Андреас Вайгенд - BIG DATA. Вся технология в одной книге

В ближайшие несколько лет, по мере прогресса искусственного интеллекта и автоматизации маркировки данных в процессе обработки, эта ситуация изменится. Компании начинают осознавать, насколько важно анализировать все, от способа попадания покупателей в их магазины до уровня сосредоточенности сотрудников. Соответствующие технологии дешевеют и становятся доступными большинству организаций. Мы будем все больше рассчитывать на сенсорные данные в том, что касается рекомендаций для конкретных жизненных ситуаций.

Более двадцати лет назад Эрик Хорвиц из Microsoft Research и Мэттью Бэрри из НАСА рассматривали тему оптимизации отображения информации в ситуациях, когда важные решения должны приниматься в сжатые сроки, например в работе диспетчеров полета [243]. Основываясь на классических трудах когнитивных психологов, они исходили из допущения, что люди не могут одновременно работать более чем с семью фрагментами информации [244]. Более того, в напряженной обстановке и при большом количестве отвлекающих факторов, что обычно характерно для чрезвычайных ситуаций, это количество может снизиться всего до двух информационных составляющих [245]. Первые модели Эрика, созданные для контроля полетов многоразовых космических кораблей, выявляли критически важную в данный момент информацию и выделяли ее на дисплеях инженеров.

Сенсорные данные, полученные в процессе общения, могут стать полезными, привлекая внимание к важным моментам, которые могли оказаться упущенными. Представьте себе, например, что у вас есть возможность направить запись разговора для обработки и анализа. Приложение Cogi позволяет отслеживать наиболее интересные фрагменты разговора. Последние пятнадцать секунд беседы загружаются во временный аудиобуфер телефона, и если вы слышите что-то интересное, то нажатием кнопки можете отправить их в запоминающее устройство и активировать запись, которая будет продолжаться до тех пор, пока вы ее не остановите. Если кнопку не нажимать, содержимое буфера будет обновлено. Когда это приложение используется несколькими людьми для записи одного и того же разговора, можно сравнить, что именно каждый из них выделил в качестве интересных для сохранения фрагментов. По мере накопления сохраненных записей они могут анализироваться, чтобы определить, какие участники беседы, слова или темы привлекали наибольшее внимание.

Уровень интереса и релевантность могут меняться по ситуации. Из примера с неопределенным «ягуаром» в главе 1 (который мог быть кошкой, автомобилем или операционной системой компьютера) мы знаем, что алгоритмы ранжируют результаты поиска на основе целого ряда контентных категорий, выделяя наиболее соответствующую вашим намерениям информацию. Знание конкретной ситуации позволяет инфопереработчикам повысить релевантность предоставленных результатов. Например, представим, что вы находитесь в зоопарке и ищете «ягуар» при помощи смартфона. Если у приложения есть доступ к вашим геолокационным данным, оно сравнит их с картой местности, и контент, относящийся к представителю семейства кошачьих, займет верхние места в результатах поиска. Если вы стоите на парковке зоопарка, приложению потребуется задействовать камеры телефона, чтобы понять, интересуетесь вы последней моделью дорогого автомобиля или хотите побольше узнать о больших кошках после сегодняшнего посещения.

Однако не всякий контекстный поиск очевиден. Если человек ищет «жасмин» после ночи, проведенной в клубе, весьма маловероятно, что он хочет с утра пораньше заняться садоводством и нуждается в информации о цветочках. Наверное, он ищет адрес круглосуточной китайской закусочной, где по дороге домой можно взять еду на вынос, или – это не более чем предположение – хочет посмотреть на живых моделей с сайта для взрослых Livejasmin [246]. Он в городе или у себя дома? Чтобы отправить человека именно туда, куда он хочет, инфопереработчику потребуются его текущие и предыдущие геолокационные данные.

Учет окружающей обстановки также помогает принимать более удачные решения на долгосрочную перспективу или, как говорит Дэнни Канеман, думать «медленно», а не «быстро». Так, некоторые банки подумывали над тем, чтобы предлагать клиентам услугу «чтобы потом не пожалеть», основанную на истории их операций и текущей ситуации. В 4 утра в Лас-Вегасе вы запрашиваете у банкомата тысячу долларов. Вместо того чтобы сразу зашелестеть купюрами, аппарат выдает напоминание: «Вы действительно хотите снять такую большую сумму именно сейчас? Люди, которые в аналогичной ситуации говорили «да», обычно потом жалели об этом».