Тайные ученики
умных машин

6:30 утра, больничный коридор. Кристен везет пациента на операцию на предстательной железе. Кристен — старший ординатор, хирург-стажер. Девушка рассчитывает самостоятельно выполнить сложный разрез с сохранением чувствительности нервных окончаний. Начинается операция, Кристен и опытный хирург работают в четыре руки: она делает основную работу, он внимательно следит и подсказывает. Операция проходит успешно, хирург снимает перчатки, и в 8:15 Кристен уже зашивает разрез. Из-за ее плеча за процессом наблюдает младший ординатор. Кристен позволяет ему наложить последние швы. Она чувствует себя прекрасно: пациент спасен, а у нее теперь есть важный хирургический опыт. Прошло полгода. И вот опять 6:30 утра, Кристен вновь везет пациента, но теперь уже на роботизированную операцию. Хирург настраивает установку весом в полтонны и подводит все четыре манипулятора к пациенту. Затем он и Кристен занимают свои места у пульта управления в пяти метрах от операционного стола. Они сидят спиной к пациенту, и Кристен лишь наблюдает, как хирург управляет движениями робота, аккуратно отделяя и рассекая ткани. Применение робота позволяет выполнить всю операцию одному человеку, и хирург пользуется этой возможностью. Он знает, что Кристен нужна практика, — но знает и то, что она будет действовать медленнее и менее точно. За всю четырехчасовую операцию ей удается поработать не больше 15 минут. Кристен понимает: стоит ей ошибиться — и хирург у всех на виду переключит управление на себя и лишит ее возможности даже наблюдать за процессом со стороны. Хирургия — невероятно ответственная сфера, однако навыки в ней до сих пор передаются так же, как в большинстве других профессий: новичок сначала наблюдает за работой опытного специалиста, потом сам пробует выполнять несложные действия, затем — постепенно и под пристальным наблюдением — переходит к все более ответственным задачам и, наконец, сам становится профессионалом. Этот процесс называют по-разному: производственной практикой, стажировкой, наставничеством, кураторством… Американские хирурги следуют формуле «наблюдай, выполняй, обучай». Несмотря на всю важность практического обучения, многие организации относятся к нему слишком легкомысленно: его почти никогда специально не финансируют и не контролируют. В 2018 году из примерно $366 млрд, потраченных компаниями по всему миру на формальное обучение, лишь крохи выделялись непосредственно на процессы наставничества. При этом многолетние исследования показывают: хотя формальное корпоративное обучение важно, львиной долей навыков, которых требует та или иная должность, можно овладеть только на практике. Большинство организаций в значительной степени зависят от процессов наставничества: по данным исследования, проведенного Accenture в 2011 году, лишь каждый пятый сотрудник за предыдущие пять лет овладел новыми рабочими навыками в процессе формального обучения. Однако сегодня над практическим обучением нависла угроза. Стремительное проникновение в деловую сферу передовой аналитики, искусственного интеллекта и роботов разрушает этот проверенный и эффективный подход. Из-за автоматизации процессов ежегодно исчезают и появляются десятки тысяч рабочих мест, а сотням миллионов людей приходится овладевать новыми навыками и методами работы. При этом факты говорят о том, что с внедрением умных машин стажерам все труднее проходить важный путь ученичества. Мы с коллегами выяснили, что в этих условиях у опытных специалистов меньше возможностей продемонстрировать свои умения, а у новичков — понаблюдать за их работой: приходится на ходу изобретать новые и адаптировать старые методы обучения. Так как же сотрудникам учиться работать с умными машинами? Некоторые ответы дает наблюдение за теми, кто перенимает опыт старших коллег «неофициально», не боясь совершать ошибки. Эту распространенную практику я называю теневым обучением. Что мешает учиться?

ИДЕЯ КОРОТКО

ПРОБЛЕМА
Интенсивное внедрение в работу умных машин и передовой аналитики лишает людей привычных возможностей для практического освоения необходимых навыков.
РЕЗУЛЬТАТ
В медицине, охране правопорядка и других сферах новички находят обходные способы получить нужный опыт. На подобное «теневое обучение» организации часто закрывают глаза, ведь оно приносит результат. Однако у него есть и минусы.
РЕШЕНИЕ
Компаниям стоит выявлять и изучать случаи теневого обучения, проводить организационные, технологические и процедурные практики изменения, способствующие практическому обучению работе с умными машинами. Я изучал теневое обучение два года, наблюдая за хирургами и ординаторами в 18 клиниках США с высоким рейтингом. Меня интересовали два типа обучения: в процессе обычных и роботизированных операций. Я собрал данные о сложностях, которые возникают из-за роботов у хирургов, ординаторов, медсестер и ассистентов (тех, кто готовит пациентов к операции, помогает врачам одеваться, подает инструменты и т. д.), и о тех немногих ординаторах, кому удалось найти «подпольные» способы перенять опыт старших коллег. Хотя исследование касалось в основном хирургии, я ставил перед собой более общую цель: выявить специфику обучения работе с умными машинами. Для этого я сверил свои результаты с данными полевых исследователей, изучавших процессы ­взаимодействия людей с интеллектуальными устройствами, в том числе в интернет-стартапах, правоохранительных органах, инвестиционных банках и онлайн-школах. Оказалось, что их выводы совпадают с моими. Основываясь в том числе и на их разнонаправленных исследованиях, я выявил четыре распространенных проблемы освоения навыков, которые и заставляют людей прибегать к теневому обучению. 1. Стажерам трудно приобщиться к рабочему процессу. Обучение практикантов любой деятельности влечет издержки и снижает качество, ведь новички все делают медленнее и допускают ошибки. С внедрением умных машин организации стали пытаться сократить этот ущерб, меньше задействуя стажеров на сложных и риско­ванных участках работы. В этом пришлось убедиться и Кристен. Новичкам не доверяют задачи, над которыми им пришлось бы работать на грани своей компетенции, пользуясь лишь ограниченной поддержкой для исправления ошибок. Однако работа в таких условиях необходима для освоения новых навыков. Этот феномен наблюдается, в частности, в сфере инвестбанкинга. Коллен Энтони из Нью-Йоркского университета обнаружила, что в одной из фирм образовалась настоящая пропасть между младшими аналитиками и старшими партнерами. Последние занимались интерпретацией алгоритмизированных оценок компаний для целей M&A. Младшим аналитикам поручали только извлекать сырые отчеты из систем, искавших в интернете финансовые данные нужных компаний, и передавать их старшим парт­нерам. Почему так происходило? Во-первых, это снижало риск ошибок неопытных аналитиков при выполнении сложных и ответственных заданий; во-вторых, старшим партнерам так было удобнее: они не тратили время на разъяснения и могли сосредоточиться на трудоемком анализе. На какое-то время эффективность повысилась, однако младшие аналитики оказались оторваны от сложных рабочих задач, без которых невозможно освоить весь процесс оценки и в будущем приносить пользу фирме. 2. Опытные специалисты отдаляются от работы. Если в одних случаях умные машины встают между стажерами и практическим обучением, то в других они не дают опытным профессионалам собственноручно выполнять важную работу. Во время роботизированной операции хирург почти не видит ни пациента, ни робота и не может контактировать с ними напрямую. Если в условиях традиционной операции хирург обладает четким представлением обо всем происходящем с устройствами и инструментами в организме пациента и мгновенно реагирует на проблемы, то во время операции с участием робота манипулятор может случайно ударить пациента по голове, ассистент — перепутать инструменты, и всего этого врач не заметит, если ему никто не сообщит. Отсюда следует два вывода: хирурги лишаются возможности самостоятельно оттачивать навыки, необходимые для полноценного погружения в рабочий процесс, и им нужно искать новые способы разобраться в тонкостях операций путем взаимодействия с коллегами. Бенджамин Шестакофски из Пенсильванского университета описал похожую ситуацию в готовящемся к IPO стартапе. Этот стартап помогал неквалифицированным рабочим находить вакансии с помощью алгоритмов машинного обучения и создал платформу, где работодатели и кандидаты могли договариваться об условиях. Поначалу алгоритмы предлагали не лучшие варианты, и менеджеры из Сан-Франциско наняли сотрудников на Филиппинах для подбора вакансий вручную. А когда у рабочих стали возникать сложности во взаимодействии с платформой (например, не удавалось отправить ценовое предложение или схему расчетов), руководство стартапа передало необходимую техподдержку на аутсорсинг другой группе сотрудников, на этот раз в Лас-Вегасе. У компании не хватало ресурсов, и ей приходилось привлекать все больше исполнителей, чтобы выиграть время и найти средства и разработчиков для усовершенствования продукта. Делегирование задач позволило менеджерам и техническим специалистам сосредоточиться на развитии бизнеса и написании кода, но лишило их важных возможностей для обучения: они перестали получать прямую и регулярную обратную связь от клиентов — рабочих и нанимателей — о возникающих проблемах и необходимых функциях. 3. От практикантов требуют освоения и старых, и новых методов. Роботизированные операции дают те же результаты, что и традиционные, но требуют принципиально иных технологий и подходов. Поскольку операции с использованием роботов сулят бóльшую точность и эргономичность, навыки их проведения просто включили в число требований к врачам, и теперь ординаторы должны учиться проводить оба вида операций. Но в учебном плане недостаточно часов, чтобы хорошо освоить и то и другое, и в результате ординаторы не справляются ни с чем. Я называю эту проблему методологической перегрузкой. Шрихарш Келкар из Калифорнийского университета в Беркли наблюдал похожий синдром у ряда профессоров, использовавших для разработки массовых открытых онлайн-курсов новую технологическую платформу edX. Платформа предлагала широкий выбор инструментов для создания курсов, а также рекомендации, основанные на детальном алгоритмизированном анализе взаимодействия студентов с этой платформой (кликов, публикаций, пауз при воспроизведении видео и т. д.). Чтобы разработать или улучшить онлайн-курс, необходимо было овладеть множеством навыков: научиться использовать интерфейс, интерпретировать аналитику поведения студентов, набирать и контролировать проектную группу и делать ­многое ­другое — и при этом продолжать вести занятия в традиционной аудитории. Справиться с такой нагрузкой было непросто, особенно с учетом быстрого развития технологий: что ни день появлялись новые инструменты, метрики и требования, которые приходилось учитывать в работе. Сочетать традиционные методы с новыми хорошо удавалось лишь тем профессорам, кто уже был технически подкован и располагал хорошими организационными ресурсами. 4. Стандартные методы обучения считаются эффективными. Традиционное правило «наблюдай, выполняй, обучай» действует в медицине и сегодня — но, как мы видим, плохо работает в случае с роботизированными операциями. Однако привычка опираться на проверенные методы столь сильна, что мало кто решается от них отступать: в исследованиях, в стандартных процедурах, во внутренних политиках, в высказываниях опытных хирургов упор делается на традиционные подходы к обучению — хотя совершенно ясно, что с появлением роботов они стали нуждаться в обновлении. Сара Брейн из Техасского университета обнаружила такое несоответствие учебных методов реальным нуждам в полиции Лос-Анджелеса, где начальство попыталось применить традиционный подход к обучению при внедрении алгоритма распределения патрулей по городу. Хотя эффективность и этичность «предиктивной» полицейской деятельности вызывает сомнения, на такую схему перешли десятки подразделений полиции. Система PredPol, внедренная в Департаменте полиции Лос-Анджелеса, разбивает город на квадраты со стороной 150 м, рассчитывает для каждого квадрата вероятность совершения там преступлений и направляет патрули в самые опасные места. Брейн выяснила, что ни сами полицейские, ни даже их начальство не понимали, когда и как нужно выполнять указания искусственного интеллекта. Органы правопорядка издавна следовали проверенному принципу освоения новых методов: сначала краткий инструктаж, а затем долгое практическое обучение на дежурствах. Поэтому руководство сочло, что сотрудники научатся использовать машинные прогнозы преступности постепенно, в процессе работы. Доверие привычным методам в непривычной ситуации себя не оправдало — это лишь запутало полицейских и настроило их против новшеств. Начальство не давало прямых указаний, как работать в том или ином квадрате, желая, чтобы сотрудники полагались на опыт и обстоятельства (и не желая раздражать личный состав микроменеджментом). Но, положившись на традиционную схему освоения навыков, полицейское руководство фактически сорвало обучение: многие офицеры так и не поняли, как и зачем пользоваться PredPol, и забросили систему — хотя в их обязанности входило соблюдение ее рекомендаций. Время было потрачено зря, доверие к технологиям падало, люди не понимали друг друга, в систему поступали ошибочные данные — в результате качество работы полиции снизилось. Выход: теневое обучение Сталкиваясь с подобными трудностями, «теневые ученики» обходят или тайком нарушают правила, чтобы получить нужные советы и опыт. И это неудивительно. Почти 100 лет назад социолог Роберт Мертон показал, что, когда легальные средства перестают работать и не помогают достичь важной цели, люди прибегают к нелегальным. Это правило относится и к профессиональным компетенциям: они крайне необходимы любому специалисту, а описанные выше барьеры неизбежно заставляют людей искать нестандартные пути к обретению ценных навыков. Новые подходы зачастую оригинальны и эффективны, но порой дорого обходятся и самим специалистам, и их работодателям: теневые ученики рискуют нанести урон организации и понести наказание (например, потерять статус и возможность практиковаться). И все же люди идут на этот риск, ведь их методы работают, а общепринятые — нет. Организациям нет смысла копировать нелегальные практики, однако кое-какие выводы сделать стоит. Далее я опишу ряд приемов теневого обучения, которые доводилось наблюдать мне и моим коллегам. Поиск сложных задач. Вспомним, что ординаторам отводится очень мало времени на участие в роботизированных операциях. Теневые ученики стараются находить возможности оперировать на грани имеющихся компетенций и при ограниченном контроле со стороны. Они понимают, что для освоения навыков нужно решать предельно сложные для себя задачи, к которым почти никто из опытных хирургов их не допустит. Те ординаторы, которые за время моих наблюдений сумели стать настоящими профессионалами, находили способы попрактиковаться с роботами. Среди прочего, они старались встать в пару к не самым опытным хирургам. Ординаторы-урологи (в этой сфере роботы используются особенно часто) стремились поработать в отделениях, где хирурги были хуже знакомы с роботами и можно было «обменять» свои знания технологий на полезные навыки оперирования. Штатные хирурги знали, что ординаторов учат эксперты в сфере роботизированных операций, при этом сами эти хирурги были не в состоянии заметить все ошибки в работе. Все это способствовало большему доверию к ординаторам: им чаще позволяли оперировать, у них даже просили совета. Однако мало кто согласится, что такой подход к обучению оптимален. А как поступали младшие аналитики инвестиционной фирмы, которым не доверяли проводить сложные оценки? Оказывается, внутри групп часто происходило теневое ­обучение: невзирая на негласные новые стандарты, старшие и младшие сотрудники работали сообща. Младшие специалисты не только извлекали сырые данные, но и помогали старшим в проведении анализа. В каком-то смысле это рискованный путь. Участие младших аналитиков несколько замедляло процесс, к тому же им приходилось оперировать множеством методов оценки и быстро выполнять массу подсчетов, что приводило к ошибкам, которые было трудно обнаружить. Однако при этом они многое узнавали о фирмах и лицах, участвующих в сделках M&A, а также о разных отраслях и процессе проведения оценки в целом. Из простых винтиков в непонятной им системе они превращались в вовлеченных специалистов, готовых занять более высокие позиции. Обнаружился и еще один плюс: благодаря тесному взаимодействию сотрудников выяснилось, что разные аналитические программы порой расходились в оценках компаний на миллиарды долларов. Если бы аналитики работали по­одиночке, этот факт еще долго оставался бы незамеченным. Приобщение к техническим тонкостям. Как отмечалось, во время роботизированной операции хирург изолирован от пациента и не видит всей картины происхо­дящего — и это мешает новичкам получать нужные навыки. Чтобы разобраться во всех тонкостях операций, ординаторы иногда обращаются к вспомогательному персоналу, который видит все: организм пациента, положение и перемещение манипуляторов, действия анестезиолога, медсестры и других сотрудников в операционной, а также все используемые инструменты и материалы. Лучшие ассистенты обслуживают тысячи операций и уделяют внимание каждой мелочи. Поэтому, перейдя от панели управления роботом к операционному столу, ординаторы ненадолго забывают о хирурге и расспрашивают опытных ассистентов о том, как определить, в норме ли внутрибрюшное давление, когда нужно убрать лишнюю жидкость или хирургический дым. Ординаторы делают это в обход правил, зачастую даже не ставя в известность оперирующего хирурга. Самое время вспомнить о менеджерах стартапа, которые передавали задачи на аутсорс на Филиппины и в ­Лас-­Вегас. Они должны были сосредоточиться на привлечении капи­тала и найме разработчиков — однако некоторые из них находили время поговорить с филиппинцами, чтобы понять, как и по каким принципам они подбирают вакансии и рабочих. Из этого общения коллектив извлек ценные идеи, позволившие оптимизировать процессы получения и очистки данных и улучшить работу платформы. Другие менеджеры решили выяснить, как сотрудники поддержки из Лас-Вегаса помогают рабочим пользоваться системой. С учетом полученных сведений были выделены ресурсы на доработку интерфейса — это позволило оставаться на плаву, пока стартап привлекал новых пользователей и нанимал разработчиков систем машинного обучения. Пересмотр ролей. Новые методы работы, связанные с использованием умных машин, вызывают к жизни ряд тактик теневого обучения, при которых меняются структура рабочих обязанностей и способы оценки и поощрения производительности. Ординатор может заранее решить, что не хочет в будущем руководить роботизированными операциями, и сознательно ограничить свое обучение в этой сфере. Мне доводилось видеть мед­сестер, которым нравится устранять неполадки роботов, но некомфортно стоять над разрезанным пациентом. Ответственные за подбор операционных бригад учитывают предпочтения и навыки медиков — даже когда это противоречит официальным правилам. Так люди постепенно нащупывают и осваивают новые роли, которые отличаются от формальных должностей, зато лучше отвечают рабочим задачам. Некоторые руководители отделов полиции Лос-Анджелеса пересмотрели требования к патрульным офицерам, которые испытывали трудности с внедрением в работу предиктивной аналитики. Сара Брейн выяснила, что у многих офицеров, которых PredPol направляла в тот или иной квадрат, традиционные показатели (по арестам, штрафам и протоколам опроса граждан) в итоге оказывались ниже. Протоколы были особенно важны для предиктивного алгоритма: они снабжали его ценными данными даже в отсутствие арестов. Когда полицейские выезжали по указанию PredPol, они зачастую никого не арестовывали, не выписывали штрафы и не заполняли протоколы. Понимая, что необходимость достигать целевых показателей отбивает у полицейских желание следовать PredPol, отдельные руководители решались отойти от привычных практик и начинали публично и приватно хвалить офицеров за готовность использовать в работе алгоритмы (а не за количество штрафов и арестов). Один капитан полиции говорил так: «Если мы указываем вам, где возможны проблемы, поезжайте туда; вернетесь ни с чем — значит, отлично поработали». Эти начальники рисковали, поощряя то, что многие сочли бы плохой работой полиции. Однако тем самым они помогли сдвинуть культуру правоохранительных органов в сторону большего доверия умным машинам — как PredPol, так и тем, что придут ей на смену. Совместные наработки. Ординаторы старались выкроить время из своего рабочего графика, чтобы тщательно записать действия экспертов и обменяться наблюдениями друг с другом. Эти записи становились для них и справочником, и подспорьем в обучении: они помогали запомнить этапы и приемы работы, а также типичные сбои и способы реагирования на нестандартные ситуации. Профессора, пытавшиеся создавать онлайн-курсы без отрыва от традиционного преподавания, делали почти то же самое для адаптации к новым технологиям. Платформа edX предлагала инструменты, шаблоны и обучающие материалы, призванные облегчить преподавателям жизнь, однако этого было недостаточно. Сотрудники не самых богатых институтов в разных регионах активно экспериментировали с платформой (особенно в самом начале), записывали — в том числе на видео — свои проблемы и успехи и делились ими друг с другом онлайн. Это было непросто: вузы не всегда одобряли размещение в сети учебных материалов и педагогических наработок. Преподаватели авторитетных и богатых вузов, на отзывы которых ориентировались разработчики платформы, тоже практиковали теневое обучение — но иного толка. Чтобы получать от edX максимум поддержки и ресурсов, ученые тайком обменивались способами добиться нужных изменений платформы, обеспечить финансирование и кадровую поддержку и т. д. Чему можно научиться у теневиков? Безусловно, теневое обучение нельзя считать идеальным решением возникающих проблем. Никто не должен рисковать увольнением ради освоения профессии. Тем не менее новые практики — это выстраданные и проверенные способы получить чрезвычайно необходимый и крайне трудно­доступный опыт, а потому их не стоит игнорировать. Каждый из четырех аспектов теневого обучения (поиск сложных задач, приобщение к техническим тонкостям, пересмотр ролей и совместные наработки) предполагает особую тактическую реакцию на проблемы. Вот что стоит сделать современным инженерам, менеджерам, профессионалам, самим стажерам и практикантам, чтобы извлечь пользу из опыта теневых учеников.

• Дать людям возможность выполнять очень сложные для себя задачи в реальности (а не на симуляторе), совершая и исправляя ошибки.

• Создать условия, в которых лучшие сотрудники передней линии смогут быть инструкторами и наставниками.

• Изменить структуру должностей и систему стимулов, чтобы люди стремились использовать умные машины.

• Собрать коллективные наработки в удобную «базу навыков» с функцией поиска, инструментами и экспертными рекомендациями, к которой практиканты могли бы обращаться и по возможности добавлять собственные находки.