Таким образом, клик по объявлению становится похож на клик по результату поиска: признаком намерения пользователя. В модели оплаты за клик компании Overture объявления продавались по самой высокой цене, предложенной компанией, готовой заплатить больше всех за то, чтобы ее объявление отображалось на популярной странице релевантных результатов поиска и на желаемой позиции. С этой моделью компания добилась скромных успехов, а реально преуспела она только тогда, когда эту идею стала продвигать корпорация Google. Проницательность Google заключалась в том, что фактический доход от рекламы с оплатой за клик был комбинацией его цены и вероятности того, что ссылка на рекламу в самом деле будет нажата. Объявление, которое стоит всего 3 доллара США, но по которому переходят в два раза чаще, чем по объявлению стоимостью 5 долларов, принесет дополнительный доллар к ожидаемому доходу. В ретроспективе измерение вероятности клика по объявлению и его использование для классификации мест размещения рекламы очевидно, но, как и в случае с «покупкой в 1 клик» в магазине Amazon или с автоматической оплатой приложения Uber, люди, ослепленные сложившимися стереотипами о том, как должна продаваться реклама, не могли себе этого представить.
Это очень упрощенная схема того, как действительно работает рекламный аукцион Google, но она дает представление о соответствии поисковой бизнес-модели корпорации Google ее обещанию помогать пользователям находить наиболее релевантные результаты.
Компании Facebook не так повезло с определением соответствия между задачами своих пользователей и своих рекламодателей.
Почему? Люди обращаются к социальным сетям не только за фактами. Они обращаются к ним для общения со своими друзьями, за новостями, развлечениями и последними мемами. В попытке охватить эти задачи пользователей компания Facebook избрала функцию приспособленности, которая измеряет то, что, по их мнению, пользователи считают значимым. Подобно Google, Facebook использует множество сигналов, чтобы определить, что их пользователи считают наиболее значимым в своей ленте, но один из самых сильных тот, что мы могли бы назвать «вовлеченностью». Вездесущая кнопка Like под каждым постом – это одно из мерил вовлеченности; пользователи хотят получить выброс эндорфина, который происходит, когда их друзья обращают внимание на контент, которым они делятся, и одобряют его. Facebook считает клики, так же как Google, но клики, которые они больше всего ценят, – это не те, с помощью которых люди переходят на другие сайты, а те, благодаря которым они остаются на сайте и ищут нечто похожее на то, что они только что видели.
Изначально лента новостей Facebook была четко выстроенным во времени набором обновлений от друзей, на которых вы подписались. Это была нейтральная платформа. Но как только компания Facebook поняла, что может получить более высокий уровень взаимодействия, продвигая страницы с наибольшим количеством «лайков» и наиболее кликабельные ссылки в верхнюю часть новостной ленты, иногда показывая их снова и снова, она стала чем-то вроде старых телемагазинов.
В первые дни коммерциализации Интернета у меня была возможность посетить компанию QVC, «бабушку» телемагазинов, которая хотела создать онлайн-эквивалент своей передаче. На трех вращающихся сценах располагались товары и ведущие, которые восторженно рекламировали их зрителям. Напротив сцены стоял аналитик с гигантской компьютерной рабочей станцией, отслеживающий количество звонков и продаж каждого из call-центров компании в режиме реального времени. Он только тогда посылал сигнал переходить к следующему продукту, когда заинтересованность к предыдущему и его продажи падали. Мне сказали, что ведущих нанимали на работу за способность неустанно рассказывать о достоинствах карандаша в течение как минимум пятнадцати минут.
Это образ социальных сетей с их вовлеченностью в качестве функции приспособленности. Миллионы ведущих, работающих в режиме нон-стоп. Миллиарды персональных торговых каналов для контента.
Как и в случае с Google, на сильных и слабых сторонах алгоритма вскоре стали играть как честные, так и нечестные игроки. Как совершенно точно обобщил идеи Маршалла Маклюэна отец Джон Калкин: «Мы формируем наши средства коммуникации, а затем наши средства коммуникации формируют нас». Вы выбираете функцию приспособленности для своих алгоритмов, а они, в свою очередь, формируют вашу компанию, ее бизнес-модель, ее клиентов и в конечном счете все наше общество. Мы рассмотрим некоторые из недостатков функции приспособленности Facebook в главе 10 и функции финансовых рынков – в главе 11.
От реактивного двигателя к ракетам
Если начало использования вероятностных больших массивов данных было похоже на замену поршневого двигателя реактивным, начало использования машинного обучения похоже на переход к ракетам. Ракета может полететь туда, куда не может полететь устройство с реактивным двигателем, поскольку оно несет не только собственное горючее, но и собственный кислород. Это слабая аналогия, но она дает представление о глубине изменений, которые машинное обучение привносит в практику даже такой компании, как Google.
Себастьян Трун, первопроходец в области беспилотных автомобилей, который руководил первыми попытками Google в этой сфере и который в настоящее время является генеральным директором платформы онлайн-обучения Udacity, рассказал о том, как меняется практика разработки программного обеспечения: «Раньше я разрабатывал программы, которые делали именно то, что я им говорил делать, что заставляло меня создавать правила для каждой непредвиденной ситуации. Теперь я строю программы, насыщаю их данными и обучаю их, как делать то, что мне нужно».
При использовании старого подхода у инженера-программиста, работающего над поисковой системой Google, возможно, возникла бы гипотеза о сигнале, который улучшил бы результаты поиска. Он скопировал бы алгоритм, проверил его на некой подгруппе поисковых запросов и, если бы результаты стали лучше, мог бы перейти к внедрению. Если бы результаты не улучшились, то разработчик, возможно, изменил бы код и повторил эксперимент. При использовании машинного обучения разработчик, как и прежде, начинает с гипотезы, но вместо того, чтобы создавать алгоритм для обработки данных вручную, он составляет набор обучающих данных, отражающих эту гипотезу, а затем передает данные программе, которая выводит модель – математическое представление элементов, которые необходимо искать в данных. Этот цикл повторяется снова и снова, при этом программа вносит поправки в модель до последней минуты, постепенно трансформируя гипотезу с использованием такой техники, как градиентный спуск, пока она не будет более точно соответствовать данным. Короче говоря, усовершенствованная модель рождается благодаря изучению данных. Затем эту модель можно использовать для работы с реальными данными, аналогичными набору обучающих данных.
Ян Лекун, пионер революционного метода машинного обучения, названного глубинным обучением, в настоящее время возглавляющий лабораторию исследования искусственного интеллекта в Facebook, использует следующую аналогию, чтобы объяснить, как модель обучается распознаванию изображений:
«Система распознавания образов похожа на черный ящик с камерой с одной стороны, с зеленой и красной лампочкой сверху, а также с целой кучей рычагов спереди. Алгоритм обучения пытается настроить рычаги так, чтобы, когда перед камерой находится, скажем, собака, загорался красный свет, а когда перед камерой находится автомобиль, загорался бы зеленый свет. Вы показываете машине собаку. Если красный свет яркий, ничего не делайте. Если он тусклый, подрегулируйте рычаги так, чтобы свет стал ярче. Если загорится зеленый свет, настройте рычаги так, чтобы он стал тусклее. Затем покажите автомобиль и подстройте рычаги, чтобы красный свет погас, а зеленый свет стал ярче. Если вы покажете много примеров автомобилей и собак и каждый раз будете продолжать подстраивать рычаги, в конце концов машина каждый раз начнет выдавать правильный ответ… Сложность заключается в том, чтобы выяснить, в каком направлении регулировать каждый рычаг и насколько, и особо с ними не возиться. Это включает в себя вычисление «градиента», который указывает для каждого рычага, как изменяется свет при его регулировании. Теперь представьте себе коробку с 500 миллионами рычагов, 1000 лампочек и 10 миллионами изображений для обучения. Это типичная система Глубинного обучения».
