Определите термин «Технологическая сингулярность».

11 октября 2009 года Los Angeles Angels обыграли Boston Red Sox в плей-офф Американской лиги, заработав право сразиться с New York Yankees за звание чемпиона лиги и место в Мировой серии. Для Angels эта победа была наполнена особым смыслом: всего за шесть месяцев до того один из самых много обещающих игроков команды питчер Ник Аденхарт погиб в аварии, виновником которой был пьяный водитель. Один спортивный журналист начал свою статью об игре следующими словами: «Когда в воскресенье на стадионе “Фенуэй Парк” в девятом иннинге Angels проигрывали с разницей в две пробежки, никто уже не верил в их победу, но лосанджелесцы сумели переломить ход игры благодаря важнейшему синглу Владимира Гуэрреро , вырвав победу у Boston Red Sox со счетом 7–6. Гуэрреро принес Angels два рана. Cчет на подаче был 2–4. “Если вспоминать о Нике Аденхарте и апрельской трагедии в Анахайме, да, пожалуй, это был самый важный хит [в моей карьере], — сказал Гуэрреро . — Так что я посвящаю эту победу своему бывшему товарищу по команде, парню, которого с нами уже нет”…»

Автору этого текста, наверное, вряд ли стоит рассчитывать на какие-либо награды за свой писательский труд. Тем не менее приведенный выше рассказ — поразительное достижение: дело не в том, что он хорошо читается, в нем нет грамматических ошибок и он содержит точное описание бейсбольного матча; просто его автор — компьютерная программа. Эту программу (под названием StatsMonkey ) создали студенты и преподаватели Лаборатории интеллектуальной информации (Intelligent Information) при Северо-Западном университете. StatsMonkey предназначена для автоматизации процесса написания материалов о спорте за счет превращения объективных данных об отдельно взятой игре в захватывающее повествование. Возможности системы выходят далеко за рамки простого перечисления фактов; скорее, она описывает события, добавляя в рассказ все те основные атрибуты спортивной журналистики, которые присущи работам журналистов-людей. Для выявления значимых событий, имевших место во время матча, StatsMonkey выполняет статистический анализ; затем она использует естественный язык для создания текста, в котором кратко описывается ход игры, а также уделяется особое внимание решающим моментам и ключевым игрокам, определившим ее исход.

В 2010 году исследователи из Северо-Западного университета, которые руководили работавшей над StatsMonkey группой студентов, специализировавшихся в области вычислительной техники и журналистики, получили финансовую поддержку от венчурных инвесторов и основали новую компанию под названием Narrative Science, Inc. с целью коммерциализации данной технологии. Компания наняла лучших специалистов в области вычислительных систем и инженеров; новая команда избавилась от первоначального кода StatsMonkey и создала значительно более мощную и комплексную систему искусственного интеллекта, которая получила название Quill.

Технология Narrative Science используется крупнейшими средствами массовой информации, в том числе Forbes, для написания статей на различные темы, включая спорт, бизнес и политику. Разработанное компанией ПО генерирует новостные материалы приблизительно каждые 30 секунд; при этом многие из них публикуются на популярных сайтах, которые предпочитают не афишировать свою связь с данным сервисом. В 2011 году в ходе отраслевой конференции корреспондент Wired Стивен Леви попросил одного из основателей Narrative Science Кристиана Хэммонда оценить, какой будет доля новостных материалов, написанных с помощью программных алгоритмов, в ближайшие 15 лет. В ответ он услышал: более 90%.

Narrative Science строит далекоидущие планы, не собираясь ограничиваться одной лишь индустрией новостей. Назначение Quill — служить универсальной платформой для анализа и написания нарративных текстов, составлять высококачественные отчеты как для внутреннего пользования, так и для публикации в ряде отраслей. Работа Quill начинается со сбора данных из различных источников, включая базы данных о транзакциях, системы финансовой и торговой отчетности, сайты и даже социальные медиа. Затем система выполняет анализ собранных данных, выбирая самые важные и интересные факты и выводы. Наконец, она сплетает из всей этой информации связное повествование, которое, по заверениям компании-разработчика, сопоставимо с результатами труда лучших аналитиков. После соответствующей настройки система Quill способна практически мгновенно формировать бизнес-отчеты с заданной периодичностью — и все это без вмешательства человека. Учитывая, что одним из первых инвесторов, поддержавших Narrative Science в самом начале пути, было In-Q-Tel — подразделение ЦРУ, отвечающее за венчурные проекты, можно с большой долей уверенности утверждать, что разработанные компанией инструменты будут использоваться для автоматического преобразования потоков необработанных данных, собираемых специалистами американской разведки, в удобный для понимания повествовательный формат.

Пример технологии Quill демонстрирует, насколько уязвимыми для автоматизации оказываются задачи, которые когда-то считались исключительной прерогативой высококвалифицированных профессионалов с высшим образованием. Более того, учитывая то, что для автоматизации профессий, связанных с умственным трудом, достаточно одного лишь ПО, соответствующие рабочие места во многих случаях могут оказаться более уязвимыми, чем рабочие места для людей с низкой квалификацией, предполагающие физический труд…

По мере того, как работодатели — и в особенности большие корпорации — все больше и больше усиливают контроль над режимом работы и социальными связями своих сотрудников, постоянно расширяя круг отслеживаемых показателей и параметров, большие данные и используемые для их обработки сложные алгоритмы начинают напрямую влиять на условия работы и карьерный рост сотрудников. Так называемая «аналитика трудовых ресурсов» (people analytics) играет все большую роль при принятии компаниями решений о найме, увольнении, оценке результативности и повышении сотрудников.

Объем собираемых данных о конкретных людях и о выполняемой ими работе поражает воображение. Некоторые компании контролируют каждое нажатие клавиши каждым сотрудником. Сообщения электронной почты, расшифровки телефонных разговоров, поисковые запросы, обращение к базам данным, доступ к файлам, нахождение на территории работодателя — все эти, а также другие данные самых разных видов, точное количество которых даже трудно определить, подлежат сбору и анализу (в одних случаях с согласия самих сотрудников, а в других — без их ведома). Разумеется, изначально целью сбора и анализа всех этих данных являются повышение эффективности управления и оценка результатов работы сотрудников. Но в определенный момент эти данные могут быть использованы совсем для других целей: например, для разработки ПО, автоматизирующего большую часть выполняемой работы.

Если говорить о последствиях революции в области больших данных для будущего профессий, связанных с умственным трудом, вероятно, стоит выделить два самых главных. Во-первых, во многих случаях собранных данных может оказаться достаточно для автоматизации конкретных задач и даже целых видов профессиональной деятельности. Подобно тому, как человек может научиться новой профессии, изучив опыт предшественников и опробовав его на практике при решении конкретных задач, современные сложные алгоритмы, по сути, способны проделать то же самое и полностью заменить человека.

Чтобы убедиться в этом, достаточно вспомнить, что в ноябре 2013 года компания Google подала заявку на регистрацию патента, описывающего систему, предназначенную для автоматического создания персонализированных сообщений электронной почты и ответов в социальных сетях. Принцип работы системы таков: сначала она анализирует существующие письма и посты в социальных сетях определенного человека. Основываясь на полученных знаниях, она затем автоматически пишет ответы на новые сообщения электронной почты, сообщения в Twitter и посты в блоге, используя при этом характерные для данного человека индивидуальный стиль и манеру письма. Легко представить, как такая система может быть использована в будущем для автоматизации существенной части повседневного общения…

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...

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.

Мы поможем в написании ваших работ!