Donate
Уральская индустриальная биеннале современного искусства

Что скажет интернет-платформа. Отрывок из книги «Принцип кураторства»

syg.ma team12/09/17 13:314.5K🔥

В рамках совместной программы Музея современного искусства «Гараж» и издательства Ad Marginem вышла книга Майкла Баскара «Принцип кураторства», в которой британский критик, издатель, основатель интернет-стартапа Canelo.co пишет о выборе как основной функции в мире безграничного доступа к необъятному массиву товаров и информации и на примерах показывает, как кураторские принципы меняют бизнес сегодня: как Netflix победил сеть видеопроката Blockbuster, почему первый сезон «Карточного домика» поручили снимать Дэвиду Финчеру, что такое ритейл-революция и как сосуществуют человеческий и машинный алгоритмы рекомендаций.

Баскар приезжает в Россию и выступит с лекциями 13-го сентября в Москве, 14-го в Екатеринубрге, 15-го в Казани при поддержке Британского Совета.

А мы публикуем фрагмент главы «Принципы кураторства», посвященный интернет-платформам и тому, как в интернете соединяются машинный и редакторский принципы отбора. Не заменят ли алгоритмы людей? (Спойлер: нет)

ЧТО СКАЖЕТ ИНТЕРНЕТ-ПЛАТФОРМА

В разговорах с кураторами все время возникает одна и та же тема. Кураторы не просто совершают отбор. Они совершают экспертный отбор. Годами учатся, практикуются, формируют багаж знаний. Их работа строится на суждениях и инстинктах, отработанных десятками тысяч часов обучения и погружения в предмет. Хороший вкус — расплывчатая, но главная идея, которая лежит в основе кураторского отбора, — тщательно культивируется.

Ценность кураторской работы заключается в умении делать не просто отбор, а отбор компетентный, основанный на знаниях, которые невозможно сфабриковать. Именно это мастерство делает кураторов столь значимыми фигурами. У музейного куратора за плечами обычно бакалавриат, магистратура и работа в разных музеях по всему миру. При этом фанат блюза, который ведет любительский блог и собирает старые пластинки, наверняка потратил не меньше времени на погружение в мелодии и ритмы дельты Миссисипи. В обоих случаях итоговый отбор заслуживает внимания именно благодаря глубоким экспертным знаниям тех, кто его сделал.

Сравнивать легче, когда есть глубокие знания. Кураторы сразу понимают, что важнее, какие фундаментальные факторы имеют значение и почему. Они быстрее отсекают нерелевантную информацию. Эксперты уменьшают число возможных вариантов до удобоваримого уровня, особо себя не утруждая. Без экспертных знаний приходится в каждом отдельном случае подробно все анализировать, вместо того чтобы в один миг навестись на цель. При покупке машины эксперт может, выбрав релевантные критерии из тысяч, мгновенно определить нужную модель и избавить вас от многомесячных изнурительных мук выбора.

При этом экспертные знания не стоят на месте. В эпоху технологических преобразований меняется и само представление о том, кто такой эксперт, и какое влияние он оказывает на процесс отбора. Это не значит, что старомодные достоинства учебы стали не нужны. Как мы увидим, кураторство стоит одной ногой в новом, другой — в старом; старое и новое дополняют друг друга. Вопрос, однако, в другом: в интернете кураторскую работу человека все больше заменяет машинное кураторство, работающее на основе сложнейших алгоритмов и анализа данных. Не превращаются ли экспертные знания и навыки, необходимые для кураторского отбора, из обширного корпуса знаний в набор умений по программированию и дизайну?

Ответ — и да, и нет.

Amazon — в некотором смысле книжный аналог Netflix. Книготорговля всегда ближе к кураторской модели отбора, чем, скажем, сеть Blockbuster, но у Amazon еще и общий товарный запас был как минимум в десять раз больше: самый крупный офлайновый книжный магазин может вместить примерно 100 тысяч названий, а у Amazon с самого начала не было вообще никакого потолка по ассортименту. Выбор был неограничен. Как всегда, из–за этого возникали и затруднения, и новые возможности.

Истории двух сотрудников раннего Amazon иллюстрируют, как меняются направления развития кураторской работы человека и машины.

В 1997 году двадцатичетырехлетний эксперт по искусственному интеллекту из Сиэтла Грег Линден получил работу в стартапе, который занимался розничной торговлей книгами. Джеймс Маркус писал культурно-критические тексты для издания Village Voice и был полностью погружен в книжную культуру. Как и Линден, он пришел в Amazon, где стал работать редактором сайта. В то время Amazon нанимал сотрудников в штат, чтобы те писали рецензии и давали рекомендации. Как и Маркус, они имели литературное образование. Маркус писал рецензии сотнями и был редактором главной страницы, на которую заходили миллионы человек в день. Он вел колонку под названием «Избранные книги», с помощью которой создавал аудиторию для интересных книг. Его задача заключалась в том, чтобы втиснуть Amazon на книжный рынок и создать ему образ независимого магазина для интеллектуалов. Редакторы имели власть. Их кураторский отбор способствовал успеху или неуспеху книг. «В 1997-м, в самом начале пути, — рассказывал мне Линден, — голос редакторов имел очень большую силу. Amazon и книжным магазином-то был только в то время, когда редакторы и рецензенты вручную заполняли главную страницу, а рецензии были почти такие же, как те, что сегодня прикреплены к полкам в небольшом хорошем книжном».

Но учредитель Amazon Джефф Безос был аналитиком хедж-фонда и инженером, то есть человеком цифр. Ему было намного легче иметь дело с какими-нибудь жесткими количественными показателями, а не с ламповой атмосферой манхэттенской издательской богемы. Маркус рассказывал журналу New Yorker, что тексты, которые они писали, учредитель назвал «пустословием». Безос хотел сменить беспорядочно-субъективную, дедовскую модель кураторской работы над сайтом — именно ту, для воплощения которой на сайт и были привлечены Маркус и другие редакторы. Настроение в Amazon царило безумное:

«Компания развивалась хаотично, но очень быстро, мы едва успевали закидывать уголь в топку, — рассказывает Линден. — Наша задача в основном была поспевать за стремительным ростом и подстраиваться под него, под крупные проекты, которые выходили в новые сегменты (музыка, кино) и на международные рынки». Несмотря на все внимание, которое в Amazon уделяли данным, по словам Линдена, «прорывы или инновации, например, в персонализации продаж, происходили как побочные проекты — безо всякого планирования и санкций руководства». Тем, кто занимался инженерной стороной вопроса, становилось очевидно, что сайт растет слишком быстро, чтобы и дальше практиковать ручной, «бутиковый» подход. «Такой подход перестает работать, когда у вас миллионы книг в каталоге, миллионы покупателей с очень разными вкусами, и вы начинаете заниматься еще и музыкой, кино и кучей других категорий».

В Amazon знали, какие товары люди покупают, так почему нельзя автоматически рекомендовать их на основе именно этих массивов данных? Мечта компании, Линдена и его коллег-инженеров заключалась в том, чтобы предлагать клиенту только одну книгу — ту самую, которую он хочет купить.

Поначалу системы работали грубо и не могли тягаться с кураторской работой, которую выполнял человек. Если ты покупал книжку о приготовлении еды, дальше ты получал лишь аналогичные предложения. Не слишком изящный подход.

В 1998 году Линден придумал, как эффективнее использовать массивы данных. Метод получил название «коллаборативная фильтрация на основе связей между товарами». Согласно ему, значение имели только взаимосвязи между товарами. Идея Линдена заключалась в том, что если просто сопоставить, как те или иные товары коррелируют друг с другом (и игнорировать историю покупок конкретного человека), то есть заметить, что товар A часто покупают вместе товаром B, и если при этом у вас есть достаточно большой массив данных, система может пред- лагать товары с пугающей точностью. Набираешь достаточный объем таких корреляций — и можешь смело предполагать, что практически любой человек, покупающий товар A, наверняка захочет купить и товар B. Таким образом, в систему могут быть включены любые товары. Связи между ними уже были известны. Система замечала скрытые нюансы и не отвлекалась на необычные случайности. Линден открыл новый метод автоматического кураторского отбора товаров для розничной торговли. В Amazon его назвали «персонализацией» и вскоре набрали для работы с ним специальную команду профессионалов — P13N.

Систему протестировали, сопоставив с рекомендациями, которые давали люди. Она решительно выигрывала.

Редакторы не могли тягаться с алгоритмами.

В отличие от редакторов, система не понимала, почему ту или иную книжку хотят купить, но агрегированные данные не обманывали: связи между товарами были явно полезны для покупателей. По некоторым оценкам, треть покупок на Amazon сегодня совершается благодаря системе рекомендаций. Люди в костюмах и c дипломом MBA победили старомодных редакторов-кураторов, и Маркуса в том числе. С завершением доткомовского бума большинство редакторов с сайта уволили.

Сегодня в компании идет непрерывный процесс совершенствования. В Amazon не могут просто пользоваться своими запасами данных — данные устаревают. Тот факт, что в 2001 году товары как-то коррелировали друг с другом, не значит, что они будут продолжать это делать через 15 или 20 лет. Если рекомендации окажутся неправильными, будет подорвана вся система. Поэтому идет непрерывный поиск компромисса между использованием старых данных и отсеиванием ненужных. В Amazon разработаны сложнейшие технологии, с помощью которых можно распознавать «амортизацию» данных. У компании есть системы, которые позволяют анализировать, изменились ли вкусы покупателей и насколько вероятны неточные рекомендации.

Линден и те, кто стал первопроходцами машинного отбора, изменили ритейл навсегда. Маркус лишился работы.

Сам Линден считает, что система рекомендаций — лишь одна составляющая более широкого процесса изменений в Amazon, но все эти изменения отталкиваются от автоматизации процессов и эмпирических данных трафика: «Эксперименты показали, что намного лучше редакторского работает контент, который генерирует машина, — персонализированные рекомендации, рейтинги и коллективные рецензии, — и очень быстро главная страница и другие страницы сайта стали автоматизированными».

С конца 1990-х машинный «кураторский» отбор, который подпитывался гигантским объемом данных, тоже за это время выросшим, получил дальнейшее развитие. Amazon, Netflix и другие компании, сумевшие поставить себе на службу этот сдвиг, процветают. Тем временем, исследователи из фирмы McKinsey подсчитали, что такая персонализация обеспечивает пяти–восьмикратную прибыль на вложенный капитал. Стало очевидно, что кураторская модель отбора — по крайней мере какая-то ее часть — станет уделом алгоритмов.

Но это еще не всё.

В App Store, iBooks, iTunes, а также по новостям и музыке Apple продолжает работать с «живыми» кураторами. На самом деле, работы для них стало намного больше.

Более того, несмотря на то что большие площадки стремительно развивались, на микроуровне начался восход кураторства. Сайты вроде Boing Boing быстро росли не за счет машинного обучения, а лишь благодаря вкусам редакторов. В миллионах разных ниш отдельные кураторы формировали собственную аудиторию. Даже Amazon в итоге сменил курс и снова начал нанимать «живых» редакторов.

Вдобавок кое-кто увидел в этом возможность декомпилировать живой кураторский отбор так, чтобы он снова стал образцом для отбора автоматического. Сайт Canopy.co построен на основе Amazon. Все, что продается на Canopy, поставляется через Amazon. По сути Canopy действует как такая нашлепка на Amazon — вариант сайта, где дизайнеры и креативщики часами могут обсуждать один предмет. На Amazon можно купить любую мебель. На Canopy вы найдете именно тот идеально подходящий вам предмет мебели, который в противном случае оказался бы погребен где-то в недрах системы.

«Все мы любили покупать что-то на Amazon, — говорит соучредитель Canopy Брайан Армстронг в ответ на вопрос о том, с чего все началось. — Но ничего по-настоящему нового там открыть было невозможно. О классных вещах мы часто узнавали от друзей, информация передавалась из уст в уста». Работавшие в то время в дизайнерской студии Брайан и его коллеги, ставшие соучредителями Canopy, решили с этим что-нибудь сделать и создали сайт, на котором начали отбирать («курировать») товары с Amazon, пользуясь собственными знаниями и опытом в дизайне. «Мы ведь занимаемся дизайном продуктов — мы знаем, насколько важно поддерживать высокий уровень качества того, что на витрине, — говорит Брайан Армстронг. — На Amazon продается почти все на свете, но не все стоит покупать».

Я спрашиваю Брайана о роли ручной кураторской работы в мире машин и больших данных. Его ответ стоит процитировать целиком: «Эпоха машинного отбора только зачинается, выводы делать слишком рано. Люди тысячи лет вручную отбирали вещи для дома и для продажи в магазинах, так что у живого, ручного отбора огромная фора. Да, алгоритмический отбор становится повсеместным, но эту задачу еще решать и решать. Процесс этот, безусловно, будет совершенствоваться, но никогда машинный отбор не сможет предъявить взыскательный вкус или уникальную точку зрения. Люди могут воспринять и оценить человеческую мысль, которая легла в основу ручного отбора. Они реагируют на потраченное человеком время и вложенный труд — точно так же, как на качественно спроектированный предмет, в котором можно разглядеть индивидуальный „почерк“ дизайнера, ведь он тщательно все продумал и предложил самобытное решение. Такое же человеческое измерение формирует привлекательность сделанных „вручную“ товаров и услуг».

Canopy вернул Amazon во времена Джеймса Маркуса. Благодаря ответу Армстронга на мой вопрос мы знаем, почему именно. Кураторский подход притягателен именно участием человека. Качественное измерение обусловлено индивидуальным стилем, вкусом, образованием или мнением и интересно именно благодаря присутствию личных причуд и озарений, которые и делают человека неповторимым. Кураторский подход отчасти значит подход ручной, который невозможно осуществить с помощью машин. Вспомним Netflix: в компании используются системы обработки данных, но каждый фильм при этом смотрит, классифицирует и рецензирует какой-то киноман. Почему? Потому что он оценивает эмоции, юмор и все остальные субъективные факторы, недоступные для моделирования с помощью программ. Если бы машинный отбор был венцом творения, то никаких сайтов вроде Canopy, Boing Boing, Wanelo и остальных бесчисленных кураторских предприятий не возникало бы. Мы бы уволили всех спецов по визуальному мерчендайзингу. Избавились бы от редакторов журналов. Выставки в галереях можно было бы скармливать мобильным приложениям.

Ничего этого не происходит. Людям по-прежнему нравится приходить в «живые» книжные магазины — отчасти потому, что книги в них подбирают кураторы-продавцы. Сделать отбор значит найти то, что нужно. Определение нужного в том или ином контексте нельзя свести к информации, которую анализирует машина. Это не значит, что машины не несут никакой пользы — несут, и будут важнейшей частью кураторского дела на протяжении всего наступившего столетия.

Нужен баланс, и мы его увидим.

Живой, человеческий, и машинный, алгоритмический, отборы будут дополнять друг друга.

Грег Линден — тот самый создатель ритейлерского отбора посредством персонализационных алгоритмов — согласен: «Если сравнивать алгоритмический отбор и живой, то краткий ответ таков: когда речь идет о миллионах товаров в каталоге и миллионах покупателей, только алгоритмический отбор поможет справиться, только он обеспечивает достаточное „покрытие“, только с его помощью можно увеличивать масштаб предложения. Но если пускаться в долгие рассуждения, алгоритмы всецело зависят от живого отбора — они основаны на действиях живых людей, которые покупают, смотрят, ищут и пишут отклики. Все эти алгоритмы используют, чтобы помочь кому-то еще. Так что на самом деле алгоритмы помогают людям помогать другим людям, они совершенно не подменяют собой людей».

Благодаря технологии индексирования в поисковых системах мы можем быстро найти то, что хотим, — надо лишь написать короткий поисковый запрос. Но когда речь идет о переизбытке — скажем, о миллионах книг, — мы часто вообще не знаем, чего хотим. Выражаясь словами технического аналитика Бенедикта Эванса, «у Google прекрасно получается находить для вас то, что вы ищете, но совершенно не получается подсказать, чего вы хотите, не говоря уже о том, что вы хотите, но еще сами об этом не знаете». Если проблему поиска товаров в интернете решили поисковые алгоритмы, то вторую проблему — а что вообще вы хотите найти? — поможет решить кураторский подход в его многочисленных формах. Это очень тонкий вопрос, он играет на сомнениях, которые возникают, когда мы сталкиваемся с гигантским выбором.

Кураторский отбор, независимо от того, кто его делает — машина или человек, — позволяет не просто искать, что нужно или чего хочется, а задавать более фундаментальные вопросы. Если хочешь просто что-то найти, то пользуешься поиском. Если же ты хочешь открыть для себя что-то новое, это задача кураторская. Подобное различение лежит в основе всего кураторства в интернете и имеет огромное значение для объяснения той мощной роли, которую оно играет в условиях, когда потребители завалены вариантами выбора.

Что-то алгоритмы могут анализировать хорошо, другое — ужасно. Например, алгоритмы могут подсказать, что нам, возможно, было бы интересно посмотреть такое-то кино, или предсказать, насколько тот или иной фильм будет популярен в кинотеатрах (и на самом деле есть фирма, которая на этом специализируется), но они не могут сказать, хороший вообще фильм или нет.

Алгоритмы могут плодотворно использовать статистику, но не могут объяснить, почему то или иное кино может нам понравиться.

Они не в состоянии генерировать случайные, слабо осознаваемые связи. Премия Netflix Prize не предусматривала никаких оценок за суждения о качестве, никаких критериев эстетики или вкуса. Неважно, о чем идет речь — о книгах, фильмах или чем угодно еще, для алгоритма это просто данные. Невозможно отрицать их мощь, не в одной только сортировке наших информационных каналов, но и, например, в выстраивании маршрутов, управлении дронами и даже в предсказании терактов или вспышек эпидемий, но нам же всегда хочется чего-то большего. У нас пока нет алгоритма, который бы по-настоящему понимал смысл, спрятанный за неким набором эвристических правил, как нет и алгоритма, который бы видел не только данные, но и нечто сверх. Говорят, что в компании Deepmind, которая входит в состав Google, разрабатывают программу искусственного интеллекта, способную на что-то подобное, но пока алгоритмы не способны выносить личные суждения, богатые смыслом.

Марина Бондарчук
Виталия Морозова
Comment
Share

Building solidarity beyond borders. Everybody can contribute

Syg.ma is a community-run multilingual media platform and translocal archive.
Since 2014, researchers, artists, collectives, and cultural institutions have been publishing their work here

About