Как большие данные готовы преобразовать бизнес

Чтобы понять суть машинного обучения, полезно знать, как появилась такая концепция. В 1950-х годах программист компании IBM Артур Самуэль написал компьютерную программу для игры в шашки. Но игра получилась не очень интересной. Он выигрывал, потому что машина знала только разрешенные ходы. Артур Самуэль знал стратегию. Поэтому он написал умную подпрограмму, которая при каждом ходе оценивала вероятность того, что полученная конфигурация приведет к выигрышу, а не к проигрышу. И вновь партия между человеком и машиной не удалась — система была слишком незрелой. Но потом Самуэль оставил машину играть самостоятельно. Играя сама с собой, она собирала больше данных. Собирая больше данных, она делала более точные предсказания. Артур Самуэль снова сыграл с компьютером — и проиграл. И снова проиграл. Человек создал машину, превзошедшую его способности в выполнении задачи, которой он эту машину научил.

В ходе проведенного в 2011 году исследования специалисты Стэнфордского университета загрузили в алгоритм машинного обучения тысячи образцов раковых клеток молочной железы и данные о проценте выживания пациентов и попросили компьютер выявить характерные признаки, с наибольшей вероятностью предсказывающие тяжелый злокачественный характер конкретной биопсии. Компьютер смог найти 11 признаков, которые с наибольшей вероятностью предсказывают тяжелый злокачественный характер клеток молочной железы. В чем соль? Из медицинской литературы известны только восемь таких признаков. О трех из найденных признаков патологи не знали и не искали их.

Опять же в этом случае исследователи не говорили компьютеру, что анализировать. Они просто дали ему образцы клеток, их общие характеристики и данные о выживании пациентов (этот прожил еще 15 лет, тот умер через 11 месяцев…). Компьютер обнаружил очевидное. Но он также заметил и неочевидные вещи: признаки болезни, которых не видели люди, потому что человеческому глазу это не под силу. Однако эти признаки были выявлены благодаря некоторому алгоритму. Машинное обучение достигает успешных результатов, потому что компьютеру предоставляют большие объемы данных — больше информации, чем человек может переработать за всю жизнь или мгновенно запомнить. Однако в данном случае компьютер превзошел человека. Он заметил такие признаки, которые не увидели специалисты. Это позволяет ставить более точные диагнозы. А поскольку это компьютер, он может делать такие вещи в требуемом масштабе. Итак, «больше» для больших данных — это не просто больше, это еще и «лучше».

Только подумайте: применяя данный подход в требуемом масштабе, мы сможем анализировать материал биопсии раз в день, каждый день, для каждого человека — вместо одного или нескольких раз за жизнь. Благодаря этому мы сможем определить, как выглядит рак на самых ранних стадиях, с тем чтобы его можно было лечить самыми простыми, самыми эффективными и наименее дорогими способами, от чего выиграют пациенты, общество и бюджет государственной системы здравоохранения, из которого такое лечение оплачивается.

Не забывайте, что компьютер не просто повысил точность диагностики за счет добавления новых признаков. Фактически он также сделал научное открытие. (В данном случае ранее неизвестные три признака тяжелой степени рака представляли собой отношения между клетками в клеточном материале под названием строма, а не просто характерные особенности самих клеток.) Компьютер обнаружил нечто, что ускользнуло от людей и что продвигает человеческую мысль вперед.

Убедительный пример приводит Манолис Келлис, исследователь-генетик из Института Брода в Кембридже. Как отмечается в докладе Белого дома, «Большое количество генетических данных имеет решающее значение при выявлении значимого для заболевания варианта гена. В данном исследовании связанная с шизофренией аллель не выявлялась при анализе 3500 случаев, а начала лишь слабо прослеживаться при анализе 10000 случаев и внезапно оказалась статистически значимой при анализе 35000 случаев». Вот как объяснил это Келлис: «Существует точка перелома, в которой все меняется».

Исследователи составили список из 80 терминов, связанных с симптомами общеизвестного заболевания — гипергликемии (такими как «высокий уровень сахара в крови» или «помутнение зрения»). После этого они анализировали следующее: искали ли пользователи один препарат пароксетин (антидепрессант) и/или другой препарат, правастатин (снижающий уровень холестерина). Проанализировав 82 миллиона поисковых запросов, выполненных за несколько месяцев 2010 года, ученые напали на след.

Поиски только симптомов, без того или иного препарата, составляли исключительно малое количество запросов — менее 1%, как «фоновый шум». Поиски симптомов и только одного из препаратов составили 4% запросов, поиски симптомов и другого препарата — 5%. А поиски симптомов и обоих препаратов составили целых 10% запросов. Другими словами, люди более чем с удвоенной вероятностью вводили в поисковую систему определенные медицинские симптомы, если при этом они искали оба препарата, а не один из двух.

Это серьезный результат. Но он не является неопровержимым доказательством. И не дает права полиции ворваться в дома топ-менеджеров фармацевтических компаний и увозить их в отделение. Это всего лишь соотношение, которое ничего не говорит о причинах. Тем не менее подобные результаты имеют глубокий смысл и большое значение для бизнеса и отрасли. Раньше о таком нежелательном взаимодействии лекарственных веществ не знали, о нем ничего не писали в инструкции по применению. Оно не включалось в рамки клинических исследований или в процесс одобрения препарата к применению. Оно обнаружилось при анализе старых поисковых запросов — опять же в количестве аж 82 миллионов.

Значение этих данных огромно. Если вы пациент, вам следует знать эту информацию. Если вы врач, вы тоже захотите ее иметь. Если вы медицинский страховщик, вы еще больше хотите ее получить. А если вы инспектор по контролю лекарственных средств, вы однозначно желаете владеть этими данными. Если же вы представляете компанию Microsoft, возможно, вам следует подумать о создании подразделения по лицензированию данных как о способе организации нового потока доходов, вместо того чтобы просто зарабатывать на рекламе, появляющейся рядом с результатами поисковых запросов.

Этот новый мир данных и то, как компании могут поставить его себе на службу, наталкивается на сопротивление двух областей государственной политики и регулирования. Первая — сфера занятости. Прежде всего руководители компаний видят необходимость нового типа работников — наступает великая эпоха специалистов по обработке и анализу данных. Консультанты по вопросам управления бьют тревогу, предупреждая о серьезной нехватке кадров. Университеты готовятся удовлетворять этот спрос. Но это очень недальновидный взгляд на вещи. В средне- и долгосрочной перспективе большие данные украдут наши рабочие места. Можно ожидать, что развитие технологий вызовет волну структурной безработицы.

А все потому, что большие данные и алгоритмы теснят офисных работников умственного труда в XXI веке точно так же, как автоматизация производства и сборочные конвейеры вытеснили с производства тяжелый ручной труд в XIX и XX веках. В то время ценным ресурсом считались мускулы, и тут машины справлялись лучше людей. В будущем окажется, что и ум наш слабее машинного. Исследование, проведенное специалистами Оксфордского университета, дает прогноз, что в США не менее 47% объема всей сегодняшней работы может быть переложено на компьютеры.

Возьмем пример патолога, который становится ненужным, так как алгоритм машинного обучения позволяет читать результаты биопсии у раковых больных намного точнее, быстрее и дешевле. Как правило, патологи имеют высшее медицинское образование. Они покупают дома. Платят налоги. Голосуют. По выходным они натаскивают в игре футбольные команды своих детей. Короче говоря, они являются вовлеченными и заинтересованными членами общества. И вот им — и еще целому классу подобных им профессионалов — предстоит увидеть, как их работа меняется до неузнаваемости или, возможно, полностью упраздняется.