Algorytmiczny lider

Tekst
Przeczytaj fragment
Oznacz jako przeczytane
Jak czytać książkę po zakupie
Czcionka:Mniejsze АаWiększe Aa


ZACZNIJ OD ALGORYTMÓW

Wyobraź sobie, jak może wyglądać życie za dziesięć lat.

Być może wyobraźnia podsuwa ci obraz mnóstwa autonomicznych samochodów tłoczących się na drogach, dronów dostarczających paczki, w pełni zautomatyzowanych fabryk oraz cieńszych, smuklejszych i szybszych urządzeń. To wszystko jest całkiem możliwe, gdy weźmie się pod uwagę obecne okoliczności i ciągły rozwój. Trudno jednak mimo wszystko nazwać to radykalną zmianą w stosunku do współczesnego wyglądu codziennego życia. Ale choć nasz sprzęt i nasze rozwiązania techniczne w następnej dekadzie mogą nie przybrać aż tak odmiennej postaci, jest coś, co może zmienić się radykalnie: nasze doświadczenia.

Działanie algorytmów prawdopodobnie odmieni sposób, w jaki doświadczamy tego, co robimy – komunikowania się, robienia zakupów, szukania miłości lub pracy, zarabiania, podróżowania. Ponieważ dzięki uczeniu maszynowemu i coraz większej mocy obliczeniowej komputerów w przyszłości będziemy w stanie lepiej wykorzystywać dane, staniemy się świadkami wykładniczego polepszenia jakości algorytmicznych platform, które kształtują nasz świat. A największa wartość biznesowa będzie się tworzyć najprawdopodobniej tam, gdzie zaczną powstawać nowe algorytmiczne doświadczenia, nie będzie zaś wynikać z samej poprawy funkcjonowania działalności operacyjnej.

Przede wszystkim wyjaśnijmy pewne powszechne nieporozumienie: algorytmy nie są bynajmniej żadnym opartym na potężnej mocy obliczeniowej zaklęciem, które jakimś cudem potrafi tchnąć życie w maszyny. Przypominają raczej przepis na pieczenie ciasta: to opisany krok po kroku proces (łączenie poszczególnych składników), mający na celu rozwiązanie jakiegoś problemu (gdy potrzebny ci tort na urodziny syna).

Samo pojęcie algorytmu wyprzedza współczesne komputery o kilka tysięcy lat; można je odnaleźć w koncepcjach tworzonych przez największe umysły starożytności – już wtedy do wszechstronnego analizowania trudnych zagadnień wykorzystywano algorytmy.

Wyobraźmy sobie na przykład, że mamy za domem przyjemny, zacieniony prostokątny dziedziniec, który chcielibyśmy wyłożyć kwadratowymi kamiennymi płytami. Kamieniarz pyta o ich rozmiar i w tym momencie uświadamiamy sobie, że wybór wcale nie jest taki prosty. Jaką maksymalną wielkość mogą mieć płyty, którymi da się równomierne wyłożyć całą powierzchnię o wymiarach 38 x 16 stóp?

Grecki matematyk Euklides opracował metodę pozwalającą poradzić sobie z tym problemem. Układanie płyt na dziedzińcu to matematyczna łamigłówka, którą można rozwiązać, obliczając największy wspólny dzielnik (NWD) dwóch liczb – to znaczy największą liczbę, przez którą dzielą się one obie bez pozostawiania reszty. Procedura Euklidesa służąca do wykonywania obliczeń, którą po raz pierwszy opisał on w swoim dziele Elementy (ok. 300 r. p.n.e.) jest jednym z najstarszych algorytmów, których używamy do dziś.

Algorytm Euklidesa, jak się go nazywa, składa się z serii kroków ułożonych w ten sposób, że wynik jednego staje się danymi wejściowymi dla kolejnego. W takim razie może wyjdźmy na nasz wyimaginowany dziedziniec i popatrzmy, jak to wygląda.

W punkcie wyjścia można sobie wyobrazić, że dziedziniec jest wyłożony dwiema płytami w kształcie kwadratu o wymiarach 16 x 16 stóp, a pozostająca powierzchnia ma wymiary 6 x 16. Aby znaleźć rozmiar płyt, które pokryją całą powierzchnię, musimy zająć się dalszym podzieleniem tej niepokrytej dotąd części.

Na szczęście na tej mniejszej powierzchni można położyć dwa kwadraty o wymiarach 6 x 6 stóp, po czym pozostanie jeszcze mniejsza reszta. Tę można ponownie zwizualizować sobie jako prostokąt, tym razem o powierzchni 4 x 6. Wypełnijmy go częściowo kwadratem 4 x 4. Teraz pozostał nam już tylko malutki prostokąt 2 x 4. Pokrycie go paroma pięknymi płytami z piaskowca powinno być łatwe. Będziemy potrzebować tylko dwóch płytek 2 x 2. I już mamy rozwiązanie dla całego naszego dziedzińca. Myśląc o problemie matematycznie, powiemy, że największy wspólny dzielnik 16 i 38 to 2. Ale z pragmatycznego punktu widzenia, aby nasz ogród wyglądał idealnie, możemy teraz podać budowniczemu dokładny rozmiar płyt. Musi kupić płyty 2 x 2. Żadną liczbą płyt o większym rozmiarze nie da się pokryć dziedzińca bez pustych miejsc ani zakładek.

Kolejne kroki algorytmu Euklidesa można przedstawić tak:

38 ÷ 16 = 2, plus 6 reszty

16 ÷ 6 = 2, plus 4 reszty

6 ÷ 4 = 1, plus 2 reszty

4 ÷ 2 = 2, plus 0 reszty

W każdym kroku bierzemy poprzedni dzielnik i dzielimy go przez poprzednio uzyskaną resztę, po czym powtarzamy to samo tak długo, aż uzyskamy resztę równą zeru. Liczba, do której dochodzimy w tym ostatnim kroku, to NWD.

Oczywiście, istnieją inne algorytmiczne sposoby znalezienia tej odpowiedzi. Możemy na przykład rozłożyć obie liczby na czynniki pierwsze, a następnie wybrać ten lub te z nich, które są im wspólne:

38 = 2 x 19

16 = 2 x 2 x 2 x 2

W tym wypadku NWD to 2.

Nie martwcie się: to był ostatni matematyczny przykład, jaki znajdziecie w tej książce. Chciałem tylko zilustrować prosty fakt: algorytm ma dane wejściowe i wyjściowe. Każdy krok generuje wynik, który można następnie wykorzystać jako dane wejściowe do następnego kroku.

Kiedy wyobrazimy sobie to w odpowiedniej skali, okaże się, że algorytmy pozwalają nam radzić sobie z bardzo skomplikowanymi, realnymi wyzwaniami. Weźmy na przykład jedno z klasycznych zadań z zakresu informatyki: problem komiwojażera. Zagadnienie wygląda następująco: jeśli przedstawiciel handlowy sprzedający encyklopedie musi odwiedzić wiele lokalizacji na liście, to jaka jest najkrótsza możliwa trasa objazdowa, która obejmuje każdą z tych lokalizacji tylko raz i nie powtarza tych samych odcinków? Znalezienie odpowiedzi jest dużo bardziej skomplikowane, niż mogłoby się wydawać, a firmy logistyczne mają z tym problemem do czynienia nieustannie, ponieważ starają się dostarczać nasze paczki w najbardziej efektywny sposób. Na przykład UPS, aby jego kierowcy mogli przywieźć nam przesyłki na czas, korzysta z narzędzia do optymalizacji trasy o nazwie ORION (On-Road Integrated Optimization and Navigation).

Algorytmy nas otaczają. Ilekroć wypłacasz pieniądze z bankomatu, kupujesz coś w internecie i wybierasz wysyłkę na adres domowy, odblokowujesz telefon, używając funkcji rozpoznania twarzy, sprawdzasz zdjęcia znajomych na Instagramie, przeglądasz spersonalizowaną playlistę w swoim serwisie muzycznym lub decydujesz, jaki film obejrzeć z listy polecanej ci przez Netflix – w każdej z tych sytuacji w tle działa jakiś algorytm, który ma przewidzieć twoje potrzeby i na nie odpowiedzieć.

ZROZUM, DLACZEGO MASZYNY ROBIĄ SIĘ TAK INTELIGENTNE

Chociaż algorytmy istnieją od tysięcy lat, tak naprawdę dopiero czasy obecne możemy nazwać epoką algorytmów – a to dlatego, że dopiero w ostatnim okresie dokonał się olbrzymi postęp w zakresie tego, co nazywamy głębokim uczeniem (deep learning).

Wraz z pojawieniem się głębokiego uczenia komputery mogą szkolić się na zestawach danych, które zawierają miliony danych wejściowych i wyjściowych, ewoluując wraz z nimi. Zamiast więc powtarzać stały zestaw instrukcji takich jak babciny przepis na sos do makaronu (którego lepiej nie waż się modyfikować), systemy oparte na algorytmach tworzących uczenie maszynowe dostosowują się podczas działania. Zasadniczo maszyny potrafią teraz pisać własne instrukcje.

Kiedy nastąpił przełom? Według niektórych takim punktem zwrotnym był grudzień 2012 roku, kiedy to zespół z Uniwersytetu w Toronto wygrał konkurs ImageNet Large-Scale Visual Recognition Challenge, do którego zgłosił swój algorytm SuperVision. Organizowany od 2010 roku ImageNet to coroczny konkurs, w którym mogą brać udział zespoły tworzące oprogramowanie do prawidłowego klasyfikowania oraz wykrywania obiektów i scen w obrazach. W 2012 roku zwyciężyło trzech naukowców: Geoffrey Hinton, Alex Krizhevsky i Ilya Sutskever, którzy zaprojektowali sieć neuronową nazwaną przez nich AlexNet, a opartą na tak zwanej głębokiej konwolucyjnej sieci neuronowej.

Spójrzmy na kontekst, w którym odnieśli to zwycięstwo: triumfatorzy z 2010 roku mieli wskaźnik błędu wynoszący 28,2%. Drużyna SuperVision w 2012 roku wygrała z poziomem błędu 16,4%. Drugi najlepszy zespół miał wynik 26,2%. Od tego czasu zdolność maszyn do niezawodnej interpretacji obrazów gwałtownie wzrosła. W 2017 roku zwycięska drużyna z Chin miała poziom błędu wynoszący zaledwie 2,25%. To przypuszczalnie o wiele lepszy wynik niż ten, który mógłbyś osiągnąć ty, niezwykle przecież inteligentny człowiek.

Konwolucyjna sieć neuronowa AlexNet, trochę podobnie jak ludzki mózg, składała się z warstw niedużych zbiorów neuronów, z których każda badała część obrazu, wyodrębniając jego istotne elementy. Wyniki pochodzące ze wszystkich tych zbiorów w każdej warstwie nakładano następnie na siebie, aby stworzyć reprezentację całego obrazu. To samo powtarzało się w kolejnej warstwie – i tak dalej, co pozwalało algorytmowi zrozumieć zawartość obrazu.

AlexNet pomaga zilustrować różnice między głębokim uczeniem a ogólnymi postaciami uczenia maszynowego. W tradycyjnych zastosowaniach uczenia maszynowego algorytmy programuje się ze zdefiniowanym zestawem funkcji, które mają one uwzględniać. Dzięki głębokiemu uczeniu sieć neuronowa może definiować funkcje poprzez analizę danych pochodzących z jej warstwy wejściowej.

 

Obecnie konwolucyjne sieci neuronowe wykorzystuje się wszędzie i do wszystkiego, poczynając od automatycznego tagowania zdjęć, po analizę wideo, konstruowanie i kontrolowanie pojazdów autonomicznych oraz badania i rozwój leków. Jednak taki skok dokonał się stosunkowo niedawno, wraz z pojawieniem się wystarczająco tanich i potężnych maszyn do wykonywania obliczeń, które sprawiły, że algorytmy wykorzystujące głębokie uczenie stały się praktycznym narzędziem. Jako algorytm AlexNet był inteligentny; dysponując wystarczającą mocą obliczeniową, mógł uczyć się być inteligentniejszy.

W ciągu ostatnich pięćdziesięciu lat komputery stały się znaczącą częścią projektowania biznesowego. Jeśli są inteligentne, to dlatego, że tak je zaprogramowaliśmy. Zdolność maszyn do szybkiego uczenia się na dużą skalę jest tym, co sprawia, że epoka algorytmów radykalnie różni się od poprzednich epok, w których komputery również odgrywały kluczową rolę w przetwarzaniu informacji i automatyzacji transakcji. Dopiero teraz, ze względu na uczenie maszynowe, stajemy w obliczu nowej rzeczywistości: komputerów, które mogą być inteligentniejsze od nas.

Pojęcia takie jak „inteligentny” czy „smart” mogą być mylące, jeśli się ich jednoznacznie nie określi. W książce Życie 3.0 fizyk i kosmolog Max Tegmark uważa inteligencję za zdolność do realizacji skomplikowanych celów. „Skomplikowane cele” definiuje on szeroko, obejmując tym określeniem wiele możliwych aspektów, w tym rozumienie, samoświadomość i rozwiązywanie problemów. Dla Tegmarka Świętym Graalem badań nad AI jest zbudowanie ogólnej sztucznej inteligencji (AGI), która jest w stanie osiągnąć praktycznie każdy cel, włączając w to uczenie się. Istnieje jednak inny rodzaj AI, który można ująć jako wąską AI. Tegmark zwraca uwagę na to, że przykładowo komputer do gry w szachy Deep Blue firmy IBM był w stanie wykonywać jedynie bardzo wąsko określone zadanie – polegające właśnie na grze w szachy. Trudno byłoby mu odnieść sukces w innych kontekstach, nawet grając w inne gry. Można powiedzieć, że Deep Blue był inteligentny w zakresie gry w szachy, ale w kółko i krzyżyk nie potrafiłby pokonać nawet czterolatka.

Jak twierdzi założyciel firmy Satalia, Daniel Hulme (którego spotkamy w dalszej części tej książki), aby można było powiedzieć, że jakaś maszyna jest prawdziwą AI, musi ona wykazywać „zachowanie adaptacyjne ukierunkowane na cel”. W „ukierunkowaniu na cel” chodzi o to, by algorytm był wykorzystywany do osiągnięcia konkretnego celu, takiego jak klasyfikacja obrazu czy optymalizacja trasy. Ważnym słowem jest tutaj jednak „adaptacyjne”. Zdaniem Hulme’a, jeżeli system się nie adaptuje, nie uczy się na błędach i nie doskonali własnego modelu, to nie jest to AI; to tylko pewna postać automatyzacji.

Ta zdolność do adaptacji, uczenia się i osiągania biegłości w wąskich dziedzinach jest powodem, dla którego maszyny stają się inteligentniejsze od nas w określonych obszarach. Na wielu polach maszyny już nas wyprzedziły: nie tylko pod względem umiejętności gry w szachy i w go, ale także wykrywania raka skóry, wyszukiwania planet w kosmosie czy rozpoznawania twarzy w tłumie. Wąsko zdefiniowany cel plus umiejętność uczenia się pozwala dzisiejszym platformom algorytmicznym na szybkie opanowanie takich zadań jak rozpoznawanie wzorców, nawigacja, optymalizacja czy personalizacja.

W ciągu najbliższych kilku lat będziemy świadkami wykładniczej poprawy zdolności maszyn do uczenia się. Pokonanie przez AlphaGo osiemnastokrotnego mistrza świata w go, Lee Sedola, było niesamowitym osiągnięciem. Ale naprawdę zdumiewający okazał się następca tej maszyny, AlphaGo Zero. Na podstawie słowa „Zero” w nazwie powinniśmy domyślić się, jak działa ta nowa AI: zero ludzkiej wiedzy. Wyposażony jedynie w zasady gry, nie mając żadnych przykładowych ludzkich rozgrywek jako danych treningowych, AlphaGo Zero grał losowo, dopóki nie opracował strategii tak dobrych, że pokonał swoje poprzednie mistrzowskie wcielenie 100–0.

Tym, co sprawia, że AlphaGo Zero jest naprawdę interesujący, jest jego zdolność – której nie ma komputer szachowy Deep Blue firmy IBM – do stosowania tego, czego się uczy, w innych grach. DeepMind, spółka zależna Google’a, która opracowała AlphaGo, poinformowała niedawno, że dokonała uogólnienia oprogramowania, aby komputer mógł uczyć się innych gier. W ciągu dwudziestu czterech godzin od zajęcia się innymi grami, takimi jak szachy i shōgi (japońska gra podobna do szachów), AI była w stanie rozwinąć „nadludzkie umiejętności”, a następnie bezapelacyjnie pokonać program dzierżący tytuł mistrza świata. Według dyrektora generalnego DeepMind Demisa Hassabisa zbudowanie algorytmu, który może uczyć się bez potrzeby posiadania ludzkiej wiedzy, pozwala na łatwiejsze zastosowanie tego algorytmu do wielu realnych problemów: „Dla nas AlphaGo to nie tylko wygrana w grze go, to także duży krok w kierunku zbudowania algorytmów do nauki ogólnego przeznaczenia”.

Tu jednak dochodzimy do tego, co najważniejsze: podczas gdy maszyny będą się stawać zdecydowanie lepsze w wyciąganiu wniosków z danych, dostrzeganiu wzorców, a nawet podejmowaniu decyzji w naszym imieniu, tylko ludzie będą mieli wyjątkową zdolność wyobrażenia sobie innowacyjnych sposobów wykorzystania inteligencji maszyn do tworzenia doświadczeń, przekształcania organizacji i wymyślania świata na nowo.

Zrozumienie zdolności dzisiejszych maszyn do uczenia się jest pierwszym krokiem do wyobrażenia sobie, jakiego rodzaju inteligentne platformy będziemy mogli budować w przyszłości. Trudniej jest przewidzieć, co się zmieni pod wpływem inteligentniejszych algorytmów, niż wymyślić, jakie możliwości da nam szybszy lub tańszy sprzęt. Intuicyjnie potrafimy założyć, co nam da wydajniejszy komputer lub aparat o wyższej rozdzielczości. Co jednak wniesie bardziej zaawansowany algorytm, który rozumie nasze potrzeby lub przewiduje nasze pragnienia? Dla jakiego rodzaju gałęzi przemysłu prawdziwym przełomem mógłby być radykalnie lepszy algorytm rozpoznawania mowy (taki, który działałby we wszystkich ludzkich językach)? Jakie nowe rodzaje produktów i usług mogłyby powstać, gdyby opracowano maszynę potrafiącą precyzyjnie oceniać ludzkie emocje?

Chcąc wyobrazić sobie przyszłość kształtowaną przez AI, najlepiej będzie nie skupiać się na maszynach i ich obecnych możliwościach, ale myśleć o potencjalnych interakcjach między algorytmami, ludzkim zachowaniem i ludzką tożsamością. Jeśli potrafisz zrozumieć wpływ algorytmu na to, jak ludzie żyją, jak podejmują decyzje i jakie są ich oczekiwania co do tego, jak powinny działać różne rzeczy, to możesz zacząć projektować świat dla klientów, którzy nawet jeszcze nie istnieją.

TWÓRZ DLA SWOICH PRZYSZŁYCH KLIENTÓW

Jeśli chodzi o to, jak pracować od końca, z perspektywy przyszłości, nie ma chyba lepszego przykładu niż Masayoshi Son. Urodził się w Japonii w 1957 roku, choć nie został tam zbyt długo: w wieku szesnastu lat przeprowadził się do Stanów Zjednoczonych, by studiować na Uniwersytecie Kalifornijskim w Berkeley.

Trudno było być w Berkeley w połowie lat 70. ubiegłego wieku i nie zarazić się poczuciem, że komputery zmienią świat. Jednym z kolegów Sona był Bill Joy, który podczas studiów stworzył BSD UNIX, a później założył Sun Microsystems.

Nie powinno zatem dziwić, że kiedy na początku lat 80. Son wrócił do Japonii, pełen zapału założył własną firmę programistyczną, którą nazwał Nihon SoftBank (później nazwę tę skrócono do SoftBank). Wraz z rozwojem japońskiego przemysłu komputerowego rozwijał się również SoftBank. W ciągu kilku lat Son opanował 50% krajowego rynku detalicznego w sektorze oprogramowania komputerowego.

Gwiazda Sona nie przestawała wschodzić. Pomimo kilku niepowodzeń w okresie pierwszej dewaluacji dotcomów na początku nowego tysiąclecia, kiedy stracił około 70 miliardów dolarów (i zyskał wątpliwe wyróżnienie jako jedna z osób, które poniosły największe straty wartości netto własnych aktywów w ludzkiej historii), Son ocalał, a SoftBank przetrwał ten trudny czas i stał się wiodącym dostawcą szerokopasmowego internetu w Japonii, jako pierwszy wprowadził iPhone’y na tamtejszy rynek i we wczesnej fazie zainwestował w serwis Alibaba.

To ostatnie posunięcie było szczególnie ważne, ponieważ 20 milionów dolarów, które Son postawił w 2000 roku na Alibabę, chińską firmę e-commerce będącą wówczas w powijakach, zmieniło się w 50 miliardów dolarów, kiedy firma weszła na giełdę w 2014 roku. Dzisiaj może się wydawać, że przed laty Sonowi łatwo przyszło w nią zainwestować, ale wtedy niewiele wskazywało na to, by pomysł Jacka Ma miał odnieść sukces.

Miałem kiedyś okazję jeść w Hongkongu pizzę razem z Jackiem Ma i jego doradcami. Było to pod koniec lat 90., kiedy prowadziłem w Australii interesy spółki Jupiter Research, jednego z pierwszych rywali takich firm badawczych jak Gartner i Forrester. Przedstawiciele Ma skontaktowali się z moim ówczesnym szefem, Alanem Mecklerem, właścicielem firmy, widząc w nim potencjalnego inwestora dla swojego przedsięwzięcia.

To był co najmniej dziwny lunch i wszyscy czuliśmy się podczas niego nieswojo. Meckler opowiadał, jak przy swoich poprzednich inwestycjach w Chinach trafił na oszustów. Ma skubał pizzę z miną, która wskazywała, że wolałby być gdzie indziej. A jego doradcy patrzyli na mnie, zastanawiając się, co ja w ogóle robię przy tym stole.

Cóż więc takiego dostrzegł Masayoshi Son w Jacku Ma, co inni przegapili? Odpowiedź na to pytanie leży w sposobie, w jaki Son dokonuje ważnych strategicznie posunięć. Nie wystarcza mu po prostu inwestowanie w firmy, które jego zdaniem mogą kiedyś odnieść sukces lub przynieść zysk; on robi coś innego: wyrabia sobie własny pogląd na to, jak może wyglądać przyszłość – i pracuje od końca.

Podczas niedawnej podróży do Tokio spotkałem Akirę Tadę, jednego z wiceprezesów SoftBanku w Japonii. Chciałem dowiedzieć się od niego czegoś na temat funduszu SoftBanku o nazwie Vision Fund, który od momentu jego utworzenia pod koniec 2016 roku zebrał 93 miliardy dolarów na inwestycje w przyszłość. Tada był odpowiedzialny za jedną z ostatnich inwestycji funduszu, Plenty – firmę zajmującą się rolnictwem uprawianym w zamkniętych pomieszczeniach.

Kiedy twórca Plenty przekonywał SoftBank do zainwestowania w swój biznes, tłumaczył, że dwie najważniejsze niekontrolowane zmienne w działalności rolniczej to praca ludzka i pogoda. Plany Plenty polegały na zminimalizowaniu wpływu obu tych czynników poprzez zastosowanie AI, automatyzacji oraz kontrolowanego środowiska wewnątrz budynków. Zakładano budowanie gospodarstw o pionowym układzie w pobliżu miast liczących co najmniej milion mieszkańców.

Pomysł idealnie trafił w oczekiwania Sona, ponieważ właśnie starał się on wypracować wizję tego, jak może wyglądać życie w 2050 roku. Son ma wyjątkową umiejętność długoterminowego myślenia i planowania. Poprzez intensywne badania i głęboką refleksję tworzy sobie obraz tego, jak może wyglądać życie za trzydzieści lat. Następnie zadaje sobie pytanie, jakie technologie, modele biznesowe i infrastruktura mogą być w związku z tym potrzebne za lat piętnaście, dziesięć, pięć i za rok. Później za każdym razem, gdy napotyka okazję, biznes lub osobę, która pasuje do jego wizji, z wyjątkowym skupieniem i niestrudzenie tę wizję realizuje.

Nic dziwnego, że tak silne ukierunkowanie na wizję przyszłości ma wpływ na model działania SoftBanku. Gdy pracuje się w wydłużonej perspektywie, na nowych rynkach o wysokim stopniu nieprzewidywalności, nie można tworzyć budżetów w sposób tradycyjny. Jak wyjaśnił Tada, praca w SoftBanku oznacza przyjęcie nowej postawy – aktywniej reagującej na zmiany – w zakresie podejmowania decyzji i strategii. Powiedział, że Son często żartuje: „Jeśli pada, otwórz parasol”. Innymi słowy, jeśli firma inwestycyjna traci pewną sumę pieniędzy, tnij wydatki o określoną kwotę. Jeśli po roku nadal traci pieniądze, zmniejsz na przykład o 30% zatrudnienie, a następnie działaj dalej jak zwykle. Być może Son nie wie dokładnie, kiedy jego wizja przyszłości się urzeczywistni, ale co do jednego jest przekonany: musi zadbać, by jego firmy przetrwały na tyle długo, aby to się stało.

Nie każdy ma ten luksus, by inwestować miliardy w firmy i sektory, które przez całe dziesięciolecia mogą nie przynieść owoców. Jeśli jednak przestaniesz skupiać się na tym, jak uszczęśliwić swojego obecnego klienta, a zaczniesz się zastanawiać, czego może chcieć twój przyszły klient, już dziś zaczniesz rozwiązywać problemy, o których twoi rywale zaczną myśleć dopiero jutro. To, kim są ci klienci, nie jest tajemnicą. Być może niektórych z nich już poznałeś.

UCZ SIĘ OD WŁASNYCH DZIECI

 

Jeśli chcesz projektować produkty i usługi, które dobrze sprawdzą się w przyszłości, musisz skupić się na ludziach, którzy w tej przyszłości będą żyć. Twoi klienci z 2030 roku żyją już dzisiaj. To twoje dzieci i wnuki. Mają osiem lat lub mniej – i myślą zupełnie inaczej niż ty.

Największy wpływ na dzieciństwo osób urodzonych po 2007 roku wywarł ów smukły telefon z ekranem dotykowym, który właśnie w tamtym roku pokazał światu Steve Jobs. Przypuszczalnie podobnie jak ja, z równie wielkim zafascynowaniem, co przerażeniem nieraz patrzyliście, jak dzieci korzystają z wytworów wyrafinowanej technologii.

W 2015 roku zespół badaczy Uniwersytetu w Iowa postanowił przeanalizować ponad 200 filmów z YouTube, które posłużyły im jako źródło wiedzy o tym, w jaki sposób dzieci używają tabletów. Odkryli oni, że 90% dwulatków nagranych na tych filmach potrafiło posługiwać się tabletem w umiarkowanym stopniu. Badacze przyjęli, że ów „umiarkowany stopień” oznacza umiejętność wymagającą pomocy osoby dorosłej w uruchamianiu aplikacji, ale pozwalającą z nich korzystać, mimo że dziecko ma pewne trudności w podstawowych interakcjach. Nawet małe dzieci, gdy stykają się z nowoczesną techniką, potrafią w sensowny sposób jej używać. Jak zatem może się to przełożyć na ich przyszłość?

Większość osób mających do czynienia z małymi dziećmi we współczesnym świecie prawdopodobnie stanęła wobec problemu, jak ograniczać ich korzystanie ze zdobyczy techniki. To prawdziwa walka – a stawka jest ogromna, ponieważ, jak odkryła jedna z badaczek, jej wynik to klucz do przyszłego sukcesu naszych dzieci.

Przez kilka ostatnich lat Alexandra Samuel zbierała dane na temat tego, jak ponad 10 000 rodziców w Ameryce Północnej radzi sobie z wyzwaniami związanymi z wychowaniem dzieci w cyfrowym świecie. W trakcie tych badań odkryła trzy różne style cyfrowego rodzicielstwa.

Pierwszą grupę rodziców nazwała cyfrowymi aktywatorami. Rodzice ci godzą się na to, by dzieci same decydowały o tym, jak korzystają z nowinek technicznych: dają im szeroki dostęp do tych urządzeń i jeśli dzieci tego chcą, pozwalają im spędzać dużo czasu przy ekranie. Cyfrowi hamulcowi to natomiast rodzice, którzy będą wyłączać dzieciom tablety lub smartfony i ograniczać im korzystanie z tych wynalazków w obawie przed ich negatywnym wpływem na koncentrację i interakcje z innymi. Ostatnią grupą są cyfrowi mentorzy, którzy w aktywny sposób kierują działaniami swoich dzieci w cyfrowym świecie.

Według Alexandry Samuel niewykluczone, że właśnie mentorzy to ci rodzice, którym przygotowanie dzieci do epoki algorytmów udaje się najlepiej: oni nie tylko aktywnie pracują nad kształtowaniem umiejętności i doświadczeń swoich dzieci w internecie, ale także dzięki nowoczesnym rozwiązaniom technicznym nawiązują z nimi prawdziwą więź.

Jej zdaniem te różnice w rodzicielstwie doprowadzą ostatecznie do powstania trzech odrębnych grup w kolejnych pokoleniach: cyfrowych sierot, cyfrowych wygnańców i cyfrowych dziedziców. Cyfrowe sieroty – ci, którzy mieli nieograniczony dostęp do zdobyczy techniki – będą miały problemy z relacjami międzyludzkimi. Cyfrowym wygnańcom, chronionym przed internetem, zabraknie umiejętności dokonywania właściwych wyborów, a co gorsza, umiejętności osiągania sukcesów w środowisku pracy opartym na danych. Na placu boju pozostaną więc cyfrowi dziedzice, którzy mogą okazać się najlepiej przygotowani do pośredniczenia między światem realnym i wirtualnym, a co za tym idzie, będą wieść prym w epoce algorytmów.

Kiedy rozmawiałem z Alexandrą Samuel o tej książce, opowiedziała mi o własnych dzieciach i o jednym z momentów, w których była najbardziej dumna jako matka:

– Oboje założyli sobie pierwsze konta Gmail w tym samym roku, przy czym ani jemu, ani jej wcale tego nie podpowiadałam, nie wiedzieli też nawzajem o tym, że drugie robi to samo – zaczęła, po czym kontynuowała, śmiejąc się serdecznie: – Moje starsze dziecko, czyli córka, w swoim pierwszym e-mailu użyło tylko dwóch wyrazów: „magiczna różdżka”, „magiczna różdżka”, „magiczna różdżka”, i tak w kółko, natomiast pierwszy e-mail jej młodszego brata składał się z powtarzanych słów: „robot zabawka”, „robot zabawka”, „robot zabawka”. Oboje zrobili to samo, spontanicznie i z tego samego powodu: wiedzieli, że Gmail szpieguje nasze e-maile i na tej podstawie podsyła nam reklamy. Córka chciała zobaczyć zabawki związane z magiczną różdżką, a synek chciał zobaczyć reklamy zabawkowych robotów, w sumie więc oboje mieli na celu to samo: wysyłając pierwszą wiadomość, chcieli zaprogramować Gmaila w taki sposób, by podsyłał im te reklamy, których potrzebowali.

– Czyli dzieci rozpracowały na własny użytek model algorytmu uczenia maszynowego, którego używał Google? – spytałem.

– Właśnie. Mimo że przecież on miał tylko siedem lat, a ona dziesięć.

– Nie wiedziałem, dokąd będzie zmierzać twoja historia – powiedziałem. – Szczerze mówiąc, myślałem, że opowiesz, jak twoje dzieci próbowały napisać do Świętego Mikołaja.

– Daj spokój. Komu potrzebny Mikołaj, skoro mamy algorytm, prawda? Do Mikołaja niech piszą ofermy, które nie wiedzą, jak użyć Gmaila, by podesłał im reklamy, jakich potrzebują.

Powyższa historia stanowi dla nas kolejną pożyteczną wskazówkę, jeśli chcemy zrozumieć swojego przyszłego klienta: zauważmy, że jej dzieci były w stanie stworzyć sobie w głowach model algorytmu opracowanego z myślą o nich i wykorzystać ten model do osiągnięcia własnych celów. To nowe pokolenie, urodzone po 2007 roku, jako pierwsze nie tylko ma od urodzenia dostęp do smartfonów, ale także jest całkowicie zanurzone w platformach algorytmicznych. Samo obcowanie z tak wieloma algorytmami zmienia sposób myślenia i postrzegania świata.

Pomyśl przez chwilę, jak to wygląda w twoim domu. Prawdopodobnie masz w salonie inteligentny głośnik umożliwiający dzieciom uzyskanie odpowiedzi na te wszystkie pytania, na które tobie przeszkadza czasem odpowiadać zmęczenie lub rozproszenie. W swoich smartfonach mają służące do oglądania filmów, słuchania muzyki i korzystania z innych form rozrywki aplikacje, które dzięki algorytmom dostosowują się do ich zachowań i preferencji. Nawet gdy używają Instagramu lub Facebooka, kanały, które służą do przesyłania wiadomości, zdjęć i aktualizacji dotyczących ich kręgu znajomych, są spersonalizowane tylko dla nich i mają niesamowitą zdolność przewidywania ich zainteresowań i zachowań, a nawet wpływania na nie. Myśląc o tych wszystkich rozwiązaniach technicznych, nazywamy je zbiorczo sztuczną inteligencją, ale dla twoich dzieci są one bardziej wyimaginowanym przyjacielem, a może nawet dodatkowym rodzicem.

Krótko mówiąc, twoje dzieci wiedzą już to, co ty być może dopiero teraz zaczynasz sobie uświadamiać: że najciekawsze w przyszłości będą nie nowe urządzenia czy gadżety, ale to, jak zmienią się nasze algorytmiczne doświadczenia.

SKUP SIĘ NA DOŚWIADCZENIACH, NIE NA URZĄDZENIACH

A teraz opowiem, jak nabrał nas Steve Jobs.

Kiedy w 2007 roku wygłaszał swoje słynne przemówienie na Macworld Conference & Expo, udawał, że wprowadza na rynek trzy produkty: iPoda z szerokim wyświetlaczem oraz sterowaniem dotykowym, rewolucyjny telefon komórkowy i przełomowe urządzenie do komunikacji internetowej. Oczywiście znamy zakończenie: to nie były trzy oddzielne urządzenia, lecz jedno, a Jobs nazwał je iPhone’em.

Ale tak naprawdę Jobs nabrał nas dopiero później. Chociaż iPhone’a przedstawiano jako połączenie kilku różnych urządzeń, to jego wprowadzenie na rynek dokonało w rzeczywistości rozdzielenia urządzeń od algorytmicznych doświadczeń. Owszem, smartfony stanowiły świetny wynalazek, ale naprawdę niesamowity okazał się nowy świat aplikacji mobilnych, który one wprowadziły. Aplikacje te to coś więcej niż tylko oprogramowanie; to platformy algorytmiczne, których funkcjonowanie nie ogranicza się tylko do samego telefonu, lecz działają one bez zakłóceń na dowolnej platformie, na dowolnym urządzeniu lub w dowolnym systemie operacyjnym, którego się używa.