Сплетающиеся тропки современного знания

В блоге Coursera пишут о тегировании курсов навыками. После прохождения курса учащимся предлагается теперь указывать, какие навыки они получили; собранная информация используется для формирования поисковой выдачи по каталогу курсов. На TechCrunch Coursera сравнивают с Netflix по этому случаю; замечают, что поиск по навыкам аналогичен системе рекомендаций фильмов и телепередач, тут тоже вовлечены алгоритмы машинного обучения. Пока радикального скачка в опыте выбора курсов не ощущается. Но потенциально это очень значимая история, отражение глобального процесса, давно занимающего мое воображение, — процесса распада профессий. И вот почему.

По названию должности, профессии все менее можно судить о том, чем в действительности человек занимается, в какой процесс он встроен, каков результат его труда. В разных компаниях люди с одинаковыми названиями могут иметь совершенно различные обязанности, навыки и ответственность. Более того и в рамках одной компании, одной индустрии содержание профессии может буквально на протяжении 5 лет поменяться кардинально. Мир становится все более и более сложным, многообразным, всё более связным, нейронауки проникают в дизайн и маркетинг, статистика и теория игр в менеджмент, программирование — во все. И в этом многоуровневом постоянно перестраивающемся, расширяющемся лабиринте более невозможно выделить какие-либо надежные магистральные направления. Они распались на множество дорожек, со своими развилками и перекрестками; для задачи определения своего положения на этой карте и прокладывания своего пути понятие профессии оказывается слишком грубым, слишком поверхностным. Необходимо спуститься на уровень вглубь, посмотреть как реально устроено это пространство изнутри.

Сейчас видится, что это пространство навыков, знаний, умений, их облако постоянно перебирается в каждом конкретном человеке, в каждой конкретной компании, в каждой конкретной индустрии. И оттого возникает запрос на персонализированные образовательные траектории, оттого возникают сложности с практическим использованием профессиональных стандартов. Нужно их разобрать до атомов для того, чтобы они стали адекватны реальности постоянно переборки атомов, как, например, поступили авторы uiuxbok.ru. Одновременно это вызов для методик профориентации, для культур предприятий, причем вызов решающий. От того, насколько удачен окажется ответ на него, зависит, сколько людей, часто умных и талантливых, смогут найти свою дорогу в жизни, реализовать себя, а значит, в конечном счете, сделать богаче, счастливее всех нас.

Конечно, скорость распада магистральных направлений не одинакова в разных областях. Есть области более динамичные, как веб-разработка, которая у меня перед глазами; и более консервативные — как индустрия здравоохранения, например. По данным Росстата 97% выпускников медицинских ВУЗов работают по специальности, что радикально лучше общей печальной картины эффективности отечественно системы образования. Впрочем, есть ощущение, что даже и в медицине этот процесс идет, рождаются новые профессии с развитием и распространением методик анализа ДНК, переформатируются старые с внедрением технологий искусственного интеллекта — уже сейчас машины диагностируют некоторые виды рака не хуже специалистов-онкологов.

Для меня один из главных вопросов состоит в том, как можно было бы извлечь из сгущающейся реальности ее карту, оцифровать это клубящееся облако навыков, знаний, умений, компетенций, разложить их на плоскости с тем, чтобы научиться осознанно и планомерно прокладывать свою жизненную траекторию через них, увидеть, какая работа, какие проекты требуют их, какие образовательные курсы и практики их дают, как они связаны друг с другом, какие пробрасываются переходы между ними.

Первый и самый очевидный ответ — спросить у людей, опросить экспертов. Именно с опросов начали специалисты из команды Coursera при работе над поиском по навыкам. Метод хороший, но непозволительно медленный. И тем он медленней, чем большее пространство нужно охватить. Экспертное ручное составление профессиограмм, карт компетенций годится в ситуации ограниченных областей человеческой деятельности. Можно было бы попытаться организовать метапроцесс, и вручную сшивать разные профессиограммы, но значимого ускорения это не дало бы, более того пришлось много времени тратить на выявление пересечений на границах. Как люди с одинаковыми названиями могут радикально различаться своими знаниями и навыками, так люди с разными названиями — совпадать. Не всегда понятно, где заканчивается, к примеру, область ux-специалиста и начинается поле информационного архитектора или бизнес-аналитика.

Гораздо более привлекательная возможность — тегировать пространство знания, расчерчивать дорожки по нему автоматически или хотя бы полуавтоматически с помощью краудсорсинга и алгоритмов машинного обучения. Собственно по такому пути и пошла команда Coursera. Аналогичные возможности имеют и другие сервисы, уже владеющие релевантными данными, — например, Linkedin и hh.ru, которые предлагают своим пользователям снабжать резюме списками навыков. Можно попытаться из них извлечь по крайней мере список навыков. И тут возникает несколько негативных эффектов, с которыми придется бороться. Первый связан с эффектом Даннинга-Крюгера: чем менее компетентен человек, тем большее количество навыков и умений он склонен себе приписывать. И простое ручное подверждение навыков от других участников слишком ненадежно, слишком подвержено накруткам, чтобы этому эффекту противостоять. А второй эффект связан с неоднозначностью языка, с неустоявшейся терминогией, с многоуровневым характером знание, можно обозначать более общее и более частное, можно использовать один термины, а можно другие.

Тем не менее задача, видимо, принципиально решаемая, скорее всего путем комбинации и экспертных опросов, и краудсорсинга, и машинного обучения. И решение этой задачи, конечно, несравнимо важнее системы рекомендации фильмов.