Читать онлайн «Роботы наступают». Страница 26

Еще одним примером, указывающим на наиболее вероятное направление дальнейшей эволюции технологий автоматизации с использованием больших данных, являются роботы-автомобили компании Google, впервые представленные в 2011 г. Инженеры Google сразу отказались от идеи создания робота, который бы мог заменить человека за рулем обычного автомобиля, — это в любом случае было бы за пределами возможностей современных технологий искусственного интеллекта. Вместо этого они упростили задачу, спроектировав высокопроизводительную систему обработки данных и поставив ее на колеса. Автомобили Google перемещаются в пространстве, опираясь на точные данные о местоположении, определяемом с помощью GPS в сочетании с огромным объемом чрезвычайно подробных картографических данных. Разумеется, автомобили также оснащены радарами, лазерными дальномерами и иными системами, обеспечивающими непрерывный поток актуальных данных и помогающими машинам адаптироваться к изменению условий и новым ситуациям, таким, например, как выход пешехода на проезжую часть. Причислять водителей к белым воротничкам, конечно, никто не будет, но использованная Google общая стратегия может быть легко применена во множестве других областей. Сначала берется огромный массив исторических данных, на основе которого создается общая «карта», и затем эта «карта» используется специальными алгоритмами при выполнении рутинных задач. Следующий шаг — в игру вступают самообучающиеся системы, которые способны адаптироваться к отклонениям от алгоритма и непрогнозируемым ситуациям. В результате получаем интеллектуальное ПО, которое может качественно выполнять многие виды работ, связанные с умственным трудом.

Во-вторых, пожалуй, более важным последствием внедрения технологий обработки больших данных для работников умственного труда станут изменения в работе организаций и методах управления ими. Большие данные и алгоритмы прогнозирования могут полностью изменить сам характер умственного труда и количество связанных с ним рабочих мест в организациях во всех отраслях. Прогностическая информация, которая может быть получена из данных, будет все чаще использоваться в качестве замены таким человеческим качествам, как опыт и способность суждения. А по мере перехода управленцев к принятию решений на основе результатов обработки данных с помощью автоматизированных средств потребность в обширной аналитической и управленческой инфраструктуре с привлечением значительных людских ресурсов будет неуклонно снижаться. Таким образом, там, где сегодня требуется целая команда аналитиков, которые собирают информацию и доводят результаты анализа до сведения руководителей разного уровня, в будущем будет достаточно одного управленца с мощным алгоритмом. Структура организаций, вероятно, будет упрощаться. Необходимость в руководителях среднего звена отпадет, а рабочие места для квалифицированных аналитиков просто-напросто исчезнут, так как большинство связанных с анализом задач смогут выполнять обычные сотрудники.

Одним из ярчайших примеров того колоссального влияния, которое внедрение технологий автоматизации умственного труда способно оказать на работу организаций, может служить ПО, разрабатываемое стартапом из Нью-Йорка WorkFusion. Эта компания предлагает крупным корпорациям интеллектуальную программную платформу, которая автоматизирует практически весь цикл работ по управлению проектами, в прошлом считавшихся исключительно трудоемкими, за счет комбинирования краудсорсинга и автоматизации.

Программное обеспечение WorkFusion начинает работу с анализа проекта, выявляя задачи, которые могут быть автоматизированы напрямую; задачи, которые требуют использования краудсорсинга, и задачи, которые должны выполняться штатными специалистами. Система может автоматически публиковать списки вакансий на специализированных сайтах (например, Elance и Craigslist), а также управлять процессом отбора и найма квалифицированных фрилансеров. Также система занимается распределением заданий и оценкой результатов работы нанятых специалистов. В частности, с целью проверки качества работы фрилансеров система периодически просит их ответить на вопросы, ответ на которые она уже знает. Она отслеживает показатели производительности труда (например, скорость печати) и автоматически подбирает сотрудникам работу, исходя из их способностей. Если определенный сотрудник не может справиться с какой-либо задачей, система автоматически передает ее другому сотруднику, обладающему необходимыми навыками.

Следует отметить, что, несмотря на почти полную автоматизацию процесса управления проектом и значительное снижение потребности в штатных специалистах, использование данного ПО, несомненно, открывает новые возможности перед фрилансерами. Впрочем, так будет не всегда: по мере выполнения сотрудниками выданных заданий алгоритмы машинного обучения WorkFusion непрерывно ищут возможности для дальнейшей автоматизации всего процесса. Другими словами, даже когда фрилансеры работают под контролем системы, они фактически генерируют исходные данные для машинного обучения, т. е. со временем выполняемые ими задачи также будут автоматизированы.

В одном из первых своих проектов компания должна была собрать информацию для актуализации набора данных, состоящего приблизительно из 40 000 записей. Ранее заказавшая проект корпорация ежегодно привлекала к этой работе штатных сотрудников, платя им приблизительно по $4 за каждую запись. После внедрения платформы WorkFusion заказчик получил возможность актуализировать записи ежемесячно по цене $0,2 за каждую. Сотрудники WorkFusion установили, что дальнейшая автоматизация процесса за счет встроенных в систему алгоритмов машинного обучения, как правило, обеспечивает снижение расходов на 50 % через один год и еще на 25 % — через два{129}.

В один из осенних дней в 2004 г. топ-менеджер IBM Чарльз Ликель обедал с небольшой группой исследователей в стейк-хаусе рядом с Поукипзи в штате Нью-Йорк. Ровно в семь вечера сотрудники IBM, к своему глубокому удивлению, увидели, как люди вокруг начали вставать из-за столов, устремляясь к телевизору в зоне бара. Оказалось, что Кен Дженнингс, который к тому времени уже выиграл более пятидесяти игр подряд в телевизионной викторине «Jeopardy!», решил продолжить свою победную серию. Ликель заметил, что завсегдатаи ресторана не вернулись к своим стейкам, пока игра не закончилась, — они были полностью поглощены шоу{130}.

Этот случай, если верить воспоминаниям его участников, сыграл ключевую роль в рождении идеи о создании компьютера, который мог бы принять участие — и победить лучших игроков — в «Jeopardy!»[26]. У компании IBM был большой опыт инвестирования в резонансные проекты, которые ее сотрудники называли «глобальными вызовами», демонстрирующие мощь технологий IBM и обеспечивающие при этом такой уровень внимания к компании, который невозможно купить ни за какие деньги. В рамках предшествующего глобального проекта, за семь с половиной лет до того, другой суперкомпьютер IBM под названием Deep Blue нанес поражение чемпиону мира по шахматам Гарри Каспарову в ходе матча из шести игр — события, которое навсегда связало бренд IBM с уникальным моментом в истории, когда машина впервые взяла верх над человеком в шахматах. Руководству компании нужен был новый глобальный вызов, который мог бы привлечь внимание общественности к деятельности IBM и со всей очевидностью продемонстрировать ее лидерство в области технологий, а также — и, пожалуй, это было важнее всего — опровергнуть любые домыслы о том, что после Big Blue компания IBM передала эстафетную палочку главного инноватора в мире информационных технологий Google и стартапам из Кремниевой долины.

Несмотря на горячую поддержку со стороны топ-менеджеров компании, идея соперничества между машиной и человеком в формате «Jeopardy!», кульминацией которого должен был стать матч между лучшими игроками и компьютером IBM, поначалу была встречена в штыки инженерами, которым, собственно, и предстояло заниматься ее реализацией. Чтобы играть в «Jeopardy!», компьютер должен был обладать возможностями, намного превосходящими все, что было до того. Многие исследователи опасались, что все это закончится неудачей или — хуже того — позором для компании на национальном телевидении.

И действительно, никаких убедительных аргументов в пользу того, что триумф Deep Blue в шахматах мог быть повторен в «Jeopardy!», не было. Шахматы — игра с четко сформулированными правилами; она практически идеально подходит для обкатки вычислительных технологий. В значительной мере своей победой IBM была обязана мощным аппаратным средствам, которые были специально подобраны для решения конкретной проблемы. Deep Blue представлял собой напичканную процессорами систему размером с холодильник, спроектированную специально для игры в шахматы. Благодаря всей этой мощи суперкомпьютер мог просто перебирать все возможные ходы с учетом текущего положения фигур на доске. Затем для каждого из возможных вариантов дальнейшего развития событий программные алгоритмы просчитывали игру на множество ходов вперед, взвешивая возможные действия обоих игроков и буквально воспроизводя бесчисленное количество перестановок — трудоемкий процесс, которые почти всегда обеспечивал нахождение оптимальной стратегии. По сути дела, Deep Blue был примером чистой математики; вся информация, которая требовалась компьютеру для игры, поступала ему в удобном для обработки формате, не требовавшем никаких дополнительных преобразований. При этом машине не нужно было взаимодействовать со средой так, как это делает игрок.