Его работа — смотреть «сверху» на происходящее в мире ИТ, анализировать, делать выводы и на их основании давать советы крупнейшим корпорациям и интервью специализированным изданиям. Ради интервью мы и встретились в московском офисе компании.

- Какие наиболее интересные и перспективные инструменты экономического анализа появились в последние годы?

Я бы разделил ответ на две части. Во-первых, появились новые источники данных, во-вторых — новые инструменты для анализа, позволяющие извлечь практический смысл из этих данных. Говоря о «новых» источниках, я не имею в виду что-то совершенно новое. В мире не так много того, что можно было бы назвать совершенно новым. Все, что мы видим вокруг, — продукты эволюции, последовательного улучшения. Постепенное улучшение систем сбора информации состояло в том, что все больше и больше устройств оказывались подключенными». Сначала это были компьютер, ноутбук и смартфон. Потом — дом. Сейчас, в рамках концепции Интернета вещей, подключенным может быть трактор. Благодаря тому, что все подключено, мы получили новые источники данных: геоданные, видео, трекинг пользовательского поведения.

Огромный источник информации — социальные сети. Двадцать лет назад вы не знали, где сейчас ваши дети. Сейчас вы это точно знаете, потому, что они «чекинятся» в Facebook. Пользуются смартфоном, и их можно отследить по положению аппарата. Мы начинаем собирать эти данные и искать для них эффективное применение.

В Thomson Reuters мы присваиваем так называемый идентификатор Perm ID каждому объекту — компании, топ-менеджеру, фабрике. После этого мы можем начинать искать связи и зависимости между ними. Находить шаблоны, которые можно использовать. Это самое интересное из того, чему мы научились.

Мы берем данные со спутников и можем видеть, как растет зерно на полях. Анализируя снимки, понимаем состояние посевов и способны очень точно предсказать урожай. Владея такой информацией, можем уверенно торговать фьючерсами на бирже, зная, что будет с ценами, за неделю до выхода официальной статистики. Но на этом мы не остановимся. Существуют целые индустрии, которые зависят от цены на зерно. Например, производители кондитерских изделий. Колебания цен на муку влияют на стоимость их акций. Зная заранее, какой будет цена на муку, мы можем предсказать движения их котировок.

Аналитики используют данные со спутников, чтобы подсчитать число машин на парковке. В прошлом году в это время парковка была заполнена на 75%, в этом — на 90%. Еще до того как ретейлер отчитался о продажах, мы уже знаем, что покупателей было больше. Выросли ли у них продажи? Возможно, нет. Но, скорее всего, да. Зная, кто является основным поставщиком этого ретейлера, производители одежды или производители компьютеров, можно предположить, что мы увидим в их финансовых отчетах.

- Новые данные позволяют предвидеть движение рынков?

Время — это один показатель. Второй — точность. Сам по себе каждый источник информации не слишком точен. Но объединяя их, мы можем добиться более высокой точности прогнозов. Анализируя данные, мы сможем предсказать, какими будут результаты финансовых отчетов компании. Эти предсказания не могут быть точнее самих отчетов. Когда мы соберем разные источники и учтем их все, то сможем еще до публикации официальных отчетов получать более полную и подробную картину. Чем больше индикаторов используется, тем точнее оценка.

Вернемся к нашему магазину. Мы судим о его продажах, подсчитывая число машин на парковке. Но ничто не мешает нам использовать социальные сети. Учесть, как покупатели реагируют на цены и уровень сервиса у этого ретейлера. Что изменилось по сравнению с прошлым годом? Стало больше положительных отзывов или отрицательных? Огромный объем данных, но к ним надо относиться с осторожностью. Возможно, число положительных отзывов в Twitter возросло, потому что увеличилось число пользователей этой социальной сети. Чтобы учесть это, данные надо нормализировать.

Мы берем данные с парковок, данные Facebook, данные Twitter и, например, информацию сотовых операторов. Мобильные операторы могут сказать, сколько смартфонов в определенный момент находилось в определенном месте. Было ли в этом году смартфонов в магазине больше, чем в прошлом. Если да, связано ли это с увеличением рынка смартфонов? Вряд ли, если мы говорим о развитых странах, где рынок смартфонов близок к насыщению. Значит, в магазине было больше покупателей.

- Больше людей и устройств, подключенных к Интернету, — больше данных. Драматически больше. Появились ли у вас новые инструменты для работы с новыми объемами информации?

Мы используем новые платформы для работы с Большими Данными. Возможно, главное изменение, которое мы наблюдаем в ИТ, — развитие публичных облачных сервисов. Amazon Web Services, Microsoft Azure, Alibaba AliCloud, Google Cloud — большая четверка провайдеров облачных сервисов.

Раньше, если вы хотели заниматься статистическим анализом, надо было создавать ИТ-подразделение, устанавливать компьютеры, покупать софт. Только организационные вопросы занимали месяцы. Сегодня вы идете на сайт Google, и, если вам нужна тысяча серверов, через несколько минут у вас есть тысяча. Одно нажатие кнопки — и на этих серверах сконфигурировано нужное ПО: статистический анализ, машинное обучение, работа с базами данных — что угодно. Можно заказать тысячу серверов на уикенд, провести нужный анализ и отключить серверы, заплатив только за два дня. Все это быстро, удобно и эффективно с точки зрения финансов. Решениям для статистического анализа больше 30 лет. Но благодаря облачным сервисам они стали доступны широкому кругу потребителей.

- Кто будет заниматься этим анализом, люди или искусственный интеллект? Где граница между тем, что должен делать человек, и тем, что можно передать роботу?

Все больше процессов можно автоматизировать. У Google есть решение, которое самостоятельно анализирует данные, ищет и находит связи между параметрами, делает на этой основе предсказания. Но нам все еще нужны люди: аналитик должен решить, с какими данными работать, какие параметры оптимизировать, а когда работа закончена, ему предстоит интерпретировать результаты.

Мой друг, профессор Дэвид Лайнвебер из Университета Беркли, много лет назад опубликовал статью «Stupid data miner tricks» («Тупые приемы для работы с данными»). Со своими студентами он проанализировал большой массив статистических данных и обнаружил, что самый точный индикатор поведения промышленного индекса Доу-Джонса — уровень производства сливочного масла в Бангладеш. Конечно, эта корреляция — всего лишь совпадение. Мораль этой истории такова: нельзя позволить машинам самостоятельно принимать решения. Требуется человек, чтобы оценить результат машинного анализа и определить, есть ли в нем какой-то смысл. Иначе мы окажемся в ситуации, когда будем предсказывать индекс Доу-Джонса исходя из производства сливочного масла в Бангладеш.

- Уменьшится ли в обозримом будущем число сотрудников Thomson Reuters, занятых анализом данных? Заберет ли их рабочие места искусственный интеллект?

Сложно говорить об одной конкретной компании. Даже если это компания, в которой я работаю. Но в целом я не верю, что в обозримом будущем мы увидим настоящий искусственный интеллект. Прогресс, который мы наблюдаем в данной области, не направлен на создание универсального интеллекта, такого же, как у человека. Создаются очень специфические решения, которые повторяют очень специфические возможности человеческого разума. Но это не ведет к созданию универсального разума. Программы научились очень неплохо переводить тексты с одного языка на другой. Почти как человек. Но когда человек переводит текст с английского на русский, он опирается не только на знание синтаксиса и грамматики, но и на свое понимание текста. Машинный перевод — перевод статистический. Искусственный интеллект обнаруживает шаблон в англоязычном тексте и подбирает наиболее статистически достоверный аналогичный шаблон на русском. На большой статистике такой перевод будет достаточно точным. Но он никогда не будет совсем точным.

В основе машинного обучения лежат нейронные сети. Мы говорим: «Машина распознала образ». На самом деле она ничего не распознала, а подобрала статистически достоверную корреляцию между шаблонами. Такой алгоритм относительно несложно обмануть. Машины до сих пор часто ошибаются. Восьмилетний ребенок легко отличит собаку от кошки, а машине это не всегда удается. Компьютер может играть в шахматы, но программа-шахматист не может переводить тексты. С каждым годом мы получаем все более совершенные инструменты. Но это по-прежнему инструменты, требующие присутствия человека.

Я не вижу будущего, в котором машины полностью заменят человека. Но на определенных операциях такая замена неизбежна. В свое время трактор заменил десятки людей, занятых в сельском хозяйстве. Но кто-то по-прежнему должен управлять трактором.

- Но таких «управляющих» гораздо меньше, чем крестьян, на смену которым пришел трактор. А на смену ему идет умный трактор...

Безусловно. Производительность труда растет. Есть всего две силы, позволяющие экономике расти: увеличение населения и повышение производительности труда. Чем выше производительность труда, тем больше времени человек может посвятить иным, более продуктивным и интересным занятиям. Именно это мы сейчас наблюдаем. Искусственный интеллект берет на себя все больший объем рутинных операций.

- Вы консультируете руководство крупных компаний по вопросам внедрения и использования новых информационных технологий?

Это часть нашей деятельности.

- Есть ли конфликт между принципиально новыми инструментами, которые появились в последние годы и «старым», иногда буквально старым составом топ-менеджмента? Как он разрешается?

Финансовый рынок, да и не только он, становится все более зависимым от информационных технологий. Менеджер на любом уровне корпоративной иерархии должен хорошо разбираться в современных технологиях, понимать их возможности и ограничения. Крупные организации отдают себе отчет в том, что менеджеры более молодого поколения обладают лучшим пониманием информационных технологий и могут принимать решения и давать рекомендации в областях, связанных с ИТ. С другой стороны, руководители, с которыми я знаком, прикладывают серьезные усилия к тому, чтобы оставаться на уровне современных требований. Они постоянно учатся. В современной экономике это обязательное требование для любого менеджера, претендующего на лидерские позиции, — постоянно следить за изменениями в информационных технологиях.

- Что вы думаете о криптовалютах? Готовы ли вы рекомендовать своим клиентам использовать их как инструмент для расчетов или инвестиций?

Я бы не советовал инвестировать в криптовалюты. Но не нужно путать инвестиции с трейдингом. Когда вы инвестируете, вы вкладываете деньги в некий инструмент, рассчитывая, что стоимость этих активов возрастет. Трейдинг — более спекулятивное занятие. Высокая волатильность криптовалют делает их привлекательным объектом для трейдинга. На этом можно заработать.

Что касается общего отношения к криптовалютам, я не считаю их чем-то принципиально новым. Баллы и карты лояльности магазинов, мили для часто летающих пассажиров авиакомпании — все это существует много лет. Фактически ваши мили за перелеты — это цифровая валюта. «Фиатные» деньги, те, которые выпускают и контролируют государства, также могут быть цифровыми. Бумажные рубли или доллары, которые лежат у вас в кошельке, лишь малая часть общей денежной массы. Я думаю, у криптовалют есть будущее, но в этом будущем за криптовалютами будет стоять государство. Когда я смотрю на чисто цифровые валюты вроде биткоина (это мое личное мнение, а не официальная позиция Thomson Reuters), я вижу спекулятивный рынок, на котором надувается пузырь, напоминающий тюльпанную лихорадку в Голландии. Пытаюсь понять, в чем ценность биткоина, и не нахожу ее.

- Как и у доллара?

За спиной у доллара стоит государство, собирающее налоги, которые вы обязаны платить. Государство готово принимать ваши доллары или рубли как платежное средство. Это обеспечивает валюте ценность. Конечно, она сильно зависит от стабильности государства. Мы знаем немало примеров гиперинфляции. Но чисто цифровая валюта вообще ничем не обеспечена. Скажем, мили ценны настолько, насколько хорошо чувствует себя авиакомпания, которая их начислила. Но в случае с биткоином, за которым никто не стоит, вся его ценность в готовности другого человека принять биткоин как платежный инструмент. Это очень нестабильный фактор.

- Мы обсудили новые технологии и новые подходы к старым. Дадут ли они прирост производительности труда в глобальном масштабе? Много пишут о том, что стремительное развитие ИТ не привело к росту производительности. Возможно, это случится, когда мы начнем предсказывать урожайность по данным со спутника?

Современные ИТ теоретически должны сделать людей более продуктивными. Но макроэкономические индикаторы этого не показывают. Я вижу для этого несколько причин. Традиционные способы измерения производительности не в состоянии зафиксировать изменения. Мы знаем, как измерить подушевой ВВП. Но как оценить изменения качества жизни? Положим, мы измеряем инфляцию и сравниваем стоимость стандартной корзины продуктов. Но содержание этой корзины может меняться. Экономическая статистика не очень хороша в оценке таких нюансов.

Еще один возможный аспект — переход к новому экономическому укладу, который происходит во всем мире. От индустриальной экономики к экономике информационной. Цифровая экономика — это игра, в которой победитель получает все. Если вы написали удачное ПО, вы можете продать его неограниченным числом копий. Продажи удачной модели автомобиля всегда были ограничены возможностями фабрики или логистики. Сто лет назад, если вы были лучшим певцом в своей деревне, вы могли что-то заработать, выступая на праздниках. В каждой деревне был свой «лучший певец». Сейчас «лучший певец», получив доступ к цифровым каналам распространения, продает миллионы треков; «второй» и «третий» продают на порядки меньше. Эта асимметрия приводит к тому, что авторы лучшего софта, фильма или музыки получают гигантские экономические преимущества. Но таких людей очень мало. Мы все смотрим один и тот же фильм и слушаем одну и ту же музыку. За границами «большого успеха» остаются огромные пласты населения. Среди оставшихся многие не имеют работы или заняты не на полный рабочий день. Их производительность очень низкая, если не нулевая. Усреднив производительность труда, мы получим очень небольшой прирост. В реальности мы имеем огромный рост производительности в одних областях и нулевой в других. Тот случай, когда среднее вводит в заблуждение. Средний домашний любимец должен быть наполовину кошкой, наполовину собакой. Но в природе не существует полукошек.

- Получается, цифровое неравенство растет с такой же скоростью, с какой и цифровые технологии?

Да. Некоторые винят в этом политиков. Я думаю, это неизбежное следствие перехода к цифровой экономике.