Как отмечалось, анализ сходства в рамках объектной фильтрации не нужно делать каждый раз, что обеспечивает скорость ответа на запрос. Именно это и требуется Amazon и прочим торговцам для того, чтобы успеть напичкать клиентов рекомендациями, пока они пребывают в покупательском настроении. Люди ведут поиски и покупки в интернете, оставляя на различных сайтах следы своего присутствия, а на них попутно сыплется информация то ли рекомендательного, то ли рекламного свойства. Простые клики на веб-страницы засчитываются системой как акты потребительского ранжирования. Но остановка внимания на некоем предложении, а может быть просто пауза по сторонним причинам – не такой уж точный показатель заинтересованности человека в данной вещи. К тому же, далеко не все покупки совершаются в интернете, поэтому выборка покупательских предпочтений, сделанная только на основе этих данных, не вполне репрезентативна. Коллаборативная фильтрация с непосредственным участием потребителя пусть медленнее, но вернее служит его интересам.

1.3.2.7. Бизнес-версия коллаборативной фильтрации, или зачем поступаться принципами?

Рекомендательная система, интегрированная с процессом продаж так, чтобы подсовывать товары в то время, когда что-то приобретается или ищется, ориентирована на интересы бизнеса. Она не требует активности со стороны пользователя. Все, что от него нужно – это вступить на торговую площадь. Тут его и берут в оборот. Это соображение – ковать железо, пока горячо – стало решающим в эволюции коллаборативной фильтрации. Держать оценки наготове и быстро выдавать их, как того требуют интересы бизнеса, никого ни о чем не спрашивая, – данная логика подвела к скрытому этическому компромиссу. Как только решили не беспокоить клиента по таким пустякам, как его мнение о качестве, дело все больше стало клониться к программированию поведения.

Если для обычных товаров пообъектная фильтрация в ряде случаев дает искомый результат, то с навигацией в культурном предложении все обстоит хуже. Хотя справедливости ради надо отметить, что музыка в ряду культурных благ стоит особняком. Поскольку к хорошим мелодиям люди могут возвращаться неоднократно, потребительские оценки с успехом заменяет подсчет числа прослушиваний той или иной песни. Это тот редкий случай, когда неявные предпочтения адекватно репрезентируют явные. На этом основаны музыкальные сервисы Audioscrobbler (ныне Last.Fm), Launchcast Radio и др.[143] На компьютер, на котором прослушивается музыка, закачивается специальный программный модуль. Больше от пользователя ничего не требуется[144]: его не беспокоят просьбами ранжировать музыкальные композиции, не задают вопросов о настроении и т. д. Модуль отслеживает музыку, которую проигрывает человек, и передает информацию на сервер. Он также создает персональные веб-страницы пользователей сервиса, на которых демонстрируются списки прослушанного. Предполагается, что после того как прозвучало более половины песни, ее смело можно причислять к понравившимся и вносить в профиль. И все же в такой методике есть скрытые ограничения. На сервер поступает информация только о той музыке, которая звучит на компьютере, т. е. в определенной обстановке, в частности в офисе. Очевидно, в этих условиях включишь не всякую музыку, а например фоновую. В автомобиле будут слушать другие мелодии, на Hi-End аппаратуре – третьи. Так что автоматически формируемый потребительский профиль неизбежно получается деформированным.

Если же речь идет о произведениях однократного потребления – книгах, пьесах, фильмах и т. п., результаты дает только метод фильтрации, основанный на рефлексии потребителей. Чтобы повысить точность рекомендаций в пообъектной схеме, базу данных дополняют сведениями о клиентах. Для этого их классифицируют по социально-демографическому принципу, вычленяя в лучших традициях маркетинга фиксированные группы, как-то: средний класс, живущий в пригороде; молодой горожанин – профессионал; религиозный сельчанин с велосипедом и т. д., – и затем пытаются разбить население на кластеры. Нет информации, которую не стремились бы вовлечь в оборот: академические успехи, опыт работы, семейное положение, возраст, пол, раса, почтовый индекс, кредитная история, участие в фокус-группах и т. д., и т. п. Чтобы определить, чего захотят потребители, сначала пытаются установить, кто они такие. Это довольно трудоемко, бесполезно, а в чем-то и неприятно, поскольку на такую информацию с высокой вероятностью найдется заказчик, и это – не потребитель культуры, а кто-то другой с не вполне ясными намерениями.

Изюминка коллаборативной фильтрации по схеме «потребитель – потребитель» состоит как раз в том, чтобы не отягощать процесс ничем лишним. Система не очень хочет знать, кто есть кто, ей нужны лишь добровольно высказанные предпочтения. Только из них выводится, кто к какому культурному сообществу относится. Группы не являются чем-то постоянным, они меняются вместе с людьми. Например, некто не видел ни одного фильма Бунюэля, но если завтра он посмотрит «Этот смутный объект желания» и присвоит ему высокий балл в системе MovieLens, то группа людей, ранее определявшаяся как «точно такие же, как он», немедленно изменится.

Версия фильтрования, опирающаяся не на явно выраженные, а на угадываемые предпочтения, подозрительно приспособлена для коммерческих интересов. В ней теряется самое главное: опора на воспринимаемое качество, поэтому она хуже служит интересам потребителей. Хотя сегодня, пока рекомендательные системы только отлаживаются, нет смысла подозревать кого-то в манипуляциях. Например, Amazon демонстрирует верх корректности – клиентам предоставляется возможность «обучить» систему, сообщая ей свое мнение о точности рекомендаций. Сама по себе состыковка информационного фильтра с торговлей может быть и не лишена смысла, но по мере того как популярность подобных сервисов будет расти, искушение манипулировать ими тоже будет увеличиваться. Например, издатели, вмешиваясь в процесс ранжирования, могут начать рекомендовать свои собственные книги. А уж авторам и их окружению удержаться от подкручивания счетчиков будет крайне сложно. М. О’Махони показал, что самые совершенные системы фильтрации неустойчивы к проискам злоумышленников[145]. Они на это не рассчитаны. Ведутся разработки защиты от «рекомендационного спама», но о практическом применении говорить пока рано[146]. В одном из таких пилотных вариантов защиты честные баллы от «злонамеренных» отделяют математическими методами. Добропорядочных пользователей собираются поощрять скидками и бонусами, а обманщиков наказывать. Однако, когда коллаборативная фильтрация распространится повсеместно, от преднамеренных подлогов[147] будет отгородиться намного сложней. Существует риск того, что система рекомендаций, как перекошенная рулетка, будет настроена на выдачу только определенных подсказок. Отсюда вопрос: эта система рекомендует или конвоирует к нужному прилавку? И вообще, мыслимое ли дело, чтобы коммерсанты сами, да еще и бескорыстно, прокладывали навигационные тропы потребителям? Стоит ли доверять рекомендациям поставщиков?