Вторая эра машин. Работа, прогресс и процветание в эпоху новейших технологий - Эндрю Макафи, Эрик Бриньолфсон (2014)

В одном случае несколько решений одной и той же научной задачи, связанной с идентификацией системы доставки пищевых полимеров, были предложены астрофизиком, владельцем небольшого агробизнеса, специалистом в области трансдермальной доставки лекарственных средств и ученым-технологом… Все четыре варианта позволяли успешно решить задачу, при этом использовались самые разные научные механизмы…

В другом случае сотрудники опытно-конструкторской лаборатории даже после консультаций с собственными и привлеченными специалистами не могли оценить токсикологическую важность определенной патологии, наблюдавшейся в ходе текущего исследования… В конце концов проблема была решена доктором наук в области кристаллографии белков, причем именно с помощью методов, принятых в этой специальности. Нужно отметить, что до этого она обычно не занималась вопросами токсикологии или решением проблем такого рода на регулярной основе.[139]

Подобно InnoCentive, онлайн-стартап Kaggle также мобилизует «толпу» (crowd) – группу людей с совершенно разным опытом со всего мира, – чтобы работать над сложными проблемами, с которыми сталкиваются различные организации. Kaggle специализируется не на решении научных задач, а на проблемах, требующих обработки огромных массивов данных. Цель здесь состоит в том, чтобы улучшить качество прогнозов относительно базового уровня, уже достигнутого организацией. И здесь результаты замечательны в двух отношениях. Во-первых, этой цели обычно удается достичь. В одном случае страховая компания Allstate выложила набор данных по характеристикам автомобилей и попросила «толпу» Kaggle спрогнозировать, против каких из этих автомобилей будет подано больше исков о возмещении личной ответственности.[140] Исследование продолжалось примерно три месяца и привлекло более 100 участников. Прогноз-победитель оказался на 270 процентов лучше, чем базовый прогноз страховой компании.

Во-вторых, большинство конкурсов в рамках Kaggle выигрывают люди, маргинальные с точки зрения области обсуждения, – к примеру, лучшие прогнозы по заполняемости больниц делают участники, не имеющие опыта в области здравоохранения. То есть с этими людьми вряд ли кто-то стал бы советоваться в рамках традиционного поиска решений. В большинстве случаев эти безусловно способные и успешные исследователи данных приобрели свой опыт новыми, определенно цифровыми способами.

С февраля по сентябрь 2012 года в рамках Kaggle при поддержке Hewlett Foundation было проведено два конкурса на тему компьютерной оценки студенческих эссе.[141]

В процессе подготовки конкурса Kaggle и Hewlett привлекли множество экспертов в области образования, и накануне запуска многие из чувствовали себя весьма неуверенно.

Дело в том, что конкурсы должны были состоять из двух раундов. В первом раунде между собой соревновались одиннадцать известных и уважаемых компаний в области образовательного тестирования, а во втором – участники «толпы» Kaggle, профессиональные data scientists – «ученые в области данных» (индивидуально или в составе команд). Эксперты беспокоились как раз о том, что, по результатам второго раунда команда Kaggle окажется совершенно неконкурентоспособной. Каждая из 11 уважаемых компаний работала над системами автоматической оценки уже много времени и выделяла на решение этой задачи значительные ресурсы. Сотни человеко-лет накопленного опыта казались весомым преимуществом профессионалов перед кучкой любителей.