Читати книгу - "ХЗ. Хто знає, яким буде майбутнє"

У 2016 році видання MIT Sloan Management Review попросило мене написати есе про майбутнє менеджменту. Спершу я відмовився: мовляв, не знаю, про що писати, бо й без мене вже давно все сказано. Та потім я збагнув, що застряг на старій мапі.

Якщо розглядати питання з погляду уявлень ХХ століття, складається враження, що десятки тисяч розробників софту в компаніях Google, Amazon і Facebook тільки й роблять, що «штампують» продукцію, точнісінько так само, як промислові попередники. От тільки нині виробляють софт, а не реальні товари. Та, якщо поглянути на ці компанії очима людей ХХІ століття, стає зрозуміло, що більшість завдань (пошукові системи; новини й інформація, оновлення статусів у соціальних мережах, підбір товарів, що купуються онлайн; виклик автомобілів за запитом) виконують програми й алгоритми. Програми — це працівники, а програмісти, які їх створюють, — менеджери. Щодня «менеджери» отримують фідбек про роботу «працівників», тобто ринкові дані в реальному часі. Коли треба, «менеджери» теж дають фідбек «працівникам» у вигляді тонких налаштувань й оновлень у програмах чи алгоритмах.

Завдання, які виконують працівники-програми, відображають схему роботи цифрової організації. Уявімо таке: на сайті інтернет-магазину один електронний працівник допомагає покупцеві знайти товар, що відповідає запиту. Другий видає опис товарів із каталогу. Третій пропонує інші варіанти. Коли клієнт визначився з товаром, четвертий цифровий працівник видає онлайн-форму, вимагаючи оплати й перевіряючи введені дані (наприклад, чи дійсна кредитна картка або чи відповідає введений пароль збереженому в системі). П’ятий цифровий працівник оформляє замовлення і додає його до облікового запису клієнта. Шостий працівник формує перелік замовлених товарів, який обробить людина або робот. Сьомий працівник зберігає дані про транзакцію в обліковій системі компанії. Восьмий надсилає клієнтові емейл, підтверджуючи замовлення.

З обчислювальною технікою старого покоління всі ці операції виконувала одна монолітна програма, яка обробляла запити одного користувача. А от сучасні веб-додатки можуть одночасно обслуговувати мільйони користувачів. Функції таких додатків розподілені на такі собі «мікросервіси» — добірки окремих функціональних модулів, кожний з яких робить щось одне, але дуже добре. Якщо традиційну монолітну програму, як-от Microsoft Word, задіяти як низку мікросервісів, спелчекер можна замінити на кращий або додати новий сервіс, який автоматично переадресовує з посилань у зноски чи навпаки.

Мікросервіси — це результат еволюції розробки софту, заснованої на комунікації (за такою схемою розробляли Unix та інтернет, а також платформу Джеффа Безоса). Для мікросервісів голов­не — вхідні та вихідні дані, тобто взаємодія з іншими сервісами, а не внутрішня функціональність. Вони можуть бути написані різними мовами програмування і запускатися на багатьох комп’ютерах. Якщо мікросервіс належно запрограмовано, у нього легко додати вдосконалений компонент, що виконує ту саму функцію й не вимагає оновлення всієї програми. Завдяки цьому процес розробки є безперервним: можна постійно додавати нові фічі, ніж проводити кардинальне оновлення час від часу; можна застосовувати A/B-тестування, випробовуючи різні версії однієї фічі на певних групах користувачів.

Разом із розвитком інтернет-додатків змінювалися й програми-працівники. Це нагадує зрушення в аеронавтиці: від пропелерів до реактивних двигунів. Великої швидкості можна було досягти лише з двигуном на механічному поршні й рухомих деталях, тому вимагалася радикальна зміна підходу — безпосереднє згоряння пального. Для більшості програм «реактивний двигун» починався з прикладної статистики і теорії ймовірностей, а не з машинного навчання й удосконалених алгоритмів штучного інтелекту.

2006 року Роджер Маґулас, директор із дослідження ринку O’Reilly Media, уперше вжив термін «великі дані» стосовно нових інструментів управління даними такого масштабу, якого вимагають сервіси рівня Google. Колишній дослідник Bell Labs Джон Меші вживав цей термін ще 1998 року, але стосовно зростання обсягу даних, які збиралися й зберігалися, а не щодо сервісів, які використовують великі масиви даних і статистику, і не щодо розробки програмного забезпечення чи бізнес-процесів, на яких базуються ці сервіси178.

Великі дані або супермасив даних — це не лише масштабніша версія реляційної бази даних, як-от Oracle. Це дещо інше. Дослідники машинного навчання Google Алон Галеві, Пітер Норвіґ і Фернандо Перейра пояснили в публікації 2009 року «Незбагненна ефективність даних» (The Unreasonable Effectiveness of Data) (назва перефразована з відомої статті Юджина Віґнера 1960 року «Незбагненна ефективність математики у природничих науках» (The Unreasonable Effectiveness of Mathematics in the Natural Sciences)), чому методи статистики дедалі більше застосовуються для виконання колись надто складних завдань, як-от розпізнавання мовлення чи машинний переклад179.

Раніше все впиралося в граматику. Хіба зможе величезний поршневий двигун, який не знається на граматичних правилах, розуміти людську мову? Успіхів на цій ниві було мало. Та все змінилося, коли в інтернет почали викладати більше документів. Кілька десятків років тому дослідники покладалися на скрупульозну добірку зразків усних і письмових висловлювань із щонайбільше кількома мільйонами слів. Згодом з’явилося стільки контенту онлайн, що правила гри змінилися. 2006 року Google зібрала для мовників базу з трильйона слів і сконструювала «реактивний двигун» для її обробки. Відтоді прогрес став стрімким і безповоротним.

Галеві, Норвіґ і Перейра наголошували, що мовна база з інтернету поступалася колишнім скрупульозним добіркам. Безліч незакін­чених речень, граматичні й орфографічні помилки, невраховані граматичні конструкції... Однак те, що ця база була в мільйони разів більшою, переважувало всі недоліки. «База на трильйон слів — разом із мільйонами, мільярдами чи трильйонами посилань, відеороликів, зображень, таблиць та діалогів користувачів — охоплює навіть рідкісні аспекти поведінки людини», — писали автори. Замість створювати складні мовні моделі, дослідники звернулися до «найкращого союзника, якого мали: незбагненної ефективності даних». Складні моделі, засновані на чітких правилах, не допомогли б розпізнавати мовлення; потрібен був лише статистичний аналіз — нехай дані самі визначають, якими будуть моделі.

Хоч у статті йшлося про переклад, автори окреслили підхід, який зумовив успішність пошукової системи Google. Ідея про те, що «прості моделі і великий масив даних беруть гору над ретельно розроб­леними моделями, заснованими на обмежених даних», пояснює стрімкий прогрес у багатьох галузях і лежить в основі роботи багатьох компаній Кремнієвої долини. Ба більше, останні прориви