Наше лучшее решение: позволить ИИ принимать решения за нас?

Пока писалась эта статья, я периодически просматривал варианты беспроводных наушников в интернет-магазинах. Возможно, вы слышали: Apple уничтожила гнездо для наушников на своем новом поколении iPhone, оставив только один порт. Это значит, что если вы захотите заряжать телефон и слушать музыку одновременно, вам понадобится пара отличных наушников. И они, как правило, недешевы. Что делать?

Каждый день мы принимаем гигантское количество решений — больше 200 из них касаются только еды — и бизнес никак нам в этом не помогает. «Потребители хотят больше выбора» — эта мантра лежит в основе множества современных компаний, которые плодят и множат варианты, множат и плодят.

Действительно ли больше значит лучше?

В 2004 году психолог Барри Шварц популяризировал «парадокс выбора»: когда нам предлагают слишком много вариантов, мы столбенеем в нерешительности и испытываем крайнее неудовлетворение. С этим может быть связана и более коварная проблема, «усталость принимать решения» — некоторого рода утомление мозга, которое появляется, когда мы перебираем слишком много вариантов, постепенно упуская что-то из вида или вовсе теряя желание что-то решать. Это утомление может объяснить, почему судьи принимают больше строгих решений после полудня, почему мы покупаем всякую дрянь, когда голодны, или неконтролируемо едим перед сном.

Принимая колоссальное число решений изо дня в день, большинство приходит к тривиальным вариантам — что есть, носить, читать — поскольку не в силах использовать ограниченную силу мозга на всю. Вместо того, чтобы тратить силы попусту и зря на принятие эти микрорешений, возможно, стоит отдать это на аутсорсинг компаниям и алгоритмам?

Не хочу ничего решать

По мнению Аарона Шапиро, CEO креативного агентства Huge, именно такой мир начинает складываться вокруг нас. Вот манифест Шапиро:

«Следующий большой прорыв в области дизайна и технологий будет заключаться в создании продуктов, услуг и опыта, которые устранят ненужный выбор в нашей жизни и освободят нас для того выбора, который нам действительно нужен. Опережающий дизайн».

В двух словах, опережающий дизайн создает экосистему, в которой пользователям не придется принимать решения — вместо этого, выбор будет сделан автоматически от имени пользователя. ИИ определяет лучший вариант, опираясь на предыдущее поведение пользователя, предыдущие выборы и другие данные, руководствуясь также простой логикой бизнеса и здравым смыслом.

В некотором смысле опережающий дизайн — это персонализация на стероидах.

Вот пример. Допустим, вам нужно забронировать рейс — вы ищете варианты на сайтах, собирающих предложения авиакомпаний, в поисках лучшего, взвешивая цены и агонизируя, делая всю черную работу самостоятельно. Опережающий дизайн позволит ИИ-помощнику сканировать ваш календарь в поисках грядущих загородных событий и автоматически заказывать билет, тщательно подбирая авиакомпании, места, время перелета и цены, опираясь на ваши предыдущие заказы.

Конечно, с системой вроде этой поначалу потребуется обратная связь, объясняет Шапиро. Однако, как и любая другая система машинного обучения, чем больше вы будете ее использовать, тем лучше она будет. В конце концов, система будет упрощать вашу жизнь, убирая промежуточные шаги к цели — будь то покупка билета, выбор ресторана или выбор даты для свидания. Вместо того, чтобы попросить Siri вызвать Lyft, помощник ИИ автоматически запланирует, когда нужно забрать вас после корпоратива.

Опережающий дизайн ставит задачей предоставить вам то, что технологии обещали в первую очередь: сделать все проще.

Плыть, а не спотыкаться

По словам Шапиро, некоторые уже предприняли первые шаги в этом направлении, хотя и со смешанными результатами. Например, Amazon, Netflix и Pandora дают рекомендации на основе последних выбранных вариантов пользователем. Впрочем, справедливым будет замечание, что они лишь усложняют всё, поскольку последний выбор остается за пользователем.

В противоположность этому, умный термостат Nest делает все, не спрашивая вас. Этот «ребенок с плаката» «Интернета вещей» автоматически настраивает комнатную температуру в зависимости от времени суток и ваших предыдущих предпочтений.

И есть Spotify. Вместо того, чтобы предлагать отдельные песни для выбора пользователей, как это делают конкуренты, плей-листы в Discover Weekly подбираются на основании вкусов пользователя и чрезвычайно популярны. Возможно, в этом секрет популярности самого сервиса Spotify.

«Нетрудно понять, как можно было бы развивать современные сервисы в рамках опережающего дизайна», говорит Шапиро.

Возможно. Я разделяю ваш скепсис. Действительно ли наше поведение настолько предсказуемо, что алгоритм сможет попасть точно в яблочко?

Свобода — это рабство

Если что-то глубоко субъективное, вроде музыкальных предпочтений, может быть с такой легкостью быть разгадано компьютером, есть надежда, что наши процессы принятия решений — которые мы и сами иногда не понимаем — могут быть автоматизированы до определенной степени.

Правда, чтобы такие системы работали гладко, нужны данные. Много данных.

К счастью, мы живем в эпоху, в которую «нас легко посчитать». Fitbit и другие устройства такого плана — это лишь верхушка айсберга; будущие устройства смогут собирать информацию обо всех аспектах нашей физиологии в режиме реального времени, о гормонах и мозговых волнах, и строить модели эмоционального состояния и предпочтений пользователя.

Небольшой экспериментальный пример уже есть. В прошлом году японская марка одежды Uniqlo разработала алгоритм UMOOD, помогающий клиентам выбрать идеальную рубашку из ее большой коллекции.

Магазин начал категоризацию своих футболок и цветов по разным «территориям настроения», основываясь на данных опроса — например, зеленый значит спокойствие. Затем клиенты надевали наушники, которые измеряли их мозговую активность при просмотре видеоклипов, представляющих различные виды настроений. UMOOD измерял отклик на видео и предлагал лучшую футболку из всех возможных.

Да, это бесполезный алгоритм. Но клиентам он понравился.

Выбор рубашки может показаться тривиальным, но подобные технологии могли бы потенциально помочь нам с банковским делом, финансами и другими крупными решениями в жизни. Первые системы опережающего дизайна могли бы предлагать решения, а не выполнять наши. Как только доверие будет заработано, можно будет объединить различные потоки данных из различных источников в систему, которая будет «за кулисами делать все автоматически, позволяя вам сосредоточиться на том, что наиболее важно в работе и жизни».

Несомненно, Шапиро рисует весьма светлое будущее. Но он помнит и о проблемах.

Очевидное беспокойство вызывает конфиденциальность данных. Опережающий дизайн представляет новые этические пункты, которые придется отметить программистам и потребителям. Можно ли доверять системе защиту персональных данных от хакеров и маркетологов? Или же конфиденциальность будет вызывать вопросы?

Впрочем, проблема защиты собственных данных существует уже давно, независимо от будущего опережающего дизайна. Но ведь никто не заставляет к нему прибегать — в конце концов, вы сможете оставить выбор за собой, как бы иронично это ни звучало. Если такой сервис добьется своей цели и позволит нам высвободить наши умственные ресурсы, мы получим больше власти над тем, какие решения принимаем. Сбросив с себя частично груз ответственности и позволив машинам делать рутину, мы сможем сосредоточиться на принятии решений, которые действительно имеют значение.