Tři lidé, dva počítače a digitální dvojče Česka. Tento AI nástroj má znát výsledky voleb dřív, než začnou

Dva počítače Mac Studio pracují už několik dní v kuse. V jejich paměti se převalují data o zhruba čtvrt milionu obyvatel Česka. Nejde ale o konkrétní lidi z masa a kostí, nýbrž o syntetickou populaci: detailní profily, které z veřejných dat sestavila umělá inteligence.

Cíl celého výpočetního cvičení je zatím jen jeden. Co nejpřesněji odhadnout, jak dopadnou komunální volby ve více než šesti tisících obcích republiky a senátní volby v sedmadvaceti obvodech. Za projektem Simczech stojí teprve tříčlenný tým a svátek demokracie je pro něj především obří zátěžový test nové technologie.

Nápad vytvořit digitální dvojče populace se zrodil letos v létě v San Franciscu. Tam odjel nasávat inspiraci zakladatel Simczechu Jakub Sejkora, který má mimo jiné za sebou spoluzaložení tuzemské rodinné firmy Flydeo, vyrábějící průmyslové drony. „Nejel jsem tam s ničím konkrétním. Jen jsem naplno propadl práci s umělou inteligencí a od tamních společností a osobností jsem chtěl čerpat inspiraci,“ vzpomíná na své tehdejší pohnutky. Nakonec z cesty vzešla spolupráce s americkým IT expertem a samotný základ pro současný modelovací systém.

Na to, že umělá inteligence zná výsledek voleb dřív než televizní studia, jsou Češi zvyklí už několik let. Model karlínské firmy Blindspot AI ze skupiny Adastra při prezidentské volbě v roce 2023 odhadl konečný výsledek z pouhých deseti procent sečtených hlasů a minul se o necelou desetinu procentního bodu. A vlastní predikční model má i server Seznam Zprávy.

„Tyto nástroje ale pracují s prvními skutečnými výsledky z okrsků, takže začínají až po uzavření volebních místností. My na to jdeme jinak. Nepočítáme odevzdané lístky, ale snažíme se pochopit, jak a proč se lidé rozhodují ještě předtím, než k urnám vyrazí,” líčí Sejkora.

Základem systému má být rozsáhlý dataset z veřejných zdrojů. Zhruba osmdesát procent informací podle Sejkory pochází z otevřených dat Českého statistického úřadu, podle nichž systém rozdělil obyvatele do segmentů podle věku, pohlaví či zaměstnání.

Zbytek tým vytěžil z hlubin českého internetu. Algoritmy zkoumaly třeba počty majitelů elektromobilů v jednotlivých okresech nebo to, jak malá města čerpají dotace. Na analýzu nálad a názorových posunů na sociálních sítích tým využil nástroje dalšího českého úspěšného projektu, Apify.

„Naše AI skenuje i sociální sítě a diskuze, které na nich probíhají. Například vidí, že před minulými volbami bylo ve skupině Letenská parta mnohem víc zastánců jedné strany, i to,  že teď stejný počet lidí obhajuje někoho jiného,“ popisuje zakladatel, jak systém zachytává trendy. Právě směr těchto názorových posunů je podle něj pro modely důležitým vodítkem. Vše doplňují data o kandidátech a lokálních programech, například ze spolkového webu programydovoleb.cz.

Výsledkem je zhruba 50 tisíc reprezentativních profilů. Agentní modely tyto virtuální voliče seskupují, zohledňují, kdo v daném místě kandiduje, a simulují jejich rozhodování. Tým přitom nikomu nevolal a nikoho se neptal. Všechny odpovědi a pravděpodobnosti generuje výhradně umělá inteligence.

Starý nápad, nové pojetí

Nejde o úplně nový nápad. Výzkumníci ve světě s takzvanými syntetickými respondenty, kterým se přezdívá „silicon sampling“, experimentují několik let. Studie ale opakovaně upozorňují, že AI voliči mají sklon ke stereotypům a jejich názory bývají méně rozmanité než u skutečných lidí.

Za celou infrastrukturou Simczechu nestojí korporace s miliardovým rozpočtem, ale tři lidé, kteří na projektu pracují ve volném čase a bez externích investorů. „Jsem ten, co mluví,“ popisuje s nadsázkou svou roli Sejkora.

Na technický a výzkumný vývoj ale není sám. Práci s modely má na starosti americký expert na strojové učení, kterého potkal v Kalifornii, a trojici doplňuje behaviorální ekonomka. Jejich jména ovšem tým zatím zveřejnit nechce, přestože to u nového technologického projektu operujícího s daty statisíců voličů může navenek vzbuzovat otazníky ohledně celkové transparentnosti projektu.

Komunální volby jsou pro každý predikční systém noční můrou. Roli hrají osobní vazby, lokální kauzy i časté přesuny oblíbených starostů mezi kandidátkami. Simczech přesto věří ve vysokou přesnost. Při takzvaném backtestingu na datech z loňských sněmovních voleb ukázal systém podle Sejkory solidní výsledky. „Odchylka se u většiny politických stran vešla do 2,2 procentního bodu,“ říká Sejkora. Zda to bude platit i pro komunální volby, se ukáže už v sobotu po druhé hodině odpoledne.

Při přípravě dat navíc model narazil na jevy, které v české politice nejsou příliš zmapované. Podle jeho výpočtů hraje výraznou roli například to, jak blízko jsou volby výplatnímu dni. „Podle toho, co naše AI spočítalo, to může dělat rozdíl až pět procentních bodů z toho, pro jakou stranu se voliči rozhodnou,“ tvrdí Sejkora. Kdo jde k urnám těsně před výplatou a je podle něj pod finančním tlakem, volí jinak, než kdyby hlasoval týden poté, co mu přišla mzda na účet.

Do hardwaru tým investoval necelý milion korun. Za ty peníze pořídil dva výkonné počítače od Applu, které mají dohromady terabajt operační paměti. Pro vlastní stroje místo cloudu se rozhodl hlavně kvůli bezpečnosti a nezávislosti.

Politika je pro Simczech jen odrazovým můstkem. Komunální volby podle Sejkory poskytnou velký soubor nových dat, na kterých se algoritmy budou dál učit metodou posilovaného učení. Jakmile se systém zkalibruje na skutečných výsledcích, zamíří za výdělkem. „Nerad bych tvrdil, že jsme charita a děláme to jen pro dobro,“ připouští zakladatel. Hlavní vizí je podle něj udělat z modelu funkční komerční nástroj.

„Z etických a morálních důvodů máme v týmu jasné hranice, komu své datové modely poskytneme. Už teď ale jednáme s jednou velkou marketingovou agenturou. Té by technologie měla umožnit testovat reklamy a kampaně nanečisto,“ prozrazuje. Kromě marketingu se nabízí i využití ve státní správě a v integrovaném záchranném systému, kde by model mohl pomáhat s krizovým plánováním a simulovat, jak obyvatelé reagují na mimořádné události.

Teď je ale pro tvůrce klíčový hlavně víkend. Zákon v posledních dnech před volbami a během hlasování zakazuje zveřejňovat výsledky volebních průzkumů. Přestože Simczech nepracuje se skutečnými respondenty, ale se syntetickou populací, tým nechce hned na začátku riskovat střet s legislativou a své plošné odhady zatím drží v šuplíku.

Finální mapu s odhady pro více než šest tisíc obcí proto zveřejní na webu v sobotu minutu po druhé hodině, tedy těsně předtím, než začnou přicházet první skutečná data z volebních komisí. Teprve pak se ukáže, jak dobře umělá inteligence Čechům rozumí.