«Я заметил на самом деле, когда обучался искусственному интеллекту. Эти штуки -- они преподаются как некая область знаний в вакууме. И люди, которые этому обучаются, они не имеют достаточно крутые компетенции для того, чтобы это куда-то в жизнь воплотить. И иногда они имеют представление о том, как эту модель отправить на сервер, чтобы она работала в формате запрос- ответ, и так далее. Но полного цикла интеграция, решения этого в продукт -- этой компетенцией реально мало кто обладает. И я вот сейчас ее в себе разрабатываю» (Веб-разработчик, Организация 5, Россия).
«В.: А насколько вам сильно нужно чему-то новому учиться или переучиваться, чтобы уметь это делать?
О: Ну, это прям много всего, потому что у меня образование не очень математическое. Здесь гораздо больше математики, статистика» (Программист, Организация 12, Беларусь).
Второй тип включает различные профессии, непосредственно не участвующие в разработке ИИ. Их объединяет новый тип экспертизы: такие люди должны иметь общее представление о математических моделях и программировании, однако они не обладают умениями (не могут разработать модель). Первая профессия, относящаяся к данному типу, -- это специалисты по сбору, обработке и анализу данных (data analyst, data engineer).
«В разработке, ну, во всем, что связано с искусственным интеллектом, уже куча всего сделано за тебя. То есть тебе не нужно прописывать какие-то интегральные формулы, тебе нужно понимать их суть, то есть уже все за тебя написано. Твоя задача -- импортировать нужную библиотеку, использовать нужную функцию, просто написав ее название, и она, подсунув ей свои данные, она сама будет работать» (Тимлид аналитики данных, Организация 5, Россия).
«Я пришел, собственно, как статистик, я заявил себя как статистик. Я уверен, что по уровню знаний, по компетенциям, как сейчас говорят, я в общем вполне гожусь для этой работы. И поэтому я прошел техническое интервью. Но, как выяснилось, этого совершенно мало, этого совершенно недостаточно, от меня ожидают более широкого круга знаний. В частности, разумеется, я должен владеть каким-то программированием» (Старший аналитик данных, Организация 10, Беларусь).
Кроме того, ко второму типу следует отнести управленцев (team leader) и посредников в области разработки ИИ: в рамках рабочего процесса (product manager), между разработчиками и заказчиками (business analyst, customer success), а также специалистов по подбору кадров в IT -- посредников между организацией и потенциальным работником. Представители этих профессий, несмотря на различия в содержании профессиональной деятельности, указывают на необходимость знать о специфике работы с технологиями ИИ.
«Абстрактный СЕО, менеджер среднего звена, топ-менеджер, если он не понимает вообще про то, как это устроено, он не может поставить задачу своему сотруднику, который в этом разбирается. И это некоторая проблема... [Нужны люди, которые будут--Н.Т.] уметь переводить с языка денег или с языка каких-то других бизнес-показателей на соответственно язык data science» (Тим лидер продукта, Организация 14, Россия).
«Нужно все-таки понимать инструменты, которыми ребята пользуются, потому что не надо говорить им чушь... Плюс-минус они, конечно, нас все берегут, и такими вот страшными словами в нас не кидаются. Но иногда скажут что-то такое, от чего потом всю ночь сидишь читаешь литературу, пытаешься понять, что это вообще было» (Директор по HR- аналитике и организационному развитию, Организация 16, Россия).
«Сейчас я не делаю модели, я формирую задачу для команды. Мне важно понимать бизнес-ценность того, что моя команда делает. И в этом, наверное, ключевой момент. В этом соответственно мне важно понимать, зачем какая-то модель делается. Мне важно понимать, плюс-минус, какие алгоритмы бывают, что бывает обучение с учителем, без учителя, бывает кластеризация, регрессия, что-то такое, и какие-то новые другие слова» (Менеджер продукта, Организация 6, Россия).
«Ребята из разработки, они очень чувствительные. И если ты начнешь с ними говорить и перепутаешь, условно, Java и JavaScript, они потеряют к тебе доверие, они не смогут тебе рассказывать то, что они бы могли рассказывать, они закроются и будут говорить: зовите меня на встречу с техническим специалистом» (ИТ-рекрутер, Организация 7, Россия).
Новый тип экспертизы возникает главным образом во взаимодействии членов организации: в наблюдении, в разговорах (более или менее институционализированных в организационных практиках) и в дальнейшем изучении того, что в этих разговорах тематизирует- ся. Такой тип экспертизы, как мы обсуждали выше, был исследован Гарри Коллинзом, который назвал его интеракционной экспертизой.
«В.: А как происходил этот процесс, когда вы постепенно становились "переводчиком"? Насколько это было трудно, долго? Где вы брали знания, нужные для этого?
О.: На разных работах, мне кажется, понемногу. Потому что так получилось, что. я сразу оказалась в кругу разработчиков, и мне пришлось научиться их понимать. Причем, когда я пришла, я была, конечно, совершенно к этому не готова, вплоть до того, что устанавливали программу на мой компьютер, и мне программист говорит: "Вот у тебя сейчас появится окошко, когда появится, ты ему нажми кнопку "се- туп"» и топай дальше". А я смотрю и думаю: "Какой сетуп? Там же написано: сетап". Но постепенно, в основном за счет занудства. Просто честно говорю: я не понимаю, давай объясни мне на пальцах, объясни мне на мне картинках, что этот модуль должен делать, почему он так важен» (Руководитель отдела лингвистики, Организация 4, Россия).
«Я частично писал алгоритмы. На начальном этапе, да, то есть я разбирался с тем, где данные лежат, и мы придумывали вместе с ребятами, как мы будем обрабатывать. И я им подсказывал инфраструктурные вещи некоторые, типа, где нам запустить модель лучше. Ну и помогал им с процессом достать данные» (Тимлид аналитики данных, Организация 5, Россия).
В связи с изменением в разделении труда в организациях, разрабатывающих ИИ/МО, следует выделить еще две тенденции, характеризующие профессиональное сообщество. Первая -- это размывание границ между привычными профессиональными/дисциплинарными идентичностями. В нарративах наших информантов это проявлялось, когда они ставили под вопрос разделение между «технарями» и «гуманитариями».
«Я все время бьюсь за то, чтобы специалистов не разделяли на гуманитариев и технарей, и сражаюсь за то, что лингвисты, условные прикладные лингвисты, компьютерные и программисты -- это отдел разработки» (Руководитель отдела лингвистики, Организация 4, Россия).
«Моя ответственность -- общаться с ребятами из бизнеса. Дальше я приношу эту задачу в команду. Мы с командой вместе "штормим"...
Вначале я намного глубже подходила к тому, что они делают, больше задавала вопросов. Сейчас у нас уже выстроенное взаимодействие, поэтому на большинство вопросов относительно того, как что делать, как что строить, отвечает команда. <...> У нас автоматически делятся люди на менеджеров и технарей, вот. Я не делю. Я не понимаю, где я. Я точно не технарь, я точно не гуманитарий, в каких-то стереотипных вещах. Но как бы я понимаю, например, свои ограничения. Я понимаю, что не буду лезть в модели, в моделирование, я не буду лезть куда-то.
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