Краудсорсинг: Коллективный разум как инструмент развития бизнеса

Потенциал краудсорсинга в решении сложных проблем обсуждался в среде, весьма предвзято относящейся к инновациям, – в федеральном правительстве США. В октябре 2007 г. сенатор Берни Сандерс, независимый представитель от штата Вермонт, представил законопроект о премиях за медицинские инновации57. В основе законопроекта лежала идея об устранении связи между стоимостью НИОКР и ценой на лекарства путем создания годового призового фонда в размере $80 млрд для премирования разработчиков лекарств. В законопроекте Сандерса было предусмотрено выделение $6,4 млрд для выдачи премий за разработки в области игнорируемых заболеваний, таких, например, как малярия. Медицинские компании могут показаться бездушными, но дело в том, что исследование и разработка лекарств – дело дорогостоящее, а больные малярией, как правило, люди бедные. Значит, фармацевтические компании столкнутся с проблемами, пытаясь окупить затраты на разработку того же лекарства от малярии. Законопроект Сандерса гарантировал обязательную компенсацию этих затрат, причем как компаниям, так и физическим лицам, которым удастся разработать эффективное лекарство.

Находящийся по другую сторону политического спектра, республиканец Ньют Гингрич, в свою очередь, предложил систему смягчения государственных затрат. Как писал корреспондент Вильям Са-летон в журнале Slate в октябре 2007 г., Грингрич предлагал «вместо того, чтобы выделять $1 млрд какому-нибудь федеральному агентству на решение проблемы, предложить этот миллиард в качестве вознаграждения первой же компании, которая найдет это решение». По ходу обсуждения своего законопроекта Грингич предлагал «отдать на сторону» решения одной проблемы за другой. «Водородное топливо? Предложите за него десятикратное вознаграждение!»

Один из самых любимых моих сайтов – сетевой ресурс компании Netflix Prize. В конце 2006 г. эта компания, занимающаяся кинопрокатом, пообещала $2 млн любому, кто сможет на 10 % повысить эффективность ее системы рекомендации. Конкурс вызвал ажиотаж в среде профессиональных статистиков, программистов и простых любителей. Он тоже имел вид спортивного состязания, подтвердив тем самым правоту принципа, который лежал в основе конкурса Нета Гуллея. Правда, конкурс Netflix изначально был ориентирован на коммерческие цели.

Уже с начала 1997 г. Netflix являла собой грозу для почтальонов по всему миру. Сегодня портал ежедневно рассылает 35 000 компакт-дисков своим 7,5 млн подписчиков. В 2000 г. Netflix добавила на сайт опцию «Cinematch», рекомендующую к просмотру тот или иной фильм, исходя из оценки пользователей. Механизм рекомендации сразу получил немало положительных отзывов, сейчас он широко распространен в Интернете. Система рекомендации Netfix изначально строилась на пятибалльной шкале. При этом средний уровень ошибки «Cinematch» составлял 0,9525, т. е. в среднем система ошибалась на одну «звезду». С учетом того, как пользователь относится к трехбалльному фильму (скорее всего, пропустит его) и пятибалльному (тут же отправится за ним в пункт проката), она была явно далека от идеала. Netflix затратил немало средств на ее улучшение. И в конце концов прислушался к замечанию Билла Джоя – «не важно, сколько умных людей работают на вас, самые умные все равно работают в другом месте». «Инновации зависят от людей, которых вы не наняли на работу, но которые работают на вас», – заметил Джим Беннет, вице-президент Netflix, ответственный за систему рекомендации.

Зарегистрировавшись, участники конкурса Netflix получили доступ к огромной базе данных оценок, проставленных 100 млн пользователей сайта за все время его существования. Изучая взаимные связи между этими оценками, участники конкурса должны были попытаться написать алгоритм, с помощью которого можно было предугадать, какой фильм может понравиться пользователям Netflix. Алгоритм представлялся компании-организатору, которая сравнивала его с уже действующим принципом рекомендации. Он оценивался, автору выставлялся определенный рейтинг. За первые две недели после запуска проекта Netflix получила около 169 предложений, некоторые из них были более совершенными, чем алгоритм, принятый в Netflix. Через месяц поступило уже более тысячи предложений. Лучшие программисты быстро поняли, как улучшить действующую систему Cinematch на 5 %. Но постепенно прогресс замедлился: через год самые «продвинутые» участники – команда кодировщиков «BellKor» из компании AT&T – смогли добиться общего показателя улучшения на 8,43 %.