NA OVOGODIŠNJIM tradicionalnim Hrvatskim danima sigurnosti HUMS 2021. dekan Visokog učilišta Effectus održao je ključno uvodno izlaganje pod nazivom Analiza (socijalnih) mreža: od terorizma do pandemije.

Predavanje je održao izv. prof. dr. sc. Robert Kopal, dekan Visokog učilišta Effectus, koji nam je ispričao najvažnije crtice uvodnog izlaganja. Cilj predavanja bio je pokazati primjenjivost analize (socijalnih) mreža, s jedne strane pri suzbijanju terorizma, a s druge pri suzbijanju društvenih posljedica pandemije.

Najvažnije crtice izlaganja donosimo u nastavku. 

Analiza socijalnih mreža (SNA) skup je analitičkih metoda kojima se prikazuje i mjeri povezanost i tijek npr. transakcije, utjecaja, informacije, robe ili nečeg drugog (ovisno o temi karte povezanosti) između primjerice osoba, grupa, organizacija i drugih čvorova. Analiza socijalnih mreža pomaže u otkrivanju skrivenih povezanosti i stupnjeva utjecaja među čvorovima te je ujedno i najkompleksnija razina mrežne analize (od tri razine).

Mreža se formalno može definirati kao skup čvorova (članovi mreže). Ti su čvorovi povezani različitim vrstama odnosa, koje nazivamo vezama. SNA razmatra veze kao temelj socijalnog svijeta te razmatra i atribute odnosa iz značajno drugačije perspektive nego tradicionalne metode analize podataka. Tradicionalne metode analize obično razmatraju pojedinačne atribute čvora iz više kutova kako bi analizirale dostupne informacije. Osim pojedinačnih atributa, SNA razmatra i sve informacije o odnosima među čvorovima. SNA možemo promatrati i kao dio analize podataka kojoj je cilj uvid u strukturu i karakteristike pojedinih mreža te u osnovi ima tri temeljna zadatka: 1. utvrđivanje modela mreže i zakonitosti unutar mreže (npr. je li to razmjerna ili nerazmjerna mreža, vrijede li zakonitosti "malog svijeta", kakva je snaga slabih veza?, robusnost vs. ranjivost i dr.); 2. opisivanje mreže u smislu utvrđivanja gustoće, povezanosti i strukturiranosti mreže (SNA metrika na razini mreže) te 3. opisivanje čvorovima u mreži (SNA metrika na razini čvora).

Za razumijevanje mreže izuzetno je važno ustanoviti ima li promatrana mreža karakteristike slučajne mreže, odnosno karakteristike nerazmjerne mreže, odnosno koliko se dobiveni rezultati podudaraju s mrežom "malog svijeta". U literaturi se, kao razlika između slučajnih mreža koje prate Gaussovu krivulju i mreža koje u svojoj strukturi slijede zakon potencije (nerazmjerna mreža), navodi mreža cestovne infrastrukture kao predstavnika slučajnih mreža i mreža avionskog prometa (zrakoplovne luke) temeljena na zakonu potencije. Cestovna je mreža "jednolična", s čvorovima koji imaju približno jednak broj veza (odnosno svi su čvorovi približno jednake važnosti); za razliku od mreže zrakoplovnih luka, koju čini veliki broj čvorova s malim brojem veza, a koje povezuju koncentratori (čvorovi) s velikim brojem veza (neki su čvorovi važniji).

Postoji veliki broj metrika/mjera koje se koriste ovisno o cilju analize, a te mjere čine SNA metriku. Mjere koje se koriste za opis mreže (kao cjeline) najčešće su broj čvorova i veza u mreži, broj komponenti koje čine mrežu (Connected Components), maksimalna geodetska distanca (Maximum Geodesic Distance), prosječna geodetska distanca (Average Geodesic Distance), gustoća mreže (Graph Density), razvrstljivost/asortativnost (Assortativity) i dr.

Postoji i velik broj mjera koje se u analizi socijalnih mreža koriste za određivanje relativnog i apsolutnog položaja pojedinog čvora unutar mreže, npr. Degree (predstavlja ujedno i socijalni potencijal čvora), Closeness (mjera središnjeg položaja), Betweenness (čvor s najboljim položajem u mreži), Eigenvector, Laplacian centralitet i dr.

Analiza (socijalnih) mreža koristi se u mnogim sektorima:  financije i bankarstvo, osiguranje, telekom industrija, upravljanje ljudskim resursima, medicina i zdravstvo, nacionalna i korporativna sigurnost i dr.

SNA uzima u obzir činjenicu da društveni život zapravo čine odnosi među pojedincima, a ponašanja unutar mreže ključna su za razumijevanje socijalnih veza te, što je još važnije, njihovih implikacija unutar zajednice. Najvažnije implikacije odnose se na to kako određene socijalne jedinke unutar neke mreže mogu utjecati na druge da čine slične (ili različite) stvari – utjecaj i oponašanje. Tako je moguće izračunati i faktor utjecaja (vjerojatnost da će sljedbenik slijediti ponašanje lidera za određeni proizvod, uslugu ili aktivnost), viralni faktor (prosječan broj sljedbenika koji će slijediti lidera za određeni proizvod, uslugu ili aktivnost) te viralnu brzinu (vrijeme proteklo od liderove do sljedbenikove aktivnosti).

U svakoj populaciji postoji prosječno 7 do 15% tzv. lidera, osoba koje utječu na ponašanje svojih sljedbenika, a svaki lider ima prosječno 3 do 15 sljedbenika. Ujedno se 50 do 90% naših odluka o kupovini donosi zahvaljujući nekoj vrsti socijalnog utjecaja. Uzevši u obzir navedeno, korištenjem analize (socijalnih) mreža postižu se primjerice ovakvi konkretni poslovni rezultati: 10x poboljšanje retentiona i up sell uspješnosti; na svakog zadržanog lidera, zadržava se još 3,3 klijenta; akvizicija klijenata poboljšava se 21x; usmjeravanjem kampanje na lidere te primjenom viralnog efekta na sljedbenika postiže se 50%-tno povećanje prodaje i dr. Više je moguće saznati na Effectusovom MBA kolegiju Analiza socijalnih mreža.

Za "brzinsko" razumijevanje analize socijalnih mreža preporučujem dokumentarac "Six Degrees of Separation" (BBC). 

Više o analizi (socijalnih) možete pročitati u knjizi Kopal R; Korkut D.; Krnjašić S.: "Analiza (socijalnih) mreža" (treće izdanje 2020.).

Primjena analiza (socijalnih) mreža (SNA) postaje sve značajnija metodologija u sigurnosno-obavještajnim strukturama koje se bave otkrivanjem i suzbijanjem djelovanja tzv. tamnih mreža (dark networks) koje čine pripadnici terorističkih organizacija. Pritom se pri analizi (socijalnih) mreža ne misli primarno na analizu Facebooka, Twittera, LinkedIna i drugih socijalnih mreža, već na analizu raznih vrsta mreža.

Tri su ključna problema analize tamnih mreža, a koje je moguće "preslikati" na mrežu koju tvore članovi terorističkih skupina: nepotpunost (neminovna je činjenica da istražitelji nemaju ili ne mogu otkriti sve čvorove i veze koji nedostaju), neodređene granice (poteškoće u odlučivanju koga uključiti, a koga ne uključiti u mrežu) te dinamičnost (ove mreže nisu statične već se stalno mijenjaju). Nije dovoljno utvrditi samo povezanost dvaju čvora nego je potrebno utvrditi i postojanje slabih, odnosno jakih veza, ovisno o vremenu i zadatku.

Iako je bavljenje analizom terorističkih skupina (na ovaj način) relativno novo područje, još je Valdis E. Krebs sintetizirao i obradio javno dostupne podatke objavljene u vodećim tiskovinama, kao što su New York Times, Wall Street Journal, Washington Post i The Los Angeles Times. Krebs je po prvi put pokušao objasniti uloge osoba koje su sudjelovale u napadu 9/11, njihov značaj u odnosu na cjelokupnu terorističku mrežu koja je sudjelovala u organizaciji i izvođenju napada, kao i kanale za prijenos informacija. Potrebno je naglasiti da je Krebs koristio isključivo podatke iz otvorenih izvora.

Analiza mreže, koja se svrstava u male mreže (manje od 20 čvorova), pokazala je kako je mreža terorista vrlo rijetka (0,1871), prosječni put između otmičara izrazito dug za tako malu mrežu i iznosi 2,49 koraka, dok su neki otmičari bili udaljeni jedni od drugih čak 6 koraka (što je nevjerojatno uzevši u obzir činjenicu da putanja između bilo koje dvije osobe na svijetu iznosi 6 koraka). Udaljenost među otmičarima ukazivala je na strategiju namjernog očuvanja udaljenosti među članovima iste ćelije što može smanjiti štetu ako bi jedan od članova ćelije bio uhvaćen ili kompromitiran.

Postavlja se pitanje kako prikrivena mreža postavlja zadane ciljeve, a odgovor se krije u stvaranju prečica u mreži. Tako je analizirana teroristička mreža održavala sastanke i na taj način povezala udaljene dijelove mreže, ali i koordinirala zadatke. Nakon što bi postigli koordinaciju, postignutu vezu su stavljali u mirovanje, ili terminologijom terorističkih mreža ćelije su bile "uspavane".

Dodavanje novih 6 veza u kartu, a koje predstavljaju kontakte sa sastanaka, smanjilo je prosječnu dužinu između otmičara za 43% što je poboljšalo protok informacija u mreži.

Inicijalnom analizom mreže terorista prema mjerama centraliteta moglo bi se zaključiti kako su osobe koje su sudjelovale u napadu na Pentagon imale najveće mjere što navodi na mogući zaključak kako se radi o osobama od povjerenja te da je primarni cilj napada bio Pentagon.

Međutim, za pretpostaviti je kako 19 otmičara nije bilo samo u organizaciji i pripremi napada, stoga je izrađena nova karta proširena osobama (dodatno 43 osobe, ukupno 62) koje nisu ušle u avion, a pomagale su u prikupljanju financijskih sredstava za izvršenje zadaće odnosno imali su neka dodatna znanja i vještine za izvršenje tako zahtjevnog terorističkog napada.

Analiza mjera centraliteta nove, proširene mreže, izdvaja Muhameda Attu kao čvor s velikim brojem veza, dok su ostale mjere centraliteta (closeness, betweenness) za Muhameda Attu pokazale gotovo najveće vrijednosti.

Na osnovu mjera centraliteta može se izvući sljedeći zaključak: broj veza je pokazao Attinu aktivnost u mreži, mjera closeness je pokazala njegovu sposobnost pristupa svima u mreži, ali i mogućnost nadzora nad pripadnicima mreže. Mjera betweenness pokazuje da je upravo Atta onaj koji je kontrolirao tijek informacija u mreži. Naime, Atta je također u ovoj mreži imao i ulogu posrednika u mreži. Sve navedeno potvrdilo je njegovu značajnu ulogu. Drugi čvor po broju veza i ostalim mjerama centraliteta je pilot iz aviona koji je napao južnu zgradu WTC, Marwan Al-Shehi.

Uzimajući u obzir kako su dva najznačajnija čvora sudjelovali u napadu na WTC, analiza proširene mreže skreće fokus s Pentagona kao primarnog cilja na WTC.

Prikazane su još i neke druge SNA primjene u suzbijanju terorizma: rezultati testiranja primjene Laplaceove metode na neponderiranoj mreži terorista 9/11; korištenje hibridnog klasifikatora - kombinacija metoda k-slučajnih susjeda (𝑘-nearest neighbors, kNN), modela s Gaussovim mješavinama (Gaussian mixture model, GMM) te stroja s potpornim vektorima (support vector machine, SVM) s ciljem detekcije anomalija pri predikciji terorističkih aktivnosti.

Pritom je potrebno naglasiti sljedeće. Čim postanete učinkoviti u suzbijanju terorističkih aktivnosti, nemojte smetnuti s uma evoluciju "druge strane". Evo jednog zornog primjera.

Tijekom 2001. godine za oko 20% terorističkih napada nije preuzeta odgovornost.

Indikativan trend porasta takvih "nepreuzetih" terorističkih napada očituje su u 2002. s 40%, 2003. s preko 50%, 2004. godini s čak 70% terorističkih napada, za koje nije preuzeta odgovornost.

Zašto?

Zbog teorije igara; mi znamo da oni znaju da mi znamo da oni znaju… Više o teoriji igara i primjeni u poslovnom svijetu možete naučiti na Effectusovom MBA kolegiju Teorija igara i/ili pročitati u knjizi Kopal R., Korkut D.: Teorija igara.

No vratimo se na analizu socijalnih mreža.

Ovim putem, kao znanstvenik, želim postaviti hipotezu da je analiza socijalnih mreža nužan alat i u uspješnijem razumijevanju (pa time i suzbijanju) širenja koronavirusa. Naravno, analiza socijalnih mreža je nužan, ali ne i dovoljan alat te predstavlja komplementarnu nadogradnju postojećim epidemiološkim naporima.

Jedan od novijih članaka koji vrlo zanimljivo i uvjerljivo na to upućuje možete pogledati ovdje. 

U članku su izvrsno elaborirane teme prekomjerne disperzije vs. ravnomjerne disperzije, traženja kontakata unaprijed vs. traženja kontakata unatrag, značenja K broja vs. R0 broja, superširitelja i dr.

Iscrpnija objašnjenja možete pronaći u knjizi "The Rules of Contagion: Why Things Spread--And Why They Stop" Adama Kucharsog.

U knjizi Kopal, R.; Korkut, D.; Krnjašić, S.: "Analiza (socijalnih) mreža: praktična primjena", 2016. opisana je i moguća primjena SNA u medicini/zdravstvu u tri potpoglavlja; Širenje visoko rezistentnih infekcija (primjer širenja SARS-a), Simulacija širenja infekcija i SNA nadopuna rutinskom istraživanju kontakata tuberkuloznih bolesnika. U knjizi možete pronaći i detaljne reference na mnogobrojne radove iz tog područja. Zanimljivo je da se u tom poglavlju (2016.) spominje i koronavirus (npr. poznato je da su vrste ljudskih koronavirusa i MERS-CoV i SARS-CoV osim zadnje verzije SARS-CoV-2).

Evo dva konkretna primjera SNA primjene u medicini/zdravstvu.

SNA analizom bolničkih premještaja pacijenata koji su bili smješteni na JIL-u, služeći se podacima iz baza U.S. Medicare iz 2005. godine i All Payer Database (APD) iz Pennsylvanije za razdoblje od 2004. do 2006. godine, simuliralo se širenje visoko rezistentne bolničke infekcije.

Usmjeravanje sredstava kontrole širenja na mali set bolnica na osnovi njihova položaja u mreži pokazalo se 16x efikasnije od ravnomjerne distribucije istih sredstava kontrole, a najboljom strategijom kontrole infekcije pokazala se koncentracija sredstava kontrole na nekoliko važnih bolnica, uzimajući u obzir bilo koji skup ciljanih bolnica.

U drugom primjeru računalna simulacija širenja infekcije započinje nasumičnim odabirom jedne bolnice za izvor nove infekcije. Za bolnicu koja je jednom inficirana, svi njezini izlazni premještaji smatraju se nositeljima bolnički stečene infekcije. Kada inficirani pacijent dolazi do bolnice koja ga prima, ta bolnica postaje inficirana onom vjerojatnošću koja je obrnuto proporcionalna investiciji te bolnice u njezine strategije kontrole infekcije – u nedostatku kontrole infekcije, zbog pojednostavljivanja procesa, vjerojatnost je jednaka broju 1.  Dalje se promatra i slijedi širenje infekcije bolnicama kroz vrijeme i pod različitim strategijama kontrole infekcije.

Uspoređivana su četiri pristupa dodjeljivanju jedinica kontrole infekcije: random, degree, betweenness i greedy.

Nasumičnim dodjeljivanjem sredstava kontrole infekcije (random), na kraju prve godine utvrđena je srednja vrijednost od 3475 kritičnih kreveta izloženih infekciji. Kada bi sredstva bila dodijeljena koristeći se degree pristupom, došlo bi do infekcije 2099 kreveta. Betweenness pristup zabilježio je 2023 zaraženih kreveta, dok je pristup greedy ograničio broj inficiranih kreveta na 944 u razdoblju od jedne godine. Algoritam greedy rezultirao je puno robusnijim režimima kontrole infekcije; najveća rasprostranjenost infekcije pod algoritmom greedy zapravo je mnogo manja od najgoreg scenarija pod bilo kojim drugim spomenutim pristupom.

Naravno, postoji mnogo drugih radova koji povezuju epidemije/pandemije (i općenito širenje bolesti) i SNA, a postoji i više recentnih radova koji povezuju mreže i recentnu verziju koronavirusa, i to na sve tri (mrežne) razine.

Što dalje?

Siguran sam da SNA metrika na razini mreže poput nerazmjerne mreže, fenomena malog svijeta, snage slabih veza, zakona potencije, zakona rasta, prikladnosti, preferencijskog vezivanja i dr., kao i metrika na razini pojedinog čvora poput closenessa, degreeja, betweennessa, eigen vectora, Laplacian centraliteta i dr., može značajno doprinijeti razumijevanju širenja koronavirusa te izradi adekvatnog modela.

Dodatno je na kraju predavanja prikazan i poznati slučaj pandemije u mrežnoj igri World of  Warcraft, iz 2005. godine. Igrači su mogli biti zaraženi "nečistom krvi" (Corrupted Blood) u borbi s mitskim bićem Hakkar-om. Zanimljiva je sličnost ponašanja online igrača u 2005. godini s ponašanjem građana širom svijeta tijekom pandemije koronavirusa 15 godina kasnije.

Detaljnije podatke možete pronaći ovdje. 

Neke od vrlo zanimljivih reakcija nakon objave Lancetovog članka bile su: "...World of  Warcraft perfectly predicted our coronavirus panic..."; "…An accidental pandemic in the online game offers a valuable insight into the way people are behaving during the coronavirus crisis..."; "...The Corrupted Blood outbreak in World of Warcraft represents both a missed opportunity and an exciting new direction for future epidemiological research...".

Mišljenja sam da bismo borbu protiv epidemije trebali sagledati i u kontekstu kompleksnog sustava, a iza svakog kompleksnog sustava nalazi se mreža koja definira interakciju među komponentama.

Hrvatska velika nagrada sigurnosti: Najbolja domaća znanstvena knjiga iz područja sigurnosti - Kopal R.; Korkut D.: Analitički menadžment

Tijekom Hrvatskih dana sigurnosti HUMS 2021. dodijeljena je i Hrvatska velike nagrada sigurnosti 2021.

Na svečanoj dodjeli Hrvatske velike nagrade sigurnosti 2021., koju Hrvatska udruga menadžera sigurnosti  već tradicionalno uručuje zaslužnim pojedincima, tvrtkama, ustanovama i udrugama, ovo vrijedno priznanje za doprinose, razvoj i unapređenje sigurnosti u društvu 22.9.2021. je primilo jedanaest osoba u ukupno devet nagradnih kategorija.

U kategoriji najbolja domaća znanstvena knjiga iz područja sigurnosti nagrađena je knjiga Analitički menadžment (izdavači Visoko učilište Effectus i Poslovno učilište Effectus). Knjiga Analitički menadžment obavezna je literatura na kolegijima Poslovna analiza (preddiplomski stručni studij Financije i poslovno pravo), Analitički menadžment 2: Tehnike rješavanja problema i odlučivanja i Primjena analitičkog menadžmenta (MBA studij POSLOVNO UPRAVLJANJE – Kreativnost, inovativnost i analitički menadžment).

Autori Robert Kopal i Darija Korkut (nastavnici Visokog učilišta Effectus) su na više od 700 stranica obradili više od 80 analitičkih tehnika i slučajeva, o čemu su izlagali i na europskim visokim školama i poslovnim radionicama. Nagradu je preuzeo suautor knjige izv. prof. dr. sc. Robert Kopal.

Hrvatska velika nagrada sigurnosti je već druga nagrada za knjigu Analitički menadžment.

Sadržaj donose Index i Effectus poduzetnički studiji – visoko učilište.