Грозит ли высокотехнологичной инфраструктуре «солнечный удар»? В конце августа NASA сообщило о том, что после многочисленных неудачных попыток удалось восстановить связь со спутником STEREO-B

На протяжении 22 месяцев специалисты пытались установить контакт с одним из спутников миссии по изучению солнечной активности. Он был потерян 1 октября 2014 г. после принудительной перезагрузки систем аппарата в ходе его подготовки к так называемому соединению с Солнцем. Наглядное представление об этой конфигурации дает известный фильм «Меланхолия» – объект невозможно увидеть с Земли, когда он находится за нашим светилом.

Научные проекты, связанные с изучением космоса, в последнее время стараются представить как захватывающее шоу. Панорамы вади на Марсе, детальные снимки Плутона, стремительно растущие списки «землеподобных» экзопланет, садящиеся на морскую платформу ракеты носители, красочные промо-ролики будущих амбициозных миссий возродили интерес публики к освоению далеких миров. Такие программы, как STEREO и SDO (Solar Dynamics Observatory), не могут похвастаться презентациями, поражающими воображение непрофессиональной аудитории. Однако новые данные, необходимые для изучения солнечной активности, мониторинга и прогнозирования космической погоды, имеют огромное практическое значение. Более того, не только для индустрии высоких технологий, но и мировой экономики в целом исследование различных аспектов Солнечно-Земных связей может оказаться жизненно важным.

Многие слышали от солнечном супершторме 1859 г. Самую мощную геомагнитную бурю за историю наблюдений и вызвавшие её явления на Солнце часто называют «событием Каррингтона».

Возмущения магнитосферы Земли тогда оказались настолько мощными, что северные сияния можно было наблюдать даже в тропиках, а еще немногочисленные в то время телеграфные линии вышли из строя по всему миру.

Сегодня мы настолько зависим от всевозможных ICT решений и энергосистем, что даже непродолжительные сбои в их работе нередко оборачиваются многомиллиардными убытками. Между тем с конца сороковых годов прошлого века было отмечено множество случаев выхода из строя телекоммуникационных спутников и оборудования, различных элементов инфраструктуры электростанций (в том числе атомных) и сетей энергоснабжения, связанных с геомагнитными бурями, которые, в свою очередь, были вызваны солнечной активностью. При этом следует отметить, что возмущений магнитосферы нашей планеты, сопоставимых по мощности с событием Каррингтона, за это время не было.

В работе Love et al. (2015) показано, что в среднем инциденты, сравнимые или даже более разрушительные, чем супершторм 1859 г., происходят по крайней мере один раз за столетие.

Специалисты Cambridge Centre for Risk Studies недавно представили результаты моделирования, проведенного с целью определить возможный ущерб и последствия такой геомагнитной бури. Даже самый оптимистичный из рассмотренных сценариев предполагает, что прямые и косвенные убытки, вызванные сбоями в глобальной цепи поставок, составят около полутриллиона долларов.

Ряд других исследований указывает на то, что совокупные потери мировой экономики в случае, если событие Каррингтона повторится в наше время, составят более двух триллионов долларов, при этом едва ли можно точно оценить возможные социальные последствия. Блэкаут, который затронет сотни миллионов человек во всем мире, едва ли окажется самой серьезной проблемой. Кроме того, мы уже были свидетелями того, как даже сравнительно незначительные на начальном этапе экономические неурядицы становились триггерами глобальных потрясений.

Уровень готовности инфраструктуры к серьезным геомагнитным бурям в развитых государствах серьёзно повысился. В странах Скандинавии и в Австралии проведена большая работа по совершенствованию защиты различных элементов инфраструктуры и включению данных мониторинга космической погоды в системы управления. Это не случайно, поскольку из-за топологии магнитосферы Земли именно на высоких широтах последствия магнитных бурь могут быть наиболее ощутимыми.

Для космических аппаратов зачастую куда большее значение имеет непосредственное воздействие солнечного ветра, резкое повышение интенсивности которого, собственно, и является причиной магнитных бурь, возникающих при его вторжении в магнитосферу Земли.

Примечательно, что в 2012 г. выброс вещества из солнечной короны, сравнимый по своим характеристикам с тем, что вызвал супершторм 1859 г., лишь немного разминулся с нашей планетой. На его пути оказался один из спутников миссии STEREO, о которой уже говорилось выше. Однако, поскольку он был изначально спроектирован для работы в «агрессивной» среде, аппарат остался в строю и заснял это событие.

Можно сказать, четыре года назад нам крупно повезло. Тогда поток плазмы, летящий со скоростью несколько тысяч километров в секунду, прошел мимо Земли.

На данный момент горизонт прогнозирования космической погоды с приемлемой точностью составляет 1-3 дня. Мы не можем наверняка сказать, когда именно нам следует ждать неприятностей. Тем не менее, анализируя статистические данные, можно сделать некоторые предположения. Расчеты Pete Riley, представленные в статье «On the probability of occurrence of extreme space weather events», показывают, что вероятность нового события Каррингтона в интервале 2012-2022 гг. составляет около 12%. Много это или мало? Зависит от выбранной системы оценки рисков. Однако в этот раз, если северным сиянием удастся полюбоваться на Гавайях, перебоями в работе телеграфа дело точно не ограничится.

Публикаций, посвященных поиску работы, бесчисленное множество. Большая их часть описывает типичные ошибки кандидатов и содержит рекомендации в отношении оформления резюме и «правильного» поведения на интервью. Однако возникает вопрос, кто и для чего их пишет?

Очень часто утверждают, что стратегия соискателя должна сводиться к тому, чтобы «суметь продать себя за 30 секунд». Мол, желающих очень много, HR чрезвычайно занятой человек и вчитываться в ваше CV он не станет. Так что представьте себе, что вы должны заинтересовать менеджера по персоналу, просто столкнувшись с ним случайно в лифте. Безусловно, это очень удобно для тех, кто ищет сотрудников. Претенденты должны найти вашу компанию, связаться с вами и сразу же убедить в том, что именно у вас они мечтали работать всю жизнь.

Если ваша корпорация называется Google, это можно понять. Если же вы счастливый владелец компании-интегратора, посильно внедряющей оборудование иностранных поставщиков в глуши, до того момента, как человек оказывается на интервью, по открытым источникам у него может сложиться лишь самое общее впечатление о своем потенциальном работодателе. Кроме того, чтобы ожидать от соискателей той же квалификации, что требуется в описании позиций Google (essential requirements часто просто копируют с сайтов лидеров индустрии), нужно предложить им условия труда, которые будут хотя бы такими же, как в Microsoft.

И если работодателю требуется не рабская сила, а специалист в той или иной области (а то и вовсе с мышлением outside the box, как любят писать многие «продвинутые» HR), можно предположить, что именно люди, способные критически оценивать действительность, будут наиболее ценными сотрудниками. А потому до личного знакомства у них не больше причин мечтать о позиции в вашей компании, чем у вас нанять их на работу.

Нам с усталой снисходительностью рассказывают, что нельзя начинать сопроводительные письма с безличного «уважаемый/ая» (Dear Sir/Madam), а следует узнать, как зовут менеджера по персоналу, выяснить его пол, чтобы правильно построить предложение (что, очевидно, не всегда возможно, поскольку даже полное имя и фамилия иногда не позволяют идентифицировать таковой). Кроме того, в описании вакансии зачастую отсутствуют данные контактного лица и можно найти только электронный адрес отдела кадров. Но у вас же уйма времени, так что это все не может стать препятствием в поисках правильного обращения. Что же будет, если вы все же не справитесь с этой задачей и начнете письмо с вежливого, но не персонифицированного «уважаемый…»? Ничего хорошего, как утверждает очередная статья на этот счет: «…пусть потенциальный работодатель сразу поймет, что вы ему не нужны. А еще лучше, напишите: «Дорогой сотрудник отдела кадров». Лень – это не то качество, ради которого компания будет на вас охотиться. Мэри Эллен Слейтер, основатель Reputation Capital Media Services, а ныне эксперт по развитию карьеры в Monster, предлагает потрудиться и выяснить имя адресата. Она говорит: «Такое безличное обращение показывает, что вы не нашли времени поинтересоваться, кому именно пишете».

Примечательно, что, если сопоставить рекомендации по оформлению резюме, окажется, что они прямо противоречат друг другу. С одной стороны, нам указывают на то, что есть определенный стиль, протокол, а также обязательные для использования обороты и концепции. С другой стороны, рекомендуют как огня опасаться стереотипов.

Нет никаких сомнений в том, что рынок балансирует спрос и предложение. Если некая линия поведения кадровиков на протяжении долгого времени позволяет сохранять позицию на рынке, это означает, что она является приемлемой, и сетовать на то, что «так нельзя» – довольно глупо. Однако не все так просто.

За последние 30-40 лет сложилась ситуация, когда общее число находящихся в поисках работы специалистов (точнее, лиц, формально обладающих соответствующим образованием) в областях, так или иначе связанных с IT, существенно превышает количество открывающихся позиций.

Если человек претендует на должность в департаменте продаж или роль креативного директора, он должен уметь правильно себя подать или составить оригинальное резюме. А если речь идет о хорошем программисте? Не все рождены предпринимателями. Не следует думать, что того, кто по каким-то причинам не заинтересовал менеджера по персоналу, можно считать успешным человеком только в том случае, если он организовал процветающий стартап.

Компании – особенно в развитых странах – ломают голову над тем, как им улучшить свои показатели (например, по выручке) хотя бы на несколько процентов. Не стоит ли, прежде чем звать бизнес-консультантов и думать о диверсификации, чуть лучше ознакомиться с тем, как работает ваш HR? Возможно, он начитался популярных статей о KPI и методиках отбора кандидатов, а также может блеснуть несколькими модными терминами из области психологии. Изредка попадаются даже те, кто имеет определенное представление о том, чем занимается ваша компания. Но действительно сильный кандидат вовсе не обязательно хорошо составляет резюме с точки зрения «передовых» доктрин хедхантинга, базирующихся обычно лишь на некоторых раскрученных догматах и авторитете очередных «гуру» индустрии. При этом он вполне может принести компании куда больше пользы, чем трансформация бизнес процессов и десяток кандидатов, «правильных» с точки зрения шаблонов, которыми оперирует менеджер по персоналу. Бэконовские идолы театра часто поселяются в демонах Максвелла, порождая причудливых химер.

Не все можно – и нужно – продать за 30 секунд. Помимо прочего, возникает вопрос, можно ли рассчитывать на сотрудника, который так хорошо «продает себя». Ведь если это один из ключевых его навыков, он уйдет от вас, как только получит лучшую цену. Все это особенно актуально для компаний сегмента IT и позиций связанных с высокими технологиями.

Если на какую-то роль выстраивается очередь, позволяющая HR выбирать резюме наугад, скорее всего, либо сама должность не требует серьезной квалификации, либо ее описание сформулировано таким образом, что вызывает интерес у заведомо нерелевантных кандидатов.

HR – одна из ключевых позиций в компании. От этого специалиста зависит, кто попадает в «шорт лист» претендентов, и климат в уже сложившемся коллективе. Но где найти хорошего менеджера по персоналу, чтобы нанять хорошего менеджера по персоналу?

Если проанализировать методики, которыми пользуются при отборе соискателей, может сложиться впечатление, что самым эффективным инструментом для кандидата будет резюме, состоящее из одних «хэштегов». Просто списком перечисляющее все модные термины и передовые продукты/ инструменты, относящиеся к профессиональной области, плюс набор квалификаций/ навыков, упомянутых как обязательные и желательные в описании вакансии.

Однако ближе всего к истине, похоже, были профессионалы, дискутировавшие об этом на известном американском индустриальном сайте. Один из них предположил, что, с учетом прямо противоречащих друг другу рекомендаций в отношении того, что следует и что не следует включать в резюме, единственной разумной доктриной является отправка работодателю CV, в котором будут указаны лишь ваше имя и фамилия. На что его коллега возразил, что они тоже могут не понравиться менеджеру по персоналу, так что лучше просто послать чистый лист. Что ж, с этим трудно не согласиться. По крайней мере, такое резюме точно будет выделяться.

Еще в 2012 г. журнал Harvard Business Review объявил Data Science самой интересной профессиональной областью 21 века (буквально the sexiest job of 21^st century). Насколько обоснованной кажется эта оценка сегодня?

Уже на уровне дефиниций с наукой о данных (Data Science) возникают проблемы. Разные источники и специалисты включают в это понятие целый ряд дисциплин, которые либо являются составной частью других отраслей, либо представляют из себя некие не до конца определенные концепции, ставшие популярными в значительной мере благодаря усилиям маркетологов. В итоге публике предлагаются всевозможные варианты диаграмм Венна, похожие на ту, что приведена ниже.

(иллюстрацию можно увеличить, кликнув на нее)

Среди современных методов и подходов, относящихся к работе с данными, сложно найти те, что в определённом контексте не фигурируют среди разделов Data Science. Как это часто бывает, популярность быстро превращает объект в своеобразный священный Грааль, воспринимаемый многими как подлинное откровение. Суть предмета перестает быть различимой, зато вокруг него рождается множество мифов и преданий, формируется свой пантеон. Безусловно, не последнюю роль в этом играет пресловутый эффект Даннинга-Крюгера, который все чаще проявляется у людей, принимающих решения.

Современная наука о данных очень часто применяется для решения обратных задач, когда значения тех или иных исходных параметров пытаются получить, исходя из результатов апостериорных наблюдений. Вообще говоря, это некий феноменологический подход, в котором рабочие гипотезы, дающие удовлетворительное описание явлений, оказываются гораздо важнее природы этих явлений. Другими словами, практическая применимость полученных в ходе исследований результатов, возможность их использования для прогнозирования, представляют куда более значительный интерес, чем причины происходящего.

Это, в свою очередь нередко приводит к тому, недостатки и риски, связанные с каждой из входящих в Data Science дисциплин, суммируются и создают кумулятивный эффект. Старая юмористическая заметка «О вреде огурцов» из книжки «Физики все еще шутят» описывала примеры ложной корреляции, на которую зачастую попадаются статистики; она становится все более актуальной по мере развития методологии Data Science в бизнес среде. Также можно наблюдать, как попытки использовать совокупность инструментов Data Science для идентификации проблем и поиска путей их приемлемого решения приводят к проявлению хорошо известной т.н. систематической «ошибки выжившего» (survivorship bias). Ее лучшим примером является задача, поставленная во время Второй мировой войны перед математиком Абрахамом Вальдом. Необходимо было добиться снижения потерь, осуществив анализ повреждений, которые получают в бою самолеты. Поскольку на тех, что возвращались на базу, чаще всего были множественные пробоины в крыльях и киле, предлагалось укрепить броней именно эти элементы. Вальд обратил внимание рабочей группы на то, что сделать следует ровно противоположенное. Защитить дополнительно нужно именно те места, которые на большинстве машин пострадали меньше всего – кабину и топливные баки – поскольку пораженные в эти области самолеты попросту не смогли вернуться. Но не для каждой задачи находится свой Вальд.

Даже те, кто получил хорошее образование и следит за инновациями, зачастую имеют лишь самое общее представление, например, о технологиях machine learning и нейронных сетей. Безусловно, практические результаты, полученные в последнее время в этой области, впечатляют. Однако определить, в какой мере подобные системы могут помочь при решении задач, стоящих перед бизнесом, могут далеко не все. Легко заметить, что вакансий Data Scientist открывается все больше; эти позиции уже несколько лет входят в тройку наиболее высокооплачиваемых в индустрии IT. Работодатели при этом ожидают от кандидатов владения очень широким инструментарием, включающим в себя множество самых разных навыков в технологической, научной и бизнес сферах. Выстраивается примерно такая картина требований (см. рисунок).

(иллюстрацию можно увеличить, кликнув на нее)

Чаще всего (в порядке убывания) фигурируют такие компетенции как Data analysis, R, Python, Data Mining, Machine learning, Statistics, SQL, Analytics, Matlab, Java, Statistical Modelling, Algorithm Design, C++, BI/BA, Big Data, SAS, Hadoop, Programming, Research, Software Engineering, Cloud Computing, OSINT (Open source intelligence). Плюс к этому требуется опыт визуализации и представления данных, понимание бизнес-процессов и экономики, коммуникативные навыки. Не будем слишком придирчивыми и проигнорируем тот факт, что среди перечисленных выше запросов перемешаны конкретные продукты и концепции/дисциплины, в которых эти продукты применяются.

Безусловно, специалисты, обладающие всеми упомянутыми компетенциями, есть. Однако в зависимости от возложенных на них функций, профессионалы, работающие в области Data Science, совершенствуют в большей степени те навыки, которые соответствуют их роли. При этом в тех компаниях, где они действительно востребованы, отчетливо прослеживается тенденция к поиску узких специалистов, а не «великих полиматов».

(иллюстрацию можно увеличить, кликнув на нее)

И все же реальные потребности (и возможности) бизнеса, как правило, куда прозаичней. Особенности индустрии, внутренних процедур, методов генерации и сбора данных, устоявшейся модели делопроизводства, специфики развития и позиционирования многих компаний таковы, что для большей части задач по сбору и анализу данных, с целью определения неких паттернов, которые позволяют осуществлять управление, планирование и прогнозирование, вполне достаточно минимума инструментов и самых базовых компетенций. В девяти случаях из десяти набор приложений MS Office, элементарные навыки очистки данных, например, с использованием Python и, в некоторых отраслях, умение писать SQL запросы, решают все задачи, которые могут возникнуть. Это не означает, что эксперт в области Data Science не может найти потенциально чрезвычайно важные для такого работодателя закономерности и подготовить ценные рекомендации, однако их практическое использование обычно натыкается на внутренние ограничения, архаичные практики и нежелание существенно трансформировать модель ведения бизнеса (что и в самом деле может оказаться рискованным решением).

В этой связи интересно узнать, чем же на самом деле занимается большинство из тех, чья позиция в компании обозначается как Data Scientist.

(иллюстрацию можно увеличить, кликнув на нее)

Результаты проведенного опроса красноречиво свидетельствуют, что в большинстве случаев, выражаясь деликатно, до работы с системами искусственного интеллекта дело не доходит. В самом деле, для задач сбора, очистки и структурирования данных не только не требуется PhD в области Computer Science (в то время как более сорока процентов из числа тех, кто работает в этой сфере, имеет ученую степень), но и вообще навыков, которые нельзя было бы освоить в ходе двухнедельного корпоративного тренинга. А уж если офисного клерка еще и обучить азам работы с инструментами анализа и визуализации, например, такими, как Tableau, в большинстве компаний он вполне сможет считать себя гуру Data Science.

Нет сомнений, что сформировалось значительное число областей, где колоссальные объемы доступной для анализа информации, бесчисленные источники данных (в том числе порожденные развитием IoT) и невиданные прежде вычислительные мощности создают фантастические возможности не только для проведения академических исследований или разработки перспективных технологий, но и стремительного роста бизнеса. Компании и организации, занятые развитием, например, геоаналитических платформ, поисковиков, систем распознавания, робототехники, биомедицинской инженерии и многих других направлений, действительно нуждаются в тех, кто сможет с помощью математики, программирования и знания бизнеса приготовить идеальный «коктейль» из разнообразных данных. Однако большая часть задач, для решения которых ищут эксперта в области Data Science, вовсе не требуют высокой квалификации. Для того, кто действительно обладает всеми знаниями, навыками и опытом, которые принято относить к этой области, куда более целесообразно организовать стартап, позволяющий реализовать весь свой потенциал, чем пытаться найти ему применение в одной из множества компаний, руководство которой просто решило не отстать от моды и уверовало в тех, кого воспринимает как современных алхимиков. Ведь, помимо прочего, в бизнесе, не связанном с высокими технологиями, несмотря на использование к месту и не к месту слов digital и smart, очень скоро могут осознать, что работа Эйнштейна в патентном бюро не сделало последнее процветающим предприятием. Это вполне может привести к снижению интереса к Data Science. Однако не приходится сомневаться, что не заставит себя ждать новая раскрученная концепция, за вывеской которой будет скрываться умение анализировать данные и делать выводы на их основе, способная, по мнению адептов, облагодетельствовать каждого.

В сетевых структурах количество может стремительно переходить в качество. Рост числа вершин и плотности описывающего их графа, повышение пропускной способности и защищенности связей, а также расширение круга акторов в какой-то момент заставляют систему пройти через точку бифуркации.

В недалеком будущем такое понятие, как failed state, вероятно, придется расширить. В тот момент, когда государство утрачивает монополию на эмиссию денег, перестает контролировать международную торговлю и сбор налогов, исполнение и принятие законов, а также арбитраж, утрата им исключительного права на применение силы в собственных границах становится лишь вопросом времени. Наиболее развитые страны для решения различных задач, в том числе связанных с усилением контроля за деятельностью граждан, активно используют новейшие разработки, однако, похоже, что уже через несколько лет они могут обернуться против правительств, которые не пожелают адаптироваться к переменам.

Развитие новых технологий и сегментов рынка сегодня происходит так быстро, а процессы в различных отраслях экономики усложнились настолько, что для оценки тех или иных продуктов даже на уровне функционала зачастую просто не хватает времени. И, хотя целый ряд институтов и организаций посвящают объемные исследования сценариям возможной трансформации ландшафта ИТ в обозримом будущем, а также пытаются определить, как эти изменения могут сказаться на экономике и социальной сфере, приходится констатировать, что очень часто решения, на которые еще вчера практически никто не обращал внимания, буквально на наших глазах меняют парадигму индустрии.

Есть несколько концепций, совокупный эффект от внедрения которых выйдет далеко за пределы сегмента ИТ. Это блокчейн, криптовалюты, квантовое шифрование и fog computing. С точки зрения теории, ни одна из них не является чем-то принципиально новым. Однако их массовая реализация стала возможной совсем недавно, после появления необходимой вычислительной и телекоммуникационной инфраструктуры, механизмов сбора и анализа данных, а также развития смежных отраслей.

Мы вплотную подошли к моменту, когда государство как институт впервые может оказаться абсолютно беспомощным с точки зрения выполнения ряда функций, на протяжении очень долго времени остававшихся его имманентным атрибутом. Разумеется, различные законодательные инициативы могут ограничить использование этих решений, однако такие меры, по всей видимости, будут исключительно паллиативными. История противостояния правительств и ведомств с разработчиками таких, например, решений, как Tor и Telegram, демонстрирует, что репрессивные средства не слишком действенны. Более того, хотя многие игроки очень настороженно смотрят на становление таких концепций, как блокчейн (в частности, представители банковского сообщества усматривали в ней серьезную угрозу для своего бизнеса, а потому изначально были настроены весьма решительно), выгоды, которые сулит ее внедрение, уже сейчас заставляют все чаще воспринимать данное решение как реальную альтернативу более традиционным методам организации транзакций.

Можно, разумеется, рассуждать о попытках регулирования телекоммуникационной инфраструктуры/ каналов доступа на физическом уровне и тотальном контроле за всеми инструментами обмена данными, однако, даже если абстрагироваться от проблем, связанных эффективностью и стоимостью подобных программ, очевидно, что их последовательная реализация неизбежно повлечет за собой резкое снижение конкурентоспособности государства и нарастающее отставание в технологической сфере.

Другими словами, есть высокая вероятность того, что уже в недалеком будущем у института государства из всех присущих ему атрибутов останется только закрепленная законом монополия на применение силы, которая в отсутствие прочих инструментов может быть стремительно утрачена, вплоть до перехода в состояние failed state.

За последние годы мы видели немало примеров того, как турбулентности, возникшие в экономике какой-то страны, или неспособность правительств исполнять взятые на себя обязательства приводили к лавинообразно нарастающему кризису в мировых масштабах. Глобализация экономики, ее огромная «сетевая плотность» порождают новые предпосылки для различных проявлений «эффекта бабочки».

С точки зрения грядущих социальных и политических изменений воздействие децентрализованных систем, обеспечивающих сервисы, транзакции и арбитраж, абсолютно независимые от официальных ведомств, может оказаться колоссальным, а сценарий этот выглядит более реалистичным, нежели чем пресловутое «воцарение» ИИ, столь часто фигурирующего в прогнозах как некий «жупел». Во многих случаях государство как институт будет просто исключено из цепочки выработки и принятия решений, а также контроля за их исполнением. Насколько к этому готовы правительства, бизнес и общество пока судить сложно.

Карго-культы за последние сто лет вышли далеко за пределы Меланезии. Они мутируют и, словно пандемия, захватывают новые территории. Ради грядущего изобилия уже не строят муляжи самолетов из пальмовых стволов. Когнитариат идет на смену пролетариату, но можно ли говорить о революционных изменениях?

Хочется нам этого или нет, но в мире уже сформировалась постиндустриальная экономика. Марксисты и их последователи могут сколько угодно критиковать эту концепцию (равно как и ставить под сомнение само ее существование). Однако, реальность такова, что производства с незначительной добавленной стоимостью все чаще выводятся за пределы стран «золотого миллиарда», а государства, чьи доходы базируются лишь на добыче и экспорте сырья, обречены на деградацию и регресс. Технологии и те, кто способен обеспечить их развитие, становятся главным активом современного мира. Здесь, однако, несложно угодить в своеобразную онтологическую ловушку. Многим кажется, что само по себе увеличение, например, рынка ИТ, уже свидетельствует о выборе верного направления развития. Более того, есть те, кто считает, что эти тенденции предоставляют огромные возможности для стремительного роста без существенных инвестиций, в отсутствие капиталоемких отраслей, просто за счет вывода на рынок востребованных инновационных решений, созданных группой энтузиастов буквально «на коленке».

Если говорить о тех, кто способен генерировать передовые идеи, нет сомнений в том, что сегодня у них есть уникальный шанс добиться успеха и материального благополучия. Однако, если мы проанализируем, как процессы, характерные для постиндустриального общества, влияют на экономику той или иной страны, становится очевидным, что сильной положительной корреляции между количеством зарегистрированных в ней компаний, формально работающих в сфере ИТ, и благосостоянием общества в действительности нет.

Для того чтобы высокие технологии способствовали росту экономики, на самом деле, необходимы колоссальные инвестиции (не только финансовые), причем желательно, чтобы большая их часть была сделана не позднее середины XX века. Это расходы на образование, развитие инфраструктуры, исследовательские учреждения, высокотехнологичное производство, институты защиты частной собственности (включая интеллектуальную), арбитраж и т.д. Сама по себе прорывная идея – будучи, безусловно, основой постиндустриальной экономики – изначально не стоит ничего.

Несомненно, некий стартап может на первых порах держаться лишь на энтузиазме создателей, однако в мире не так много мест, где он может стать действительно успешным. Более того, идеи не привязаны к географии. Для их перемещения не требуются контейнеровозы класса Triple E. Девять из десяти наиболее успешных высокотехнологичных компаний, возникших (в большинстве случаев из стартапов) за последние 20 лет, базируются именно в странах «золотого миллиарда». При этом среди их создателей более чем достаточно представителей «развивающихся» государств.

И дело не только в том, что многие серьезные инвесторы не готовы вкладывать в компании, чья штаб-квартира расположена за пределами Кремниевой долины. Просто для того, чтобы инновационное предприятие стало действительно прибыльным, необходима инновационная экономика со всеми ее атрибутами. Оно не может стать «оазисом» посреди выжженной пустыни. В государстве, не инвестировавшем в перечисленные выше отрасли, основатели перспективного стартапа могут в лучшем случае рассчитывать на его своевременную продажу и личное обогащение. Однако для экономики этого государства, даже если компания была его налоговым резидентом, отдача будет просто ничтожной, особенно в сравнении с тем, какую выгоду зачастую приносят идеи, доведенные до массового коммерческого внедрения.

Такие показатели, как расходы на ИТ по отношению к GDP, число компаний, работающих в сфере высоких технологий, динамика импорта аппаратных средств или число проектов, связанных с их развертыванием, к вопросу о соответствии экономики современным требованиям и ее «инновационности» прямого отношения не имеют.

Ряд отраслей, формально относящихся к индустрии знаний, сегодня, фактически, стали уделом «синих воротничков». Например, офшорное программирование во многих случаях напоминает добычу руды в беднейших странах, где стоит очередь из желающих за минимальный оклад производить в тяжелых условиях сырье для расположенных на другом конце Земли предприятий, способных из этого сырья сделать то, что принесет многомиллионную прибыль.

Постиндустриальное общество обесценивает множество профессий, в какой-то мере создавая виртуальную экономику. Высокие технологии оставляют без работы многих из тех, чьи навыки связаны с индустриальной эрой. Взамен они, вроде бы, предлагают все больше вакансий для «яйцеголовых» даже там, где еще вчера не было водопровода. Однако, при ближайшем рассмотрении, эти позиции мало чем отличаются от рутинного труда на фабрике.

В забои Data Mining сегодня зачастую спускают в столь же неприглядной клети, что некогда перевозила шахтеров. Есть своеобразная ирония в том, что, стремясь идти в ногу со временем, HR-менеджеры все чаще используют освоенную в меру способностей методологию big data при поиске кандидатов на работу в ИТ-компаниях. Методология сводится, как правило, к поиску соответствий в тысячах присланных CV по ключевым словам, но и это следует признать квалифицированным подходом, учитывая, что альтернативой, как правило, является выбор нескольких резюме наугад.

Есть задачи, для которых приходится искать профессионалов годами. Но большинству из тех, кого трудоустроит «экономика знаний» в государствах, которые интегрируются в нее благодаря дешевизне труда, строго говоря, не требуется даже высшее образование (ставшее при этом настолько же всеобщим, насколько и сомнительным).

Про то, что к национальному сектору ИТ зачастую относят бесчисленные компании, так или иначе перепродающие импортные решения, и говорить не приходится. Во многих странах на эти компании приходится добрых 90% «инновационной» экономики. Ну что ж, Либерию, в конце концов, можно тоже считать великой морской державой. Ведь по числу зарегистрированных там судов страна занимает второе место в мире.

Словосочетание «технологическая сингулярность» у многих на слуху. Считается, что впервые в контексте развития технологий понятие сингулярности появляется в дискуссии Станислава Улама и Джона фон Неймана еще в конце пятидесятых годов. Однако широко известным оно стало благодаря Вернору Винджу тридцать пять лет спустя.

Под технологической сингулярностью обычно подразумевается некий момент, после которого развитие различных систем будет идти настолько быстро, а наш уровень их понимания и контроль над ними будут настолько незначительными, что любая экстраполяция ранее известных тенденций утратит смысл. Произойдет слом всех основных паттернов, относящихся не только к технологии, но и к самому человеку, который станет объектом этих перемен. Как правило, подразумевается, что это событие будет связано с появлением достаточно мощного AI (искусственного интеллекта), цели и действия которого человек уже не сможет предсказывать. Здесь, однако, стоит отметить, что само понятие интеллекта трактуется чрезвычайно широко и ситуативно. Отчасти именно из-за этого методы проверки «разумности» машин, подобные хорошо известному тесту Тьюринга, оказываются не слишком универсальными. «Китайская комната» — мысленный эксперимент Джона Сёрла — демонстрирует это достаточно наглядно. Более того, значительная часть исследователей работает именно над тем, чтобы их разработка смогла пройти ту или иную версию теста Тьюринга. Другими словами, они стремятся создать нечто, способное просто ввести рефери в заблуждение. Ведет ли этот путь к появлению разума — вопрос скорее философский, чем относящийся к точным наукам.

Как бы то ни было, во всех рассуждениях о технологической сингулярности есть важные общие пункты. Среди них выделяется тезис о том, что человечество будет не в силах анализировать и предсказывать те или иные события, связанные с технологической революцией. Это обусловлено сложностью новых процессов и огромной постоянно увеличивающейся скоростью, с которой будут происходить изменения. Специалисты и футурологи делают различные прогнозы в отношении момента наступления сингулярности. Разброс оценок довольно велик. В 2012 году ее намечали примерно на середину 21 века. Сегодня все громче звучат голоса тех, кто говорит о технологической сингулярности уже в конце текущего десятилетия.

Однако большинство рассуждений на эту тему производят двоякое впечатление. Даже если абстрагироваться от того, что значительная их часть выглядит реминисценцией на тезисы луддитов, невольно задумываешься вот о чем. За последние двести лет наука и технология породили огромное количество решений, сами принципы работы которых понятны лишь специалистам. При этом стратегию развития и приоритеты зачастую определяют люди, знания и масштаб личности которых, мягко говоря, не соответствуют сложности задач, стоящих перед ними. Не осталось ни одной области, от логистики до медицины, где различные аппаратные комплексы и программное обеспечение не играли бы огромную роль в принятии решений. Более того, глобальные процессы в экономике, политике и социальной сфере стали настолько сложными, объемы данных — настолько значительными, а реагировать на происходящее приходится настолько быстро, что зачастую человек уже не принимает непосредственного участия даже в комплексных транзакциях. С развитием технологий M2M/IoT, Machine Learning и нейронных сетей постепенно выстраивается новый уровень полностью автоматизированного управления процессами. Разумеется, за новыми разработками стоит не могучий AI, но отдельные люди, решающие конкретные, как правило, связанные с коммерческими интересами, задачи.

Наша способность строить прогнозы в отношении стохастических процессов, создавать робастные модели для их описания, в конце концов, просто увидеть за деревьями лес, весьма ограничена. Ироничное определение Вебера становится все более актуальным. «Эксперт — это человек, который знает все больше и больше о все меньшем и меньшем, и так до тех пор, пока он не начинает знать абсолютно все ни о чем». Ощущается острый дефицит специалистов, способных не просто описать новые решения, рассказать об их преимуществах и принципах работы, но и понять, какое место они займут в инфраструктуре, как повлияют на функционирование других систем, каким может быть кумулятивный эффект от совокупности различных новых технологий. О сколь нибудь достоверных долгосрочных прогнозах и говорить не приходится.

А потому зачем ждать появления непостижимого сокрушительного искусственного интеллекта. Футурологи говорят о различных угрозах, связанных с «восстанием машин». Однако, в том, что касается организации всевозможных бедствий, вышедший из под контроля AI можно с успехом заменить некомпетентностью и жадностью. Написанный впопыхах код, призванный устранить незначительную проблему у коммерческого заказчика, из-за конфликта с другими приложениями или появления новых параметров может создать массу серьезных проблем. Мы уже, по крайней мере, на протяжении полувека довольно смутно понимаем, как работают развернутые у нас системы, поскольку стратегию их развития все чаще определяют маркетологи, а не специалисты в области системного анализа. Это порождает дурную бесконечность симулякров. Нет необходимости оценивать происходящее с унынием Бодрийяра, однако следует признать, что нам сложно проанализировать и осознать даже то, что уже произошло. Не говоря уже о способности заглянуть в будущее. Для того чтобы убедиться в этом, достаточно ознакомиться с подготовленными двадцать лет назад исследованиями, посвященными перспективам индустрии высоких технологий, и сравнить с тем, что мы видим сегодня.

Так что, в каком-то смысле, технологическая сингулярность уже наступила. Совокупность существующих технологий и скорость их развития уже не позволяют провести комплексный анализ всех аспектов их использования. А с учетом человеческого фактора у нас куда больше шансов оказаться статистами в сценарии «Доктор Стрейнджлав, или Как я научился не волноваться и полюбил атомную бомбу», чем в один прекрасный день проснуться в Матрице.

Термин People Analytics появился сравнительно недавно. Обычно его используют для описания процессов управления персоналом на основе анализа больших массивов данных. Подходы к решению задачи, в рамках которой требуется обобщить различные аспекты деятельности и получить на выходе некие измеримые показатели, позволяющие оптимизировать кадровую политику, а также выработать стратегию развития, могут варьироваться.

По мере развития индустрии IT, приложения, призванные формализовать и автоматизировать различные процессы, в том числе, в департаментах HR, распространились практически на все отрасли экономики.

Многим кажется, что big data является своеобразным философским камнем, способным из любого массива информации, как из золотоносной руды, извлечь крупинки драгоценного металла. Более того, есть мнение, что чем большим объемом данных мы располагаем (вне зависимости от их структуры, источников и релевантности), тем лучше. Однако на практике, даже если математически алгоритмы обработки данных построены вполне корректно, гипотезы, которые применяются для их анализа, подчас выглядят весьма спорными. А сами исходные данные далеко не всегда соответствуют поставленным перед разработчиками задачам. Немало примеров тому можно найти и в такой динамично развивающейся области, как People Analytics.

Недавно достаточно крупная компания со штаб-квартирой в Калифорнии, занимающаяся разработкой биомедицинских технологий, приглашала меня в качестве консультанта. Речь шла о проекте, целью которого была выработка процедур справедливого распределения фонда заработной платы. Большинство работодателей в развитых странах мира как минимум раз в год проводят опросы сотрудников. Департаменты HR предлагают им заполнить анкеты (зачастую весьма объемные), в которых опрашиваемые должны сообщить, как они оценивают различные аспекты своей профессиональной деятельности. Компания, пригласившая меня, накопила за несколько лет большую базу данных. В основном БД содержала информацию о том, как сотрудники оценивают знания и навыки коллег, с которыми им довелось взаимодействовать, а также их готовность к командной работе. Оценки могли быть выставлены как в открытой форме, так и анонимно. Основатели компании искренне верили в значение самоорганизации и стремились свести к минимуму роль управленцев. Они предложили сформулировать подходы и построить алгоритм, которые на основе этих данных позволяли бы оценить вклад каждого из сотрудников в общее дело и получить коэффициенты (или, если угодно, веса), повышающие или понижающее величину его зарплаты.

Подготовка и анализ различных метрик, призванных определить ценность сотрудников и отделов для компании и сопоставить их KPI, являются нетривиальной задачей. Универсальных подходов, которые можно было бы применить к любому предприятию, безотносительно к стоящим перед ним задачам, просто не существует. Число параметров, которые необходимо учитывать как на этапе построения модели, так и во время интерпретации результатов, чрезвычайно велико, а некоторые процессы, без анализа которых само формулирование гипотез является крайне затруднительным, строго говоря, являются стохастическими. Робастная модель должна учитывать не только многочисленные источники случайных и систематических ошибок, но и чисто психологические паттерны, специфику стоящих перед сотрудниками задач, приоритеты компании и динамически меняющиеся внешние факторы.

В описанном выше случае, имитация современного менеджмента, в сущности, базирующаяся на плебисците, неизбежно порождает охлократию. К сожалению, примеров того, как некие показатели, уместность и верифицируемость которых изначально представляются сомнительными, становятся исходными данными для оценки профессиональной деятельности, можно привести еще множество… «Существует три вида лжи: ложь, наглая ложь и статистика». Это высказывание получило известность благодаря Марку Твену. Об истинном авторе до сих пор идут споры, однако в одном не приходится сомневаться. Этот тезис не потерял актуальности до сих пор. Можно сформулировать множество гипотез, которые не будут внутренне противоречивыми, но, прежде чем стать научной теорией, относящейся к эмпирическому миру, они должны пройти проверку хотя бы критерием Поппера. Развитие технологии и науки привело к тому, что сегодня практически во всех отраслях активно используются всевозможные модели, метрики и расчеты. Даже там, где еще совсем недавно многое решалось на уровне интуиции и догматов, сейчас применяются различные аналитические приложения. Однако уже в основе своей многие из них опираются на «сравнение квадратного с зеленым».

Тезис о том, что главным ресурсом компании являются ее сотрудники, стал уже своеобразным трюизмом. Можно посмотреть на это и с другой стороны – на фонд заработной платы у многих компаний уходит более 60% всех расходов. Однако попытки оптимизировать эти расходы, используя самые передовые методики, базирующиеся при этом на абсолютно ненадежных (пусть даже измеряемых терабайтами) данных и безосновательных предположениях, влекут за собой не только дальнейший рост издержек, но и способствуют тому, что наиболее ценные сотрудники начинают искать себе работу где-то еще.

Поэтому остается открытым вопрос о том, в какой мере решения, которые сейчас активно внедряются для оптимизации управления персоналом, обеспечивают конкурентное преимущество тем компаниям, которые решили ими воспользоваться.