Осмысление. Сила гуманитарного мышления в эпоху алгоритмов

Научный редактор Даниил Романовский

Издано с разрешения Christian Madsbjerg c/o The Zo Pagnamenta Agency, LLC

Все права защищены.

Никакая часть данной книги не может быть воспроизведена в какой бы то ни было форме без письменного разрешения владельцев авторских прав.

Translation © 2018 by Mann, Ivanov and Ferber All rights reserved

В конференц-зале выступает топ-менеджер одной из крупнейших в мире фармацевтических компаний. На экране один за другим мелькают слайды презентации. В последнее десятилетие

компания заняла сильные позиции в категории лекарств от диабета, ее рост измерялся двузначными цифрами. Но в этот год подразделение докладчика уже третий раз не выполнило план продаж. Для выяснения причин пришлось провести масштабное рыночное исследование, в котором участвовали тысячи диабетиков из США и стран Европы. Оценивались сотни различных факторов, влияющих на соблюдение режима приема лекарств. Оказалось, что 43 % пациентов с диабетом 2-го типа не выполняют указания врача, при этом 84 % из них ссылаются на забывчивость. Еще немного, и правление компании разорвет вице-президента на куски. Он гневно заявляет: «Пациенты забывают о предписаниях врача, но это известно давным-давно. Нужно понять, как изменить их поведение». В зале тишина. Миллионы долларов и месяцы работы – и никто не может объяснить, почему люди ведут себя именно так.

Предвыборная гонка. Кандидат на пост сенатора от одного из колеблющихся штатов [1] просматривает средние показатели опросов. Цифры гарантируют победу в ноябре: достаточно лишь подгонять отработанную программу под текущие условия, уверяют консультанты. Они разделили электорат на узкие сегменты, чтобы кандидат подготовил соответствующие тезисы. Всем кажется, что этот ноябрь будет таким же, как прошлый и позапрошлый. «Мы уже с этим сталкивались», – говорят консультанты. Но весной в борьбу неожиданно вступает новый кандидат. Талантливый оратор, он сразу овладевает вниманием избирателей. Вместо привычных методов сегментации аудитории и узконаправленных тезисов этот человек сплетает воедино, казалось бы, несовместимые культурные темы и создает мощную метафору будущего. Нынешний лидер, просматривая записи выступлений соперника, чувствует, что новый кандидат устанавливает с людьми более глубокую связь и избиратели реагируют восхищением. Политика охватывает плохое предчувствие, несмотря на обнадеживающие результаты опросов. Он с ужасом понимает, что проиграет, хотя и делал все правильно.

Основатель стартапа в области солнечной энергетики пытается отследить изменения на рынке. Ранее электричество распределялось централизованно – по сетям от энергетической компании. Теперь на рынке действуют объединения игроков. Предпринимателю приходится обобщать множество потоков данных. Его команда сосредоточена на технических аспектах – передовых достижениях в своей области – и упускает из виду культурные и политические факторы, являющиеся частью экологически значимых проектов. Клиенты уходят. Недавно один из ключевых партнеров – розничная сеть – подписал контракт с конкурентами, несмотря на их более дорогие и менее совершенные продукты. Предприниматель должен срочно найти ему замену, иначе в ближайшие несколько месяцев не сможет выплатить зарплату сотрудникам. «Почему нашу долю рынка захватывают конкуренты с более слабой технической базой? – думает он. – Что мы упускаем?»

Хотя в подзаголовке книги есть слово «алгоритм», речь не об алгоритмах. Книга не о программировании или грядущем машинном обучении. Она о людях. А точнее, о культуре и похожих на взмахи маятника перекосах в современном обществе. Сегодня мы сосредоточились на естественных науках и абстракциях больших данных, отправив в отставку альтернативные способы объяснения реальности. Как результат страдают бизнес, правительства и организации. Три примера выше доказывают: общество игнорирует человеческие предположения и суждения и дорого за это платит. Зацикленность на естественных науках препятствует пониманию нестандартного поведения, с которым сталкивался каждый из нас. Притупляется способность извлекать смысл из качественной информации. Цифры и модели больше не представляют действительность, а становятся ей самой. Превращаются в незыблемую истину. Нам угрожает серьезная опасность заменить живое восприятие ложными абстракциями.

Разумеется, естественные науки отлично объясняют многое на нашей планете,

а именно то, что относится к миру материального. Но… они не объясняют нас самих. Знаменитый физик Нил Деграсс Тайсон утверждает: «В науке, когда в расчет берется человеческое поведение, события становятся непредсказуемыми. Вот почему физика проста, а социология сложна».

По большому счету не важно, каким объемом точных данных мы располагаем, сколько снимков мозга изучили на экранах или сколькими способами сегментировали рынки. Теряя связь с человеческим фактором (а именно он лежит в основе каждого политического решения, прорывной инновации или успешного корпоративного проекта), мы лишаемся способности по-настоящему понимать мир.

Если вы действительно хотите разобраться в проблемах, придется вернуться к одному процессу. В мире, где правят алгоритмы, он едва не отправился в утиль, хотя жизненно необходим любой организации в любой области. Речь идет о критическом мышлении. Никогда оно еще не казалось настолько новым и современным.

В последнее время люди находятся под серьезным давлением. Не проходит ни дня без сетований на то, насколько мы иррациональны и неэффективны. Наш мозг неповоротлив и загружен эмоциями в отличие от гладкого и блестящего кремниевого интеллекта. В профессиональной среде человек – слабое звено. Нам свойственно затягивать проекты и все усложнять, размывать понятия и погружаться в неопределенность. Мы учимся на практике и не можем соперничать с алгоритмами в четкости, строгости или последовательности.

Подмоченная репутация вынудила нас придумать мантру для самоуспокоения. «Человеку свойственно ошибаться», – пожимаем мы плечами в ответ на критику коллег на работе или вечером в баре. Эта фраза отражает взгляд культуры на человечество: быть человеком значит иметь множество недостатков.

Инженеры называют это «человеческим фактором». Даже в таких далеких друг от друга сферах, как аэронавтика, логистика и фармацевтика, это выражение означает одно и то же и является синонимом фразы «способность ошибаться». Человеческий фактор выделяется в отдельную научную дисциплину, цель которой – оптимизация и коррекция наших недостатков при человеко-машинном взаимодействии. Ученые анализируют, почему машины справляются с проблемой, а мы, люди, наступаем на одни и те же грабли. К подобным исследованиям прибегает, например, компания Google. Ее машины с автопилотом пытаются «понять» противоречивое поведение человека-водителя. Люди печально известны своей непоследовательностью за рулем и зачастую срывают попытки алгоритмов достичь совершенства на дороге.

И это еще не все беды. Журналисты и футуристы утверждают, что людей вскоре вытеснят роботы. Первые на очереди рабочие и сотрудники служб поддержки клиентов, а под угрозой целые прослойки: работники ресторанов, фармацевты, врачи-диагносты, юристы, бухгалтеры и даже сиделки у пожилых. И вопрос не в том, произойдет ли это. Журналисты и ученые размышляют, что делать, когда это случится.

Решение человеческой проблемы кажется простым. Если мы хотим оставаться полезными и трудоустроенными, то должны уступить территорию алгоритмам, даже подчиниться им. Не проходит и дня без истории, как в фильме «Человек, который изменил все», о том, как экономист с престижным образованием находит выход из сложной ситуации с помощью точного анализа фактов, а не интуиции и опыта. Мы завалены историями больших данных от Amazon, Google и других бесчисленных приложений и стартапов. В 2016 году сайт по поиску работы Glassdoor назвал специалиста по работе с данными «вакансией № 1» в США. При этом учитывались открытые позиции, зарплаты и возможности карьерного роста. Мы искренне верим, что больший объем данных приведет к столь же обширным знаниям. Допустим, набор данных по сотне человек позволил сделать вывод x. Разве мы не узнаем больше, объединив сведения о сотнях тысяч человек? Или данные по сотням миллионов? Или миллиардов? Марк Цукерберг, генеральный директор Facebook, – яркий пример интоксикации большими данными. На недавнем собрании он озвучил инвесторам свое желание: чтобы алгоритмы машинного обучения в Facebook создали «самые точные модели всего, что можно изучить в мире».