Осмысление. Сила гуманитарного мышления в эпоху алгоритмов

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.

Введение. Человеческий фактор

Суть того, что мы называем гуманным, заключается в том, чтобы не стремиться к абсолютному совершенству.

Джордж Оруэлл. Размышления о Ганди[2]

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».