Как нейросети меняют экономику

Экономическая статистика пока является «путеводной звездой», помогающей в деле управления государством. Но далеко ли способен завести её неяркий свет в «сумеречной зоне» тысяч размерностей?

Давайте посмотрим на один реальный пример. В октябре 2016 Росстат проводил очередное обследование инвестиционной активности промышленных предприятий. Начнем с того, что обследование было не сплошным, а выборочным. Насколько репрезентативной получилась выборка – никому неизвестно. Ладно. В этом самом обследовании представитель предприятия должен был «экспертно» (это цитата) оценить инвестиционную активность своей фирмы в текущем и даже будущем году.

Всем понятно, что будущие инвестиционные планы, особенно в нашей стране - вещь зыбкая и довольно условная. Чтобы понять ожидания, вполне сгодится и такое. Намного серьезнее выглядит проблема квалификации оценивающего «эксперта». Как правило, в организации за заполнение статистических форм отвечают рядовые клерки. Здесь же требуется информация, которой владеет только высший уровень руководства компании. Если организация не слишком велика, шансы, что статистическая форма окажется на столе у генерального или инвестиционного директора, и у тех найдется время и желание её заполнить, еще имеются. С ростом размера предприятия и эти шансы быстро тают.

Хорошо, исходим из оптимистичной предпосылки. Наш инвестиционный директор корпит над заполнением формы и, скажем, сейчас заполняет табличку № 5, «Факторы, влияющие на инвестиционную деятельность в Вашей организации». Каждому из факторов предлагается дать одну из пяти оценок.

Лаконичненько? Зато мало-мальски формализовано и удобно для дальнейшей обработки. Это ограничения размерности таким образом передают нам свой «привет». Не буду долго распространяться про субъективность и отсутствие чётких границ между разными оценками. Тут и в самих формулировках на ровном месте возникает неопределенность, делающая ответы почти бесполезными: взять такие факторы, как «Инвестиционные риски» или «Параметры курсовой политики в стране».

Справившись со всеми каверзами формы, предприятие отправляет ее в орган статистики. Там особо усложнять себе жизнь не хотят (опять ограничения размерности) и классифицируют всех респондентов аж по трём признакам: размер (2 категории), отрасль (18 категорий) и география (82 категории, по субъектам РФ). Затем все данные обрабатывают («средняя температура по больнице», да), и примерно в таком виде они попадают, скажем, к министру экономического развития.

Максим Орешкин берет в руки распечатку, внимательно вглядывается в колонки цифр… И всплескивает руками: «Ба! Да ведь нам совершенно необходимо уменьшать неопределенность экономической ситуации в стране!» «Смотри-ка: если у предприятий нет денег, они не хотят никуда инвестировать! Какая неожиданность!»

Шутки шутками, но ведь именно такие самоочевидные вещи и сообщает нам отчет Росстата. Да, он позволяет расставить самые общие приоритеты. Но даже сколь-нибудь детальная динамика этих приоритетов будет под вопросом из-за ограниченной репрезентативности выборки. Самое главное, что эта информация так и не даёт нам ответа: какой именно курс действий стоит выбрать? Мы по-прежнему в сложном многомерном пространстве с одним компасом в руках, и вокруг – неизвестность…

Официальная статистика – не единственный источник информации в государственном управлении. Подобные опросы могут проводиться и независимыми агентами. Но их масштаб (и, следовательно, репрезентативность) и глубина практически всегда уступают статистическим исследованиям. Поскольку это довольно затратное мероприятие с финансовой точки зрения. Так, в описанном обследовании Росстата приняло участие почти 10 тысяч предприятий – величина, к которой частная аналитика в нашей стране не подбирается и близко.

Практикуются и другие способы получения данных о состоянии системы. В частности, это организация всевозможных форумов, «круглых столов» и тому подобных собраний. В теории они призваны преодолеть недостатки «средней температуры по больнице»: передать информацию напрямую, без потерь, неизбежно сопутствующих обобщению. На практике полезность таких каналов довольно низка: в оценках царит сплошной субъективизм, адекватность их оценить почти невозможно, и ко всему прочему в полный рост встают коммуникационные барьеры. В итоге имеем торжество энтропии и минимум информации.

Персональное общение не может обеспечить информационную поддержку управления. Традиционная государственная статистика тоже не справляется. И вот здесь на сцену могут выйти системы с машинным обучением.

Такие системы как нельзя лучше отвечают на главные проблемы имеющихся подходов. Прежде всего, они снимают ограничения в размерности обрабатываемых данных. Теперь количество признаков и характеристик определяется лишь их полезностью для анализа, а не особенностями человеческого восприятия и трудоёмкостью обработки. Это открывает беспрецедентные возможности в работе с многомерной информацией – т.е. со множеством признаков одновременно – что позволяет на порядок повысить адекватность получаемых моделей.

Скорее всего, это будут цифровые нейросети. А у них есть еще одно замечательное свойство: способность хорошо моделировать нелинейность. И, поскольку для экономики характерны именно нелинейные процессы, нейросети окажутся неизмеримо полезнее традиционной статистики с ее «средними» и «валовыми» показателями. В отличие от последней, новый подход способен учесть не просто все – но каждый элемент экономической системы.

А это означает совершенно иной уровень сложности. Что нам и требовалось: для управления сложной системой нужны сопоставимые по сложности методы обработки информации. И эта сложность даст нам еще одно важнейшее преимущество. Возможно, вы слышали термин «глубокое обучение», часто появляющийся по соседству с упоминанием о нейросетях?

Собственно, основные  принципы обучения остаются неизменными. «Глубина» здесь – это отсылка в большей степени к архитектуре нейросети, и именно здесь кроется главная причина превосходства таких моделей над другими алгоритмами с машинным обучением. Глубокие нейросети – это вертикальные, иерархические системы, где каждый следующий слой обрабатывает информацию, полученную из предыдущего. Другими словами, нейросеть позволяет выстраивать себя «вглубь», и с каждым новым уровнем всё глубже обобщать поступившую информацию.

И это опять то, что нам надо. Ведь с анализом – разделением сущности на более мелкие части – мы худо-бедно справляемся и сейчас. Цифровые нейросети же способны дать то, что нам недоступно: синтез. Охватить всю совокупность составных частей, выявить их связи и взаимозависимости, увидеть возникающую синергию и вовремя заметить дисбалансы. Рассматривать управляемый объект именно как систему, со всеми присущими ей свойствами. Способности нейросетей к последовательной интеграции, которые демонстрирует глубокая архитектура, делают их идеальным решением для этой задачи.

В числе других преимуществ нейросетей стоит упомянуть и гибкость. Их можно дообучать, изменять и достраивать, последовательно улучшая эффективность. Наконец, немаловажный момент: нейросети исключительно хороши в деле сокращения размерности данных. Именно это качество позволяет им стать полезным инструментом уже сейчас. Они могут давать результат в удобном для человека виде – и результат намного более качественный, чем распространенные сейчас подходы.

Правда, есть один нюанс: для машинного обучения требуются данные, много данных, и качество результата зависит в первую очередь от качества этих данных. Готовы ли мы сейчас обеспечить такие потребности? Я склонен считать, что как раз в этой области мы продвинулись наиболее далеко. Вот пара примеров из России.

Первый – это цифровой НДС. Уже достаточно продолжительное время, с 2015 года, все предприятия-плательщики этого налога подают в электронном виде реестр своих торговых операций. Пускай это не слишком детальная информация – важен ее общий объем! Теперь правительству доступны данные о львиной доле денежных потоков в экономике, и ценность этих данных с управленческой точки зрения огромна.

Второй проект – это так называемые «интернет-кассы», которые становятся обязательными с 2017 и 2018 гг. (для разных категорий). Такая кассовая техника будет транслировать данные о конечных продажах буквально в режиме реального времени.  В отличие от цифрового НДС, данные по которому обновляются раз в квартал. Технология «интернет-касс» охватывает сектор ритейла, причем полнота охвата здесь выше, чем в первом примере. Вместе эти два проекта дают превосходное «покрытие» объекта наблюдения – российской экономики.

Правда, сейчас эти данные едва-едва используются. Налоговой интересно только то, чтобы причитающийся государству НДС не пропал где-нибудь «по дороге» от одного контрагента к другому. Но я больше чем уверен – это временное положение дел. Возможности, которые даёт собираемая информация – даже в сегодняшнем виде, без какого бы то ни было расширения её набора – слишком велики, чтобы она «простаивала» практически без дела. Мы ориентировались по одному только компасу – а теперь получили в распоряжение аэрофотосъемку местности. Согласитесь, что использовать её только для праздного разглядывания – глупо. Как говорил один китайский стратег: «Если знаешь место боя – можешь наступать».

Конечно, эти данные будут осваиваться постепенно. Нейросети и займутся преобразованием «аэрофотосъемки» в легко читаемую карту (напомню, размерность наших «фото» не 2, а тысячи). Необходимо наработать понимание, как именно их использовать и какие цели мы ставим, выстроить соответствующую инфраструктуру цифровой экономики, а также найти наиболее результативные подходы.

Но информация о состоянии управляемой системы и доступных ресурсах по-прежнему будут более простой частью задачи. Ведь по карте нужно еще проложить оптимальный, самый быстрый маршрут. Формирование матрицы «состояние-ресурсы-действия» потребует гораздо больше усилий и времени. Решения необходимо качественно формализовать – а это далеко не тривиальный процесс.

Кроме того, единственный способ заполнить эту матрицу – это опыт, «сын ошибок трудных». Никакие технологии машинного обучения не способны заменить практику – они могут лишь прогнозировать, какая практика предпочтительнее. Хотя очень скоро они будут делать это лучше человека.

Мы выигрываем еще и по времени, затрачиваемому на поиск решений. Раньше экономической науке требовались годы, чтобы собрать достаточный материал и предложить новый вариант «компаса», хоть как-то ориентирующего в многомерном пространстве. Цифровая экономика и выросшая сложность моделей позволяет сократить это время «обратной связи» до месяцев. Мы сможем быстрее учиться на своих ошибках. Эффективность «второго порядка», помните? Это свойство цифровых систем, но это свойство работает в нашу, общества, пользу. Как, в принципе, работает и вся техносфера. Организационные преимущества нейросетей мы будем обращать в свои организационные преимущества.

Но картирование экономического пространства с помощью нейросетей – это еще только начало. Начало ясное и безоблачное. Как только мы обращаемся к другим сферам, беззаботный оптимизм присутствует далеко не всегда. Нет, не из-за сомнений в прогрессе информационных технологий – напротив, из-за отсутствия таких сомнений… Что же несёт машинное обучение, пожалуй, самой важной сфере – общественно-политической?

Вновь вернемся  к целям, которые преследует наша система-государство. Что останется, когда мы уберем экономический рост и связанный с ним уровень жизни? А останется… совсем немного. Совсем. В голову приходит разве что «счастье для всех, даром, и пусть никто не уйдет обиженный»…

Экономический рост всё-таки был универсальной и достаточно ясной целью. В общественно-политическом пространстве подобной конкретности нет и близко. Что-то принято прописывать в конституциях. Что-то – в постепенно устаревающих религиозных кодексах. Какие-то этические и социальные нормы вообще не формализованы и существуют в неявном виде в практиках социального взаимодействия. Всё вместе – донельзя расплывчатый набор инструкций, бессистемный, часто внутренне противоречивый и вдобавок не полностью разделяемый всеми группами общества.

Это даже не «компас». Эти инструкции – о том, как вообще ходить, как двигать ногами, чтобы куда-то переместиться. Куда? Где наша искомая точка «А»? Немало философов придумали свои версии политических утопий, однако ни одна из них так и не завоевала популярности. У религий с определенностью предпочтений всё хорошо, но здесь с точкой «А» есть другая загвоздка. Их «идеальные общества» почему-то всегда расположены в других мирах или далеком будущем, и с нашим земным миром практически не пересекаются. Следовательно, для практики всё это «райское» благолепие мало что значит.

Когда всё так неясно с целями, стоит ли удивляться, что у нас нет объективных метрик для социального прогресса? Да, мы можем назвать много показателей, его характеризующих, но всё это будут лишь мелкие детали, частные следствия, а не само явление. Само явление пока слишком сложно и многомерно, чтобы мы могли включить его в систему своих целей. Само явление слишком близко к нашей несовершенной человеческой натуре, чтобы мы осознанно старались его усовершенствовать.

Мы предпочитаем примитивные, простые, сиюминутные цели. Мы предпочитаем те цели, что ближе к человеческой натуре – со всеми ее иррациональными заблуждениями, предрассудками, фобиями, обидами и иллюзиями. Единственная наша сила – в том, что нас много, и вся сумма наших предпочтений как-то отсеивает наиболее маргинальные варианты. В учебниках политологии эта система называется демократией.

Это еще не компас – это мох на деревьях, растущий на той стороне, откуда ветер приносит тучи с дождем, и где меньше солнца. Мы и есть тот «мох», правда, «неправильный»: нам подавай сухую, тёплую и сытую жизнь. Да еще и в силу своей недалекости мы легко введемся на обещания оной жизни – «опять величие», «вставание с колен», «жизнь по-новому» - которые так и остаются не более чем обещаниями. Наш уровень осмысленности и целеустремленности в развитии общества ровно такой же, как и у мха. «Растительный».

К сожалению или к счастью, описанная выше картина «растительной» демократии – не единственно возможная. Ведь в размытом пространстве общественно-политических целей не так и просто увидеть разницу между «совершенствованием» социальной системы и отсутствием оного. А там, где «совершенствование» не стоит в повестке дня даже последним пунктом, на первый план выходят совсем другие цели.

Ведь мы не зря опять начали разговор про человеческую натуру. А ей, как вы помните, присущ ряд пороков вроде «гордыни, алчности, зависти» и пр. Соблазн поставить в качестве целей абсолютизацию личной власти и ее сохранение, извлечение выгод для узкого круга лиц и персональное обогащение – велик, очень велик, и, увы, далеко не всякая власть способна перед ним устоять. Не помогают даже угрозы от религий за такое поведение посмертно телепортировать в "точку «Б»" с раскаленными сковородами и кипящей серой…

Зато чем хороши такие цели? Своей безусловной чёткостью. Собственно, одно это различие уже обеспечивает им серьезный приоритет в процессе целеполагания. А еще эта чёткость здорово пригодится, когда для их реализации начать применять искусственные нейросети.

Ведь нейросети абсолютно всё равно, работает ли она на благо всего общества или же узкой прослойки элит. Главное условие – наличие хорошей метрики эффективности, и здесь у авторитарных режимов всё гораздо проще, чем у «растительных» демократий с их абстрактным «социальным прогрессом».

Но и это не всё. В автократической системе постановка задачи – пресловутая точка «А» - тоже выглядит на порядок проще. Как правило, отталкиваются от «статус кво», от текущего положения, и всё, что нужно – возвращать «блуждающее» общество примерно в исходное место. Это неизмеримо легче, чем исследование многомерного социального пространства с непредсказуемыми результатами. И опять повышает потенциальный эффект нейросетей: чем проще задача, тем эффективнее с ней справляется алгоритм при заданном уровне его сложности. А социальные проблемы будут требовать от алгоритмов сложность на пределе освоенной.

Как и в случае с экономической сферой, необходимые для обучения данные уже технологически доступны. Сеть - Веб 2.0 - Матрица – их предоставит, а нейросети - Веб 3.0 – займутся их декомпиляцией, картированием социально-политического пространства. Строго говоря, вводными данными будет весь поток публичных коммуникаций, а не только его интернет-часть – т.е. еще и традиционные СМИ: печатные и эфирные. Но, во-первых, последние, как правило, и так управляются авторитарными режимами гораздо плотнее. А во-вторых, контент в любом случае будет оцифровываться и передаваться в Сеть.

Как и в экономической сфере, сложность, нелинейность, полнота охвата и системность моделей с машинным обучением позволят выйти на качественно иной уровень управления политическим полем. Социология повторяла все недостатки экономической статистики, но скоро пресловутые «86%» уступят место представлениям, имеющим гораздо большую размерность. Вряд ли такие представления станут источниками мемов, но это от них и не требуется. От них требуется эффективность. И они её обеспечат.

Развитие таких технологий по схожей траектории доступных возможностей будет идти и в демократиях. Правда, мотивации к их развитию здесь будет меньше. Поскольку меньше «цена ошибки»: то, что в автократиях считается «фатальной ошибкой», в более продвинутых странах – рутинный политический процесс. Тем не менее, использование продвинутых алгоритмов и здесь будет давать несомненный положительный эффект.

Давайте рассмотрим пример, далёкий от экономической плоскости. Допустим, вопрос о ношении хиджабов на рабочем месте. На что здесь способна нейросеть? В первую очередь, это оценка общественного мнения по данной проблеме. Оценка, которая на порядки превзойдет по точности и информативности любой стандартный социологический опрос. Во-первых, она сможет обработать все данные по статистике просмотров тех или иных публикаций по данной теме – а также, разумеется, содержание самих публикаций. Во-вторых, она обработает релевантные сообщения и действия пользователей в персональных медиа – соцсетях и блогах. В-третьих, там, где нет информации об отношении человека к вопросу, нейросеть будет его экстраполировать, исходя из сотен доступных признаков, а не 3-4-ых, как сегодняшняя социология. Наконец, нейросеть сможет дать прогноз по динамике мнений и актуальности темы в ближайшем будущем.

Говоря общим языком, новые технологии способны качественно улучшить эффективность коммуникаций между обществом и властью. Именно это – а еще точнее, сближение общества и власти, их более тесная взаимная интеграция – и есть одна из ключевых характеристик Веба 3.0.

Описанный пример стоит относить в большей степени к реактивному управлению, к «растительному» (хоть и продвинутому) целеполаганию. Которое сводится лишь к стремлению удержаться в «зоне комфорта». Можно ли выжать из технологий машинного обучения что-то большее? Можно ли ориентировать их работу конкретно на социальный прогресс – даже если мы сегодня весьма смутно представляем, что же это такое?

Полагаю, что да. Хотя эта ступень потребует дольше времени и более усердных стараний. А также ряда уступок со стороны общества по поводу объема информации об их жизни, которая будет поступать в Сеть.

В любом случае масштаб этих уступок будет совсем незначительным на фоне тех перспектив, которые сулит ускорение социального прогресса.  И на фоне жертв прошлых поколений (войны, революции и пр.), которыми оплачивался социальный опыт раньше.

Отталкиваться, видимо, придётся от тех узких показателей, по которым мы судим о социальном прогрессе сегодня. Вернемся к теме хиджабов на рабочем месте. Как запрет их ношения или отношение к данному запрету соотносится с такой тяжелой социальной проблемой, как суициды либо попытки суицида? Разумеется, после установления причинности, нивелирования тысяч других факторов и т.д., чем из займутся нейросети. Есть ли связь между отношением к хиджабу и частотой совершения уголовных преступлений? Или административных, тех же нарушений правил дорожного движения? А если мы посмотрим с точки зрения здравоохранения? Частота хронических заболеваний? Или распространенность вредных привычек? И так далее, и так далее…

Вы уже понимаете, что размерность этих проблем намного превышает то, с чем мы встречаемся в экономической сфере. «Не всё сводится к деньгам» - и сложность сведения вопросов такого плана к каким-то конкретным выводам гораздо выше. Явлений, подобных ношению хиджабов на работе, существуют миллионы. Именно поэтому для таких построений требуется огромный объем данных, где многое сейчас считается персональной информацией, и именно поэтому значительные успехи в этой области случатся нескоро.

Всё будет приходить постепенно. Подобный подход, идущий «от частного», будет выявлять сначала наиболее очевидные и наиболее острые проблемные места, которые необходимо исправлять. Социальный прогресс и состоит из таких мелких шажков вперед.

И вряд ли с «мелких шажков» нам удастся перейти на «бег». Социальные нормы гораздо инертнее, чем экономические отношения. И эту инерцию стоит принимать как данность. Если в экономике «обратную связь» можно будет получить за месяцы, то здесь счет будет идти скорее на годы.

Зато у нас все-таки будет «обратная связь». У нас будет накапливаться знание об обществе, о том, как оно работает, и как им эффективнее управлять. Ведь сегодняшнее невежество о сути социального прогресса как раз и проистекает от отсутствия таких знаний. Чем больше мы будем знать – тем более четкие цели мы можем ставить, тем больше учитывать системных эффектов. Тем быстрее и увереннее двигаться вперед, преодолевая социальную инерцию.

Но функции цифровых нейросетей будут сводиться не только к пассивному накоплению знаний. Напротив, самые серьезные изменения грядут, когда они станут исполнять более активные роли. И одна из таких ожидающих ролей тоже самым тесным образом связана с процессом управления.

До сих пор мы говорили об управляющих субъектах, равно как и о человеческой натуре, довольно абстрактно. Давайте теперь взглянем подробнее на сами управляющие подсистемы, на то, как они организуют свою работу. И здесь мы увидим не так много различий между государственными и коммерческими структурами всех размеров, а также между практиками разных стран. В основе этой универсальной схемы лежит иерархия и разделение управленческого труда. За конкретную задачу отвечает определенный человек, за группу связанных задач – человек рангом выше, командующий подчиненными, и так далее.

Таким образом, с отдельной задачей должен справляться определенный индивид. От того, насколько хорошо каждый справляется со своими функциями, зависит эффективность работы всей системы. Или, как говорил еще один национальный лидер: «Кадры решают всё!» Хорошо, но как мы определяем, насколько качественно индивид будет выполнять свои задачи?

Да, ребята, вы уже догадались: многомерное пространство, «компас» нескольких собеседований, стрелка которого гуляет туда-сюда из-за иррациональности и коммуникационного «шума», и вдобавок примерный «уже пройденный маршрут», кое-как набросанный от руки – предыдущий опыт работы. А где-то там – искомая точка «А», причем для каждого рабочего места эта точка своя, и ее периодически надо корректировать: жизнь не стоит на месте.

В итоге получаем не эффективность, а случайность. Получаем энтропию. И конечно, мы уже знаем, где искать решение. Там, где мы тонем в пучине больших размерностей, стоит призвать на помощь искусственные нейросети.

Старт уже дан – коммерческая сфера очень любит эффективность, гораздо сильнее, чем неуклюжая государственная бюрократия. Даже в нашем «медвежьем углу» на эту тему началось шевеление. Пилотные проекты касаются самых массовых позиций, но лиха беда начало.

Прогресс в алгоритмических технологиях подбора и управления персоналом также будет зависеть от объема доступных персональных данных. Хотя и сегодня из одного лишь профиля соц. сети можно «вытянуть» уже немало. Всё-таки масштаб задачи здесь попроще, чем в случае с моделированием социальных явлений.

Тем не менее, сделаем важное замечание. Очевидно, что сначала данное направление будет развиваться в рамках коммерческого сектора. А «раздробленность» последнего означает, что выделяемых на эти технологии ресурсов может не хватать, да и немалая часть работ в разных компаниях будет дублироваться. Государству предпочтительно поддерживать эту активность. Если не финансово и юридически, то хотя бы координационно. Ведь общественная польза здесь несомненна.

А ещё рано или поздно такие технологии придут и в государственный сектор. И через какое-то время начнется самое интересное. Ведь в общем для нашей универсальной схемы организации управления характерен следующий подход: на кадровую позицию человека выбирают несколько других людей, стоящих немного выше по иерархической лестнице. Пускай нейросети передвинут центр принятия решений в свою сторону. Вряд ли этот процесс вызовет большие протесты со стороны общественного мнения.

Но в управленческих структурах демократических государств существует целый ряд позиций, кадровые решения по которым принимаются «в особом порядке»: всеми членами той части общества, на которую будут распространяться полномочия назначаемого управленца. Такая схема появилась как ответ на ту самую «несовершенную» человеческую натуру, которая склонна подменять интересы социальной системы своими собственными. Сумма «растительных» интересов всего общества весьма сильно отличается от персональных соблазнов руководящей элиты. Соответственно, данный механизм позволяет не допускать преобладания последних.

Однако данный механизм совершенно не справляется с максимизацией эффективности кадровых решений. Дональд Трамп, Джордж Буш-мл. и еще парочка национальных лидеров передают нам привет и машут ручками. И да, ситуация усугубляется тем, что демократическая кадровая схема, как правило, применяется при назначениях на самые высокопоставленные должности. Именно эти люди должны решать, в какую сторону двигаться, чтобы достичь заветной точки «А». Быть лучшими следопытами, находить верный путь по самым мелким приметам и деталям. На деле же они зачастую ослеплены собственными амбициями и оглушены PR-составляющей своей политики…

Способны ли технологии машинного обучения поднять эффективность и в этой области? Да, безусловно. Будет ли социальная инерция здесь наиболее велика? Скорее всего. Как же – ведь речь идет об упразднении одного из главных организационных достижений человечества! На алтарь прогресса кладут «священную корову»! Отнимают самое дорогое – свободу выбирать!!!

Будем надеяться, что здравомыслящие силы всё-таки возобладают. Ведь «свобода выбирать» всё время была лишь механизмом обратной связи. С появлением более совершенных таких механизмов – алгоритмов с машинным обучением – нужда в старом практически отпадает. Поскольку нейросети принципиально освобождены от «гордыни, алчности, зависти» и других пороков. Их никогда не поразит «сон разума» - напротив, их искусственный «разум» будет совершенствоваться 24 часа в сутки. «Священная корова» привычной, «растительной» демократии – далеко не самая страшная жертва из тех, что требовал социальный прогресс.

А он невозможен без жертв.

В конце концов, мы же знаем, что понятие «свободы» в системе тождественно понятию «энтропии». Если что-то и выбирать – то выбирать прогресс.

Хотя бы потому, что он даст нам ту самую «сухую, тёплую и сытую» жизнь…

Но, уделив столько внимания демократии, нам стоит также посмотреть и в сторону авторитарных режимов. Поскольку распространение технологий машинного обучения здесь может привести к ещё большим противоречиям. Всё опять упирается в постановку целей.

Дело в том, что «порочные», эгоистичные цели элиты, которыми она руководствуется в управлении страной, никогда не декларируются в открытую. Случай с господином Володиным – скорее исключение, причем получившееся не от большого ума; и от подобной откровенности принято открещиваться. Публике же рассказывают то, что она хочет слышать. А слышать она хочет про всю ту же «сухую, тёплую и сытую» жизнь и прочее «счастье для всех, даром».

В зыбкой неопределенности нынешнего набора социальных практик подобная двойственность, «двоемыслие», вполне сносно существует. Сложными путями складывается какой-то баланс, и система одновременно старается работать и на нужды общества, и на интересы элит.

А вот машинным алгоритмам такая двойственность категорически противопоказана. Эффективность их работы напрямую зависит от четкости поставленной задачи. И поскольку корыстные цели элиты с интересами всего общества практически не пересекаются, для получения действительно работающих обучаемых моделей придётся выбирать что-то одно.

Я уверен в том, что это будет эффективность по прямому, задекларированному, общественно-полезному назначению. Как минимум потому, что оптимизировать эту эффективность гораздо проще, чем пытаться вести сквозь туман социальных практик некую пользу конкретных элементов управленческой системы для самой верхушки элиты. Более того, машинные алгоритмы рассеивают этот туман и обнажают сомнительные отношения, оставляя им всё меньше места.

Машинное обучение изменяет статус-кво, устраняет из управления человеческие пороки и заменяет «мутную воду» социальных практик четким вектором на прогресс. В нынешней «мутной воде» была возможна пресловутая «отрицательная селекция кадров» - ибо ее отрицательность была надежно скрыта от посторонних взоров. С новыми технологиями эффективность селекции кадров будет в фокусе общественного внимания.

И кадры – только один из элементов сегодняшней схемы управления социальными системами. Алгоритмы машинного обучения могут преобразить буквально всё – от информационной прозрачности до принципа разделения властей. Если экономическая статистика и социология стали лишь инструментами в руках старой бюрократии, то нейросети грозят вырасти из инструмента в нечто большее. Они сами могут стать субъектом управления, актором, властью, потеснив в этой роли homo sapiens.

Именно поэтому алгоритмы машинного обучения будут для нынешней власти так опасны. Они не просто сдвигают ситуацию со status quo – они смогут одним махом изменить всю систему координат. Причем эта опасность – не только для автократических режимах. В демократиях властные полномочия будут изменяться тоже очень серьезно.

А такие серьезные изменения всегда чреваты побочными эффектами. Смена политических систем в прошлом слишком часто происходила не эволюционным, а революционным путем. Сейчас практически невозможно предугадать, как именно будет происходить эта борьба за власть. Возможно, что на алтарь социального прогресса нам в итоге придется положить гораздо больше, чем абстрактные политические «конструкции». Но я всё-таки надеюсь, что основные войны будут греметь в информационном поле.

И что социальный прогресс всё-таки победит. Шансов у него больше. И он может предложить старой системе вполне выгодные мирные условия.

Ведь нас, людей, не так просто изменить. Мы – иррациональные существа. Нам хочется верить живым политикам. Или даже тем, кто таким выглядит. «Хомячки» голосуют за Дарта Вейдера? Пускай – это будет больше игра, чем реальная власть. Внешняя символика. Привычные церемонии. «Королева царствует, но не правит». Тот же Трамп вряд ли почувствует разницу…

Но разница, конечно, будет. В первую очередь в том, что знание победит веру – в Вейдера, в Трампа, в хорошего царя и в плохих бояр, и во что бы то ни было. Знание объединит общество – каждое предприятие, каждый коллектив, каждого человека, от президента до простого гражданина – в единую сеть. Объединит, чтобы максимально раскрыть созидательный потенциал каждого. Чтобы найти максимальную системную синергию. Чтобы показать на путь, который ведет к социальному прогрессу.

И показать, куда ведут другие пути. Ведь мы, люди - иррациональные существа. Мы очень любим свободу выбора и очень не любим плоды энтропии. Веб 3.0 сможет объяснить связь между первым и вторым гораздо нагляднее.

Знание победит веру в свободу выбора. Ведь главный выбор – это выбор между движением вперед и менее достойными альтернативами.

http://giovanni1313.livejournal.com/68422.html

Опубликовано 22 мая 2017 в 12:00. Рубрика: Внутренняя политика. Вы можете следить за ответами к записи через RSS.
Вы можете оставить свой отзыв, пинг пока закрыт.