Малкольм Фрэнк - Что делать, когда машины начнут делать все. Как роботы и искусственный интеллект изменят жизнь и работу

Ключ к постановке реалистичных временных рамок:

а) во взгляде на работу как на набор задач;

б) в ценности остающихся человеческих единиц.

Глядя на эти две переменные, мы можем начать делать основательные прогнозы, как скоро боты начнут съедать определенные профессии.

Завершая разбор этой уничтожающей рабочие места природы новых машин, надо сказать, что намеченные нами перспективы – суть оставшейся части книги. В следующих главах мы исследуем практическое приложение этих динамических сил и то, что они будут значить для вас и вашей организации. В главе 7 мы более глубоко исследуем автоматизацию, рассмотрев конкретные процессы, функции и рабочие обязанности в вашей компании, наиболее близкие к тому, чтобы их забрали новые машины. Прочитав эту главу, можно подумать: «Тамара в бухгалтерии в опасности, если не будет быстро реагировать». В главе 9 мы обозначим профессии, которые находятся в безопасности и будут расширены. В главах 10 и 11 посмотрим на создание совершенно новых вакансий в связи с современным изобилием, процессом изобретений и открытий.

Однако, прежде чем приступить к определению будущего работы, нужно внимательно посмотреть на новые машины, которые станут драйвером всех этих перемен.

Возможно, иногда вас удивляет то же, что и нас: «Как Uber всегда удается находить машину, если я в каком-то случайном закоулке в пятистах милях от дома, а затем автоматически списывать деньги с карты, высылать счет и отмечать мой пассажирский рейтинг – и все за секунды?» или «Как я могу смотреть видео на YouTube на мобильном устройстве, двигаясь в поезде со скоростью 130 миль в час?».

Две этих ситуации, два момента «чуда», которые уже стали обыденными, еще несколько лет назад были бы невозможны. Удивительно то, что и Uber, и YouTube, несмотря на то что предлагают совсем не похожие услуги, выполняют свои операции на «машинах» с практически одинаковыми компонентами. Эта новая машина, та, что мы зовем «интеллектуальной системой», быстро становится краеугольным камнем для компаний, конкурирующих в наукоемкой среде. Она в центре Facebook, Instagram, Google, Е-Trade, Betterment и всех прочих сегодняшних цифровых лидеров.

Однако при всей значимости новые машины по-прежнему остаются во многом непонятыми. Многие из нас активно потребляют результаты действия интеллектуальных систем, не останавливаясь, чтобы задуматься, насколько актуальные, персонализированные и отборные возможности создаются и достаются нам.

В связи с этим в данной главе мы объясним, чем являются эти новые машины – каковы компоненты технологии, как сочетаются, на что похож хороший образец и каким образом они глубоко повлияют на будущее вашей работы.

Мы знаем, обзор может оказаться похожим на то, как вы учились водить, будучи подростком, и ваш дядя, откинув капот машины, объяснял, как все это работает. Некоторые уроки могут быть скучноватыми (например, «это карбюратор, это свечи зажигания»), но сейчас, пользуясь интеллектуальными системами на непрерывной основе, мы должны создавать и применять их в своих компаниях, чтобы добиться конкурентного преимущества, поэтому рабочие знания здесь очень важны.

Давайте начнем с простого определения, а затем немного его распространим.

Интеллектуальная система совмещает в себе программное обеспечение (алгоритмы, деловой регламент, код машинного обучения, прогнозовая аналитика), комплектующее оборудование (серверы, датчики, мобильные устройства, возможность подключения), данные (контекстуализированные и в реальном времени) и человеческое участие (часто оценка или запросы).

Может прозвучать как «куча оборудования, ПО и данных соединить вместе – и там произойдет чудо». Так что давайте вкратце пройдемся по трем ключевым атрибутам, делающим интеллектуальную систему такой особенной.

• Программное обеспечение, которое учится. Программное обеспечение, составляющее центр новой машины, – это то, чего мы не видели никогда прежде. Впервые в истории человечества у нас есть инструмент, который может делать сам себя . ПО, способное к машинному обучению, со временем обновляет само себя. Система учится распознавать схемы и находить скрытые инсайты внутри данных – и все это, не будучи специально запрограммированным на то, что надо делать и где надо искать. Например, именно этим способом Uber узнает, как объединить правильного водителя с правильным пассажиром, а Facebook заполняет вашу персональную ленту новостей. В самих компаниях этим занимается всего несколько человек. И это было бы невозможно, поскольку в случае Facebook – это более миллиарда заходов пользователей на сайт в день 1. Поэтому вместо людей за всеми и за каждой сессией следит машина, постоянно становясь еще умнее.

• Мощные аппаратные возможности обработки данных. В последние несколько десятков лет мы видели, как мощность оборудования и технологий росла по экспоненте. Ни одна инновация в истории не улучшалась и не проникала во все с такой скоростью. Закон Мура (Moore’s Law), согласно которому число транзисторов на микросхеме (а значит, и его производительность) удваивается приблизительно каждые два года, продолжает действовать, хотя недавно отпраздновал 50-летний юбилей. Однако недавно он был турбирован облаком, которое позволяет сверхмощным компьютерам объединяться друг с другом. Для сравнения: у сильной машины может быть впечатляющее количество лошадиных сил, как, например, четыреста тридцать пять лошадиных сил под капотом Ford Mustang GT, но вы не можете склеить два «мустанга», чтобы удвоить скорость. В то время как один компьютер может получить доступ к множеству других и выдать молниеносный результат. Таким образом, каждый раз, пользуясь Google, Facebook или Amazon, вы подключаетесь к группе связанных, супербыстрых серверов.

• Огромное количество данных. Данные – топливо новой экономики. Соотнесите этот факт с примером оператора такси, приведенным выше. В старые добрые времена, скажем, в 2012-м, ваша поездка собрала бы, наверное, три вида «данных»: запись вашего телефонного звонка с заказом такси, записи диспетчера и водителя, сделанные от руки, и детали оплаты (и конечно, эти рукописные записи редко проверяли или анализировали). Сравните это с типичной поездкой на Uber, после которой сохранится запись о вашем запросе, локации, времени, маршруте поездки, использованном устройстве, оплате и чаевых, водителе, пассажире, рейтинге водителя и рейтинге пассажира. А затем умножьте все это на более чем два миллиарда поездок, предпринятых (к середине 2016 года) через Uber.