Впрочем, бывают проекты, куда люди сами приходят за услугами персональных прогнозов. Астрологов мы пропустим (хотя Луна безусловно влияет на психику), перейдём сразу к современным примерам.
В 2006 году я участвовал в разработке сервиса MamaSMS для будущих мам. Работал он так: вы посылаете на короткий номер дату своей последней овуляции, после чего каждый день получаете советы по ведению беременности в виде шуточных SMS-сообщений от растущего малыша. Многие удивлялись, насколько точно сбываются эти прогнозы: стоило девушке получить сообщение «Мама, извини, на этой неделе я начну пинаться!» – и правда, спустя день-два в животе начиналась движуха. А всё потому, что все процессы при беременности очень чётко разложены по известному календарю.
Другую предсказательную технологию – коллаборативную фильтрацию – реализовал в 2007 году предприниматель Александр Долгин в рекомендательном сервисе «Имхонет». Для получения рекомендаций пользователь ставит оценки интересующим его объектам (фильмам, книгам, музыке), и на основе этих оценок составляется личный вкусовой профиль. Затем сервис выявляет пользователей с похожими профилями, и находит объекты с высокой оценкой этой группы, которые наш пользователь ещё не видел. Это и будет рекомендованный ему фильм, книга или песня. В 2017 году сервис закрылся, поскольку не приносил ожидаемых доходов, однако разработчики продолжили дело на сайте Kinonavigator.ru.
Насколько эффективны персональные прогнозы? Криминалисты и спецслужбы по понятным причинам не расскажут вам, окупается ли профилирование в их работе. Да и влияние компании Cambridge Analytica на выборы президента США скорее всего было сильно преувеличено.
Оценить эффективность инфоцыган и хакерской «социальной инженерии» легче, поскольку тут есть статистика потерь – и они огромны. В отчёте ФБР о кибер-преступности за 2018 год на первом месте по потерям находится Business Email Compromise ($1,297,803,489), на втором месте – Confidence Fraud/Romance ($362,500,761). В обоих случаях речь идёт о персонально-заточенных атаках: деньги выманивают либо через фишинговые письма от фальшивых бизнес-партнёров, либо через романтическую переписку с немолодыми одинокими женщинами [17].
Что касается эффективности рекомендательных технологий, она зависит от многих параметров. В 2009 году сервис проката фильмов Netflix наградил призом в миллион долларов разработчика, чей алгоритм улучшил точность рекомендаций компании на 10%. Однако они не стали внедрять этот алгоритм, потому что перешли на другую бизнес-модель: вместо почтовой рассылки DVD занялись интернет-стримингом, а там победивший алгоритм был невыгоден.
С другой стороны, история «Имхонета» показывает, что создание подробных вкусовых профилей – процесс долгий, затратный, требующий активного участия пользователя и не гарантирующий практического результата (человек может смотреть совсем другие фильмы просто «за компанию»). Можно предположить, что для массового сервиса выгоднее создавать некие групповые прогнозы вместо персональных.
И действительно, Netflix с 2016 года использует гибридный подход к рекомендациям. На основе коллаборативной фильтрации выделено около 2.000 кластеров – сообществ людей со сходными вкусами. А фильмы в каталоге Netflix размечены на 27.000 микро-жанров (одних только страшилок про зомби – более ста видов). Сопоставляя кластеры и микро-жанры, система создаёт новые рекомендации для целых групп. Более того, Netflix начал выпускать собственные фильмы, используя всю собранную «вкусовую аналитику», чтобы предсказывать наиболее востребованные жанры для съёмки.
