Дэниел Франклин - Мегатех. Технологии и общество 2050 года в прогнозах ученых и писателей

Применение собранных данных в нашей ежедневной деятельности, по сути, другой способ сказать, что мы применяем на практике наши эмпирические знания об устройстве мира. Общество давно поступает именно так, но когда их объем был ограничен, это выглядело как определенные, весьма заметные стереотипы поведения. Теперь, когда нам доступно куда больше информации, стереотипы стали гораздо тоньше. Если в течение последующих 35 лет эффективность человеческого труда будет расти так же, как она росла в последние 35 лет благодаря компьютерам, можно пытаться спрогнозировать, как будет выглядеть жизнь в 2050 году.

Она разобьется на три основных направления. Во-первых, то, что сегодня сложно, станет легче. Во-вторых, подешевеет то, что сегодня дорого. В-третьих, проблема дефицита перестанет быть столь острой. Короче: проще, дешевле, больше. Давайте возьмем три эти направления и наложим их на некоторые самые важные и крупные сферы жизни общества: здравоохранение, образование и право.

Врач, исцелись сам

Сегодня медицинская практика имеет больше общего с XIX веком, чем с XXI. Доктора опираются на прочитанное в медицинских учебниках и на многолетний опыт принятия решений. Звучит вполне разумно. Но на самом деле это нелепо: никто из практикующих врачей не может быть знаком со всеми возможными заболеваниями и методами лечения, особенно с учетом постоянного появления новых лекарств.

Если Google среди миллиардов страниц может найти нужные и упорядочить их по релевантности, а Amazon — удивительно точно порекомендовать вам следующую покупку, не должны ли доктора при составлении каждого диагноза полагаться на компьютер? К 2050 году это, вероятно, окажется самым привычным делом. Медицинские карты станут электронными, и алгоритмы будут перебирать их в поисках действенных методов лечения, побочных эффектов и их возможной взаимосвязи.

База данных станет самым умным врачом в мире: она помнит каждый случай и видит связь между назначенными лечебными средствами и результатами, благодаря чему может порекомендовать, что лучше всего сработает в данной ситуации. Но окончательное решение все еще будет за врачом. В то же время они будут подвергаться риску судебного преследования по обвинению в ненадлежащем исполнении врачебных обязанностей, если они попытаются поставить диагноз без консультации с системой больших данных, так же, как сегодня летчики потеряют свою работу, если выключат автопилот, наденут кожаный шлем и очки и попытаются посадить самолет "как в старые добрые времена".

Для помощи врачам в диагностике заболеваний, Watson — суперкомпьютер фирмы IBM, способный находить в своей обширной базе данных ответы на вопросы, заданные на естественном языке, — уже несет в себе большой объем медицинской информации. Решения из области больших данных используются для разработки новых лекарств. А роботизированные хирургические системы "обучены" накоплению информации о прошлых операциях, так же как беспилотный автомобиль опирается на опыт предыдущих дорожных ситуаций.

Одной из областей, где большие данные смогут произвести локальный переворот в здравоохранении, является цифровая патология. В 2011 году команда исследователей во главе с Эндрю Беком из Гарвардского университета использовала компьютерное распознавание образов и алгоритм машинного обучения для анализа биопсии клеток рака молочной железы. Эта информация сопоставлялась с уровнем выживаемости пациентов, чтобы понять, сможет ли система строить прогнозы для раковых пациентов так же хорошо, как живые люди. Что удивительно, ей это удалось. Более того, среди 11 признаков, использованных алгоритмом для предсказания наличия рака в биопсии клеток, только восемь ссылались на сами клетки. Три остальные были связаны с окружающими стромальными клетками, врачи даже не знали, что именно следует искать. Эта информация была скрыта от человеческих глаз, но анализ огромных массивов данных помог докопаться до истины.

Цифровая патология все еще находится на стадии лабораторных исследований, и для введения ее в повседневный обиход необходимо пересмотреть нормативно-правовые акты. Тем не менее к 2050 году именно так и будет проводиться медицинская диагностика. Данные революционизируют оказание медицинской помощи. Собственно, все, требующее узкоспециализированной подготовки, суждений и принятия решений в условиях неопределенности, будет осуществляться лучше, если человек станет использовать соответствующие алгоритмы. Это будет точнее, быстрее и дешевле.

Обучение учителей

Вторая область, готовая к преобразованию под влиянием больших данных, — образование. Государственная система образования, став в 1800-х годах на Западе привычным делом, должна была заменить частных учителей (а именно так обычно получали образование представители высших классов). Раньше преподавание было индивидуальным и адаптированным к способностям конкретного человека. Теперь система отражала промышленную организацию того времени — фабрику. Обучение стало серийным, одинаковым для всех — учащиеся словно двигались по конвейеру. Трудно было организовать это как-то иначе. В те времена, как и сейчас, данные о качестве обучения снимались в виде единовременных измерений: балл за контрольную, оценка за работу в классе и т. д. Но никто не анализировал их на постоянной основе с тем, чтобы определить, что работает лучше для конкретного ученика или как адаптировать курс к его потребностям. До недавнего времени это было бы слишком дорого и громоздко. Однако понемногу подобные ограничения исчезают. В результате мы можем представить себе, как будет выглядеть образование к 2050 г.: собранные данные будут использоваться для оценки работы как ученика, так и учителя, а также для понимания того, что лучше всего способствует учебному процессу. Большие данные позволят снова ввести индивидуальное обучение, утраченное в эпоху единообразного государственного образования.

Образовательная платформа станет цифровой, поэтому информацию можно будет собирать на каждом шагу. Иногда это будет означать использование "перевернутого" класса, в котором ученики слушают лекции дома, а приходят на занятия для решения задач и выполнения упражнений (чтобы учитель мог им помочь).

Первые примеры подобного подхода к учебе уже есть. В 2012 году преподаватель информатики в Стэнфорде Эндрю Ын. вел онлайн-курс, и собранные при этом данные помогли ему улучшить преподавание. Проанализировав видеожурналы работы аудитории, он заметил странную картину: студенты, как правило, просматривали материал последовательно, но, дойдя до урока 7, возвращались на несколько недель назад — к уроку 3. Учитывая, что на курсе учились десятки тысяч человек, это не могло оказаться случайностью. Что же происходило? Н. присмотрелся внимательнее: более ранний урок был посвящен математике, и ученики возвращались к нему, чтобы освежить материал. В результате преподаватель понял, что ему нужно изменить учебную программу: поставить больше уроков математики в начале — это позволит студентам подготовиться к наиболее трудным моментам программы.