Strategies for the application of neural networks in design training

Введение

Природа и масштаб проблемы. В настоящее время нейросети распространяются семимильными шагами во всех отраслях экономики. Одной из самых популярных сфер их приложения является дизайн. Исследования [1] показывают, что 59% дизайнеров Центральной части России используют в своей работе нейросети и 45% дизайнеров по всей стране прибегают к их использованию. В 2023 г. спрос на нейросети в среде дизайнеров вырос в восемь раз [2].

При этом, по мнению экспертов [13], о замене дизайнерского труда машинным речи не идет. В большинстве своем нейросети воспринимаются в качестве дополнительного орудия труда, которое ускоряет процесс работы дизайнера и делает его более конкурентоспособным. Вместе с тем ограниченный личный опыт использования искусственного интеллекта показывает, что добиться приемлемого результата даже для референса не получается неискушенному пользователю нейросетей. Сейчас развитие нейросетей и желание повысить свою конкурентоспособность среди дизайнеров открывает поле возможностей еще одному субъекту в данной сфере.

Школы и всевозможные акторы, предлагающие курсы дизайна, создают новую нишу рынка образовательных услуг, связанных с нейросетями. Насколько она популярна и какие изменения стратегического поведения следует провести тем организациям, работающим в сфере дизайнерского образования, которые еще не ступили на путь принятия нейросетей как неотъемлемой данности современного мира, в том числе дизайнерского, – это основная проблемная канва данного исследования. Недооценка роли новых технологий и противопоставление себя им может дорого обойтись особенно региональным игрокам в период расцвета интернет-образования.

Проблемы исследования. В данном исследовании нужно выявить, каково влияние развития искусственного интеллекта на рынок (спрос и предложение) в сфере обучения дизайну. Кроме того, следует определить, как это развитие изменяет стратегического поведения фирм, предлагающих курсы дизайна.

Проверяемые гипотезы:

1) популярность профессии «Дизайнер» не снизится в связи с развитием нейросетей;

2) в связи с развитием искусственного интеллекта акцент в обучении дизайну сместится на нейросети.

Контекст, цели и задачи исследования. В связи с тем, что проблематика исследования предполагает не просто оценку действий игроков образовательного рынка со стороны предложения, прибегающих к тематике нейросетей, но и изучение спроса, то в качестве информационной базы выбраны каналы социальной сети Telegram.

Этот выбор можно обосновать наличием данных об отношении подписчиков к постам, возможностью выгружать и анализировать посты, в том числе посредством различных программных средств и сервисов. В сравнении с опросами Telegram-каналы способны дать более дешевую и доступную информацию в достаточно большом объеме. Сайты школ дизайна тоже имеют ограничение, поскольку по их данным невозможно отследить обратную связь со стороны спроса. Кроме того, по данным опросов Telegram популярен среди дизайнеров (92% дизайнеров в центральной России используют его как источник информации [1]), молодежи как основного потребителя услуг рассматриваемых школ (например, по исследованию 2022 г. 80% молодежи Красноярского края использует его [3]). После 2022 г. в связи с политическими событиями в стране Telegram в два раза нарастил свой контингент [12].

В соответствии с проблематикой и информационной базой исследования были сформулированы его цели: определить тематику постов субъектов, предлагающих курсы дизайна; определить тематику постов по нейросетям, которые публикуются на каналах школ и субъектов, работающих и предлагающих обучение в сфере дизайна.

Общими задачами являются следующие положения:

1) обзор методов анализа данных социальных сетей (в частности Telegram) и методологии исследования;

2) выгрузка и анализ информации;

3) рекомендации фирмам-производителям курсов по дизайну.

Одной из самых сложных с технической точки зрения является задача анализа информации. Ниже представлены частные задачи, которые входят в задачу анализа:

1) выявление субъектов-каналов, предлагающих обучение в сфере дизайна в Telegram;

2) сбор постов выявленных каналов в нескольких временных срезах по тематике нейросетей;

3) классификация выявленных постов по нейросетям для определения их тематики;

4) определение структуры и динамики популярности темы нейросетей по каналам с курсами дизайна;

5) выгрузка всех топ-популярных постов выявленных каналов в нескольких временных срезах;

6) выявление постов, посвященных нейросетям, из числа топовых и определение их тематики;

7) определение места темы обучения в рамках анализа по ключевому слову «нейросеть» и анализа топовых тем;

8) анализ темы обучения нейросетям по набору программ и платформ;

9) анализ темы обучения и определение места нейросетей в ней;

10) определение стратегии субъектов, предлагающих курсы дизайна.

Обзор литературы. При подготовке к исследованию был рассмотрен ряд источников, касающихся методологии и информационной базы контент-анализа данных социальных сетей. А.В. Чугунов и др. на платформе Telegram с помощью сервиса TGStat выгрузили статистику политических каналов (по 98,5 тыс. постов) и провели их анализ с помощью инструментов PolyAnalyst: они строили сценарии кластеризации и создавали облака тегов для определения темы постов [17]. Л.Д. Забокрицкая и др. изучали ценности молодежи посредством анализа персональных данных анкет в социальной сети «Вконтакте» с помощью метода users.get и последующей обработки в IBM SPSS Statistics Base 22.0 [6]. О.В. Золотарев и А.Х. Хакимова составляли облака слов и n-граммы для определения весов тематических групп в динамике с целью последующего определения основных вопросов и терминов, которые обсуждались в Твиттере в период пандемии коронавируса [7]. А.Д. Кавеева использовала метод тематического моделирования LDA для определения тем материнских чатов в сети «Вконтакте» [8]. Л.А. Шайгерова и др. при выявлении этнокультурной идентичности подростков посредством анализа данных сети «Вконтакте» для решения проблемы неравномерности публикации постов, включаемых в выборку, предлагается ее ограничивать n-количеством последних для последующего статистического анализа [18]. В исследовании социальных связей социальной сети «Вконтакте» Д.А. Казанцева также используется ограничение выборки путем исключения закрытых аккаунтов [9]. О.А. Митрофанов описывает программные средства, позволяющие из набора текстовых данных формировать совокупность тем, которая их описывает [10]. Б.А. Низомутдинов и Л.А. Видясова при автоматизированном анализе социальных медиа социальных сетей не ограничиваются специфическим инструментарием типа формирования облака слов, привлекая традиционные показатели для анализа динамики относительных показателей (например, среднее количество комментариев на пост) и структуры участников сообществ [11]. Б.А. Низомутдинов и О.Г. Филатова анализировали комментарии пользователей политических Telegram-каналов и проводили тематическое моделирование с помощью инструментов Yandex Data Lens и модели Gensim, основанной на алгоритме LDA [12]. Хлопотов М.В. и др. проводили кластеризацию кинолюбителей по данных специализированных социальных сетей с использованием пакета NbClust R и дальнейшим определением качества кластеризации [16].

Как видно, в исследованиях, связанных с социальными сетями и контент-анализом, в частности, активно используется тематическое моделирование и различные программные средства. Последние используются для классификации, кластеризации и прогнозирования на основе больших данных. В этой работе в связи с тем, что исследование является пилотным, возможности применения искусственного интеллекта ограничены. Это связано с тем, что имеется потребность его дообучить в соответствии с целями этой работы: тематика постов не всегда является очевидной, что требует ручного анализа. Как пишет Е.Ю. Виноградова, «задачи классификации очень плохо алгоритмизируются» [4]. Возможность дообучения, например, имеется у платформы PolyAnalyst [17].

Использование нейросетей позволит заниматься мониторингом среды для принятия управленческих решений и понимания стратегии развития фирм. А.Ф. Шуплецов и др., в частности приводят теоретическое обоснование возможности применения искусственного интеллекта в целях прогнозирования стратегий [19]. В целом формулировка стратегии и предполагает анализ внешней среды. Поэтому использование Telegram как полигона исследования стратегий выглядит весьма обоснованной.

Методология и информационная база исследования. Для выявления Telegram-каналов, предлагающих обучение в сфере дизайна и публикующих посты о нейросетях, был использован сервис TGStat. Поиск публикаций осуществлялся с помощью ключевого слова «нейросеть». Анализ был ограничен тематикой дизайна с января по февраль 2024 г. Далее из найденного перечня (1145 постов) вручную выявлялись каналы, в которых упоминается обучение или курсы по дизайну. В итоге было выявлено 123 поста, касающихся нейросетей, 42 каналов (табл. 1). После этого также вручную выявлялась тематика найденных постов. Аналогично определялась тематика указанных 42 каналов по временным срезам: с января по февраль 2023 г. По этим же 42 каналам в годовом разрезе определялась активность, вовлеченность и средний охват публикации. Кроме этого, были добавлено четыре канала, которые очевидно связаны с обучением дизайну и которые не были выявлены в первоначальной выборке.

Таблица 1

Информационная база исследования

Активность пользователей складывается из всех видов реакций на посты: пересылки, комментарии, реакции. Вовлеченность показывает, сколько активностей пользователей приходится на один просмотр. Показатель среднего охвата одной публикации представляет собой соотношение среднего числа просмотров на один пост к числу подписчиков.

Далее по каждому из 42 выявленных каналов был сгенерирован отчет с 10 топовыми публикациями в двух временных срезах: за февраль 2023 и 2024 гг. Фильтрация данных проводилась по показателю вовлеченности подписчиков. Этот показатель помогает рассматривать исследуемый рынок не только с позиции предложения: кроме этого, учитываются характеристики спроса. Самые высокие и самые низкие значения индекса вовлеченности отметались, поскольку они могут быть связаны с равенством активностей и просмотров или нулевыми их значениями.

После этих действий формировался общий файл с топовыми публикациями. По итогу этих действий удалось определить динамику топовых публикаций с упоминанием нейросетей.

Кроме этого, данные публикации подверглись структурному анализу: по каждому посту из числа топовых с упоминанием нейросетей определялась тема в динамике по указанным ранее временным срезам. Среди тем особое значение уделялось теме обучения.

Выявленные данные понадобились для определения стратегического развития фирм-производителей курсов по дизайну. Для этого по выявленным топовым публикациям с темой обучения нейросетям определялся список каналов. На основе анализа выявленных сообщений и сайтов найденных субъектов определялась стратегия их поведения в соответствии с классификацией, приведенной у О.С. Виханского и А.И. Наумова [5], приводилось описание продуктов, связанных с нейросетями и сам их перечень.

Основная часть

Результаты. При выполнении задач, поставленных в исследовании, были получены следующие результаты.

1. В период с марта 2023 по март 2024 гг. было выявлено 46 каналов, которые публикуют посты про обучение и нейросети. За указанный период было опубликовано 502 поста по тематике, связанной с нейросетями. Число подписчиков выявленных каналов составляет более 597 тыс. человек. Вовлеченность в целом по всем каналам равна 1,94%, что является средним ее уровнем. При этом средний охват одной публикации составляет 0,41% (табл. 2).

Таблица 2

Статистика каналов

Почти по 70% каналов уровень вовлеченности в тему нейросетей выше среднего по выборке (рис.). У 30% каналов наблюдается очень высокий уровень вовлеченности аудитории: больше 3,5% активностей приходится на один просмотр. Вовлеченность меньше 1% демонстрирует всего 5 каналов. Максимальная вовлеченность составила больше 10,8% и связана в большей мере с особенностями расчета, чем фактической характеристикой популярности темы у аудитории. Поэтому фактически вовлеченность колеблется от 0,44 до 9,47%.

Направленность изменения среднего охвата и вовлеченности в целом совпадают. При этом имеет место более широкий размах значений по вовлеченности подписчиков. Если не учитывать экстремальные значения среднего охвата, то разброс его значений меньше в сравнении с разбросом вовлеченности.

Рис. Вовлеченность и средний охват одной публикации по выборке Telegram-каналов

Источник: составлено автором по [14].

2. Популярность темы нейросетей в январе-феврале 2024 г. в Telegram сократилась в сравнении с аналогичным периодом предыдущего года (число постов увеличилось на 29,5%, но при этом их количество в расчете на один канал сократилось в два раза). Размер каналов, поднимающих исследуемую тему, тоже изменился: если в 2023 г. о нейросетях писали в основном средние и крупные каналы, посвященные дизайну (60% каналов: подписчиков больше 10 000), то в 2024 число подписчиков на один канал сократилось на 51%. Основная часть прироста числа постов была обеспечена каналами с числом подписчиков от 1000 до 10 000 (им принадлежит 58% постов) (табл. 3).

Таблица 3

Динамика популярности постов о нейросетях в январе-феврале, 2023-2024 гг.

При относительном снижении популярности темы нейросетей среди Telegram-каналов имело место абсолютное снижение интереса к ней со стороны подписчиков. Просмотры и активность пользователей сократились на 15,1 и 22,7% соответственно.

При снижении числа подписчиков на один канал на 49,2% их активность и просмотры в расчете на один канал сократилась в еще большей мере: на 70,5 и 67,8% соответственно. При этом вовлеченность имеющихся пользователей изменилась не так кардинально: соотношение активностей и просмотров сократилось на 0,22 процентных пункта. Стоит учитывать, что активность на один пост сократилась в большей мере, чем число просмотров на один пост (40 в сравнении 34%).

Таким образом, относительная популярность темы нейросетей в 2024 г. снизилась не только со стороны спроса, но и со стороны предложения. При этом спрос на эту тему сократился в большей мере, чем предложение за счет роста популярности темы среди мелких и средних по размеру Telegram-каналов.

3. Тематика постов за анализируемый период значительно изменилась. Если в 2023 г. только четверть постов касалась обучения, то в 2024 г. это цифра равна 57% (табл. 4).

Таблица 4

Тематика постов с упоминанием нейросетей

На втором месте в структуре находятся посты с упоминанием нейросетей в качестве инструментов и материалов: их доля за анализируемый период сократилась на 7%.

4. Несмотря на количественный рост темы нейросетей в числе топовых постов анализируемых Telegram-каналов в феврале 2024 г. в сравнении с аналогичным периодом предыдущего года, качественных сдвигов в популярности темы не произошло (табл. 5). Просмотры и активности в расчете на один пост о нейросетях снижаются, причем последние в большей мере. Положительная динамика по ряду качественных показателей обеспечена прежде всего увеличением числа Telegram-каналов, в которых стала освещаться тема нейросетей в дизайне.

Таблица 5

Динамика популярности нейросетей в топ-10 постов, февраль 2023-2024 гг.

Вместе с тем стоит отметить, что интерес к теме использования нейросетей в дизайне сохраняется, о чем свидетельствует в целом наличие постов о них в числе топовых.

5. Февральские топовые посты о нейросетях в 2024 г. в большей мере посвящаются вопросам обучения (табл. 6). Если в 2023 г. за исследуемый месяц подписчиков больше интересовали информационные посты о возможностях различных нейросетей, то в 2024 г. высокий интерес у аудитории вызывают не только их описание, но и различные вопросы, связанные с обучением работе с нейросетями. Вопросы обучения и информационные материалы составляют более 70% всех рассмотренных постов.

Таблица 6

Тематика топовых постов о нейросетях

6. Обучающий контент по нейросетям, продвигаемый в Telegram-каналах, можно разделить на три группы. Первая группа – это мини-курсы с учебной программой и целым набором нейросетей, которые по ней будут рассматриваться слушателями. Вторая группа – это небольшие по длительности интенсивы, в которых рассматривается одна-две нейросети в приложении к какой-либо дизайнерской программе, или информационные блоки о нейросетях в рамках уже освоенного фирмой курса. Наконец, третья группа – это, скорее, бесплатный промо-контент, содержащий общую характеристику нейросетей или уроки по ним, к основному курсу фирмы.

Таким образом, фирмы используют либо стратегию диверсифицированного роста, либо концентрируются на имеющемся продукте (табл. 7), добавляя к курсам контент по нейросетям, чтобы не отставать от лидеров рынка и быть в тренде изменений, диктуемых внешней средой.

Таблица 7

Стратегии фирм по работе с нейросетями

Зачастую общие стратегии выявленных фирм являются «комбинированными» [15], поскольку включают в себя дифференциацию, диверсификацию, разные виды интеграции и концентрацию на разных продуктах или рынках. Причем нейросети в этих общих стратегиях не занимают главенствующих позиций.

Выводы. В целом рынок обучения дизайну в плане использования нейросетей стабилизировался. Всего за год произошла рутинизация рассматриваемой инновационной технологии. Сейчас фирмы разных размеров прибегают к теме нейросетей, используя их либо для диверсификации своей деятельности и развития имеющихся продуктов, либо для поддержания интереса к себе в целом.

Со стороны спроса имеет место спад вовлеченности в тему нейросетей. Об этом свидетельствует также тот факт, что фирмы начинают использовать по отношению к самой теме нейросетей поддерживающие маркетинговые инструменты. В то же время потенциал роста спроса к исследуемой теме имеется, поскольку нейросети по-прежнему находятся среди топовых вопросов, а доля активностей по постам, посвященных этой теме, увеличилась за анализируемый период.

Рассматриваемые организации все больше уводят тему нейросетей в коммерческое русло, поскольку доля темы обучения в постах увеличивается, а вес вопросов, связанных с обсуждением и бесплатным снабжением материалами и инструментами, снижается. Можно сказать, что тема обучения работе с нейросетями профессионализируется. У фирм, которые продают небольшие курсы по нейросетям, имеется достаточно большой перечень соответствующих сервисов в программе обучения, а также вопросов, которые заявляются к рассмотрению (от правил составления промтов до вопросов бесплатного использования программ).

Соотнесение выводов с первоначальной гипотезой. В результате проведенного исследования первоначальные гипотезы подтвердились частично. Популярность обучения дизайну не снизилась в связи с развитием искусственного интеллекта. Об этом свидетельствует общий рост числа подписчиков на Telegram-каналы дизайнерских школ. Вместе с тем и акцент в обучающих программах изменились не сильно. Нейросети используются для создания мини-курсов в дополнение к основной их линейке, для дополнения имеющихся курсов, а также в качестве маркетинговых приманок.

В целом базовое дизайнерское образование сейчас сложно заменить нейросетями. Кроме того, оно дает возможность разговаривать с последними на одном языке: например, не имея представления о стилях дизайна сложно что-то генерировать в соответствии с ними. В то же время региональным игрокам не стоит нивелировать значение новых технологий, поскольку главное, на что рассчитаны нейросети сейчас – это увеличение скорости и снижение рутины, и этому стоит обучать. Это увеличивает рынок для самих школ, ведь не каждый умеет писать картины, но число «умельцев» однозначно возрастет при использовании искусственного интеллекта.

Сильные и слабые стороны исследования. Сильной стороной проведенного исследования является большая информационная база. В то же время использованный сервис для создания этой базы является довольно дорогим в использовании, поэтому стоит привлекать и другие бесплатные сервисы, упомянутые в теоретической части работы.

Заключение

Важность результатов. Результаты данного исследования важны с двух точек зрения. Во-первых, они могут пригодиться школам дизайна в плане выбора стратегии при использовании нейросетей, а также применения в практике обучения отдельных их видов. Во-вторых, исследование важно с методологической точки зрения. Поскольку работа проводилась без привлечения программных средств при классификации тем, вручную, то в дальнейших исследованиях можно применять средства искусственного интеллекта, обучив его созданной базой классификации тем, для проведения тематического моделирования.

Понимание области и необходимости дальнейших исследований. Исследование может быть продолжено уже с использованием систем искусственного интеллекта. Это позволит решать задачи классификации тем постов за более длительные периоды времени, а также с большим числом каналов и постов, что не только повысит достоверность результатов, но и даст возможность прогнозировать стратегическое поведение фирм на рассмотренном рынке.