Оттолкнемся от недостатков, присущих нынешним методам обработки частных суждений или потребительских реакций. Взять, к примеру, рейтинги: не ясно, чье мнение они отражают. Рейтинг служит производителю, служит толпе, а для индивида он является очень приблизительным ориентиром. Ведь для того, чей вкус отклоняется от некоего среднестатистического шаблона, рейтинг всегда либо занижен, либо завышен по отношению к его собственному мнению о данном предмете. Возьмите лондонский музыкальный «Топ 20» — с большой вероятностью вы не обнаружите для себя ни одной цепляющей песни. Таков любой чарт, выводимый из статистики продаж, за которой стоит одновременно и консерваторская профессура, и меломаны из подворотни (с естественным перекосом в сторону последних). Чтобы персонализировать рейтинг, надо каким-то образом отсеять суждения людей, отличающихся друг от друга. Для пользы дела важней вычленить похожих и адресно довести до них мнения их единомышленников. Может оказаться, к примеру, что из миллионной аудитории какого-то фильма нашими глазами его посмотрели всего пятьсот человек. Впечатление этих 0,05 % и должно, главным образом, нас интересовать.
Главное в коллаборативном механизме — это то, как подбираются группы похожих людей. В основе программного алгоритма — гипотеза, что совпадение в настоящем выводимо из совпадения в прошлом. В отличие от всего, что делалось ранее, близость идентифицируется не по результатам какого-либо психологического тестирования и не по социодемографическим данным (хотя это и не исключется), а на основании прямо выраженного отношения к одним и тем же объектам потребления, событиям, текстам…
Если два человека прочли энное количество одних и тех же книг (посмотрели фильмов, послушали мелодий…) и схоже их оценили, то их взгляды до определенной степени близки. Следовательно, им будет полезно обменяться суждениями, в том числе по объектам, с которыми один уже знаком, а другой нет. Такова (не)хитрая эвристика, лежащая в основе коллаборативного метода. Чтобы получать рекомендации, человек оценивает некоторое количество объектов (несколько десятков, а лучше — сотен) — так складывается его профиль предпочтений, «вкусовой слепок». Система сравнивает профили разных людей и выявляет похожие. Логика коллаборативной фильтрации проста, хотя на практике для вычислений применяются сложнейшие алгоритмы, — одних только подходов к определению меры близости существует не один и не два. В группе единомышленников оказываются те, кто посмотрел, прочитал, опробовал то, с чем их визави (вкусовые соседи) еще не знакомы. На основе оценок первых рассчитывается прогноз для вторых. В другой раз реципиенты и доноры информации меняются ролями. Если обработать суждения по многим объектам и областям потребления — литературе, кино, музыке, брендам и прочим сегментам, в том числе околокультурным и «чисто» утилитарным (коих на потребительских рынках сегодня днем с огнем не сыскать) — можно надежно выявить общность между людьми и использовать ее при расчетах прогнозов и персональных рекомендаций. Для практического применения этой идеи необходимо: 1) собрать множество оценок от большого числа людей; 2) сформировать для каждого референтную группу людей с близкими суждениями/оценками; 3) синтезировать прогнозы; 4) адресно довести результат до сведения (и по запросам) вкусовых соседей. Все это в настоящее время делается на рекомендательных сайтах, построенных на базе коллаборативной фильтрации.
Как нередко бывает, поставить задачу труднее, чем решить ее. Как только потенциальный спрос на субъективную информацию осознан, считай — полдела сделано. Все последующее — вопрос не тривиальной, но техники. В целом понимание того, как следует обращаться с субъективным опытом, — это фундаментальное открытие. Оно масштабнее, чем собственно изобретение и отладка коллаборативной технологии, позволяющей задействовать скрытый в людях информационный ресурс.
Потребители субъективной информации — это, по сути, те самые члены клубов, главные фигуранты новой экономики. Чье-то индивидуальное суждение представляет интерес для тех, кто близок к нему по вкусу, мировоззрению, интересам. Если некто обнаружит что-то ценное, об этом имеет смысл уведомить единомышленников — придет время, они тоже поделятся своими находками. При этом вопрос об объективном качестве информации (под которым обычно понимается истинность, новизна, полнота и проч.) отходит на второй план. Информация может быть объективной, но не актуальной, не интересной, не понятной, избыточной и в результате — невостребованной. При решении целого ряда задач гораздо важнее оказываются субъективные критерии, завязанные на вкусы, интересы, бэкграунд. Дело за тем, чтобы в промышленных масштабах выявлять круги единомышленников и налаживать обмен субъективно значимой информацией, извлекаемой из потребительского опыта. Еще каких-нибудь десять лет назад вызывало сомнение, хватит ли вычислительной мощности компьютеров для проведения подобных высоконагруженных расчетов, однако сегодня этот вопрос снят с повестки дня.
Коллаборативную фильтрацию можно отнести к обширному классу коллективных действий, за которыми закрепилось название «краудсорсинг» (crowdsourcing). Термин, введенный журналом «Wired», происходит от английского crowd — «толпа» и sourcing — «подбор ресурсов» и означает использование коллективного разума и труда добровольцев для различных полезных целей, в том числе, коммерческих. Метод краудсорсинга используется для опознания преступников, расшифровки диктофонных записей, перевода текстов. Компания Txteagle, например, привлекала в Кении активистов для перевода инструкций к телефонам Nokia с английского на примерно 60 местных языков. Другой нашумевший прецедент — перевод в онлайне седьмой книги о Гарри Потере, сделанный для своих читателей китайскими, бразильскими и русскими волонтерами.
Порой «толпу» мобилизуют не только для решения технических, но и творческих задач. В этих случаях ставка делается на мозговой штурм, от которого ожидается куда большее разнообразие в подходах, чем обычно по силам штатным сотрудникам. Например, компания Procter&Gamble вывешивает на сайте стоящие перед ней задачи, приглашая стотысячную армию добровольцев поломать голову и обещая в случае успеха денежное вознаграждение. Известными формами краудсорсинга являются программистские проекты с открытыми исходными кодами, такие как Linux, MySQL или браузер Firefox. В «Википедии» тоже используется этот принцип. В ряде случаев люди участвуют в краудсорсинг-проектах помимо своей воли и желания. К примеру, посещая те или иные сайты, каждый из нас помогает работе поисковых алгоритмов. Так что вольные или невольные объединения, работающие на общее благо, возникли не сегодня и не вчера. Но с развитием коммуникаций их значение многократно возрастает. Для краудсорсинга, очевидно, нужен организатор, ставящий задачу и привлекающий людей, а также информационная система, позволяющая исполнителям выбирать кусочек задачи и предъявлять результат, а в итоге каждому пользоваться плодами выполненной сообща работы. Скептики указывают на то, что этой «муравьиной технологии» не по плечу высокие достижения, у нее низкий потолок — в этом, конечно, есть доля правды. (Дж. Шуровецки в книге «Мудрость толпы» приводит примеры того, как масса не справляется с задачей или приходит к неверным выводам, тем не менее он считает ее способной на многое.) Понятно, что «мудрую толпу» не создашь на заказ со стопроцентной гарантией. Однако чем вставать в глухую оппозицию по отношению к краудсорсингу, стоит пробовать ориентировать профессионалов на постановку таких задач, которые позволят толпе проявить свои сильнейшие стороны, а также на координацию усилий и селекцию идей…
