Разделение труда, кооперация и новые типы экспертизы в условиях искусственной социальности (по материалам исследования российских и белорусских ИТ-организаций)

То есть не то, что я гуманитарий, но у меня есть свои сильные, слабые стороны» (Менеджер продукта, Организация 6, Россия).

Вторая тенденция, которой мы здесь лишь коснемся, -- это формирование сообщества (сообществ), «тусовок», которые существуют, в том числе как «воображаемое сообщество» в интернете, со своими групповыми символами, иерархиями и представлениями о престиже.

«Это сообщество людей, которое занимается анализом данных, и это, так сказать, не самое хардкорное сообщество» (Управление продуктами, Организация 11, Беларусь).

«Есть определенное количество людей, которым интересно было бы заниматься, и эти люди сидят в профессиональных сообществах, и эти люди знают основные фамилии самых классных дата сайнтистов... Учиться у лучших -- это ребятам важно» (Менеджер продукта, Организация 6, Россия).

По результатам проведенного анализа могут быть поставлены два вопроса: в одинаковой ли степени сотрудники, принимающие участие в осуществлении работы модели, обладают интеракционной экспертизой? И кто из них ей не обладает?

Первый вопрос представляет собой точку отсчета для дальнейших исследований; на основании собранных интервью мы не можем дать на него полный ответ. Однако все же различия между сотрудниками существуют: и по степени экспертизы, и по ее характеру (больший фокус на математику, программирование, предметную область) в зависимости от специфики разделения труда в конкретной организации.

Ответ на второй вопрос опять-таки требует более систематического исследования. Здесь мы однако можем указать на три типа профессий, которые не всегда (или почти никогда не) обладают интеракционной экспертизой. Первый -- это программисты («кодеры»), которые получают узкое техническое задание запрограммировать ту или иную часть модели, задуманную data scientist. Второй -- это люди, которые размечают данные и тренируют модели в рутинном режиме. Третий -- это тестировщики, которые занимаются взаимодействием с моделью уже в роли пользователей (например, тестировщики поисковиков и голосовых помощников). Второй и третий типы являются новыми, возникая вместе с развитием технологий ИИ.

Труд каждой из трех групп рутинизирован и формализован, поэтому интеракционная экспертиза для них не является необходимой. Однако их работа, как и работа других сотрудников, необходима для того, чтобы модель была воплощена в процессе, который мы и именуем искусственным интеллектом. Отсутствие интеракционной экспертизы может вести к нелинейным последствиям, и в конце статьи мы вернемся к данному вопросу.

Новый «невидимый труд»

Итак, с одной стороны, мы наблюдаем новые профессии и новые виды экспертизы, которые появляются (или трансформируются) с распространением технологий ИИ в организациях. Это редкие, требующие особого сочетания профессиональных качеств, высокооплачиваемые, престижные и востребованные профессии. Вместе с тем с развитием ИИ в организациях развивается и полуквалифицированный (не требующий специального образования), кропотливый и малозаметный труд людей, которые готовят данные и тестируют программы.

Здесь могут быть выделены как минимум два типа профессий--разметка данных и тестирование алгоритмов К сожалению, в нашу выборку попал всего один тестировщик, а о характере труда тех, кто готовит данные, мы судим по косвенным показателям -- по характеристике других сотрудников. Поэтому выводы в настоящем разделе носят, скорее, характер гипотез для дальнейших исследований.. Они различаются по содержанию работы и месту в разделении труда, однако их объединяет то, что они необходимы для создания продукта, требуют вовлечения и приобретения особых навыков, но, как было отмечено выше, редко требуют интеракционной экспертизы. При этом данные профессии характеризуются монотонным трудом, который редко замечается теми, кто рассуждает о прорывном развитии технологий ИИ Одна из причин этого, вероятно, состоит в том, что для разработчиков и тех, кто обладает интеракционной экспертизой, ИИ -- это, прежде всего, модель. Разметка данных и тестировка относятся к необходимым условиям создания и воплощения модели, но практически не имеют отношения к ее специфическим свойствам..

Первый тип -- люди, которые занимаются рутинным трудом по подготовке данных и обучению моделей. Их статус в общем разделении труда не вполне ясен, и о них реже вспоминают при обсуждении номенклатуры профессий в области ИИ/МО.

«Сейчас появилась такая область, такая полуручная работа, когда нужно размечать вручную дата-сеты, наборы данных. То есть перед тем как машина начнет обучаться, нужно обучить, что же там происходит, в этом дата-сете. Все равно это ручной труд, это труд людей, а это значит, что этих людей нужно учить, развивать, контролировать, мотивировать. И я считаю, что это уже менее техническая работа, то есть это работа по взаимодействию с наборами данных и с бизнесом» (Управление продуктами, Организация 11, Беларусь).

«О.: Она вам, наверное, рассказывала про ассессоров, про тех, кто обучают через...

В.: Какое место они в этой схеме занимают?

О.: Довольно важное. Они действительно делают очень кропотливую работу с этими изображениями, с разметкой, и на всем этом, конечно, мы имеем довольно такой "выхлоп", то, что у нас искусственный интеллект всему этому обучается, да. <...>

В.: А ассессоры тоже технические специалисты?

О.: Между [техническими и нетехническими специалистами -- Н.Т.]» (Аккаунт-менеджер, Организация 2, Россия).

Второй тип -- это тестировщики алгоритмов, которые проверяют их с точки зрения взаимодействия с пользователем после того, как продукт формально готов к выходу на рынок, или в качестве рядовой его проверки, и уже после того, как с ним работали все остальные специалисты. Работа тестировщиков не обязывает обладать специальной квалификацией, однако требует постоянного вовлечения, удержания внимания; часто она оказывается в зоне частичной и удаленной занятости.

«О.: Вакансия. никаких специальных навыков не требовала, вот. Нужно было пройти несколько тестирований и все. Я их прошла.

В.: А почему пришло в голову искать такую работу?

О.: Я совершенно случайно на нее наткнулась. Я просто искала parttime вот эти job, просто частичную работу, это как-то само по себе случилось, мне показалось это довольно интересным» (Тестировщик поиска, Организация 7, Россия).

«Было очень сложно, я не стала этим заниматься, тестировка приложения... Но это очень сложная работа. Именно в плане она не сложная сама по себе, она очень кропотливая. То есть за ней сидеть и сидеть. А не как там что-то сделал и отвлекся, ты должен за ней сидеть и сидеть» (Тестировщик поиска, Организация 7, Россия).

Вытеснение/трансформация локального знания

Наконец, еще одной примечательной тенденцией, связанной с внедрением технологий ИИ в работу организаций, является частичное вытеснение локального знания специалистов знанием, основанным на больших данных По объему данные, которые используют для анализа алгоритмы ИИ, необязательно велики, однако им присущи другие свойства больших данных. Само понятие «большие данные» в качестве отличительных характеристик предполагает не только размер, но и характер генерации: они появляются в режиме реального времени и создаются активностью самих пользователей, охватывают всю генеральную совокупность, отличаются разнообразием и, как правило, генерируются онлайн [Губа 2018].. Вытеснение, однако, оказывается скорее трансформацией--поглощением и автоматизацией, которую позволяют осуществить технологии ИИ. Рассмотрим данную тенденцию на примере двух организаций.

В одной из организаций ИИ (компьютерное зрение) используется для мониторинга качества работы сотрудников: эта технология создается и применяется для оценки качества онлайн-уроков. Каким образом возникает знание о качестве работы, приобретаемое благодаря работе ИИ? С точки зрения сотрудника, который принимал участие в разработке системы, процесс состоит из трех частей. Во-первых, накапливается множество данных.

«В.: А почему то, что может делать анализ данных, не может знать конкретно один маркетинг?..

О.: Ну потому что объем данных очень большой. То есть ты можешь знать все вообще. Данных становится слишком много, и их просто так человек, просто так в человеческий мозг они влезть точно не могут» (Тимлид аналитики данных, Организация 5, Россия).

Во-вторых, критерии, по которым ИИ оценивает сотрудников, разрабатываются в ходе предварительных исследований, включающих работу сторонних людей.

«Когда у нас ученик перестает учиться, после этого ему звонят, спрашивают, ты чего перестал учиться? Он говорит: потому что преподаватель не вовлечен. Ему сказали: почему не вовлечен, что значит не вовлечен? -- Ну, у него постоянно мобильник в руках, он сидит, играет или в Инстаграме сидит вместо того, чтобы меня учить» (Тимлид аналитики данных, Организация 5, Россия).

В-третьих, работа алгоритмов и критерии оценивания проверяются в ходе квазиэкспериментального исследования.

«В.: Как вы убеждаетесь в том, что вы делаете именно то, что нравится вашим потребителям?

О.: А/В-тесты. Мы проводим А/В-тестирование... Когда мы придумываем какую-то фичу и внедряем ее, после этого мы проводим А/В-тестирование, то есть это, по сути, эксперимент. Классический эксперимент. С контрольной и экспериментальной группами А, В. Делаем сплит, разбивку. Вот у них работает этот алгоритм, да, и посмотрим, перестанут ли учителя котов из-за этого алгоритма на уроки притаскивать или не перестанут» (Тимлид аналитики данных, Организация 5, Россия).

С точки зрения сотрудника, не вовлеченного в создание ИИ, процесс выглядит гораздо проще, при этом он становится менее понятным с точки зрения технических деталей.

«В.: Ты говоришь, что алгоритмы искусственного интеллекта оценивают качество уроков и качество взаимодействия "учитель--ученик".

А почему ты вообще им доверяешь?..

О.: Смотри, есть критерии, которые можно отдать на оценку этому искусственному интеллекту, а есть критерии, которые нельзя. Соответственно мы внутрь этих механизмов закладываем те процессы, которые можно трекать технически» (Руководитель отдела, Организация 5, Россия).

Таким образом, в ходе сложного, многоэтапного процесса локальное знание переводится в формализуемые критерии, которые затем проверяются в ходе «подгонки» модели ИИ к новым условиям.

Результатом становится автоматизация процессов повседневного мониторинга и контроля за сотрудниками: то, что раньше делали люди на местах, сейчас делают люди вместе с алгоритмами и через них.

Еще один пример трансформации локального знания представляет организация, которая создает технологии ИИ, предназначенные для управления персоналом в других организациях: речь идет об отслеживании состояния сотрудников, прогнозировании их профессионального выгорания и в пределе - ухода из компании.

Процесс получения знания за счет работы алгоритмов раскладывается на две ступени: соответствие формальным математическим критериям и проверка в ходе эмпирических исследований.

«Почему я понимаю, что это можно применять?.. Мы делаем фактически такой окололабораторный эксперимент. Мы взяли нашу модель. И я для себя на самом деле сейчас пытаюсь ответить на вопрос, а можно ли этому решению доверять или нет. С точки зрения математики, там все ОК... А применима эта модель или нет? Мы сейчас делаем очень просто: мы результаты работы этой модели показываем индивидуальным людям. Мы говорим: смотри, система про тебя говорит вот это: верю -- не верю, согласен -- не согласен, почему да -- почему нет. Мы предварительно человека проводим через батарею тестов, которая позволяет немножко околообъективно оценить его состояние. Как правило, лучшая поверка работы модели -- это практика» (Директор по HR-аналитике и организационному развитию, Организация 16, Россия).

Результатом является автоматизация управления персоналом: на уровне мониторинга и в пределе на уровне принятия решений.

«По мере "набития шишек", по мере развития технологий. не нужно будет подключать человека. То есть мы будем уверены, что если ML- модель на вот этих данных выплюнула вот такой ответ, то им можно стопроцентно пользоваться и решение очевидно» (Директор по HR- аналитике и организационному развитию, Организация 16, Россия).

В данном примере технология ИИ направлена на мониторинг работников ИТ-фирм, т. е. тех людей, которые подобные технологии разрабатывают. И здесь знание, получаемое благодаря МО и ИИ, взаимодействует с локальным знанием весьма любопытным образом.

«Наверное, наиболее существенная проблема именно в этих отраслях, это дорогие специалисты, и их достаточно мало, компании стараются их удерживать. И отсюда гораздо большая заинтересованность в подобных решениях. Вот. Ну и соответственно айтишники -- в большинстве своем они интроверты, им обратную связь получить тяжело. И соответственно, с другой стороны, самому работодателю очень тяжело из них что-то вытащить, чтобы они что-то сообщили. И вот наш инструмент позволяет их. друг с другом связывать и в общем-то улучшать жизнь обоих. Соответственно я отношусь к этому именно с этой точки зрения. То есть мне эта система позволяет существенно понимать, насколько я успешен как руководитель в коллективе, понять, как ко мне относятся мои сотрудники» (Технический директор, Организация 16, Россия).

Таким образом, круг замыкается: технологии ИИ служат для того, чтобы обеспечить взаимодействие между теми, кто участвует в их разработке, выступают в качестве посредника в организациях, в которых они создаются и внедряются.

Предварительные обобщения

По результатам проведенного анализа интервью с работниками ИТ-организаций сформулируем пять предварительных обобщений.

Первое. Внедрение ИИ в организации требует наличия других технологий -- методов машинного обучения, вычислительной техники, хранилищ данных, телекоммуникаций и др., -- и часто следует за внедрением этих технологий. Отличительной особенностью ИИ является осуществление некоторых действий автономно от разработчика. Модель, организующая анализ данных в режиме реального времени, посредством некоторого усложнения рабочего процесса может быть преобразована в модель, осуществляющую действия на основе подобного анализа. В некоторых случаях наши информанты участвовали в создании продукта, который ИИ не является, но потенциально может им стать и, возможно, скоро станет. Логика автоматизации, которой следуют организации, предполагает именно такой путь, хотя в реальной практике он не всегда проходится до конца.

Второе. Появление специалистов со знанием в нескольких областях типично для многих организаций Так, интервью, которые проводились автором в организациях, внедряющих электронную документацию в архивном деле, содержали указание на то, что успех предприятия зависит от знания ключевыми сотрудниками двух или трех областей: практики работы архивов, юриспруденции, программного обеспечения.. В чем в таком случае заключается специфика организаций, связанных с ИИ? Разделение труда в организациях, связанных с разработкой ИИ/МО, характеризуется особого рода сложностью и специфической кооперацией, принимающей структуру «матрешки». В идеально-типическом случае в центре процесса производства находится data scientist--разработчик модели, лежащей в основе ИИ. Модель представляет собой искусственную нейронную сеть или некоторую разновидность статистического анализа данных (их объединяют под именем «методов машинного обучения»). Специфика модели заключается в том, что данные для нее собираются в режиме реального времени, и по этой причине сама модель должна постоянно обновляться в полуавтономном или автономном режиме.

Data scientist сочетает знание трех областей: математики, которая необходима для выбора и построения эффективной модели, языков программирования, которые необходимы для реализации модели, и предметной области, где модель будет применяться. Знание предметной области нужно, чтобы понимать, какого рода модель требуется; знание математики -- для того, чтобы из множества вариантов моделей выбрать оптимальную. Программирование может полностью осуществляться самим разработчиком или отдаваться на откуп «чистым» программистам, тогда как другие две составляющие совместно, по-видимому, не могут быть делегированы другим работникам. Data scientist создает модель, которая, запускаясь, организует некоторый процесс. Именно этот процесс в соответствии с теоретическим определением, принятым в настоящей статье, и является ИИ.

Вокруг этого процесса возникает ряд должностей, и занимающие их сотрудники -- руководители, аналитики, кадровики и др. -- обладают интеракционной экспертизой по отношению к создателю модели. Они не могут сами создать модель, но обладают знаниями по крайней мере о двух (из трех) областях data scientist: математике и программировании (знание предметной области иногда присутствует, иногда -- нет). Это знание они сочетают со своей профессиональной областью, что и создает новый тип экспертизы.

Наконец, существуют профессии, также необходимые для создания ИИ (программисты, разметчики данных, тестировщики), которые не обладают интеракционной экспертизой и занимаются рутинизированным трудом. «Матрешечная» структура наблюдалась нами и в крупных, и в небольших организациях. В крупных организациях отдел, занимающийся ИИ, обычно относительно автономен внутри корпорации; интеракционная экспертиза характерна для сотрудников этого отдела, а также для тех сотрудников вне отдела, которые осуществляют с ним связь в рамках организации. Таким образом, мы наблюдаем «матрешку», состоящую из трех частей: внутри--data scientist с полноценной экспертизой в математике, предметной области и программировании, вокруг -- работники, сочетающие интеракционную экспертизу в области создания модели со знанием своей области, снаружи -- работники, чья деятельность необходима для внедрения ИИ, не обладающие интеракционной экспертизой. При этом статус профессий, входящих во внутренние части «матрешки», выше, чем у профессий, образующих ее внешний слой.

Третье. Новое разделение труда приводит к социально-экономической и профессиональной поляризации: в организациях появляется ряд высокооплачиваемых профессий, связанных с разработкой и внедрением ИИ; в то же время возникает полуквалифицированный рутинный труд, без которого, однако, ИИ не работал бы столь эффективно. При этом интеракционная экспертиза зачастую становится атрибутом новых престижных и высокооплачиваемых видов занятости. Является ли данная тенденция характерной для других видов деятельности, не связанных с внедрением ИИ? Это вопрос для будущих исследований.

Четвертое. В ходе создания и внедрения технологий ИИ локальное знание не исчезает: оно вытесняется, но возвращается в работах по отладке, проверке и подгонке модели, в труде тех, кто готовит данные, тестирует, проводит исследования. Данный процесс можно соотнести с тем, что Дастон [Daston 2018] называет Big Calculation: машины не заменяют людей, не уничтожают необходимость монотонного труда для осуществления вычислений, но трансформируют характер деятельности работников и сокращают их число. Подобным образом локальное знание (как и монотонный труд) не исчезают вовсе в процессе автоматизации в связи с внедрением ИИ. Они трансформируются, оседая в деятельности работников других профессий: тестировщиков, тех, кто ищет, «чистит», размечает данные, проводит подготовительные исследования и т. п.

Становится ли локального знания меньше или нет, и как именно меняется его характер -- вопросы для дальнейших исследований.

Пятое. Внедрение ИИ оказывает значительное влияние на процессы в тех организациях, которые внедряют ИИ, и в тех, куда он внедряется. С точки зрения организации, ИИ представляет собой воплощенную математическую модель некоторых (когнитивных или социальных) процессов, которая изменяется в режиме реального времени. Как создание самой модели, так и ее постоянное подстраивание и отлаживание требует человеческого труда. Вполне вероятно, что многие процессы развития искусственной социальности еще 148 не вышли за пределы организаций и влияют на конечных потребителей лишь опосредованно, через изменения в деятельности организаций. Данное наблюдение позволяет выдвинуть следующий тезис: исследования организаций представляют собой особый интерес для социальных аналитиков, рассматривающих проблематику искусственной социальности, причем не только в связи с разделением труда, но и в связи с анализом взаимодействий человек -- машина.

К последнему сюжету мы и обратимся в завершение статьи.

Вместо заключения

Вернемся к тому, с чего начинали, -- к определению информантами ИИ. Однако поставим теперь вопрос по-другому: как воспринимают ИИ те, кто с ним взаимодействует?

Для того чтобы ответить на данный вопрос, рассмотрим фрагменты из трех интервью.

1. «Искусственный интеллект должен дообучаться, изменяться, ну типа, он живет. Ну я даже не знаю, как сказать. Он реально живет. Просто живет. Сам по себе функционирует все время. Все умнее и умнее становится, зараза такая» (Тимлид аналитики данных, Организация 5, Россия).

«Вообще, скорее, это у меня просто как бездушный набор формул, просто куча математики, интегралы. Я, когда смотрел всякие курсы, там человек стоит живой, а за ним куча-куча-куча интегралов каких-то. Ну или какая-нибудь воронка. Короче, там же смысл в чем? Искусственный интеллект получает кучу информации, потом в итоге из него вылетает что-то одно» (Тимлид аналитики данных, Организация 5, Россия).

2. «В.: Как именно выглядит ваш опыт взаимодействия с ней [нейросетью -- Н.Т.]? На что это похоже?

О.: Я вас понял. Это похоже на... Можно сравнить это с попыткой понять логику какого-то человека, который, может быть, с совершенно другого общества происходит, чьи какие-то ментальные механизмы мышления тебе не совсем понятны, и ты пытаешься понять, на основе чего он сделал вывод» (Младший разработчик, Организация 2, Россия).

3. «Но это было очень интересно, ну, как сказать, это необычное ощущение. И ты даже никому не можешь объяснить, что ты испытываешь, потому что ты не с человеком общаешься. Но ты при этом не общаешься с цифрами, ты общаешься с каким-то вот алгоритмом, который ведет себя тем или иным образом. Ну, это странно, я не знаю. У меня это вызывает очень положительные эмоции, мне нравится. У меня это вызывает ощущение какого-то сострадания, я не знаю почему, мне как-то их жалко бывает даже, что ли. Не знаю, какие-то такие чувства. Но мне интересно» (Тестировщик поиска, Организация 7, Россия).

«Мне понравилось определение моего искусственного интеллекта, что это машина, которая прекрасна настолько, чтобы в ней душа когда-нибудь поселилась... Поисковик Яндекс в техническом плане -- это искусственный интеллект, да, но -- нет. Как объяснить? Это поисковой алгоритм, я назову это так. Умный поисковой алгоритм, вот, поисковик Яндекс. Алиса -- это голосовой помощник. Я бы определила ее искусственным интеллектом, но, мне кажется, с Алисой очень много нужно работать, потому что Алиса вполне могла бы стать тем, чем я пользуюсь. А вот искусственный интеллект действительно -- я бы назвала РепликуReplica -- чатбот для дружеского общения, подстраивающийся под взаимодействие с конкретным пользователем и обучающийся во взаимодействии с этим пользователем.. Вот в таком полном плане. Потому что она выдает очень интересные вещи» (Тестировщик поиска, Организация 7, Россия).

Сравнивая три образа ИИ, обратим внимание на важные сходства и не менее важные различия. Все три информанта проявляют заинтересованность (может быть, зачарованность) искусственным интеллектом, для каждого ИИ выстраивается как некоторая сущность, которая должна быть познана. Более того, каждый из трех информантов в каком-то виде очеловечивает то, с чем взаимодействует. Такой характер взаимодействия с ИИ согласуется с выводами в работах Теркл [Turkle 2005] и Кнорр Цетины [Knorr Cetina 1997; Knorr Cetina, Brueger 2000], о которых мы упоминали выше.

Однако в случае аналитика данных и разработчика имеет место как бы очеловечивание: их работа предполагает знание о том, что в основе ИИ лежит математическая модель, их интерес к ИИ -- это интерес к интеллектуальным способностям, по выражению информанта, к «ментальным механизмам мышления». Очеловечивание происходит именно в тех направлениях, в которых ИИ имитирует способности человеческого разума; более того, во многом--это те способности, которые требуются от аналитика и от разработчика (или, по крайней мере, они могут быть представлены как таковые). Можно выдвинуть предположение, что очеловечивание ИИ и характер эмоций во взаимодействии с ним идут на пользу информантам как профессионалам, поддерживая интеллектуальный интерес к работе и развивая аналитические способности. Потенциальной опасностью здесь является интеллектуальное истощение в разных его формах, однако оно не специфично для работы с ИИ и относится к характеру труда в целом.

В случае с тестировщиком происходит нечто иное: зачарованность партнером по взаимодействию (другим, не человеком, но похожим на человека) и эмоции -- это не интеллектуальный интерес и восхищение, а сопереживание и жалость: алгоритм одушевляется в буквальном смысле. Это связано с характером работы тестировщика, требующей взаимодействия с ИИ в качестве пользователя, проверки действия алгоритмов на себе (хотя отношение нашего информанта, безусловно, не является единственно возможным для работника в подобной профессиональной роли). Здесь может быть сформулирована еще одна гипотеза: в некоторых случаях вовлечение в новый мир взаимодействий с ИИ ставит людей в уязвимое положение, порождает возможности разочарования и эмоционального истощения -- особого рода эмоционального истощения, связанного с взаимодействием с ИИ.

При каких условиях взаимодействие с ИИ создает такого рода уязвимость? Ответ на этот вопрос следует искать в том, какой образ ИИ создается у взаимодействующего с ним человека, а это в свою очередь определяется микроситуационными деталями взаимодействия в рамках определенного институционального контекста.

Шахматист, играющий против компьютера, совершенствует технику и при этом трансформирует свой стиль игры: он начинает играть лучше и (не всегда, но часто) более схоже с тем, как играет компьютер. Разработчик, создающий и тренирующий нейросеть, исследует некоторую математическую модель, сущность которой постоянно ускользает от него и требует новых познавательных усилий для более точного моделирования реальности. Турист, планирующий маршрут с помощью гугл-карт, соотносит свои цели и возможности с теми средствами, которые предлагает алгоритм.

Во всех этих примерах агенты ИИ, по-видимому, вовлекаются во взаимодействие эффективно и адекватно ситуации: для шахматиста -- как равноценный партнер по игре, для разработчика -- как постоянно ускользающий объект знания (Кнорр Цетина), для туриста -- как помощник-подчиненный. В каждом из примеров агенты ИИ также могут пробуждать мысли о том, в чем состоит специфика человеческих способностей в сравнении с ИИ (Теркл). Здесь взаимодействие с ИИ идет «гладко» и требует только рутинных «починок».

По сравнению с этим работа тестировщика или дружеское общение с приложением требуют постоянных нерутинных «починок»: ошибки алгоритма, связанные с отсутствием у него соответствующих смысловых или эмоциональных структур, исправляются партнером по взаимодействию, который вынужден постоянно «пе- ревоображать» то, с чем взаимодействует. Иными словами, в первых примерах ситуация требует от агента ИИ того, что он умеет, во вторых примерах -- того, что он не умеет, и разрыв между требованиями ситуации и реальностью ложатся на плечи человека. Объяснение, почему происходит так или иначе, следует искать в том, как именно различные агенты ИИ организуют свое взаимодействие с человеком: в каком ритме, с какой скоростью и насколько адекватно ситуации (и ожиданиям партнера) они способны вовлекаться в разного рода взаимодействия. Ответы на эти вопросы применительно к конкретным ситуациям могут дать этнометодологи, конверсационные аналитики и представители социологии эмоций в сотрудничестве с техническими специалистами, обладающими знаниями о том, почему алгоритмы реагируют именно так, как они реагируют, на что они способны, на что -- нет.

Данные наблюдения за личными образами ИИ ставят новые вопросы и предлагают новые исследовательские задачи по фиксации и анализу взаимодействий с агентами ИИ в профессиональной и повседневной жизни людей в разных ролях и разных ситуациях. Мы оставляем за собой право вернуться к этим задачам в дальнейших исследованиях.

труд экспертиза кооперация интеллект

Список информантов

1. Управляющий партнер, Организация 1, Россия.

2. Исполнительный директор, Организация 2, Россия.

3. Аккаунт-менеджер, Организация 2, Россия.

4. Младший разработчик, Организация 2, Россия.

5. Инженер-исследователь, Организация 3, Россия.

6. Руководитель отдела лингвистики, Организация 4, Россия.

7. Тимлид аналитики данных, Организация 5, Россия.

8. Ресерчер, Организация 5, Россия.

9. Веб-разработчик, Организация 5, Россия.

10. Руководитель отдела, Организация 5, Россия.

11. Менеджер продукта, Организация 6, Россия.

12. Тестировщик поиска, Организация 7, Россия.

13. ML-аналитик и разработчик, Организация 7, Россия.

14. ИТ-рекрутер, Организация 7, Россия.

15. Менеджер по подбору ИТ-специалистов, Организация 8, Россия.

16. Ведущий аналитик данных, Организация 9, Россия.

17. Старший аналитик данных, Организация 10, Беларусь.

18. Управление продуктами, Организация 11, Беларусь.

19. Программист, Организация 12, Беларусь.

20. Технический директор, Организация 13, Беларусь.

21. Тим лидер продукта, Организация 14, Россия.

22. Развитие социальной сети, Организация 15, Россия.

23. Директор по HR-аналитике и организационному развитию, Организация 16, Россия.

24. Технический директор, Организация 16, Россия.

Библиография / References

1. Вязникова В.В. (2008) Особенности трудовых взаимоотношений между российскими IT-фрилансерами и заказчиками их услуг. Экономическая социология, 9 (1): 88-113. Vyaznikova V.V. (2008) Peculiarities of labor relations between Russian IT freelancers and customers of their services. Ekonomicheskaya sotsiologiya, 9 (1): 88113. -- in Russ.

2. Губа К. (2018) Большие данные в социологии: новые данные, новая социология? Социологическое обозрение, 17 (1): 213-236. Guba K. (2018) Big Data in Sociology: New Data, New Sociology? The Russian Sociological Review, 17 (1): 213-236. -- in Russ.

3. Земнухова Л.В. (2013) IT-работники на рынке труда. Социология науки и технологий, 4 (2): 77-90. Zemnukhova L.V. (2013) IT-workers at the labour market. Sotsiologiya nauki i technologiy, 4 (2): 77-90. -- in Russ.

4. Земнухова Л., Руденко Н., Сивков Д. (2019) Цифровые городские исследования: проблемы взаимодействия и паттерны координации. Социологическое обозрение, 18 (4): 107-129. Zemnukhova L., Rudenko N., Sivkov D. (2019) Digital Urban Studies: Collaboration Problems with Patterns of Coordination. The Russian Sociological Review, 18 (4): 107-129. -- in Russ.

5. Резаев А.В., Стариков В.С., Трегубова Н.Д. (2020) Социология в эпоху «искусственной социальности»: поиск новых оснований. Социологические исследования, 2: 3-12. Rezaev A. V., Starikov V.S. Tregubova N. D. (2020) Sociology in the Age of 'Artificial Sociality": Search of New Bases. Sotsiologicheskie Issledovaniya, 2: 3-12. -- in Russ.

6. Резаев А.В., Трегубова Н.Д. (2019) «Искусственный интеллект», «онлайн-культура», «искусственная социальность»: определение понятий. Мониторинг общественного мнения: Экономические и социальные перемены, 6: 35-47. Rezaev A.V., Tregubova N.D. (2019) Artificial Intelligence, On-line Culture, Artificial Sociality: Definition of the Terms. Monitoring of Public Opinion: Economic and Social Changes, 6: 35-47. -- in Russ.

7. Срничек Н. (2019) Капитализм платформ, М.: ИД ВШЭ. Srnicek N. (2018) Platform Capitalism, M. HSE Press. -- in Russ.

8. Arora A., Gambardella A. (1994) The changing technology of technological change: general and abstract knowledge and the division of innovative labour. Research Policy, 23: 523-532.

9. Biagioli M., Lepinay V.A. (eds) (2019) From Russia with code: programming migrations in post-Soviet times, Durham: Duke University Press.

10. Collins H. (2018) Artifictional intelligence: against humanity's surrender to computers, Medford, MA: Polity Press.

11. Collins H. (2004) Interactional expertise as a third kind of knowledge. Phenomenology and the Cognitive Sciences, 3: 125-143.

12. Daston L. (2018) Calculation and the Division of Labor, 1750-1950. Bulletin of the German Historical Institute, 62: 9-30.

13. Fedorova M. (2019). From Lurker to Ninja: Creating an IT Community at Yandex. M. Biagioli, V.A. Lepinay (eds) From Russia with code: programming migrations in post-Soviet times, Durham: Duke University Press: 59-86.

14. Knorr Cetina K. (1997) Sociality with Objects: Social Relations in Postsocial Knowledge. Theory, Culture and Society, 14: 1-30.

15. Knorr Cetina K., Bruegger U. (2000) The Market as an Object of Attachment: Exploring Postsocial Relations in Financial Markets. The Canadian Journal of Sociology, 25 (2): 141-168.

16. MacKenzie D.A. (2001) Mechanizing proof: computing, risk, and trust, The MIT Press.

17. Ribeiro R. (2007) The role of interactional expertise in interpreting: the case of technology transfer in the steel industry. Studies in History and Philosophy of Science, 38: 713-721. Suchman L. (2007) Human-Machine Reconfigurations: Plans and Situated Actions, 2nd ed., Cambridge: Cambridge University Press.

18. Turkle Sh. (2005) The second self: computers and the human spirit, 20tht anniversary ed., The MIT Press.

19. Woo D., Myers K.K. (2019) Organizational Membership Negotiation of Boundary Spanners: Becoming a Competent Jack of All Trades and Master of ... Interactional Expertise. Management Communication Quarterly, 34 (1): 85-120.

Приложение 1

Организация 1 занимается разработкой бизнес-приложений и систем (в том числе на основе ИИ/МО) для внешних организаций.

Организация 2 разрабатывает технологии ИИ/МО (распознавание изображений) для внешних организаций.

Организация 3 занимается разработкой и производством телекоммуникационного оборудования и программного обеспечения.

Организация 4 разрабатывает автоматизированные диалоговые системы.

Организация 5 специализируется на онлайн-образовании и использует технологии компьютерного зрения для контроля за качеством работы учителей. Технологии ИИ/МО разрабатываются внутри организации.

Организация 6 специализируется на организации розничной продажи продуктов широкого потребления. Технологии ИИ/МО разрабатываются внутри организации.

Организация 7 специализируется на поисковых информационных системах и информационных технологиях в целом.

Организация 8 специализируется на банковских услугах. Технологии ИИ/МО разрабатываются внутри организации.

Организация 9 специализируется на интернет-маркетинге.

Организация 10 занимается разработкой программного обеспечения.

Организация 11 -- сообщество специалистов в сфере анализа данных.

Организация 12 занимается разработкой программного обеспечения.

Организация 13 занимается разработкой программного обеспечения.

Организация 14 создает инструменты для разработки программного обеспечения.

Организация 15 -- крупная социальная сеть. Технологии ИИ/МО разрабатываются внутри организации.

Организация 16 занимается разработкой технологий ИИ/МО для кадровой аналитики для внешних компаний.

Размещено на Allbest.ru