adománygyűjtés

A mesterséges intelligencia fejlesztésekkel kapcsolatos hírek egyre inkább a közbeszéd meghatározó témái közé kerülnek. Sokan tartanak ettől az új, a nagy IT-cégek kutatás-fejlesztési potenciálját mind jobban lekötő területtől, pedig az MI a jó eszköze is lehet – hatékonyan támogathatja például a fontos társadalmi és környezetei célokért küzdő nonprofit szervezetek munkáját. Cikksorozatunk első részében a technológia alapvető fogalmait vázoljuk fel, és néhány nemzetközi jógyakorlatot is bemutatunk. A mesterséges intelligencia (MI) fejlesztések világszerte egyre jobban foglalkoztatják a technológiai újdonságok iránt nyitott közvéleményt. Az olyan okos algoritmusok megjelenése, mint a Chat GPT és annak különböző, egyre fejlettebbé váló iterációi komoly polémiát indítottak el: sokan attól tartanak, hogy az MI emberek millióinak munkáját “veheti el”; sőt, egyes jelentős befolyással bíró techno-evangélisták – mint Elon Musk, a Tesla és a Space-X alapítója vagy Steve Wozniak, az Apple társalapítója – már egyenesen attól tartanak, hogy az MI “komoly veszélyt jelent a társadalomra és az emberiségre nézve”. Pedig az MI, ha okosan használjuk, nagyban megkönnyítheti az életünket, sőt, elismert iparági szakértők szerint a hasznos társadalmi és környezeti célokért küzdő civil szervezetek munkáját is könnyebbé, hatékonyabbá teheti. Hatékonyabb adománygyűjtés, jobb kapcsolattartás, profi adatelemzés A mesterséges intelligencia fejlesztések számos iparág fejlődésére komoly hatást gyakorolhatnak. Köztük a nonprofit szervezetekére is: szakértők szerint az MI támogatta fundraising például jóval hatékonyabbá teheti az adománygyűjtést és a forrásbevonást, mint a korábbi megoldások. A szakértők mindazonáltal figyelmeztetnek: ahhoz, hogy ezeket a – sokszor térítésmentesen vagy a civilek számára komoly kedvezménnyel elérhető – megoldásokat a gyakorlatban is jó hatásfokkal hasznosítani lehessen, elengedhetetlen a technológia mélyebb ismerete, az MI-megoldások lehetőségeink és korlátainak megismerése. A legfontosabb tisztázandó kérdések közé tartozik az, hogy: Mi is valójában a mesterséges intelligencia? Mit jelent a gépi tanulás (machine learning)? Mi az a prediktív modellezés és a propenzitási modellezés (becsült részvételi valószínűség szerinti párosítás)? Hogyan használhatják fel a nonprofit szervezetek az MI nyújtotta lehetőségeket? Mi az a mesterséges intelligencia? Az első kérdésre viszonylag egyszerű a válasz – pontosabban a maga egyszerűségében rendkívül bonyolult. A mesterséges intelligencia fejlesztések alapvető célja, hogy olyan, a jelenleginél jóval okosabb – összetettebb, nagy adathalmazokat elemezni képes, intuitív – algoritmusokat fejlesszenek ki, amelyek számos területen kiválthatják, sőt, akár meg is haladhatják az emberi teljesítményt. Az MI-megoldások célja nem az “emberi tényező” kiváltása, hanem az, hogy az adatfeldolgozás és a paraméterezett döntéshozatal terhét magukra vállalva lehetővé tegyék, hogy olyan célok megvalósítására fókuszálhassuk az energiáinkat, amelyeket egyébként – lévén, hogy a fent említett repetitív, nagy összpontosítást igénylő feladatok felemésztik az időnk és az energiáink jó részét – nem tudnánk elérni. Egyszerűen szólva: az MI szorgos háttéremberként, asszisztensként, adatbányászként lehetővé teheti a számunkra, hogy az intellektuális erőforrásainkat komolyabb, összetettebb problémák megoldására, kreatív nehézségek leküzdésére fordíthassuk. Mit jelent a gépi tanulás? A következő kérdés: mi az a gépi tanulás? A machine learning (ML) egyszerűen fogalmazva az a metódus, ami lehetővé teszi azt MI-algoritmusok számára, hogy nagy mennyiségű adatot elemezve folyamatosan fejlesszék magukat, különféle mintákat azonosítsanak és sajátítsanak el, amelyek révén aktívan “tanulhatnak”, és ezáltal hasznos segítséget nyújthatnak nekünk a minden információt begyűjtő, rögzítő, paraméterező “big data” korának információs áradatában való elevickélésben. Az ML egy olyan módszer, amely lehetővé teszi, hogy a rendszereinket működtető algoritmusok bizonyos meghatározott adatjellemzők (data features) alapján komplex mintákat azonosíthassanak az őket tápláló adathalmazokban: olyan szabályszerűségeket fedezzenek fel, amelyek képessé teszik őket, hogy bizonyos feltételek megléte mellett jó eséllyel megjósolhassák, egy adott rendszerben – adott szituációban, adott körülmények között – mi fog történni. Ha úgy tetszik, “a jövőbe látnak” – és ezzel segíthetnek minket abban, hogy felmérjük egy-egy adott akció – például egy nonpropfit szervezet esetében egy fundraising-kampány – lehetséges kimenetelét. Olyan trendeket tudnak azonosítani, amelyek felett sokszor a legtapasztaltabb szakemberek is elsiklanak. Mi az a prediktív és propenzitási modellezés? A prediktív modellezés a nagy adathalmazokkal dolgozó MI-architekrúrák azon képessége, hogy megfelelő adatbetáplálás esetén jó eséllyel meg tudják becsülni egy-egy akció (cselekvés, kampány) következményeit. A modern MI-rendszerek nagy előnye, hogy ezeket a – nagy százalékban pontos, vagy legalább közelítően pontos – előrejelzéseket gyakorlatilag valós időben tudják a rendelkezésünkre bocsátani. A gépi tanulás alapú algoritmusok ma már képesek arra, hogy folyamatosan elemezzék a hozzájuk befolyó adatokat, és az ebből leszűrt törvényszerűségek, minták alapján rugalmasan változtassák az adatok súlyozása, interpretációja során használt referenciapontokat. Minél több feldolgozható adattal etetjük, az MI annál “okosabbá” válik: annál nagyobb pontossággal tudja előre jelezni egy adott helyzet adott körülmények között érvényes valószínű kimenetelét. A prediktív modellezés egy új, még kifinomultabb formája a propenzitási modellezés. Ez a fajta algoritmus már nem csak a száraz tényekkel, adatokkal dolgozik, de arra is kísérletet tesz, hogy megjósolja, bizonyos feltételek megléte mellett hogyan reagál egy adott indivídum egy adott ösztönzőre – például segítsen kiválasztani azt, hogy egy nonprofit szervezet egy adománygyűjtő kampánya kapcsán mely, az adatbázisában szereplő korábbi donorokat célozza meg. Hogyan hasznosíthatják a nonprofitok az MI nyújtotta lehetőségeket? A nonprofit szervezetek rendkívül jó hatásfokkal hasznosíthatják az MI-megoldásokat abban, hogy hatékonyabbá tegyék a fundraising tevékenységüket. A mesterséges intelligencia jóval pontosabbá teszi a kampányok célcsoportjainak meghatározásához szükséges szegmentációt, mint a hagyományos adatelemzés és targetálás, és ezzel lehetőséget biztosít arra, hogy a potenciális donorok “leválogatásával” kisebb anyagi és erőforrás-ráfordítással nagyobb eredményt érjünk el. Olyan, folyton frissülő listákat állíthatunk össze a segítségükkel, amelyek révénl jó hatásfokkal felmérhetjük: kik azok, akik egy-egy adott ügy, program mellé nagy valószínűséggel odaállnak majd; kik azok, akik hajlandók pénzt áldozni arra, hogy megtámogassák az általunk képviselt célokat. Az MI hamar a nonprofit szervezetek egyik kedvelt és sokat alkalmazott eszközévé vált – legalábbis külföldön. A Fundraising Kit tanulmánya szerint a technológia segítségével a nonprofitok tevékenységének közel ötven százaléka automatizálható, ami nagymértékben javíthatja a hatékonyságukat és produktivitásukat. Jó példákból nincs hiány A New York-i székhelyű krízis hotline, a Crisis Text Line a mesterséges intelligencia segítségével elemzi a hozzá befutó szöveges üzeneteket. Az elmúlt egy évben közel 65 millió üzenetet elemeztek ennek a módszernek a segítségével: az MI feladata az, hogy a szóhasználatuk alapján azonosítsa azokat a felhasználókat, akik esetében komolyan felmerülhet, hogy öngyilkosságot követnek el. A rendszer rendkívül jól működik, a szervezet adatai szerint a rendszernek köszönhetően a veszélyben lévő ügyfelek megkereséseinek 94 százalékára kevesebb mint öt perc alatt reagálni tudnak. Az MI-megoldások adománygyűjtésre is remekül használhatók. A Charity: Water például a potenciális donorok azonosítására, és a velük való hatékony, személyre szabott kommunikáció menedzselésére használja a mesterséges intelligencia-megoldásokat; ez az újítás nem csak az adományozók megtartásában és az adománygyűjtő kampányok hatékonyságában segítette a szervezetet, hanem az új támogatók azonosításában és megszólításában is. A világ egyik legnagyobb gyerekvédelmi szervezete, a hazánkban is aktív UNICEF MI-fejlesztések segítségével optimalizálja a tevékenységét; de az okos algoritmusok a működési költségek csökkentésében is a segítségükre vannak. Az MI-alapú adatelemzési megoldások révén az ENSZ gyerekvédelmi szervezete nagy mennyiségű, a globális humanitárius tevékenységével kapcsolatos adat feldolgozását tudta automatizálni, ami lehetővé tette, hogy a korábbinál több forrást és nagyobb erőforrásokat koncentráljanak a világ válságövezeteiben – köztük Ukrajnában, Kelet-Afrikában, Gázában, Szudánban vagy épp Afganisztánban – végzett segítő munkájukra. Az LMBTQ-fiatalokat segítő mentálhigiénés szervezet, a The Trevor Project az MI segítségével igyekszik javítani krízisprevenciós programja hatékonyságát. Okos algoritmus-alapú csetszolgáltatásuk lehetővé teszi, hogy a korábbiaknál nagyobb biztonsággal azonosítsák azokat a klienseiket, akik azonnali segítségre szorulnak. A tapasztalok rendkívül bíztatóak: az MI-alapú betegosztályozási rendszer komolyan növelte a szervezet tevékenységének hatókörét, és hozzájárult ahhoz, hogy a korábbinál is több életet mentsenek meg. A Hello Nonprofit a következő hetekben nagyvállalati partnerével, a Microsofttal közösen egy hazai példákat is felvonultató cikksorozatban elemzi tovább az MI nonprofit-szervezetek működésében játszott szerepét.