CC BY
262
бзоры
УДК 004.891
ТЕХНОЛОГИИ КОЛЛЕКТИВНОГО ИНТЕЛЛЕКТА
Б.Б. Славин
Представлен обзор л итературы по технологиям коллективного интеллекта. Показано, что они существенно отличаются от краудсорсинговых технологий и могут быть рассмотрены как сорсинг эпохи знаний. Предложено описание атрибутов коллективного интеллекта, которые могут применяться для проектирования экспертных сетей и систем управления знаниями на предприятиях. Кратко описаны методы моделирования и измерения коллективного интеллекта. Показана необходимость развития теории и практики технологий коллективного интеллекта.
Ключевые слова: коллективный интеллект, краудсорсинг, коэффициент интеллектуальности, экспертные сети, социальные сети.
ВВЕДЕНИЕ
Понятие коллективного интеллекта в научной литературе стало использоваться с конца XIX в. и связано с исследованиями французских социологов того времени. В работе «О разделении общественного труда» [1] в 1893 г. Э. Дюркгейм писал о двух видах солидарности человека и общества, связанных в первом случае с общими идеями и законами поведения, а во втором — с разделением труда. К пониманию коллективного интеллекта как новой формы организации общества можно отнести и понятие ноосферы В. И. Вернадского [2]. Знаменитый фантаст Г. Уэллс в своих публицистических лекциях, изданных под названием «Всемирный мозг», в конце 1930-х гг. также говорил о важности коллективной интеллектуальной деятельности: «Думаю, что мы пока еще уделяем недостаточно внимания более тесного объединения организаций, занимающихся интеллектуальной деятельностью. Идеи объединения человечества зависят, в конечном счете, от возможности реализации единой умственной работы» [3].
Уэллс фактически предвосхитил проект Вики-педии, который стал возможен благодаря сетевым возможностям глобальных коммуникаций. Глобальная сеть Интернет перевела вопросы коллективного интеллекта в утилитарное русло. Ф. Хей-лиген пишет: «Гораздо важнее поддерживать самоорганизацию в сети информационных потоков и таким образом содействовать повышению коллективного разума, чтобы его интеллектуальные
возможности, как это положено, были больше, чем сумма сознаний пользователей Интернета» [4, с. 92]. Подчас, говоря о понятиях коллективного интеллекта или коллективного разума, многие исследователи подразумевают исключительно существующие глобальные сетевые проекты (см., например, обзорную статью [5]).
Известный футуролог, соучредитель и директор проекта «The Millenium Project», Дж. Гленн, заявивший в 2009 г., что коллективный интеллект станет следующей эпохой для информационных технологий, считает, что системы коллективного интеллекта (CIS) должны состоять из трех элементов: экспертов, программного и аппаратного обеспечения и из данных, информации и знания. В своей работе [6] он пишет: «Можно считать проект Wikipedia, Google, краудсорсинг, сервисы усредненных экспертных оценок, модели интеллектуального роя, а также инструменты predict markets примерами систем коллективного интеллекта, но они не являются примерами CIS по определению, предложенному в этой статье. Они производят информацию и в некоторых случаях групповые решения, но они не включают в полной мере и на систематической основе обратную связь всех трех элементов, не могут обеспечить непрерывного появления новых идей. Они не воспроизводят постоянно интеллект, только на короткое время, тогда как CIS, как и интеллект человека, постоянно возникает и меняется в процессе деятельности, приобретения опыта и влияния окружающей среды».
ОБЗОРЫ
10-
1. ГЛОБАЛЬНЫЕ СЕТИ И КОЛЛЕКТИВНЫЙ ИНТЕЛЛЕКТ
Безусловно, интерес к технологиям коллективного интеллекта существенно вырос с появлением коллективных веб-сервисов и таких проектов как Википедия, социальные сети. Успех Википе-дии заключается не только в возможности привлечения большого числа энтузиастов, но и в четкой модерации контента. Исследования, проведенные американскими учеными из Университета Карне-ги — Меллон [7], показали, что эффективность создания сложного контента в Википедии возрастает с повышением компетенций редакторов, осуществляющих модерацию записей, что можно использовать для организации и других глобальных сетевых сообществ.
Японские исследователи К. Зетцу и Я. Кийоки сформулировали концепцию развития систем управления знаниями на основе применении технологий коллективного интеллекта в Интернете [8]. Они предложили рассматривать всемирную сеть как инструмент объединения интеллектуальных способностей людей через сетевые базы знаний и социальные сообщества. Информационные технологии (ИТ) и сетевые социальные сообщества можно считать своего рода инфраструктурой коллективного интеллекта. В работе японско-китайской группы ученых [9] особо отмечается «важность информационно-коммуникационных технологий в формировании коллективного интеллекта» ([9], с. 217), и авторы вводят д аже понятие « суперсети знаний», состоящей из трех компонент: ме-диасети, сети пользователей и сети знаний, а также понятие «knoware», знания, находящегося в вычислительных ресурсах (hardware и software).
Учитывая особую роль ИТ-коммуникаций, технологии коллективного интеллекта можно определить как сетевые информационные системы, позволяющие людям эффективно и без ограничений на расстояние организовывать совместную интеллектуальную деятельность. Надо отметить, что технологии коллективного интеллекта являются одним из важных инструментов управления неявными знаниями, которые еще требуют исследований и внедрений в практику. В 2006 г. при Масса-чусетском технологическим институте был создан Центр исследований коллективного интеллекта (MIT Center for Collective Intelligence — CCI), в задачу которого входит исследование технологий коллективного разума и возможностей использования их на практике в различных областях бизнеса и общества. По мнению организаторов Центра «коллективный интеллект» может быть использован и как инструмент повышения организационной эффективности и производительности фирм, и как технология работы в команде,
Рис. 1. Элементы строительных блоков или «генов» коллективного интеллекта [10]
и как методология в менеджменте. Исследование коллективного разума предполагает изучение вопросов создания глобальных вычислительных зна-ниевых ресурсов для организации сверхчеловеческого интеллекта, изучение возможностей ч ело-веческого мозга и новых способов организации коллективной деятельности, изучение возможностей комбинирования искусственного интеллекта и интеллекта человека.
На основе исследования большого ч исла практических примеров использования технологий коллективного интеллекта в 2009 г. Т. Малоун (директор MIT CCI) с коллегами попытались выявить «геном коллективного разума» [10, 11]. В своей работе «Укрощение толпы: выявление генома коллективного интеллекта» они дали достаточно широкое определение коллективного интеллекта как организации интеллектуальной деятельности групп людей [10, с. 2] и предложили классифицировать элементы, из которых складывается геном по четырем категориям: Кто выполняет задачу? Почему он это делают? Что свершается? Как делается? (рис. 1).
Два «гена» отвечают на вопрос «Кто?»: «Иерархия» и « Сообщество» (crowd). Ген « Иерархия» подразумевает наличие организационной структуры в принятии решений при коллективной работе. Например, несмотря на демократичный принцип разработки свободного программного обеспечения, решения о включении новых модулей в релиз Линукса принимаются Л. Торвальдсом и его помощниками («лейтенантами»). Ген «Сообщество», напротив, предполагает свободное участие людей в реализации проекта, использующего коллективные технологии, свободный «вход» и «выход». «Гены», отвечающие на вопрос «Почему?», — это: «Деньги», «Любовь» и «Слава», обозначающие основные мотивы людей, участвовать в работе сетевых сообществ. На вопрос «Что?» отвечают «гены» «Создаем» и « Решаем», и на вопрос « Как?»: «гены» с названием «Индивидуально» и «Коллективно».
Таблица 1
Анализ «генома» проекта создания Линукса [10]
Пример Что? Кто? Почему? Как?
Линукс Создаем Решаем Новые программные модули Какой из м одулей включать в релиз? Сообщество Л. Торвальдс и «лейтенанты» Деньги, Любовь, Слава Любовь, Слава Коллегиально Индивидуально (по иерархии)
В табл. 1 представлен пример «генома» проекта создания Линукса, собранного из перечисленных выше «генов». По аналогии с проектом Линукса авторы [10] строят «геномы» других сетевых проектов (Википедия, InnoCentive, Threadless и др.), анализируя их особенности, разнообразные схемы принятия решений (консенсус, метод средней точки и др.) и типы коллегиальной работы (собрание, конкурс, сотрудничество и т. п.). Однако, несмотря на оригинальный прием анализа глобальных сетевых проектов, основанный на аналогии с геномом человека, предложенной классификацией «генов» трудно воспользоваться в качестве инструмента повышения эффективности или организации новых проектов, использующих технологии коллективного интеллекта. Немецкий ученый Дж. Лейместер, комментируя работу Малоуна и коллег, также пишет о необходимости изучения практического инструментария и разработки приложений технологий коллективного интеллекта с применением подходов инженерии бизнеса и информационных систем (BISE — Business and Information Systems Engineering) [12, с. 247], и такие работы уже появляются (см., например, [13]).
2. КРАУДСОРСИНГ ИЛИ ТЕХНОЛОГИИ КОЛЛЕКТИВНОГО ИНТЕЛЛЕКТА
В научной литературе можно встретить точку зрения, согласно которой краудсорсинг (и его разновидности в виде технологий открытых инноваций и управления идеями) и технологии коллективного интеллекта мало различаются [14, 15]. Так, немецкие ученые в своей статье, посвященной коллективному интеллекту, заявляют, что «мы будем использовать термины «коллективный разум» и « краудсорсинг» взаимозаменяемо и в смысле « использования большой группы людей для решения конкретной проблемы или сбора полезных идей»« [14, с. 681 ]. Однако краудсорсинг является технологией информационного общества, инструментом самообслуживания людей, и было бы неправильно его приравнивать к системам управления знаниями и коллективным интеллектом.
Т. Грубер так писал о краудсорсинговых проектах: «я бы назвал нынешнее состояние социальной сети как собрание интеллекта. Я думаю, что преждевременно применять термин «коллективный интеллект» к таким системам, потому что они не формируют новых уровней мышления» [16, с. 4]. Говоря о технологиях коллективного интеллекта, необходимо в первую очередь рассматривать возможности увеличения интеллектуальных способностей групповой работы и только затем возможности информационной поддержки благодаря массовости пользователей. В этой связи более адекватным представляется определение систем, использующих технологии коллективного интеллекта как «систем, которые объединяют в группы необходимое число людей, имеющих собственные индивидуальные цели, но организованных таким образом, что общий интеллект и эффективность группы возрастает» [17, с. 219].
Особое значение в использовании технологий коллективного интеллекта имеет их соотношение с технологиями бизнес-анализа (business intelligence) и искусственного интеллекта. Как и в случае с краудсорсингом, некоторые исследователи также не делают различия между этими «интеллектуальными» технологиями. Так, автор книги «Коллективный интеллект в действии» [18] С. Алаг пишет о коллективном интеллекте как о технологии повышения интеллектуальных возможностей человека, включая сюда и коллективные технологии, и технологии интеллектуального анализа данных (Data Mining), и машинное обучение, и т. д., все, что имеет в название слово интеллект. Впрочем, часто, особенно в публицистических выступлениях, встречается и противоположная точка зрения, что технологии искусственного интеллекта не дополняют, а заменяют интеллектуальные способности человека, создавая предпосылки для создания фантастического мира машин. Недостатки обеих точек зрения заключаются в различной трактовке слова «интеллект» (intelligence). Если же под интеллектом иметь в виду не инструментарий, а мышление, причем в его социальном значении, тогда технологии искусственного интеллекта следует понимать как технологии, помогающие че-
ловеку мыслить, избавляя его от рутинной логической деятельности, и как технологии, которые позволяют складывать интеллектуальные способности людей в единый, коллективный интеллект. Т. Грубер образно описал это сочетание технологий как «встречу социальной сети с семантической» [16].
Ограниченность краудсорсинговых технологий, которые предполагают необязательность участия, можно продемонстрировать на примере работы экспертной группы. Исследуемая экспертная группа состояла из 45 экспертов, которые готовили отчет о научно-исследовательской работе, и пользовалась в качестве инструмента коллаборации сетевым мессенджером «Telegram». На рис. 2 показан объем информации (в килобайтах), сгенерированный членами экспертной группы, обозначенные инициалами по оси ординат. Нетрудно видеть, что из 45 экспертов только половина экспертов участвовала в обсуждении, остальные довольствовались ролью слушателей. Более того, свыше 80 % всей информации было сгенерировано восемью экспертами, представляющими собой менее 20 % всего коллектива. Можно сказать, что в сообществах, построенных на технологиях краудсорсинга, работает правило Парето, предполагающее, что 80 % результата достигается благодаря использованию 20 % интеллектуальных ресурсов.
Но краудсорсинговые технологии приводят не только к неравномерности загрузки экспертов, но и к неравномерности в коммуникациях. На рис. 3 показано распределение объема информации, генерируемой экспертами в сетевом мессенджере в процессе упомянутой выше групповой работы. Нетрудно видеть, что обмен информацией между экспертами носит ярко выраженный неравномерный характер и скорее напоминает быстротечные обмены мнениями, инициируемые одним из экспертов. Понятно, что такое стратифицированное общение не соответствует реальной равномерной работе экспертов, и, следовательно, сетевые мес-сенджеры не могут быть эффективным инструментом организации коллективной интеллектуальной деятельности. Краудсорсинговые технологии позволяют объединить большое число людей и собрать наиболее адекватную информацию, но в части организации интеллектуальной деятельности они проигрывают даже обычным корпоративным информационным системам, которые добиваются эффективности в совместной работы путем использования бизнес-процессов.
Говоря о технологиях коллективного интеллекта, необходимо в первую очередь рассматривать возможности увеличения интеллектуальных способностей групповой работы, и только затем возможности информационной поддержки благода-
70 60 50 40 30 20 10 0
Объем информации, сгенерированной экспертами, кБ
Illl
11111 ■ ..........
Рис. 2. Распределение объема информации по участникам экспертной группы в процессе интеллектуальной деятельности
4,5 4,0 3,5 3,0 2,5 2,0 1,5 1,0 0,5
0 12
Объем информации, сгенерированной экспертами, кБ
♦ ♦
♦ ♦ ♦ ♦ ♦ ♦
♦ ♦ ♦ ♦
♦ ♦ i %A *
♦ ♦ ♦ Л * ♦ I $
ft* | bi ti J
J 4»» * ♦ 3* (I ♦} 1 ♦
Nov 17 Nov 22 Nov
22 Nov
2 Dec
7 Dec
Рис. 3. Распределение сгенерированного объема информации участниками экспертной группы по времени
ря массовости пользователей. В этой связи более адекватным представляется определение систем, использующих технологии коллективного интеллекта, как «систем, которые объединяют в группы необходимое число людей, имеющих собственные индивидуальные цели, но организованных таким образом, что общий интеллект и эффективность группы возрастают» [17], с. 219].
3. ТЕХНОЛОГИИ КОЛЛЕКТИВНОГО ИНТЕЛЛЕКТА КАК ФОРМА СОРСИНГА ЭПОХИ ЗНАНИЙ
Чтобы разобраться, чем коллективный интеллект отличается от краудсорсинга и других технологий, удобно воспользоваться классификацией технологических эпох [19] (индустриальной, постиндустриальной, информационной и эпохи знаний), каждой из которых соответствует своя форма сорсинга (инсорсинг, аутсорсинг, краудсорсинг и коллективный интеллект), и ответить на те же вопросы, что задавались Малоуном и коллегами
при построении генома коллективного интеллекта: «Кто?», «Что?», «Как?» и «Почему?» использует данную технологию (табл. 2). В случае краудсор-синга основным участником становятся обычные люди или клиенты, а предметом использования — информация, которой люди либо делятся с другими, либо получают в результате данного сервиса. В технологии коллективного интеллекта участниками являются профессионалы, эксперты, которые либо создают новое знание, либо используют его в своей деятельности. Уже из этих отличительных особенностей видно, что проект Википедии является краудсорсинговым проектом, а не коллективным интеллектом. И наоборот, проект разработки Линукса является проектом коллективно -го интеллекта, а не краудсорсинговым проектом.
Основным инструментом работы в краудсор-синговых проектах является единый сетевой информационный ресурс и индивидуальная работа с ним через «личный кабинет». В случае использования технологии коллективного интеллекта сетевой ресурс служит лишь вспомогательной коммуникационной площадкой для организации коллективной работы, который легко может быть заменен обычной электронной почтой. Наиболее четко различие между технологиями проявляется в мотивации пользователей. В табл. 2 указаны лишь основные мотивации, которые, конечно же, дополняются другими. В случае инсорсинга основной мотивацией является зарплата сотрудников (хотя и дополнительные мотивации тоже имеются). При аутсорсинге основная мотивация состоит в прибыли аутсорсинговой компании, что делает эту технологию более эффективной в условиях тиражи-руемости услуги, чем инсорсинг. В случае крауд-сорсинга мотивацией пользователей служит либо их потребность в доступе к информации (например, в случае банковского электронного самообслуживания), либо социальный успех. Безусловно, и владение информации, и социальный успех
( \ Коммуникации V У
Общие \ >1
задачи
и цели , У г
Система
Индиви- > ч
дуальные Г V
компетенции
Рис. 4. Атрибуты коллективного интеллекта
могут быть и будут монетизированы пользователем, но уже опосредованно, через работу с информацией. Основная же мотивация участника проектов коллективного интеллекта заключается в потребности в коллективной знаниевой деятельности, а оплата, признание и прочие виды мотивации (см. более подробно в работе [20]) вторичны.
Различия между моделями сорсинга позволяют выявить основные атрибуты коллективного интеллекта, представленные на рис. 4. Коллективный интеллект можно представить в виде системы коллективного интеллекта (левая часть рисунка) и пользователей этой системы. Система коллективного интеллекта должна включать в себя, как и краудсорсинговые платформы, сетевой инструмент коммуникаций (для организации коллектив-
Таблица 2
Геном сорсинга
Инсорсинг Аутсорсинг Краудсорсинг, самообслуживание Коллективный интеллект
Кто? Персонал Сотрудники предприятия Сотрудники фирм-партнеров Клиенты, население Эксперты
Что? Цель Выполняют ч асть работы Оказывают услуги Получают или дают информацию Создают и используют знание
Как? Процесс В рамках бизнес-процесса В рамках рыночных договоренностей Интернет-самообслуживание Коллективная работа
Почему? Мотивация Зарплата Прибыль Необходимость в информации, слава Удовлетворение в творчестве комплексных механизмов
ной работы пользователей); иметь общие для всех задачи и цели (не все краудсорсинговые проекты имеют общие цели); определять индивидуальные компетенции (это отличает коллективный интеллект от краудсорсинговых проектов); поддерживать появление или внедрение знания. Последний атрибут систем коллективного интеллекта также отличает их от краудсорсинга. В частности, технология модерации проекта Википедии не только не поддерживает появление нового знания, а наоборот — все, что не подтверждается более старыми и авторитетными источниками, запрещает к публикации. Википедия служит инструментом хранения и передачи знаний, но не их производства или использования.
Существенные различия в атрибутике имеются и со стороны пользователей систем коллективного интеллекта. В отличие от краудсорсинговых проектов, где возможно даже анонимное участие, в системах коллективного интеллекта участие персонифицировано. Более того, пользователь систем коллективного интеллекта должен брать на себя определенные обязательства (так в экспертных сетях пользователь подписывает соглашение, препятствующее распространению инсайдерской информации [21]) в отличие от «свободного входа» и «свободного выхода» в краудсорсинговых проектах [22]. Но при этом пользователи систем коллективного интеллекта не являются ни наемными работниками, ни бизнесменами, как в случае ин-сорсинга или аутсорсинга. Пользователи систем коллективного интеллекта — это избранные люди, профессионалы в своем деле, прошедшие определенный отбор для участия в отличие от демократичных процедур в краудсорсинговых проектах. Еще одно отличие пользователей систем коллективного интеллекта — это их деятельность, заключающаяся исключительно в творческой и интеллектуальной работе.
4. МЕТОДЫ МОДЕЛИРОВАНИЯ И ИЗМЕРЕНИЯ КОЛЛЕКТИВНОГО ИНТЕЛЛЕКТА
Несмотря на то, что понятие коллективного интеллекта используется очень широко, работ по построению математических моделей и измерению коллективного интеллекта очень немного. В качестве одних из первых работ в области расчета коллективного коэффициента интеллектуальности (Collective Intelligence Quotient — CIQ) стоит упомянуть работы польского ученого Т. Цзубы (см. например, [23]), который использовал ква-зи-хаотическую компьютерную модель, применяемую в биологии и социологии. Подобно тому, как броуновская частица движется благодаря хаотическим столкновениям с ней молекул, так и задачи, которые не могут быть решены одним челове-
ком, будут решаться группой людей даже в условиях их случайных коллабораций: «Мы говорим, что коллективный интеллект возникает в результате взаимодействия и сосуществования, если есть хотя бы одна проблема, которая может быть решена индивидом только при поддержке группы, либо совместно» [23, с. 492]. Статистическое моделирование решения групповых задач позволяет показывать возможности коллективного интеллекта, однако коэффициент интеллекта, рассчитанный таким образом, никак не связан с традиционным расчетом IQ (Intelligence Quotient) для индивида. Цзуба сам заявляет: «Парадоксально, но оценка коллективного интеллекта социальных структур получается проще оценки IQ одного существа» [23, с. 490]. Однако применяемый Цзубой подход интересен лишь с иллюстративной точки зрения, поскольку никак не опирается на моделирование интеллекта индивида. Фактически, предложенная модель описывает любой групповой процесс, связанный или не связанный с интеллектом.
Математическое описание коллективных процессов, которые могут использоваться для моделирования интеллектуальной деятельности, можно найти в книге Д. Вулперта «Теория коллективного интеллекта» [24]. Автор вводит функции полезности для членов коллектива и всего коллектива в ц елом и ищет условия, при которых ч астный интерес не противоречит, а наоборот способствует реализации интереса коллективного. По аналогии с методами теории игр, Вулперт вводит функции, переменные которых вполне абстрактны, и могут описывать как связи, параметры, так и самих участников коллективной деятельности. Аналогичные методы, названные им COIN (Collective INtelligence), Вулперт с коллегами применял и ранее для описания различных схем коллективного взаимодействия (см., например, работу [25]).
Голландский ученый М. Шют предпринял попытку [26] описать общий подход к моделированию коллективного интеллекта (CI). Он предложил учитывать в моделях следующие свойства CI: мультиагентность, свойства пчелиного роя, сложность, адаптивность и самоорганизуемость, и использовать имитационное моделирование, позволяющее проводить численные эксперименты подобно тому, как это делается в эволюционных (Evolutionary Methods) и коэволюционных (Co-evolution) алгоритмах оптимизации популяций [27]; в обучающих (Learning Classifier Systems) алгоритмах [28]; в нейроэволюционных (Neuro-Evolution) алгоритмах, использующих технологии нейронных сетей [29]; в алгоритмах COIN, описанных выше; в алгоритмах, описывающих движение роя (Particle Swarm Optimisation) — см., например, работу [30], и др.
Интересное исследование, не связанное, правда, с построением какой-либо модели, в области измерения коллективного IQ пользователей кра-удсорсинговой платформы было проведено группой ученых из Кембриджа [31]. Исследователи поставили перед собой задачу определения IQ сообществ пользователей сетевой коллаборацион-ной платформы «Amazon's Mechanical Turk», которые решали задачи за вознаграждение. Для решения были приготовлены тестовые наборы, близкие по форме к стандартным тестам IQ, что позволило сравнить изменение коллективного IQ как при работе одного, так и при работе нескольких участников. В данной работе, благодаря возможностям краудсорсинговой платформы, исследовалась зависимость эффективности решения тестов не только от числа участников, но и от схемы вознаграждения за решение задач и от репутации участников.
Было показано, что коллективный IQ (называемый в статье, правда, Crowd IQ) растет с ростом числа участников, при этом отбор пользователей, имеющих более высокую репутацию, повышает число решений тестовых наборов в единицу времени. Интересно, что зависимость от мотивации оказалась немонотонной, она практически не менялась при низкой и высокой оплате за работу. Однако использование коммерческой краудсор-синговой платформы с реальными пользователями для проведения тестов, несмотря на удобство и дополнительные возможности, имело и недостаток, поскольку не позволяла авторам более детально изучить зависимость коллективного IQ от состава участников. Несмотря на это, полученные результаты, безусловно, интересны для понимания возможностей коллективного интеллекта, пусть даже и неорганизованного сообщества.
Важные результаты в области моделирования и изучения технологий коллективного интеллекта получены в работе [32]. Для описания математической модели расчета коллективного IQ авторы вводят понятие актора, участника тестов, который в системах коллективного интеллекта выступает как в роли решателя задач, так и в роли оценщика чужих решений. Развиваемый метод эволюционного согласования подразумевает такую организацию работ акторов, которая приводит к существенному увеличению эффективности работы группы благодаря определению более компетентных участников и перераспределению роли в групповой работе. По сути дела, эволюционное согласование, применяемое в качестве методики решения тестов, позволяет в процессе тестирования интеллектуальной деятельности выявлять компетенции членов группы, чтобы более эффективно использовать индивидуальный интеллект для решения групповых задач.
Измерять коллективный можно аналогично измерению индивидуального ^ (см. например, работу [33]), только с учетом того, что тесты будут решаться группой. Важное условие групповой работы решения тестов заключается в возможности комбинировать (распределять) задачи между участниками.
ЗАКЛЮЧЕНИЕ
Изучение коллективного интеллекта, как уже говорилось, началось с исследования психологии групп и толпы. Но именно психологическая составляющая коллективного интеллекта пока еще меньше всего исследована. Чаще всего изучение психологии групп касается изучения роли лидеров, различных вариантов консенсуса в решении тех или иных задач [34, 35], исследований же коллектива как целого очень мало. В этой связи интересна работа А. Вулли с коллегами (при участии Т. Малоуна) по исследованию корреляции эффективности групповой работы и интеллектуальных способностей испытуемых [36, 37]. Было показано, что эффективность групповой работы возрастает с увеличением компетентности членов группы, но при этом наличие ярких лидеров отнюдь не увеличивает, а даже снижает производительность групповой работы по сравнению с группой более-менее равных по компетенциям испытуемых. Авторы предложили рассматривать коллективный интеллект состоящим из двух составляющих: «снизу — вверх», которая как раз описывает влияние членов группы на эффективность, и «сверху — вниз», описывающая влияние коллектива в целом на работу его членов. Именно вторая составляющая, включающая в себя атмосферу сетевой коллективной работы и возможности сетевого брейнсторминга [38], до сих пор наименее изучена.
Развитие социальных сетей, которые стали уже неотъемлемой частью не только повседневной жизни современного человека, но и экономики, потребовало серьезных исследований и моделирования сетевых взаимосвязей с использованием метрик отношений между пользователями сетей. Такими метриками могут быть, например, уровни доверия или влияния (см. например, книгу [39]). Вместе с тем, наряду с социальными сетями получают распространение экспертные сети и сообщества (см., например, статью [21]), доверие и влияние в которых в основном связано с компетенциями их членов. В случае сетевых экспертных сообществ необходимо уметь моделировать групповое взаимодействие экспертов, учитывающее их компетентностные возможности и максимизирующее совокупные показатели интеллекта.
ЛИТЕРАТУРА
1. Дюркгейм Э. О разделении общественного труда. — М.: Канон, 1996. — 430 с.
2. Вернадский В.И. Биосфера и ноосфера. — М.: Айрис-пресс, 2004. — 576 с.
3. Wells H.G. World Brain. South Australia: University of Adelaide, 1938. — URL: https://ebooks.adelaide.edu.au/w/wells/ hg/world_brain/ (дата обращения: 30.08.2016).
4. Хейлиген Ф. Концепция глобального мозга / В кн.: Рождение коллективного разума: О новых законах сетевого социума и сетевой экономики и об их влиянии на поведение человека. — М.: Ленанд, 2014. — С. 288.
5. Weiss A. The Power of Collective Intelligence // Collective Intelligence. — September 2005. — P. 17—23.
6. Glenn J. Collective intelligence systems and an application by The Millennium Project for the Egyptian Academy of Scientific Research and Technology // Technological Forecasting and Social Change. — 2015. — Vol. 97, August. — P. 7—14.
7. Kittur A, Lee B, Kraut R.E. Coordination in Collective Intelligence: The Role of Team Structure and Task Interdependence / Studying Wikipedia. Boston, 2009. — Vol. CHI 2009, April 4—9. — P. 1490—1504.
8. Zetssu K., Kiyoki Y. Towards Knowledge Management Based on Harnessing Collective Intelligence on the Web / EKAW 2006. Berlin, 2006. — Vol. LNAI 4248. — P. 350—357.
9. Luo S., Xia H, Yoshida T., Wang Z. Toward collective intelligence of online communities: a primitive conceptual model // J Syst Sci Syst. — 2009. — Vol. 18, N 2. — P. 203—221.
10. Malone T.W., Laubacher R., Dellarocas C. Harnessing Crowds: Mapping the Genome of Collective Intelligence, MIT Center for Collective Intelligence Massachusetts Institute of Technology. — Cambridge, MA, Working Paper No. 2009-001, 2009.
11. Male S.A., Bush M.B., Chapman E.S. Perceptions of competency deficiencies in engineering graduates // Australasian Journal of Engineering Education. — 2010. — Vol. 16, N 1. — P. 55—68.
12. Leimeister J.M. Collective Intelligence // Business & Information Systems Engineering. — 2010. — N 4. — P. 245—248.
13. Gregg D.G. Designing for collective intelligence // Communications of ACM. — 2010. — Vol. 53, N 4. — P. 134—138.
14. Buecheler T., Sieg J., Fuchslin R., Pfeifer R. Alife XXII Conference // Crowdsourcing, Open Innovation and Collective Intelligence in the Scientific Method: A Research Agenda and Operational Framework. — Odense, Denmark, 2010. — P. 679—686.
15. Bothos E., Apostolou D, Mentzas G. Collective intelligence for idea management with Internet-based information aggregation markets // Internet Research. — 2009. — Vol. 19, N 1. — P. 26—41.
16. Gruber T. Collective knowledge systems: Where the Social Web meets the Semantic Web // Web Semantics: Science, Services and Agents on the World Wide Web. — 2008. — Vol. 6. — P. 4—13.
17. Lykourentzou I., Vergados D, Kapetanios E., Loumos V. Collective Intelligence Systems: Classification // Journal of emerging technologies in web intelligence. — 2011. — Vol. 3, N 3. — P. 217—226.
18. Alag S. Collective Intelligence in Action. — Manning Publications, 2009. — 424 p.
19. Славин Б.Б. Взаимосвязь этапов развития информационных технологий и экономики // Информационное общество. — 2015. — № 6. — C. 4—13.
20. Максимова Е.В. Мотивация экспертов к работе в профессиональной сети // В кн.: Рождение коллективного разума. — М.: ЛЕНАНД, 2013. — С. 230—244.
21. Славин Б. Современные экспертные сети // Открытые системы. — 2014. — № 7. — C. 30—33.
22. Geerts S. Discovering Crowdsourcing. Theory, Classification and Directions for use. — Eindhoven: TUE. Department Industrial Engineering and Innovation Sciences, 2009. — 117 p.
23. Szuba T. A formal definition of the phenomenon of collective intelligence and its IQ measure // Future Generation Computer Systems. — 2001. — N 17. — P. 489—500.
24. Wolpert D.H. Theory of Collective Intelligence. — Moffet Field, CA: NASA Ames Research Center, 2003. — 64 p.
25. Tumer K., Wolpert D. Collective Intelligence and Braess' Paradox. — Moffett Field, CA: AAAI—00 Proceedings, 2000. — 6 p.
26. Schut M.C. On model design for simulation of collective intelligence // Information Sciences. — 2010. — N 180. — P. 132—155.
27. Eiben A., Schut M., Toma T. Comparing communication protocols in evolving agent societies: cell phones versus shouting // Evolvability and Interaction: Evolutionary Substrates of Communication Signalling and Perception in the Dynamics of Social Complexity. — 2003. — Vol. TR—393. — P. 22—28.
28. Butz M. Rule-Based Evolutionary Online Learning Systems. — Springer, 2006. — 277 p.
29. Stanley K., Bryant B, Miikkulainen R. Real-time neuro-evolution in the nero video game // IEEE Transactions Evolutionary Computation. — 2005. — Vol. 9, N 6. — P. 653—668.
30. Engelbrecht A. Fundamentals of Computational Swarm Intelligence. — Wiley, 2005. — 672 p.
31. Kosinski M., Bachrach Y, Kasneci G, Van-Gael J., Graepel T. Crowd IQ: measuring the intelligence of crowdsourcing platforms // Association for Computing Machinery. — 2012. — June 22. — P. 151—160.
32. Протасов В, Потапова З., Осипчук О. Сертификация экспертов и определение относительной цены задачи в зависимости от ее сложности // Тр. ХХ Байкальской всерос. конф. «Информационные и математические технологии в науке и управлении». — Иркутск, 2015. — Т. 2. — С. 164—175.
33. Flynn J.R. Searching for justice: The Discovery of IQ Gains Over Time // American Psychologist. — 1999. — Vol. 54, N 1. — P. 5—20.
34. Dyer J., Ioannou C, Morrell L., et al. Consensus decision making in human crowds // Animal Behaviour. 2008. — Vol. 75. — P. 461—470.
35. Dyer J., Johansson A., Helbing D., et al. Leadership, consensus decision making and collective behaviour in humans // Phil. Trans. R. Soc. B. — 2009.— Vol. 364. — P. 781—789.
36. Woolley A., Chabris C., Pentland A., et al. Evidence for a Collective Intelligence Factor in the Performance of Human Groups // Science. — October 2010. — N 330. — P. 686—688.
37. Woolley A., Aggarwa I., Malone T. Collective Intelligence and Group Performance // Current Directions in Psychological Science. — 2015. — Vol. 24, N 6. — P. 420—424.
38. Raikov A.N. Holistic Discourse in the Network Cognitive Modeling // Journal of Mathematics and System Science. — 2013. — N 3. — P. 519—530.
39. Губанов Д.А., Новиков Д.А., Чхартишвили А.Г. Социальные сети: модели информационного влияния, управления и противоборства. — М.: Изд-во физ.-мат. лит., 2010. — 228 с.
Статья представлена к публикации членом редколлегии А.А. Дорофеюком.
Славин Борис Борисович — канд. физ.-мат. наук, науч. руководитель факультета прикладной математики и информационных технологий, Финансовый университет при Правительстве РФ, г. Москва, H [email protected].
