Краудсорсинг: Коллективный разум как инструмент развития бизнеса

Хау Джефф

Вся прелесть поисковой системы Google заключается в том, что она не требует никаких дополнительных усилий со стороны пользователей. Для «толпы» естественно выражать свое мнение. При этом ее коллективные действия уже сами по себе представляют собой систему знаний. Google не требует от людей прочитать и проанализировать все 15 миллиардов веб-страниц. «Толпа» делает это по собственному желанию.

Несмотря на то что PageRank является, возможно, наиболее распространенной системой использования коллективных суждений «толпы» в качестве организационного аппарата, это далеко не единственное воплощение этой идеи. И Amazon, и Netflix используют информацию, генерируемую «толпой», для предоставления рекомендаций по книгам и фильмам для своих заказчиков. Для этого явления есть даже свой термин – «совместная фильтрация», хотя сам этот процесс совсем не нов.

«По своей сути “совместная фильтрация” являет собой любой механизм, посредством которого участники сообщества взаимодействуют с целью определения, что есть хорошо, а что – плохо», – пишут авторы книги «От “мышки” к «“мышке”»: маркетинговая мощь совместной фильтрации» (Word of Mouse: The Marketing Power of Collaborative Filtering76). Или более конкретно, что имеет значение для человека, а что нет. Компьютеры просто позволяют выполнять это задание, оперируя наибольшим количеством информации и подключая к этому процессу большее количество пользователей.

Первый автоматизированный совместный фильтр был разработан в калифорнийской компьютерной лаборатории Xerox PARC, которой принадлежит авторство таких инноваций, как компьютерная «мышь» и лазерный принтер. В начале 1990-х гг. научные сотрудники PARC активно пользовались компьютерной сетью Usenet для общения и публикаций, что позволяло им иметь доступ к статьям о последних достижениях в их сфере деятельности. Статьи распространялись с помощью электронной почты, вследствие чего возникала проблема, которая на сегодняшний день беспокоит фактически каждого человека, имеющего электронный адрес, – переполненность электронного почтового ящика. В 1992 г. четверо ученых из PARC разработали систему под названием Tapestry, которая позволяла читателям оставлять комментарии к каждому документу или просто ставить пометку «мне нравится» (“likeit”) или «мне не нравится» (“hateit”). Таким образом, получатели почты могли отфильтровывать тысячи входящих сообщений и статей, задав серверу программу доставки только сообщений, имеющих положительные отзывы77.

Но проект Tapestry носил ограниченный характер, поскольку был доступен только сотрудникам PARC. Несколько лет спустя группа ученых-программистов из Массачусетского технологического института и других университетов запустила проект GroupLens, который также оценивал статьи на Usenet. GroupLens усовершенствовал Tapestry, например, им мог пользоваться любой желающий. Поэтому GroupLens имел доступ к гораздо большему количеству информации, чем Tapestry. Принцип его работы заключался в анализе численных характеристик, определяемых читателями по отношению к различным статьям и распределению единомышленников по группам, исходя из предположения, что если их точка зрения совпадала в прошлом, она совпадет и в будущем. В 1995 г. лаборатория Массачусетского технологического института Media Lab применила данный метод к музыкальным записям, когда она запустила сайт под названием «Полезные онлайн-рекомендации по музыкальным направлениям». Вскоре МТИ обновил сайт Firefly, на котором работала система «музыкальных рекомендаций», и пригласил к участию инвесторов в надежде продать свою технологию фильтрации другим компаниям. В конечном счете сайт Firefly, приобретенный, а впоследствии и закрытый компанией Microsoft, привлек внимание любителей музыки и вдохновил другие сайты, например, популярную интернет-службу Last.FM.

Но своей популяризации «совместные фильтры» обязаны огромному книжному интернет-магазину Amazon. Инновация Аmazon заключалась в проведении взаимосвязи между отдельными предметами, а не пользователями. Другими словами, тщательно отслеживая покупки каждого покупателя, Amazon может использовать огромное количество результативных данных, чтобы провести параллель между «Биографией Ральфа Эллисона» Арнольда Рам-персада и романом Жуно Диаса «Короткая и удивительная жизнь Оскара Уао». Эти книги не имеют ничего общего, между тем люди, которые покупают одну из этих книг, часто покупают и вторую. Почему? Amazon не делает никаких предположений на этот счет, да в общем-то и не нуждается в них. Подчеркнув связь между этими двумя книгами, Amazon просто увеличил их продажи. Система рекомендаций Amazon оказалась настолько эффективной, что подобные методики стали активно применяться и другими сайтами.

И хотя совместные фильтры обычно имеют отношения к системам рекомендаций наподобие той, которую использует Amazon, они предоставляют полезный материал, с помощью которого можно определить, каким образом предпочтения «толпы» используются

в разных сферах деятельности. Механизмы коллективного принятия решений подразделяются на две категории: активные и пассивные. Amazon использует пассивный фильтр, данные, являющиеся «побочным продуктом» покупок, осуществляемых клиентами на сайте компании. Пассивная фильтрация нацелена на данные, генерируемые нами в процессе нашей повседневной современной цифровой жизнедеятельности: добавление ссылок к блогам, просмотр видео на YouTube, покупку миски на Williams – Sonoma.com, которые в дальнейшем используются в рациональных целях.

Экспериментальная система PARC, напротив, является активным фильтром. Эта технология опирается на сознательные действия пользователей, оценивающих имеющийся у них материал. Netflix использует активный фильтр, хотя компания имеет ту же цель, что и Amazon, – продать как можно больше продуктов посредством рекомендаций. В то время как Amazon берет за основу совместных фильтров покупательские привычки своих потребителей, Netflix полагается на своих участников в вопросе оценки/рейтинга просмотренных ими фильмов, с тем чтобы поднять уровень влияния своей рекомендательной системы «Cinematch». Подобным же образом рейтинговая система eBay полагается на то, какую оценку ставит покупатель продавцу в зависимости от его надежности и гарантоспособности.

В последнее время фильтрация вышла далеко за пределы поисковых технологий и электронного бизнеса. Точно так же, как когда-то библиотекари создали алфавитный указатель с целью организовать имеющиеся информационные ресурсы по темам, интернет-сообщество все чаще использует теги для классификации контента, создаваемого и потребляемого им. Например, я присваиваю теги каждой своей публикации в блоге. Для статьи о краудсорсинге для рекламных роликов Frito-Lay Super Bowl я использовал теги «Doritos» и «коммерческая реклама». И если кому-то будет необходимо сделать поиск в Интернете на тему «краудсорсинг» или «Doritos», они смогут найти мои публикации на самом верху огромного количества информации. Такие ярлыки, будь это номер на карточке библиотечного каталога или теги для описания публикаций в блогах, имеют свое название – «метаданные».

Использование тегов началось с блогов, но они достаточно быстро стали использоваться и во многих других формах социальных сетей, которые стали появляться на рубеже XXI столетия. Сайт, предлагающий услугу хранения и публикации закладок на страницах всемирной сети, Del.icio.us и сайт по обмену фотографиями Flickr активно используют теги, что позволяет отдельным пользователям классифицировать закладки и фотографии. В общей сложности эти метаданные включают в себя инициированную пользователем систему классификаций. Если я заведу поиск на тему «ловля рыбы нахлыстом» (надо же иногда отвлекаться от научно-технической тематики) на сайте Del.icio.us, я получу ссылки на 2509 сайтов, которые пользователи «пометили» как имеющие отношение к «ловле рыбы нахлыстом», начиная с пособия по завязыванию узлов и заканчивая сайтом, специализирующимся на подводной съемке форели.

Такая детальная классификация называется еще фолксономией и представляет собой огромный интерес для специалистов библиотечного дела. «Профессионально созданные метаданные являются дорогостоящим продуктом с точки зрения времени и усилий. Это усложняет процесс охвата и возможность поспевать за огромным количеством производимого информационного контента, особенно таким современным средством, как Интернет», – пишется в одной из ранних публикаций, посвященных фолксономии78. И в то же время фолксономия демонстрирует и существенные недостатки: по мнению авторов, она является «изначально хаотичной». Тем не менее она невероятно чувствительна к потребностям пользователей и, что не менее важно, беспредельно масштабна. Преимущества фолксономии не отличаются от многих других приложений краудсорсинга: она делает изначально непосильную задачу выполнимой.

Переход к использованию фильтров далеко продвинул возможности других форм краудсорсинга. Даже новости сегодня приобретают форму совместных суждений миллионов читателей. Большинство служб новостей, от NPR до The New York Times, имеют колонки на своих сайтах, где публикуется рейтинг статей на основании их популярности у читателей. «Это можно “обыграть”, – говорит Дэвид Карр, обозреватель газеты The Times. – Животное, преимущественно дельфин, или другой популярный персонаж помогают зацепить читателя на крючок. Редакторы обращают на это внимание, и корреспонденты знают, когда их публикации пользуются популярностью».