Александр Долгин - Экономика символического обмена

• Название: Экономика символического обмена
• Автор: Александр Долгин
• Жанр: Экономика

---

Чьи оценки подлежат сбору? Да всех добровольцев без исключения. Система не нуждается в искусственно набранных референтных группах.

1.3.2. Изобретение, которого не было

1.3.2.1. Коллаборативная фильтрация – фундаментальное решение проблемы навигации

Подобный подход к проблеме выбора может показаться фантастическим, но это не так. Он не только не нов, но применяется на практике более десяти лет. Прототип механизма потребительской селекции был создан в 1992 году. Идея автоматически вычленять вкусовые сообщества и предоставлять их членам возможность обмениваться суждениями была предложена Дейвом Голдбергом (Dave Goldberg) и его коллегами из исследовательского центра Xerox PARC в Пало-Альто, Калифорния. Именно они ввели термин «коллаборативная фильтрация»[127].

В последующие годы первоначальную «сырую» идею коллаборативной (кооперативной) фильтрации довели до ума и сегодня рекомендации даются исходя из сходства предпочтений человека и других пользователей. Для этого клиенту нужно оценить несколько объектов, на основании чего вырисовывается его персональный профиль. В соответствии с ним подбираются советчики, затем их мнения о произведениях, еще не знакомых клиенту, доводятся до его сведения. Эта изящная схема начала активно разрабатываться с 1994 года[128], однако ее судьба оказалась тернистой. В методе изначально присутствовала одна недоработка, которая со временем привела к проблемам. В чем была эта загвоздка и как ее устранить, изложено ниже, после анализа первого опыта внедрения коллаборативной фильтрации.

1.3.2.2. Механизм коллаборативной фильтрации

Поскольку персональные рекомендации генерируются в результате анализа и сравнения оценок конкретного пользователя и других людей, вся соль коллаборативной фильтрации в способе нахождения этих других людей. В общем виде процедура выглядит так[129]:

− регистрируются предпочтения большой группы людей, на их основе строится профиль каждого пользователя;

− выделяется подгруппа людей, чьи суждения схожи с суждениями человека, желающего получить совет/рекомендацию [130];

− на основании отзывов, поступивших от этой подгруппы, выводится некая оценка – именно она и выдается клиенту в качестве прогноза.

Этот метод использовался для характеристики книг, музыкальных CD или фильмов. Но в общем он может практиковаться для облегчения выбора продуктов или услуг любого типа. С конца 90-х годов в интернете стали появляться сайты, построенные на основе коллаборативной фильтрации. Первым (или в числе первых) был Ringo.

1.3.2.3. Ringo – первая в мире рекомендательная система по музыке: ее история и опыт[131]

Сервис Ringo был создан профессором Патти Маес (Patti Maes) и тремя ее студентами в 1994 году. Разработчики этой системы искали решение проблемы взрывного роста объема информации. Массивы книг, фильмов, CD, новостей и онлайновой информации значительно превосходят те, которые реально может пропустить через себя человек. Создатели Ringo применили коллаборативную фильтрацию для музыки, выбрав следующую шкалу оценок:

– Невыносимо

– Терпимо с трудом

– Не моя вещь

– Не заводит, не трогает

– Хорошая вещь

– Мощно

– Одна из моих любимых, не могу жить без нее!

По мере того как абонент наращивает число оценок, его профиль уточняется. Система сравнивает профили пользователей, выявляет людей с похожими вкусами и предсказывает, насколько человеку понравится незнакомый альбом/артист.

Ringo появился в интернете 1 июля 1994 года. После «инкубационного периода» о сервисе пошла молва, и менее чем за месяц число пользователей достигло тысячной отметки, а к исходу второго – приблизилось к двухтысячной. Параллельно росла база данных. Первоначально система включала в себя 575 артистов, но скоро в ней стало 3000 исполнителей (9000 альбомов). Обрабатывалось почти 500 сообщений в день[132]. Те, кто впервые обращались к Ringo, получали список из 125 артистов и, согласно инструкции, присваивали им рейтинг. Оценивать артистов полагалось без детализации (избегая суждений об оригинальности, о вокальных данных и т. д.), а лишь исходя из того, насколько их приятно слушать.

Обретя таким образом персональный профиль, человек мог обратиться к Ringo со следующим запросом: 1) порекомендовать новых артистов/альбомы; 2) перечислить артистов/альбомы, на которые не стоит тратить время; 3) выдать прогноз по конкретному артисту/альбому. Рекомендации сопровождались показателем достоверности (он зависел, в частности, от числа пользователей-единомышленников, взятых в расчет для составления прогноза). Какие-либо данные об абонентах не предоставлялись. Еще пользователь имел доступ к рецензиям своих рекомендателей, а также к досье на любого артиста с перечнем его альбомов и средней оценкой, данной им потребителями. Каждый абонент Ringo ранжировал в среднем около сотни артистов; средний балл составлял 3,7 (т. е. между «не моя вещь» и «не трогает»). Вначале рекомендации Ringo были неточны, поскольку сервис еще не набрал критической массы данных. По мере роста числа пользователей и их обращений компетентность прогнозов нарастала. Чтобы войти в норму, требовалось пару раз пройти операцию ранжирования артистов, в результате чего список абонентов со схожими предпочтениями, так называемых «соседей» пользователя, мог существенно уточниться.

В 1995 году на базе Ringo была создана программа Helpful Online Music Recommendations (HOMR – Полезные онлайновые музыкальные рекомендации). В 1995 году была учреждена компания Agents Inc., вскоре переименованная в Firefly Network (по-русски – «Светлячок»). К середине 1997 года она совместно с Microsoft и Netscape переключилась на регулирование вопросов, связанных с защитой приватности в сети. В 1998 году Microsoft купила эту компанию, хронически испытывающую финансовые затруднения, и тут оказалось, что нового владельца больше интересуют наработки Firefly в области обработки персональной информации о пользователях, но не коллаборативная фильтрация. 4 августа 1999 года Microsoft закрыла Firefly.com – один из наиболее важных экспериментов в истории интернет-коммьюнити закончился[133].

Опыт Ringo пошатнул устоявшиеся в культуре представления о том, что контент сначала должны отфильтровать эксперты, и лишь затем его можно публиковать. Был с успехом опробован обратный порядок действий: предъявлять на всеобщее обозрение, переложив фильтрацию на непрофессиональное сообщество.

Другой пионер этой технологии, Джон Ридл (John Riedl) из Университета Миннесоты, запустил на основе коллаборативной фильтрации свой сервис, генерирующий рекомендации по фильмам[134]. На его веб-сайте MovieLens каждого пользователя просят присвоить серии фильмов баллы от 1 «ужасно» до 5 «стоит посмотреть». Высокая точность начинается с полутора десятков оценок.

1.3.2.4. Приостановка фильтрации

При всей своей привлекательности метод коллаборативной фильтрации, по крайней мере в его первозданном виде, а не в виде бизнес-­модификаций, до сих пор не особенно известен вне круга специалистов[135]. При очевидной ценности он ждет своего звездного часа уже долгих двенадцать лет. Почему так?

Во-первых, для него требовалась такая скорость вычислений, которую нарастили до нужного уровня совсем недавно. Во-вторых, чтобы раскрыть свои возможности в полном объеме, коллаборативной фильтрации нужно было дожить до широкого распространения интернет-шоппинга, для которого, как полагают многие, эта технология является естественным придатком. Сегодня торговля через интернет свершившийся факт. Однако коллаборативная фильтрация не получила широкого применения даже в музыке, где для этого имеются все предпосылки. И это при том, что с 1999 по 2002 год целый ряд компаний с широким ассортиментом разработок по контент-менеджменту пытались модернизировать музыкальную индустрию. Среди них – eTantrum, GigaBeat, HiFind, Music Buddha, Sonic Print и Uplister (уже не существуют), Cantametrix (приобретен Gracenote), Mongo Music (приобретен Microsoft), AgentArts, Audible Magic, BayTSP, Friskit, Media Unbound, MoodLogic, Relatable, Savage Beast, Sonicprint и Tune Print[136]. Большин­ство из них прекратили свою деятельность, не оставив следов и не поделившись ноу-хау.

Есть основания думать, что трудная судьба изобретения, обещающего революцию в потребительской навигации, не случайна. Ее предопределил один чрезвычайно существенный изъян, с самого начала заложенный в технологию, из-за чего очень правильная и остро актуальная затея пошла по ложному пути. Метод коллаборативной фильтрации не опирался на устойчивую бизнес-модель. Из-за этого сервис был обречен дрейфовать под крыло бизнеса. По мере того как это происходило, замыслы разработчиков отодвигались в тень, а на первый план выступали нужды нового хозяина, начинавшего эксплуатировать идею в сугубо меркантильных целях. В условиях экономической несамостоятельности подобные метаморфозы неизбежны, и они часто оборачиваются утратой автономии и идеологической чистоты, что для экспертного сервиса смертельно. Проводить свою «альтруистическую» линию в жизнь можно лишь оставаясь независимым от дистрибьютора, а для этого необходимо самому зарабатывать деньги. Иными словами, нужно было учиться продавать свой продукт, а именно – рекомендации и сопутствующие услуги. Но этого не случилось. Вероятно, пионерам коллаборативной фильтрации в голову не приходило брать с клиентов – физических лиц деньги за информацию, которую те сами поставляли. Создатели Ringo пытались разбогатеть на продаже своих разработок другим компаниям. Поначалу дело вроде пошло на лад, по крайней мере к концу 1995 года было привлечено $2,6 млн. Но план себя не оправдал, а найти другие источники не удалось. Это и вынудило к слиянию с крупным партнером – Microsoft, что не замедлило сказаться на судьбе рекомендательного сервиса. Менеджеры Microsoft в какой-то момент сочли, наверное, что наилучшей бизнес-модификацией коллаборативной фильтрации будет ее непосредственная интеграция в онлайн-магазин. Когда это сделали, оказалось, что в магазине царят свои законы, и переступить за тонкую черту, отделяющую рекомендацию от навязывания, очень легко. Экспертные возможности системы, изначально ориентированной на благо пользователей, вошли в противоречие с интересами продавцов. Те быстро смекнули, как поступить, и начали производить подсказки несколько иного толка. Если первоначальная альтруистичная версия системы деликатно отвечала на запросы и бесхитростно указывала то, что клиенту покупать не следует, то меркантильная схема преследовала обратную цель – максимально стимулировать покупки.