלכל אחת מהן דרגה ממושקלת של 3 ושני איים: אחד עם דרגה ממושקלת של 3 ואחד עם דרגה ממושקלת של 5. מכיוון שיש יותר משני צמתים אי-זוגיים, אוילר הכריז כי אין מסלול אפשרי וחרב תרבות פנאי של עיר שלמה.

אז לפני שנמשיך על אוילר, גילוי נאות על דרגה ממושקלת ביחס לדרגה רגילה. אני אישית חושב שדרגה ממושקלת זה מדד קצת מעפן. למה? כי הוא לא מספר לנו בהכרח על מרכזיות הצומת ברשת. זה אמנם נכון שצומת עם דרגה גבוהה תקבל גם דרגה ממושקלת גבוהה, אבל מה לגבי צומת שיש לו הרבה קשרים אבל כולם עם צומת בודד אחר? למרות שהוא קשור רק לצומת אחד, ולכן כנראה אין לו הרבה השפעה על הרשת, הצומת הזה יופיע כבעל דרגה ממושקלת גבוהה. אז כמו שראינו, יש לזה לפעמים שימוש, אבל, ותקראו לי שמרן, תנו לי את הדרגה הרגילה כל יום בשבוע וחיסכו ממני את הדרגות הממושקלות. באתי להרים לתורת הגרפים ויצאתי קצת מבאס. סורי. אבל באותה נימה נחזור לאוילר. כל מי שעוסק בתורת הגרפים ומדע הרשתות יצטט את אוילר כאבי התחום, אבל האם אוילר באמת הניח את היסודות לתפיסה? קצת בספק. הוא אפילו לא טרח להוכיח רשמית את המשפט שלו והיו צריכות לעבור עוד כ-130 שנה עד שמישהו יעשה זאת. ואפרופו הוכחות, מאות השנים שעברו מוכיחות שבמשך תקופה ארוכה תורת הגרפים נתפסה יותר כשעשוע מתמטי מאשר פרקטיקה מכובדת. ובינינו, זה ממש בסדר ועכשיו נרים חזרה: אין שום בושה לדעתי בלהגיד שתורת הגרפים זה סטארט אפ שפשוט הקדים את זמנו. לקח כמה מאות שנים, אבל בסוף עשה את האקזיט עם מנוע החיפוש של גוגל, חברה קטנה בשם פייסבוק והניח את היסודות לווייז. יזמות ויזמים יקרים – צריך רק סבלנות.

אבל מה נסגר עם קניגסברג? אז קניגסברג היא כבר כיום קאלינינגרד. לקראת סוף מלחמת העולם השניה, הרוסים הצליחו לכבוש את העיר מידי הנאצים. החדשות הרעות הן שבמהלך ההפצצות של בנות הברית, נהרסו לפחות חמישה מהגשרים ורק חלקם שוקמו במהלך השנים.

אבל החדשות הטובות הן שהצבא הרוסי מצא גם הוא פתרון לאתגר של אוילר, אולי באופן קצת פחות אלגנטי: מכיוון שרק חלק משבעת הגשרים שוקמו, הדבר השאיר שתי גדות עם דרגה של 2 ושני איים עם דרגה של 3. מכיוון שבגרף שנוצר יש שני צמתים אי זוגיים, מיטיבי לכת יכולים כיום לחצות את כל הגשרים במסלול אחד.

אז מה, רוצים להרחיב את קהילת מדע הרשתות בישראל? 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.

ואם עוד לא עשיתם 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 בכל אפליקציה שבה אתם או אתן שומעים פודקאסטים. לאלה שהצטרפו לא מזמן, אז החל מ-2021, קיימת גרסה של הפודקאסט נטפריקס גם באנגלית,

נכון להיום, האזינו לפודקאסט ביותר מ-57 מדינות, מניו זילנד ועד הוואי (:

הפרקים הראשונים דומים במהותם לפרקים בעברית, ואולי קצת יותר מעודכנים, אך הפרקים האחרונים כוללים תכנים ייחודיים שלא כולם נכנסו לגרסה העברית. מוזמנים לבדוק ואשמח מאד לפידבקים.

אשמח מאד גם לקבל פידבקים על הפורמט של סדרת הפרקים הקצרים. זה מתאים, לא מתאים? קצר מדי? מעט מדי? מאוחר מדי?

נתראה בפרק הבא של נטפריקס.

#NetworkScience #SNA #SocialNetworkAnalysis #GraphTheory #DataScience #Google #Facebook #Waze

מה מתרחש (:

אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

היום הבאתי אורח מיוחד לסדרה העוסקת ביישומים של מדע הרשתות בהייטק ובתעשייה, אבל כדי באמת להציג אותו, אני צריך להתחיל מההתחלה. וכמו כל התחלה טובה, היא התחילה מכישלון. סיפרתי על זה בפרק הראשון של הפודקאסט אז לא ארחיב, רק אזכיר שכישלון מקצועי הוא מה שהביא אותי למדע הרשתות. כישלון - וההוא מ-MIT. אותו אחד שהפגיש אותי לראשונה עם הרעיונות שאז נשמעו לי מופרכים שקשורים לתכונות אוניברסליות של רשתות והתנהגות אנושית.

כך גיליתי שלושה דברים:

הראשון, שהדבר הכי קשה בכישלון זה להודות בו. השני זה, כשמודים – לומדים (ואם זה חרוז זה בטוח נכון).

והשלישי – שאין על רשתות. אז זו תמיד נראתה לי תעלומה: למה לא כולם משתמשים במדע הרשתות? זו בעצם השאלה שאיתה יצאתי לדרך עם הסדרה הזו ועימתתי איתה אנשים מהתחום ומחוץ לתחום, בדגש על התעשייה. השילוב של המסע התיאורטי הזה לצד החיכוך בפרקטיקה, כאחד שעוסק בתחום, זיקקו אצלי את שתי התובנות הבאות:

הראשונה, וכנראה המרכזית היא ש... מדע הרשתות זה הפתרון לבעיה שלא ידענו שיש לנו. אני לא מתכוון רק ליכולת של ניתוח רשתי לחשוף בפנינו את מה שלא ידענו שלא ידענו, או ה-Unknown-Unknown (כפי שראינו בפרק 5). אני מתכוון לכך שרוב האנשים לא מסוגלים לדמיין בכלל צורך בניתוח רשתי, בדיוק כמו שמי שחי את הדאטה שלו בדו-מימד, לא יכול לדמיין את העולם בתלת מימד. והסיבה השנייה, שגם בה תקלתי יותר מפעם אחת היא שיש כאלה שאומרים: כן, ניסינו איזה משהו מתורת הגרפים/מדע הרשתות אבל לא הבנו את התוצאה אז ויתרנו.

בסדרה הזו אני מבקש מאנשים שיחשפו את השימוש העסקי שהם עושים במדע הרשתות, אז זה רק הוגן לדרוש דוגמא אישית. אם אני רוצה שאחרים יספרו, צריך לספר גם. אז דרך פרויקטים שעסקתי בהם בשנה האחרונה אנסה לא רק להדגים יישומים עסקיים של מדע הרשתות אלא גם איך התובנות שהזכרנו קודם באו לידי ביטוי.

אתחיל במה שנראה לי דוגמא קלאסית לצורך להבין שהבעיה שלנו היא בעצם רשתית והיא עלתה במספר פרויקטים שעשיתי בתחום המודיעין העסקי. במודיעין עסקי אנחנו אוספים מידע ומידע מגיע לא פעם בצורה של רשימות. לפעמים קצרות, לפעמים ארוכות, מפורטות יותר או פחות, אבל רשימות.

ורשימה זה הנמסיס של הרשת. רשימה זה אוסף שרירותי ואפור של מידע. גם אם נתעדף, נסנן, נפלטר ונמיין, עדיין, מה נקבל? אוסף שרירותי של מידע, רק ממויין. איפה ההקשר? איפה התמונה הרחבה?

החוכמה פה היא כמובן להפוך את אותן רשימות לרשתות וכך להבין טוב יותר את המודיעין שהתקבל. למה הכוונה?

במובן הכי פשוט, מבט רשתי על המידע שאספנו, כשהנקודות או המידע מחובר בקשרים, מאפשר לראות איזה קצה חוט מוביל לאן. אבל זה בנאלי. היתרון האמיתי הוא שמבט-על או מבט רחב על אותן רשתות, לשעבר רשימות, מאפשר לראות איך המידע שלנו בנוי, מה ומי מרכזי בו ולעזור גם לקבוע סדרי עדיפויות או במילים אחרות, מאיפה בכלל להתחיל ולהביא קצות חוט.

הבנייה של מידע כרשת היה גם אחד מהאתגרים של סטארט אפ בתחום האבחון הרפואי. במקרה זה, במקום להסתכל על סימפטומים כרשימת מכולת, הגענו לתובנה שמבט רשתי מאפשר לראות איזה סימפטומים למשל מצביעים על איזה קבוצה של מחלות. חלוקה של סימפטומים לקהילות למשל תוכל להראות לנו איזה סימפטומים מגשרים בין קהילות ויכולים לדרוש בדיקות מקיפות יותר.

לפעמים, הרשת כבר כמעט בנויה לנו כמו למשל בסטארט אפ שעסק בתחום הסייבר. הם ניסו לענות על אחד מהפערים המשמעותיים בתחום הזה והוא לדעת מה בין הסיכונים לבין הביזנס. הכל חשוב והכל מאוים. אבל מה חשוב ומה הכי חשוב? על מה להגן יותר ומה נמצא בסכנה ממה? כדי להבין ארגון או רשתות IT של ארגון, אני נשען כאן על חוק קונווי, הקרוי על שם מלווין קונווי, שעוד ב-1967 ניסח את האמירה הבאה: "כשארגון מאפיין מערכת, היא תשקף את מערכת התקשורת הארגונית שלו באותו הזמן." כך, ניתוח של רשת ה-IT מאפשר בכלל להבין את הביזנס עצמו, איך הוא בנוי, מה הוא באמת עושה ואיך הוא באמת עושה את זה. ואני די בטוח שהרוב יהיו מופתעים לפחות מחלק מהתובנות שהרשת שלהם תראה על עצמם.

ההפתעה שלי הייתה ברשת הראשונה שניתחנו במסגרת מחקר הסייבר. פתחנו את הרשת ו... כמעט לא הצלחתי למצוא תובנות. חילקנו לקהילות, השתמשנו במדדי מרכזיות ו... לא היה לי סיפור לספר. הרשת הזו לא הייתה בדיוק הדאטה שציפינו לו, ידענו את זה מראש, אבל עדיין.. ואז אחד מהחבר'ה הציע לקפל את הרשת, מה שנקרא לעשות Projection, שזה מושג שדיברנו עליו בפרק אודות כנס הרשתות . אז רק בקצרה, מה זה אומר? יש רשתות שבנויות משני סוגי צמתים, למשל, איזה יוזר פונה לאיזה כתובת. היוזרים והכתובות עצמם לא מחוברים זה לזה. Projection, או קיפול הרשת, מאפשר להראות איזה כתובת קשורה לאיזה כתובת על סמך זה שאותו יוזר פנה לשתיהן. הצמתים של היוזרים עצמם נעלמים מהרשת ומשאירים מאחוריהם רק את תרומתם לקשרים בין הכתובות. בשיטה הזו ניתן לנתח באופן "נורמלי" את רשת היוזרים או את רשת הכתובות ואז... אז הרשת שרה...

אני עדיין לא סאקר של רשתות שמורכבות משני סוגי צמתים, מה שנקרא Bipartite Networks, אבל עכשיו אני גם לא שונא אותן. קיפול הרשת חיבר גם אותנו.

תובנות מרשתות על ארגון השתלבו בצורה הכי אינטואיטיבית בפרויקטים בהם עסקתי בתחום הייעוץ הארגוני, מן הסתם, וגם בתחום ה-B2B של Customer Success and service . מה שנקרא, המחוזות הקלאסיים של ה-ONA או ניתוח רשתות ארגוניות. במקרים האלה אפשר היה לזהות את המבנה הארגוני "האמיתי" דרך הרשת וזיהוי הגורמים המרכזיים שיכולים לשמש לשינוי ארגוני או הצלחת המוצר.

אבל רשת היא לא רק רשת. רשת - כמו שכבר אמרנו - היא קודם כל A state of mind. הייתי לא מזמן בביקור בחברה עם מוצר מרשים מאד בתחום הראייה הממוחשבת שמטרתו זיהוי של, נקרא לזה, תקלות.

אבל יש תקרת זכוכית לרמת הזיהוי מהרבה סיבות, ואחת מהסיבות היא עצם ההגדרה של התקלה. לפעמים אפילו מומחים אנושיים לא ידעו להגיד מה התקלה או אם יש כאן תקלה בכלל. אז מה הרשת מלמדת אותנו? שלא אלמן ישראל. תקלה לא נוצרת בואקום. תקלה היא תוצר של התפשטות תהליכים וגורמים. אמרנו התפשטות, אמרנו תהליכים וגורמים, בעצם - אמרנו רשת. מבט רשתי ורחב על המערכת שאנו סוקרים אולי לא יוכל להגיד לנו שבנקודה הספציפית הזו יש בוודאות תקלה, אבל הוא יוכל להגיד לנו שבמרחב מסוים יש הצטברות של "חשדות" ובמקרה הזה, מכיוון שמדובר בסוג של תקלות שמתפשטות, אפשר ממש לתת התרעות על אזורים "נגועים".

אפרופו הצלחות וכישלונות, בביקור ההוא בחברה הייתי נוכח בישיבה פנימית שעסקה בכישלון עסקי שהיה להם. השיחה הייתה פתוחה לגמרי כשכל היתרונות והחסרונות מונחים על השולחן. לא רק כי מובילי השיחה היו מנהלים ויועצים טובים אלא כי כולם הבינו שצריך להשתפר. המדד היה פשוט – כישלון משמעותו פחות כסף. חלק מהאנשים היו קולגות טובים שלי שהכרתי ממסגרת קודמת שכסף לא היה בראש מעייניה. וזה היה מדהים לראות איך השיח נראה אחרת לגמרי, אפקטיבי, כנה ובונה, כשמשהו חיצוני כמו צורך כלכלי בוחן אותך. בהקשר של הצלחות/כשלונות ומדע הרשתות, ברבאשי, חוקר הרשתות המפורסם, הוציא ב-2018 ספר, שאני מודה, הכותרת שלו נשמעת טיפה'לה שרלטנית, בשם: "הנוסחה: החוקים האוניברסליים להצלחה" ובו הוא מתאר איך הבנה של מדע הרשתות מאפשרת להבין הצלחה. אני מקווה שבפרק עתידי ניגע קצת בנושא, אם כי ממקום צנוע יותר. ואפרופו צניעות וכשלונות, אני רואה את הכישלון הגדול ביותר שלי בעת האחרונה בתחום הקורונה. במסגרת עבודה עם גופים ממשלתיים וגרורותיהם ניסיתי ללא הצלחה להתחיל תהליך של ניתוח רשתי לחקור שרשראות הדבקה וזה לא צלח. מאמצי השכנוע שלי נתקלו בחומה של התמכרות לעבודה הטורית שהיא אחת מההתמכרויות הקשות של ארגונים. וככל שהארגון גדול יותר, כך ההתמכרות קשה יותר ולצער כולנו, כך גם המשמעויות. לא הצלחתי להטמיע את המסר . והנה עוד סיבה לסדרה הזו של מדע הרשתות בתעשייה. סוג של "להעביר את זה הלאה" מה שנקרא Pass it forward: הפודקאסט, בעברית ובאנגלית, הרצאות שאני מעביר על הנושא ולאחרונה גם השתתפות בקמפיין לעדכון ערכי הויקיפדיה בתחום, זו הדרך הכי טובה שיכולתי לחשוב עליה להראות את היישומיות הגבוהה של התחום לארגונים וכך לנסות לשכנע. לא יודע אם הייתה פה הצלחה אבל העיסוק בזה מאד מספק.

אז בשורה התחתונה, מה אני מנסה להגיד? שניתוח רשתי היה פותר את הכל? שניתוח רשתי הוא תרופת פלא? מה אני, ברבאשי? אז תרופות פלא מזכיר לי את הסיפור הבא: אי שם בילדותי הסתובב אצלנו תקליט (תרתי משמע) שנקרא: You don't have to be jewish שהיה אוסף מערכונים יהודים-אמריקאיים משנות השישים. אחד מהמערכונים התחיל בלווייה כשבאמצע ההספד צועקת איזו סבתא מאחורה:

"Give him some chicken soup, give him some chicken soup!"

מנהל הטקס הסתובב לכיוונה של הגברת הקשישה ואמר בעגמומיות: "Madam, It wouldn't help"

אז היא עונה: "!It wouldn't hurt".

אז שווה לנסות. למה? כי רשת היא מידול של המציאות. זה עובדה. האם היא המידול הכי טוב של המציאות? לא יודע, אבל עד היום אני לפחות לא מצאתי משהו טוב יותר.

ומודה, כשאנחנו פותחים את הרשת ומנסים להבין אותה, לא תמיד נצליח. קרה גם לי.

לרוב, זה יקרה כי אנחנו חדשים בתחום. וכמו שאי אפשר להתחיל ריצה במרתון, כך גם ניתוח רשתי דורש תרגול ואימון של שרירי האנליזה שלנו. לפעמים אנחנו לא משתמשים באלגוריתמיקה הנכונה או משתמשים בה אבל לא יודעים להסביר אותה כמו שצריך (בנקודה האחרונה הזו נגענו בסוף הראיון).

אבל לפעמים, גם עם ניסיון, לא נצליח להבין מה קורה. וכאן אני חוזר לרשת כמודל של המציאות. המשמעות של זה יכולה להיות שמשהו בהבנה שלנו של המציאות לא טוב. לא פעם זה כי אולי חסר לנו דאטה משמעותי ולכן הייצוג של המציאות חלקי ודל ומקשה על הניתוח. ואולי אנחנו פשוט לא מבינים את המציאות טוב כמו שנדמה לנו. יש הפתעות בחיים.

דוגמא לזה אפשר לראות בתרגיל שהעברתי עם איילת ספירסטיין בקורס של ביג דאטה נייטס שעסק בתורת הגרפים ומדע הרשתות. הדאטאסט שהבאנו הוא רשת גדולה של דפים בפייסבוק, בעיקר דפי ממשל (או דפי GOV) מכל העולם, דפים של חברות גדולות ועוד. הרשת המקורית שניתחנו כללה כמה עשרות אלפי דפים. והחלק המפתיע היה שאחד מהגורמים המרכזיים ביותר באותה רשת הייתה שגרירות ישראל בגוואטמלה. WTF?! לא התעצלנו. בדקנו. אז הדאטה היה מ-2017 ובאותו זמן, גוואטמלה העבירה את השגרירות שלה לירושלים, והשגריר זכה בזמנו לשבחים מהממשלה בישראל על פעילותו הרבה בנושא. אין על רשתות.

יאללה, בירברנו מספיק. הגיע הזמן למנה העיקרית: ד"ר יניב אלטשולר, AKA אלטשולר AKA "ההוא מ-MIT", הוא זה שהכיר לי את עולם הרשתות וזה היה רק עניין של זמן עד שאמצא תירוץ לארח אותו בפודקאסט. כיום אלטשולר הוא מנכ"ל הסטארט אפ Endor שעוסק בחיזוי התנהגות צרכנית.

דיברנו על, ברור, מדע הרשתות, ואיך הוא עשה בתחום זה שימוש בפרויקטים השונים שעבד עליהם. אחד מהסיפורים המעניינים ביותר לדעתי זה הפרויקט שעבד עליו עם חברת eToro בתחילת דרכה. eToro היא חברה שמאפשרת סחר חברתי במניות וכיום שוויה מוערך בכ-10 מיליארד דולר. ניצלנו גם את הזמן לדבר גם קצת על Machine Learning, יתרונות וחסרונות, וגם על תחום נושק למדע הרשתות שנקרא פיזיקה חברתית או Social Physics, שעוסק במציאת חוקים אוניברסליים פיזיקליים בהתנהגות האנושית והזכרנו אותו קצרות בפרק מוקדם. אלטשולר עבד במעבדה של אחת מהפיגורות המרכזיות בתחום הפיזיקה החברתית הרי הוא אלכס "סנדי" פנטלנד. חוצמזה, דיברנו גם על השימוש שעשה במדע הרשתות לניתוח התעבורה בניו יורק וסינגפור וגם על יישומים נוספים של פיזיקה חברתית כמו למשל איך זיהוי התנהגות אנושית מאפשר לעשות גם את ההפך – לזהות גורמים ברשת שאינם אנושיים, למשל, בוטים, כי התנהגות אנושית טבעית קשה לחקות. אפשר לחקות טקסט שבן אדם כותב, אבל קשה לייצר רשת פיקטיבית שתיראה ותתנהג בטבעיות.

הנושא האחרון שדיברנו עליו היה נושא הקריפטו והבלוקצ'יין, שהוא נושא שאלטשולר אוהב במיוחד.

דיברנו על מקרה מ-2012 שבו 2 חוקרים ניתחו גניבה גדולה של ביטקוין מאחת מבורסות הקריפטו הגדולות. בעבודת נמלים, שכללה הרבה עבודה מעקב ידני, הם הצליחו להגיע למסקנה שהגניבה בוצעה ע"י קבוצה קטנה שהקימה מאות ארנקים פיקטיביים והזרימה את הביטקוין הגנוב דרכם כדי לטשטש את עקבותיהם. מה שאלטשולר הראה ב-2018 הוא שע"י יוריסטיקות סטטיסטיות, למשל, קורולציות בהתנהגות של ארנקים, ניתן להבנות את הדאטה כרשת וכך 80% מעבודת הנמלים נחסכת. על הרשת מחפשים את אותן אנומליות שלא תואמות התנהגות אנושית וכך מאתרים את הצמתים או הקלאסטרים החשודים. לפי אלטשולר, זה מה שהם עושים בחברה שלו, Endor. נהניתם, ורוצים לשתף? סבלתם ולא רוצים לסבול לבד?

שתפו ו/או כיתבו Review באתר הפודקסטים של ישראל ו/או 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.

נתראה בפרק הבא של נטפריקס (:

#NetworkScience #SNA #SocialNetworkAnalysis #DataScience #Social_Physics #Cyber #Covid19 #Blockchain #Intelligence #Facebook #ONA #MIT #OrganizationNetworkAnalysis #Wikipedia

מה מתרחש (:

אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

הסיבה שאני כותב "ראשון" ולא "יחיד" זה כי ראשון נשמע יותר חשוב ו"יחיד" נשמע קצת לבד.

אבל גם כי אני משוכנע שככל שאנשים יחשפו יותר למדע הרשתות, ויבינו את הפוטנציאל הטמון בו, הם יגלו שנטפריקס לא מספיק לכסות אפילו את קצה הקרחון של התחום העצום הזה.

לפני שנגיע לליבת הענין, שזה לשמוע מאנשים שעובדים עם מדע הרשתות ביומיום, נקדיש קצת זמן לדיסוננס של תחום מחקר הרשתות:

הכוונה היא לדיסוננס בין פוטנציאל לפופולריות. זה קפץ לי חזק במהלך כנס הרשתות העולמי Networks2021 שהסתיים ביולי. בסופו של דבר, היו בכנס כאלף הרצאות בנושא רשתות שכיסו כמעט כל תחום אפשרי שקיים: מחקר אפדימיולוגי, למידת מכונה, fraud detection, מדעי החברה, היסטוריה, סייבר, פיזיקה ו-NLP ועוד – עושר עצום של ידע – ובכל זאת, כמו שאמרתי בפרק הקודם בנושא מדע הנתונים, אם נזרוק אבן על האדם הממוצע ברחוב, כנראה מתסכול, הוא או היא יגידו שאינם מכירים את מדע הרשתות, אבל בסבירות גבוהה יגידו ששמעו על למידת מכונה או בינה מלאכותית, גם אם לא הבינו לעומק במה מדובר.

את השאלה מדוע זה כך הפניתי, במסגרת הכנס העולמי, לאדמו"ר ברבאשי, שמכונה גם אבי מדע הרשתות. אלברט-לזלו ברבאשי, חוקר הרשתות המפורסם מהונגריה, אוזכר לא פעם בפודקאסט כיוון שהוא זה שהפיץ את התגלית שרשתות אמיתיות הן Scale-Free או מתפלגות בהתפלגות "זנב ארוך", תגלית שכינינו אותה "חוק הרשת מס' 1". אז מה היה לו להגיד?

בתשובתו ברבאשי בחר לראות את חצי הכוס המלאה. קצת כמו גיבור מחזהו של מולייר, שהיה מאושר לגלות שכל חייו דיבר פרוזה ורק עכשיו הבין זאת, אז כך גם ברבאשי מתייחס לשיח העולמי בנושא רשתות: בעקבות מגיפת הקורונה, כולנו דיברנו רשתות, ופשוט לא מיתגנו את זה כך. מונחים ומודלים של התפשטות מגפות היו נושאים שהעסיקו בעיקר כנסים של חוקרי רשת והנה, מושגים כמו חקירות אפידמיולוגיות, מקדמי הדבקה ועוד, הם מושגים שהיום כולנו מכירים, פשוט ללא ייחוס למקור.

היעדר הייחוס למדע הרשתות היא בעיניי לא רק בעיה של יחצ"נות אלא בעיקר בעיה של מהות. כשלא מבינים רשתות לעומק ועושים שימוש שטחי במושגים מעולם הרשת, אז אנחנו מקבלים טיפול מאד שטחי בבעיה ולראייה – אי מיצוי חקירות המגעים במהלך הקורונה – בעיה שנמשכת עד היום.

אז גם ברבאשי תוהה – מהי הדרך הטובה ביותר ללמד את ההמונים את חוכמת מדע הרשתות והדרך שנראית לי המתאימה ביותר היא דרך היישומים הרבים של תחום זה, כלומר, לתת במה לאלו שעושים שימוש במדע הרשתות כדי לפתור אתגרים בעבודה.

מעבר להוכחת השימושיות, השאיפה שלי בפרק היא גם לענות או לפחות לתת השראה לכל אלה שפונות ופונים אלי כדי להבין איך ליישם את מדע הרשתות ביומיום וגם איפה ללמוד ואיך להתחיל.

להתחיל זה קשה ואת העבודה הקשה הזו נתנו לטל מזרחי, שהוא האנליסט שעומד מאחורי דף הפייסבוק המשעשע אבל גם מועיל בשם Analysis Paralysis. בפרק, טל נתן שתי דוגמאות לשימוש במדע הרשתות בתחום המכירות ובתחום סידור הדאטה כשעבד בחברת E-bay.

אחד מהמושגים שהוא הזכיר היה Circular Layout שזו שיטה לויזואליזציה של רשת. על נושא של ויזואליזציות רשת דיברנו בקבוצת הפייסבוק של נטפריקס שנקראת "הבית החם של מדע הרשתות", שם גם הוצגה התמונה הבאה שאם זכרוני אינו מטעני, מציגה רשת של טיסות בין יעדים בעולם:

אין מה להגיד, זה נראה מעולה. הבעיה היא שלא תמיד קל להוציא מזה תובנות. במקרה של רשת גיאוגרפית, זה אולי באמת יותר מתאים, למרות שגם פריסה של הרשת על מפת עולם היתה עושה לא פחות שכל לדעתי. טל הזכיר את ימיו הראשונים בתחום מדע הרשתות בעידן טרום-נטפריקס וציין שגלש בויקיפדיה באנגלית כדי להעשיר את ידיעותיו בתחום. מבחינתי - Challenge accepted! אבנר קנטור (מאזין יקר של הפודקאסט) ואני התחלנו לעשות סדר בערכי הויקיפדיה בעברית בתחום מדע הרשתות, וחלק מהערכים והקישורים אליהם מופיעים בתמלול הזה. טל עושה שימוש ברשתות לפתור בעיות, אבל יש מקרים בהם הבעיה היא עצמה רשת. וזה המקרה של האורחת הנוספת שהיתה עימנו, מיכל גרדשטיין. מיכל היא לא רק פסיכולוגית ארגונית אלא גם אושיית פודקאסטים מבוקשת. מיכל הדגימה כיצד ניתוח רשתות מאפשרות לסייע לארגונים להתארגן טוב יותר, קצת בדומה לפרק קודם בנושא ניתוח רשתות ארגוניות. ההבדל הוא שמיכל שמה דגש על גישת ה-Bottom-Up, כלומר, לא רק לתת להנהלה את המידע הדרוש לה אלא לתת הדררה ומשוב לכל עובד באופן אישי כדי שילמד על הרשת שלו וכיצד לפתח אותה.

בהקשר זה מיכל ציינה את המושגים הן חברתי מחבר והון חברתי מגשר. בהון חברתי מחבר היא מתכוונת לקשרים החזקים שלנו ובהון חברתי מגשר, לקשרים החלשים שלנו. היא סיפרה שהקשרים החזקים מספקים לנו תמיכה מקצועית ורגשית וגם מאפשרים לנו מהירות ויעילות – כי יש לנו שפה משותפת עם הקשרים החזקים.

את הקשרים החלשים או המגשרים היא משווה לגשר רעוע, שאמנם לא יכול להחזיק תעבורה רבה, אבל מוביל אותנו למקומות המענינים והמחדשים לנו. מיכל גם הסבירה שמעבר למסקנות שניתוח רשתי יכול להביא, עצם המדידות שהיא מבצעת בארגון מביא לשינוי בחברה. הסיבה לכך היא שהעובדים, על סמך השאלות, מבינים שזה מה שמצופה מהם - ליצור קשים ולהעביר מידע וידע, ולכן עצם המדידה הוא חלק מהטיפול.

שאלתי אותה האם לאור חוק "הזנב הארוך" של הרשת, האם תמונת הרשת של כל עובד לא תציג בפניו תמונת מצב עגומה? הרי הקשרים מתפלגים כך שלרובנו יש מעט מאד קשרים ולמעטים בארגון יהיו הרבה קשרים. אז תשובתה של מיכל היתה שאת ההתפלגות עצמה היא תתקשה לשנות, אבל היא יכולה "להקפיץ" את הזנב בכמה קשרים בממוצע, כלומר, במקום שלעובד יהיו 0-1 קשרים יהיו לו 2-4 קשרים לדוגמא. כמו כן, היא מנסה "למתן" את כמות הקשרים של המובילים, כי קשרים אלה גוזלים מהם אנרגיה שאולי יכולים לתעל אותה לטובת דברים אחרים החשובים לחברה.

מקווה שהיה מועיל, אני מתכוון להמשיך בסדרת הראיונות ולהביא לפרקים הבאים א.נשים מההייטק והתעשייה לספר על מעללי הרשת שלהם.ן. שמח על הפידבקים ששלחתן ושלחתם ותמשיכו לשלוח ויותר ממוזמנות ומוזמנים להציע אורחים ואורחות לפרקות הבאות.

נהניתם, ורוצים לשתף? סבלתם ולא רוצים לסבול לבד?

שתפו ו/או כיתבו Review באתר הפודקסטים של ישראל ו/או 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.

נתראה בפרק הבא של נטפריקס (:

#NetworkScience #SNA #SocialNetworkAnalysis #DataScience #ONA #OrganizationNetworkAnalysis #Wikipedia

אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

בשבועיים האחרונים יצאתי להרפתקה באפליקציה שנקראת קלאבהאוס. לבומרים שבינינו, זו אפליקציה שמאפשרת לנהל שיחות בחדרים וירטואליים ועד לא מזמן היתה זמינה למכשירי אפל בלבד. כאחד מראשוני האנדרואידים ושבע הממלכות הייתי סקרן לראות ממה החבר'ה עם האייפון מתרגשים כל כך, אז התחלתי לשוטט בין החדרים השונים והשיחות שהתנהלו באפליקציה ולצד כמה חדרים מעוררי השראה, הגעתי למסקנה שרוב החדרים באנגלית עוסקים בפיתוח אישי, הסברים על קלאבהאוס ובביטקוין. לעומת זאת רוב החדרים בעברית עוסקים ב... פיתוח אישי, דיונים על קלאבהאוס ו... זהו. אפילו לא חדרונצ'יק קטן על דוג'קוין זצ"ל...

בניסיון נאיבי להזריק תוכן מחתרתי שאינו קשור לקלאבהאוס או לסחר חליפין בביטים, החלטתי לפתוח חדר ועכשיו רק הייתי צריך נושא פופולרי. מכיוון שכל מה שאני יודע זה רשתות, אז בעקבות אתגר של יותם שטיינמן מהפודקאסט (המעולה אגב) של "עושים תנ"ך", החלטתי לייצר קשרים מוזרים ברשת ולהדגים מה בין מדע הרשתות לתנ"ך, למשל, מדוע חרבה סדום בגלל חוק החזקה (ה-Power Law), מה בין משה במדבר וחוק דנבאר, תורת הכאוס וארון הספרים היהודי ועוד. יום אחד זה אולי יצא גם כפרק.

בנוסף, יחד עם אספסוף של אנשי דאטה מהסוג של דרור גולדין מפייסבוק וטל מזרחי (זה מהדף של Analysis Paralysis), פתחנו חדר פרובוקטיבי שבו החלטנו לירות בתוך הנגמ"ש הזה שנקרא מדע הנתונים.

מניח שאם נזרוק אבן, סיכוי טוב שנפגע במישהו ששמע על המושג שנקרא למידת מכונה, למשל, אבל מעולם לא שמע על מדע הרשתות, למרות שהם קיימים בערך אותו זמן. למה? לעניות דעתי, הדבר נובע ממיתוג גאוני של המושג "למידת מכונה". המושג הזה מנגן על העצבים הכי חשופים של בני אדם, שגם ככה סובלים מרגשי נחיתות כשגילו לא מזמן שהם והקופים בני דודים. הרי אנחנו יודעים שמכונה מהירה יותר מבן אדם, אז אם היא גם לומדת, היא בטוח תנצח את המוח האנושי. וככה נולדת לה תיאוריית קונספירציה – משילוב של פחד ובורות: הנה המכונות יודעות עלינו הכל, הן תיכף ישתלטו עלינו, יקבלו החלטות בשבילנו ואם לא נכרה להן מספיק ביטקוין, הן ישמידו אותנו ואז - מי יישאר להשמיד את כל השאר?

הבעיה היא שנכון להיום, וסיכוי טוב שגם מחר, למידת מכונה עונה לנו על שאלות מאד-מאד ספציפיות ובד"כ כאלה שהתשובה שלהן היא כן או לא.

כשאנחנו לוקחים את למידת המכונה למקומות שהם קצת יותר מורכבים, אנחנו לרוב מוכנים לקחת את הסיכון שנקבל תוצאה שגויה, למשל בעולם הפירסום. הנזק של הצגת מוצר לא מתאים לצרכן הוא קטן יחסית ומי יודע, אולי בכל זאת הם יקנו את המיטת שיזוף. בכל זאת – מחיר מבצע.

אז בניגוד ללמידת מכונה שהיא בהייפ משמעותי מאד, מדע הרשתות סובל מהיעדר יחסי ציבור.

וזו הסיבה שהתחלתי עם הפודקאסט, מתוך ניסיון לדברר את התחום המופלא הזה. מצד אחד יש לו כל כך הרבה יישומים ומצד שני, כמו שאלון ניר מספוטיפי אמר באחת ההרצאות שלו, מדע הרשתות משמש בעיקר כנשק סודי של יודעי חן בעולם מדע הנתונים וחבל.

כי מדע הרשתות הוא פשוט - אבל פשוט לא אינטואיטיבי.

כמו שפעם אמרו שהשמש סובבת סביב כדוה"א וזה נשמע לכולם פשוט ואינטואיטיבי הרי אנחנו נזר הבריאה והכל וזה רק הגיוני שהשמש תרים לנו. ואז בא מישהו ואמר, חבר'ה, זה פשוט, אבל הפוך: כדוה"א מסתובב סביב השמש ואני אפילו יכול להוכיח את זה.

אז למרות שזה היה פשוט, לקח כמה מאות שנים לשכנע, כי זה פשוט – אבל הפוך.

והרשת היא הפוכה לאיך שאנחנו מסתכלים על העולם. אנחנו אוהבים רשימות ולעבור על העצים אחד אחד והרשת בעצם אומרת: למה שלא תרימו רחפן ותסתכלו על היער מלמעלה? וזה מביא אותי לסוגיה של השאלות שדיברנו עליהן קודם בהקשר למידת מכונה.

אנחנו יכולים לשאול שאלות בדרך כלל רק על מה שאנחנו רואים וכשאנחנו בגובה הקרקע, שדה הראיה שלנו מוגבל. מבט רשתי מאפשר לנו לראות הרבה יותר וכך לשאול שאלות על דברים שאפילו לא חשבנו שצריך לשאול עליהם. ולא רק שהרשת מצביעה לנו מאיפה כדאי להתחיל לטפל בדאטה, אלא היא יכולה להצביע לנו על קרחות ביער ולהראות לנו מה חסר לנו.

אחת הדוגמאות שאני אוהב להראות בהקשר זה היא דוגמא מעולם ההגנה בסייבר.

אני מניח שכל מנהל מוצר נתקל בתופעה הזו: דבר ראשון שלקוחות מבקשים זה שהמערכת שמספקים להם תייצר להם התרעות כדי שיוכלו להתמקד במה שחשוב. הדבר השני שהם מבקשים זה לדעת איפה לעזאזל הכפתור שמכבה את ההתרעות האלה שמייצרות הרבה זבל ורעש.

זה שסידרנו את כל ההתרעות שלנו בתור ואפילו תיעדפנו, זה לא מספיק. גם מקרה קיצוני של OCD יישבר בסוף מאין סוף ההתרעות שמחכות לו בתור ומחכות לטיפול. למה?

כי כל התרעה כזו דורשת הבנה שלה והתעמקות. סיימנו להתעמק בבעיה הראשונה, הנה מגיעה הבעיה השניה ועכשיו צריך לצלול אליה. הבעיה השלישית דומה לראשונה והופה, עכשיו צריך לזכור את זה. מבט רשתי על התור הזה יאפשר לנו להבין ממבט על איך נראות ההתרעות. כדי להבנות את ההתרעות כרשת, נוכל למשל להציג את רשת המחשבים, איזה IP קשור לאיזה IP.

הרשת שתיווצר לנו תהיה בנויה מרכיבי קשירות או קהילות, שלכל אחד מהם מרכז כובד משלו.

כך לא רק שנוכל לראות אם ההתרעה היא נקודתית אלא האם היא מתפשטת ברשת ואיפה. וכך גם נוכל לראות את מקור ההתפשטות או את צוואר הבקבוק שלה.

ולפעמים אפילו לא נצטרך להשתמש באלגוריתמיקת הרשתות שדיברנו עליה. במקרה של רשתות לא גדולות, האינטואיציה של העין האנושית לפעמים מספיקה בהחלט.

אז לאן אני חותר?

כשמפנים אצבע מאשימה, 3 אצבעות מופנות למצביע וכך גם במקרה הזה.

למרות שאני שואף להראות את היישומיות הגבוהה של התחום, עד עכשיו ראיינתי בעיקר אקדמאים שהראו מחקרים מרתקים בתחום הרשתות, ולתחושתי תמיד הראינו כיצד ליישם מחקרים אלו בעולם האמיתי, אבל זה כנראה לא מספיק.

לכן אשמח להקדיש את הפרק הבא למדע הרשתות בשטח, כלומר, לראיין, אם צריך בכוח, אנשים שעוסקים בתחום ושייספרו על השימוש שהם עושים ב"נשק הסודי" הזה. המטרה היא להראות שהנושא אינו בשמיים וגם בתעשייה ובעולם אנשים נורמטיביים לחלוטין מכירים את התחום ונהנים מלעסוק בו והכי חשוב – מוצאים אותו מועיל. ולכן, אסיים לעת עתה את הסדרה האקדמאית עם המרואיין הבא, שהמחקר המטלטל שלו ישנה את צורת החשיבה שלנו על רשתות. אפרופו יישומיות, מאז הראיון איתו נתקלתי לפחות בשלושה מקרים שבהם ניגשתי לבעיה רשתית ואמרתי לעצמי, וואללה – זה ממש הנושא של הפרק. אז בלי הרבה יותר מדי הקדמות – הנה ההקדמה הבאה:

בפרק הקודם דיברנו על המציגים הישראלים בכנס הרשתות העולמי Networks2021 ודיברנו על המחקרים שיוצגו והבשורות שהם מביאים. המרואיין היום מביא איתו כמות בשורות כזו שמצריכה פרק שלם, ויהיו כאלה שיגידו פודקאסט שלם. הכוונה כמובן לפרופסור ברוך ברזל מאוניברסיטת בר אילן.

ברוך הוא חוקר בעל שם עולמי בתחום המערכות המורכבות שנגע בכוכבים כשהוציא מספר מחקרים עם אלברט לאזלו ברבאשי ואף הביא אותו לכנס שאירגן כאן בתל אביב ב-2017 עם ד"ר ארז שמואלי. שמועות אומרות, אגב, שבשנה הבאה הוא חוזר לברבאשייה ב-North Eastern University בבוסטון. ביקום מקביל, ברוך היה צריך להיות פודקאסטר ולא רק פיזיקאי. פרק מרתק בפודקאסט "בר דעת" ואולי לא הרבה יודעים אבל גם כתב מאמר לעיתון הילדים "עיניים". והוא ניגש לעולם הרשתות מהזווית של הפיסיקה והמערכות המורכבות. צוות המחקר שלו יציג במהלך הכנס 9(!) מאמרים שזה כמעט השיא של כמות המאמרים לצוות מחקרי בכנס הזה.

מתוכם, נתמקד בעיקר בשני המאמרים הבאים:

• Spatiotemporal signal propagation in complex networks

• Emergent stability in complex networks dynamics

ברוך חוקר את הדינאמיקה של הרשת והקשר שלה לטופולוגיה וכבר הזכרנו אותו כשדיברנו קצת על הנושא בפרק שעוסק ברשתות דינאמיות ומרמיטות. לאלה שזוכרים, כבר אז דיברנו על זה שמדובר בנושא מסובך, אבל, זה בדיוק מה שמערכות מורכבות עושות, נכון? לסבך דברים.

אז הבשורה הטובה היא שברוך מנסה לפשט את העסק, ואני, כאיש פשוט, תומך לגמרי במאמץ הזה.

למעשה, הוצאתי על כך פרק (באנגלית) שמנסה לעזור לנו לפתח אינטואיציה לגבי רשתות והדינאמיקה שבהן, דרך המושג הנאיבי של "6 צעדים ברשת" שגם דיברנו עליו בפרק 2.

ברוך יספר לנו שכדי לחקור רשת, לא מספיק להכיר את תכונות הטופולוגיה שלה ואת חוקי הרשת שאנו מכירים. נדרש גם להבין את הזרימה של המידע ברשת וזרימה זו יכולה להיות מנותקת מהטופולוגיה. למה הכוונה?

כוונתו היא לכך שעל אותה טופולוגיית רשת ממש יכולות להיווצר דינאמיקות התפשטות שונות.

הבשורה הטובה שהוא מביא זה שהוא זיהה 3 דפוסים אוניברסליים של התפשטות:

• התפשטות דרך הרכזות או מרכזי הכובד של הרשת, אלו בעלי הדרגה הגבוהה (כלומר, עם הרבה קשרים).

• התפשטות שאדישה לכמות הקשרים שיש לצמתים. כל הצמתים מגיבים באופן זהה.

• התפשטות שעוקפת את הרכזות ברשת. במקרה זה, הרכזות לא רק שלא מעודדות התפשטות אלא אפילו בולמות אותה.

האינטואיציה של חוקרי הרשתות היא להניח שהמידע זורם ברשת בזכות ודרך הרכזות ברשת, אותם hub'ים או מרכזי כובד שקיימים בכל רשת. ברוך מראה מצבים בהם הזרימה מתבצעת גם במסלולים שעוקפים את אותן רכזות ומנסה להסביר מדוע הדינאמיקה מתנהגת לפעמים כך ולפעמים אחרת.

אגב, נתקלנו בתופעה כזו בפרק בו דיברנו על השפעה ברשת. בפרק הוצג מאמר של פייסבוק ובו ניתוח של התפשטות פוסטים ויראליים וראינו שיש סוגים מסויימים שיתפשטו דרך רכזות וכאלה שיעקפו אותן והסבר אפשרי לכך ניתן באותו פרק. האם באמת תלחצו על הלינק לפרק? התשובה בפרק אודות השפעה. נהניתם, ורוצים לשתף? סבלתם ולא רוצים לסבול לבד? שתפו ו/או כיתבו Review באתר הפודקסטים של ישראל ו/או 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.

נתראה בפרק הבא של נטפריקס (:

#NetworkScience #Data_Science #MachineLearning #SNA #SocialNetworkAnalysis #SocialPhysics #ComputerScience #Statistics #Mathematics #SocialScience #Physics #Podcast #Facebook #2021Networks