Машина, платформа, толпа. Наше цифровое будущее - Эндрю Макафи

• Однако толпа не структурирована, вернее, ее структура возникает со временем в результате взаимодействия участников. Фондовые рынки, рынки предсказаний и современные поисковые машины извлекают ценную информацию из этой эмерджентной структуры.

• Сверхцентрализация обречена на провал по ряду причин, которые объясняют идеи Хайека и парадокс Полани: люди не всегда могут рассказать обо всем, что они знают, чего они желают и что ценят.

• Можно собирать большие толпы, чтобы создавать очень полезные продукты, например Linux. Такие усилия требуют гиковского руководства, которое следует принципам открытости, отсутствия креденциализма, самоорганизации участников, проверяемости промежуточных результатов и ясности целей.

• Использование только части этих принципов, похоже, срабатывает не слишком хорошо, как показывает пример «Нупедии», предшественника «Википедии». Их баланс может быть непредсказуемым, часто его поиск требует проб, ошибок и удачи.

1. Как и насколько эффективно вы используете толпу?

2. В каких случаях, если это бывает, вы разрешаете и поощряете открытую, проверяемую, самоорганизующуюся работу, основанную на отсутствии креденциализма и управляемую по гиковской модели?

3. Во многих организациях принятие решений и распределение ресурсов по-прежнему сильно напоминают процессы, характерные для плановой экономики. Как вы можете встроить в свою компанию механизмы, более соответствующие рыночной экономике?

4. Есть ли в вашей отрасли новые способы применять технологию для децентрализации, которые не обязательно включают рынки?

5. Готово ли ядро вашей организации уступить часть своих прав и полномочий?

В по-настоящему сложной ситуации не ищите экспертов – зовите дилетантов. Такой вывод из своего потрясающего исследования сделали ученые Карим Лакхани, Кевин Будро и их коллеги[616]. Они хотели найти кратчайший путь к секвенированию геномов большого количества человеческих лейкоцитов – основной защиты нашего тела от бактерий, вирусов и других антигенов.

Это была весьма важная работа, поскольку стояла задача лучше понять, как работает иммунная система, но невероятно трудная, поскольку лейкоциты должны обладать огромным арсеналом для борьбы с постоянно эволюционирующими антигенами человеческого тела. Хорошее решение для тела – располагать антителами и другими средствами, закодированными генами внутри каждого лейкоцита, однако сами эти гены состоят из большого набора соединенных вместе сегментов, иногда с мутациями. Точная последовательность активных сегментов меняется от клетки к клетке, а это означает, что разные клетки производят разное оружие. Его количество огромно. По одной оценке, сто (или около того) сегментов в человеческом лейкоците можно соединять и рекомбинировать по-разному, что дает 1030 молекулярных видов оружия. Это примерно в триллион раз больше числа песчинок на нашей планете.

Естественная и важная задача, стоящая перед учеными, – аннотация гена лейкоцитов, то есть правильная и последовательная идентификация всех сегментов. Как вы догадываетесь, эту работу делают компьютеры. Однако тут можно действовать разными способами, и непонятно заранее, какой из них даст наилучший, то есть самый быстрый и точный результат. Популярный алгоритм MegaBLAST[617], разработанный Национальными институтами здравоохранения США, может аннотировать один миллион последовательностей примерно за 4,5 часа с точностью 72 процента. Алгоритм idAb[618], созданный доктором Рами Арнаутом[619] из бостонского Beth Israel Deaconess Medical Center, значительно превышает эти показатели, делая тот же объем аннотации менее чем за 48 минут с точностью 77 процентов.

Чтобы узнать, насколько сильно можно улучшить ситуацию, Лахани, Будро и их коллеги разработали двухэтапный процесс и привлекли к работе толпу. На первом этапе они преобразовали узкоспециальную иммуногенетическую проблему аннотации генных сегментов в общую алгоритмическую задачу. Это дало возможность намного большему числу участников присоединиться к эксперименту, поскольку теперь от них не требовалось обладать познаниями в генетике, биологии и других науках.

На втором этапе исследователи опубликовали эту обобщенную задачу на Topcoder, сетевой платформе для решения вычислительно трудоемких задач. На момент проведения исследования в 2013 году Topcoder располагала сообществом из примерно 400 тысяч разработчиков программного обеспечения по всему миру, которые присоединились к этой платформе, в частности, потому, что им нравилось работать над сложными проблемами. Исследовательская группа сообщила потенциальным вычислителям, что их предложения получат оценку, учитывающую скорость и точность, и предоставила им массив данных для работы. Данные делились на две части: один набор был в открытом доступе для всех вычислителей, а ко второму, закрытому, они подключались на сайте Topcoder; участники не видели этих данных и не имели к ним прямого доступа, но могли применить к ним свои алгоритмы и получить оценку (для создания итоговых оценок использовался третий набор данных, тоже закрытый).

Соревнование на Topcoder продолжалось 14 дней. За это время 122 участника (отдельные люди или команды) как минимум по одному разу использовали свои алгоритмы для получения оценки, а многие сделали это по нескольку раз. Всего организаторы эксперимента зафиксировали 654 предложения. Состав участников был крайне неоднородным: они представляли 69 стран, а возраст колебался от 18 до 44 лет; большей частью они не обладали нужной квалификацией, по крайней мере в традиционном смысле. Приблизительно половина еще где-то училась, и, как указывали исследователи, «там не было теоретических или практических специалистов по вычислительной биологии, и всего пятеро сообщили, что занимаются какими-либо исследовательскими работами или имеют отношение к медико-биологическим наукам»[620].