Управление будущим

Это наступление военных грантов вызвало сопротивление со стороны американских антропологов. Они увидели в этом не обучение умению выживать, а умению убивать. Пентагон сразу же выложил 60 миллионов долларов на изучение человеческого пространства войны [38]. Пошло большое число статей антропологов, сопротивляющихся такому проникновению военных в науку [39–42].

И последнее, но очень важное пересечение гражданских ученых и военных заказов лежит в области больших массивов данных. К примеру, очень интересные работы делает К. Леетару, отталкиваясь от такого объекта, как социальные медиа ([43–45], см. его сайт – www.kalevleetaru.com). Однако возникают и голоса предостережения, например, А. Пентленд, который увидел следующий набор проблем в отношении больших массивов информации [46]:

– проблема корреляции: при больших объемах практически каждая проблема начинает давать «статистически значимые» ответы, например, люди, которые едут на работу по понедельникам в своей машине, а не на общественном транспорте, скорее всегда заболеют гриппом, что связано с наличием множества возможных отношений, которые могут быть «статистически значимыми»;

– проблема «человеческого понимания»: нахождение корреляции – это одно, а понимание их, позволяющее построить новую лучшую систему, гораздо сложнее;

– проблема происхождения: бизнес останавливается перед сложностями извлечения информации из «мусора» и придания ему формы, с которой можно работать;

– проблема приватности: чем больше бизнес интересуется силой больших массивов информации, тем сильнее людей волнует проблема вмешательства таким путем в их частную жизнь.

Отталкиваясь от наличия больших информационных массивов, сегодня делается также множество работ по предсказанию будущего (см., например, [47–52]).

Но не только алгоритмы ведут к правильным предсказаниям. Правда, оказалось, что эксперты-политологи были настолько слабы в этом отношении, что конгресс даже запретил финансирование политических тем [53]. Однако в сфере разведки, наоборот, возник четырехлетний проект по поиску новых подходов к политическим предсказаниям ([54–55], сайт – www.goodjudgmentproject.com). Его лидером стал профессор Ф. Тетлок, который и издал в 2005 г. книгу о «плохих» политических экспертах (см. о нем [56–57]).

Тетлок изучил точность прогнозов 284 экспертов, давших 28 тысяч прогнозов, пытаясь найти более удачные модели [58]. Как оказалось, в основном прогнозы были неудавшимися. И консерваторы, и либералы, и оптимисты, и пессимисты – все ошибались. Только один параметр оказался важным: «как ты думаешь, важнее того, о чем ты думаешь».

Этот параметр превратился в разделение экспертов на два типа: «лис» и «ежей». И в этом соревновании сильнее оказались лисы. У ежей есть одна великая теория, например, марксизм, и они применяют ее во всех возможных областях. Лисы не принимают великих теорий, они каждый раз отталкиваются от конкретных событий.

Выступая в американском музее холокоста на тему предсказания массового насилия, Тетлок перечислил свои исходные данные, на которые опиралась книга [59]. Это 55 стран за 20 лет. Когда эксперты были на 90 % уверены, результат получался только в 68 % случаев. Когда эксперты были на 10 % уверены, результат осуществлялся в 30 % случаев.

Для эксперимента по краудсорсингу предсказаний они разделили людей на два класса: команда по контенту и команда по процессу. Специалисты по контенту дают сырой материал для предсказаний, а специалисты по процессу объединяют его в прогнозы.

В своем тексте 2010 г., который выстроен как ответы на критические взамечания, высказанные на симпозиуме, он повторяет свой базис текста 2005 г. ([60], это целый номер журнала Critical Review, 2010, Vol. 22, No. 4, посвященный обсуждению его идей): «Политические эксперты в моем исследовании были систематически сверхуверенными, что они знают ответы на сложные вопросы экономических, внутриполитических и геополитических трендов. Результаты приписанных 90-процентных вероятностей часто случались только в 70 процентах или 60 процентах случаев».

Тетлок говорит также, что удача «лис» была чуть больше, чем у алгоритмов экстраполяции. Но даже это «чуть» оказывается значительным в случае решений большой важности (см. также первую главу книги Тетлока в онлайне [61]).

Исходное деление на лис/ежей Тетлок взял у И. Берлина, эссе которого носит название «Еж и лиса». Здесь он цитирует древнегреческого поэта Архилоха «Лиса знает много вещей, но еж знает одну большую вещь» [62]). Берлин в результате отнес к ежам Данте, Шекспира – к лисам. Платон, Лукреций, Паскальт, Гегель, Достоевский, Ницше, Ибсен, Пруст – в разной степени ежи, Геродот, Аристотель, Монтень, Эразм, Мольер, Гете, Пушкина, Бальзак, Джойс – лисы.