Можно ли сегодня доверять экспертному мнению?
Этот вопрос стал для меня особенно актуальным после одной громкой истории, когда люди, называющие себя экспертами, обвиняли масложировую отрасль в использовании бензина при производстве растительного масла, объясняли связь масла с воспалениями и говорили про «опасность» рафинации, где якобы удаляется все полезное.
Именно здесь возникает вопрос – насколько устойчиво экспертное мнение, даже если оно звучит убедительно?
Психолог Пол Мил еще в середине XX века провел серию исследований, в которых сравнил точность прогнозов профессионалов и простых формальных моделей. Результат оказался однозначным: модель давала более точные предсказания в медицине, социальной работе и других сложных сферах. Причина в том, что человек подвержен влиянию множества факторов – личного отношения, контекста, общественного давления, эмоционального состояния. А формула – нет.
Сегодня на смену простым формулам приходит искусственный интеллект. Он способен анализировать сотни признаков одновременно, находить связи, недоступные человеческому глазу, и при этом обучаться на реальных данных. В отличие от человека, он не устает, не делает выводов на основе эмоций и не зависит от повестки дня.
И главное – он не отвергает экспертность, а дополняет ее. Эксперт выдвигает гипотезу, искусственный интеллект проверяет ее на больших объемах данных. Эксперт интерпретирует результат, искусственный интеллект выявляет закономерности, неочевидные даже опытному специалисту. В этом симбиозе появляется новое качество: точность, обоснованность, проверяемость.
В итоге именно точность становится критерием профессионализма. Не количество лет в профессии и не громкость заявления, а способность делать устойчиво верные выводы.
Но у этого подхода есть ключевое ограничение – данные должны быть верифицированы. Если данные ошибочны, неполны или не отражают специфику отрасли, искусственный интеллект лишь автоматизирует и масштабирует ошибку. Поэтому искусственный интеллект применим, когда используется проверенная информация, есть понимание предметной области и выстроены процедуры контроля качества данных.
Сегодня одна из главных проблем внедрения искусственного интеллект в отраслях – это нехватка данных, как по объему, так и по качеству. Поэтому одной из стратегических задач крупных компаний является формирование отраслевых датасетов, в том числе за счет оцифровки архивов, накопленных за десятилетия.
Загрузка ...