Контрольные списки и лучшие практики следует рассматривать как фрагменты автоматизации процесса экспертизы. Следует понимать, что автоматизация – это, прежде всего средство облегчения работы эксперта в смысле минимизации рутинных ошибок и групповой доступности машиночитаемых данных, но не способ замены интеллектуальной деятельности эксперта.

Искусственный интеллект против людей

Системы искусственного интеллекта (ИИ), использующие машинное обучение, алгоритмы поиска и возможности обработки данных, могут быть гораздо более мощными, чем отдельные эксперты. Успехи ИИ были очень заметны и широко разрекламированы, например, IBM Deep Blue и Watson, а также программа Google AlphaGo. Deep Blue обыграли Гарри Каспарова, действующего чемпиона по шахматам. Уотсон обыграл группу проверенных экспертов в игре Jeopardy. AlphaGo победил одного из самых уважаемых мастеров Го. Эти достижения подразумевают, что ИИ может превзойти людей в любой когнитивно сложной задаче.

Прогнозирование погоды является хорошим примером. Начиная с 1980-х годов, компьютерные модели были введены в оперативное прогнозирование, и были сделаны прогнозы, что компьютерные модели скоро превзойдут экспертов-прогнозистов и даже будут автоматически генерировать прогнозы. Статьи в популярной и научной прессе по-прежнему представляют позицию человека против машины, где особенно выделяется апологет ИИ - Hoffman, R.R.и его единомышленники:

·         Hoffman, R. R. (1998). How can expertise be defined? Implications of research from cognitive psychology. In R. Williams, W. Faulkner, & J. Fleck (Eds), Exploring expertise (pp. 81–100). New York: Macmillan;

·         Hoffman, R. R. (2005a). Biased about biases: The theory of the handicapped mind in the psychology of intelligence analysis. In the Panel “Designing Support for Intelligence Analysts” (p. 409) (S. Potter, Chair). In Proceedings of the 48th Annual Meeting of the Human Factors and Ergonomics Society (pp. 406–410). Santa Monica, CA: Human Factors and Ergonomics Society.;

·         Hoffman, R. R. (2005b). The Psychology of Intelligence Analysis, revisited: An update from developments in cognitive science post-1980. Report to PARC for the Novel Intelligence from Massive Data Program of the Advanced Research and Development Activity. Palo Alto, CA: PARC. Retrieved from http://www.ihmc.us/groups/rhoffman/ ;

·         Hoffman, R. R. (2017). A taxonomy of emergent trusting in the human–machine relationship. In P. Smith & R. R. Hoffman (Eds), Cognitive systems engineering: The future for a changing world (pp. 137–163). Boca Raton, FL: Taylor & Francis;

·         Hoffman, R. R., Cullen, T. M., & Hawley, J. K. (2016). Rhetoric and reality of autonomous weapons: Getting a grip on the myths and costs of automation. Bulletin of the Atomic Scientists 72, 247–255;

·         Hoffman, R. R., & Hanes, L. F. (2003). The boiled frog problem. IEEE Intelligent Systems 18, 68–71;

·         Hoffman R. R., LaDue, D., Mogil, A. M. Roebber, P. J., and Trafton, J. G. (2017). Minding the weather: how expert forecasters think. Cambridge, MA: MIT Press;

·         Hoffman, R. R., & Militello, L. G. (2008). Perspectives on cognitive task analysis: Historical origins and modern communities of practice. Boca Raton, FL: Psychology Press/Taylor and Francis;

·         Hoffman, R. R., Ward, P., DiBello, L., Feltovich, P. J., Fiore, S. M., & Andrews, D. (2014). Accelerated expertise: Training for high proficiency in a complex world. Boca Raton, FL: Taylor and Francis/CRC Press;

·         Hoffman, R. R., Ziebell, D., Feltovich, P. J., Moon, B. M., & Fiore, S. F. (2011). Franchise experts. IEEE Intelligent Systems, 72–77.

Я сторонник ИИ и нейронных сетей и признаю их существенные достоинства во многих областях науки и техники, но я не согласен со многими утверждениями апологетов ИИ и постараюсь ниже опровергнуть многие аспекты этих критиков экспертизы.

Популярный миф заключается в том, что если бы компьютеры с большим объемом памяти и более высокой скоростью обработки могли быть брошены на решение проблемы, потребность в людях испарилась бы. Это утверждение передает конкуренцию, в которой эксперты-прогнозисты не могут победить компьютеры. Преимущество человека над компьютером может в конечном итоге быть перекрыто значительно возросшей способностью компьютера к обработке чисел поскольку компьютерные модели будут просто становиться больше и лучше.

Сообщество ИИ хочет уменьшить наше доверие к экспертам, потому что исследователи ИИ убеждены и надеются убедить нас, что их программы могут превзойти экспертов по любым рассуждениям или когнитивным задачам (https://www.psychologytoday.com/intl/blog/seeing-what-others-dont/201703/tools-that-aid-expert-decision-making ).

Опровержение

Оптимизму провидцев — сторонников ИИ — противостоят те, кто смотрит на доказательства и не подвержен шумихе. Может ли ИИ превзойти людей в любой когнитивно-сложной задаче? Будут ли машины вытеснять человеческий опыт? Это помогает взглянуть на менее широко разрекламированные неудачи ИИ. Ожидалось, что медицинские экспертные системы в 1980-х годах заменят врачей; очевидно, что этого никогда не происходило. Аналогичным образом, экспертные системы для прогнозирования погоды утратили популярность, потому что они должны были быть настолько специфичными для региона и сезона, что они были почти бесполезны, а люди, которые нуждались в них больше всего (менее опытные люди), были теми, кто менее способен их использовать). Решения ИИ, безусловно, вызывают беспокойство, когда они принимают ошибочные решения, которые наносят вред большому количеству людей.

Широко разрекламированные успехи (шахматы, го, jeopardy - Шанк, Р. (2015). Мошеннические заявления IBM о Watson и ИИ. Извлечено из http://www.rogerschank.com/fraudulent-claims-made-by-IBM-about-Watson-and-AI.) включают в себя игры, которые хорошо структурированы, с однозначными референтами и окончательными правильными ответами или решениями. Напротив, большинство лиц, принимающих решения, сталкиваются со серьезными проблемами с неясными целями в неоднозначных и динамичных ситуациях. Например, вражеский взвод находится где-то на поле боя или был 30 минут назад, не зная, где он сейчас находится или каковы его возможности. Миссия может потребовать от лиц, принимающих решения, адаптировать свои цели на лету, разрешить противоречивую или неполную информацию и проконсультироваться с другими для обеспечения поддержки решения.

Связанной с этим проблемой является «подтасовка ИИ»: вырезание подзадачи, которая может быть обработана системой ИИ, показывающее, что система превосходит людей в этой подзадаче, и игнорирующее другие подзадачи, потому что они не поддаются интеллектуальным технологиям. Ранее мы обсуждали, что различные роли аналитиков в разных сферах включают в себя нечто большее, чем просто прогнозирование. Исследовательские проекты и системы ИИ, которые ограничиваются задачей прогнозирования, поскольку точность легко измеряется, создают обманчивое впечатление об опыте, необходимом для выполнения работы.

Многие из атак ИИ на экспертов основаны на утверждении, что разница между арифметическим калькулятором и человеческим мозгом не является единственной в своем роде, а только разницей в масштабе, скорости, степени автономии и общности. Это утверждение подразумевает, что это только вопрос времени, когда ИИ превзойдет экспертов в любой области интересов, только вопрос времени, когда искусственный интеллект заменит экспертов, будучи дешевле, быстрее и менее склонным к ошибкам.

Поэтому нужно четко обозначить правильную позицию. Наш тезис заключается в том, что «Люди не машины; машины не люди». Кроме того, мышление — это не расчет. Он включает в себя ассоциативные процессы и процессы сопоставления шаблонов, а также другие процессы, такие как причинно-следственные спекуляции, осмысление, обнаружение проблем, ожидание и генерация понимания.

В области ИИ у нас имеются трудности двух типов:

1.       В большинстве случаев, выполняя какие-то действия, мы сами не осознаем, как мы это делаем- отсутствует алгоритм.

2.       Компьютеры априори далеки от человеческого уровня компетенции. До начала работы необходимо составить соответствующую программу. Но языки программирования позволяют выразить только элементарные понятия.

По своим методам ИИ - экспериментальная научная дисциплина. Эксперимент в ИИ - это проверка и уточнение моделей (компьютерных программ) на многочисленных примерах - наблюдениях над человеком с целью раскрыть эти модели и лучше понять функционирования человеческого разума.

Я выступаю за уникальные человеческие возможности, особенно за возможности специалистов. Пытаясь стереть эти различия, рассматривая мышление как сводимое к расчету, отрицатели опыта смогли поставить под сомнение способность экспертов.

Кроме того, человеческие социальные навыки строят доверительные отношения внутри и за пределами организации, чтобы приносить свежие идеи и бороться с угрозами. Человеческие доверительные отношения ценны и незаменимы для организаций.

Системы ИИ будут постоянно совершенствоваться, что сделает их все более ценными инструментами для использования людьми. Настало время для системных дизайнеров перестать играть в игры о том, лучше ли люди или машины, и более серьезно относиться к разработке рабочих систем, в которых люди контролируют мощные машины, которые усиливают человеческие способности. Эти рабочие системы являются инструментами для повышения производительности человека и должны быть разработаны как таковые. Опыт показывает, что фактические разработчики ИИ гораздо больше ценят человеческий опыт, чем популяризаторы ИИ. Разработчики имеют непосредственный опыт работы с разочарованиями, пытаясь проектировать системы для выполнения сложных задач.

Люди уникально способны к пограничному мышлению, социальному взаимодействию и ответственности за действия. Пограничное мышление включает в себя нашу способность справляться со серьезными проблемами, решать неструктурированные задачи, спекулировать перед лицом двусмысленности и неопределенности, отображать незнакомую область знания. Социальная активность зависит от доверия и координации, способности вырабатывать общую почву и выявлять, когда общая основа разрушается. Наконец, эксперты берут на себя ответственность за свои решения. Интеллектуальные системы этого не делают — если решение терпит неудачу, неизвестно, кто из дизайнеров или разработчиков виноват, но сама машина не признает виновности, поэтому нельзя говорить о доверии ИИ или автоматизации. Можно полагаться на эти инструменты, но не доверять им так, как мы доверяем или не доверяем другому человеку.

Автоматизация против людей

Так же, как некоторые эксперты предсказывали, что ИИ завоюет мир, превзойдя экспертов, другие эксперты распространили миф о том, что большая автоматизация может решить многие из наших проблем, устраняя необходимость в людях и экспертах. Например, одно из утверждений заключается в том, что для снижения умственной нагрузки оператора необходимо больше автоматизации, поскольку современная когнитивная работа увеличивается в темпе и сложности. Сообщество автоматизации хочет снизить доверие к экспертам, чтобы лица, принимающие решения, все больше полагались на автоматизированные системы для выполнения сложных задач.

Опровержение

Энтузиазм в отношении технологий часто является экстремальным (см. напр., Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. New York: W. W. Norton.). Не признавая очевидного — что автоматизация не автономна — слишком много технологов поддаются мифу о том, что автоматизация может компенсировать человеческие ограничения, мифу о том, что автоматизация может заменить людей, и мифу о том, что задачи могут быть четко распределены либо человеку, либо машине. Эти вводящие в заблуждение убеждения подвергались сомнению и отвергались инженерами когнитивных систем на протяжении более 35 лет. Тем не менее, развенчание должно периодически обновляться в умах исследователей. Мифы сохраняются из-за веры, что больше автоматизации означает меньше людей, меньше людей означает меньше ошибок и, особенно, меньше людей означает снижение затрат.

Почти каждая программа финансирования, которая требует большей автоматизации, основана на утверждении, что внедрение автоматизации повлечет за собой потребность в меньшем количестве опытных операторов при потенциально более низких затратах для организации. Но факты очевидны: больше автоматизации и более продвинутая автоматизация не означает, что вам нужно меньше людей; действительно, это часто означает, что вам нужно больше экспертов. Кроме того, в состязательных ситуациях автоматизация может оказаться обузой, если она делает суждения и решения предсказуемыми. Чем предсказуемее система, тем легче ее победить.

Другая проблема заключается в том, что перенос всей когнитивной работы в автоматизацию может лишить рабочих навыков и подорвать опыт. Мы знаем, что подлинный опыт достигается после обширной напряженной работы над сложными проблемами. Если автоматизация подрывает опыт, то возникнет соблазн еще больше полагаться на автоматизацию, еще больше подрывая опыт, как в порочном круге. Одним из выходов из этого порочного круга является рассмотрение автоматизации как инструмента повышения эффективности людей и соответствующего проектирования автоматизации. Эта позиция, та же самая, которую здесь предложили в отношении искусственного интеллекта, является ядром ориентированных на человека вычислений (Hoffman, R. R. (2012). Collected essays on human-centered computing, 2001–2011. New York: IEEE Computer Society Press).

В общем случае замена человека автоматизированной системой оправдана, по крайней мере в двух случаях ― при выполнении контролируемых по результату шаблонных рутинных операций и при невозможности в силу физиологических ограничений человека выполнить необходимые действия. Вряд ли эти случаи являются типичными в экспертной деятельности человека.

Большие данные

Утверждается, что алгоритмы анализа данных делают экспертов устаревшими. Мощные алгоритмы работают с массивными и разнообразными наборами данных для обнаружения тенденций, выявления проблем и создания выводов и идей. Ни один человек, независимо от того, насколько он эксперт, не может проверить все доступные данные датчиков. И ни один человек не может надеяться интерпретировать даже часть этих источников данных. Сообщество Больших Данных (Big Data) (также называемое сообществом Data Analytics или Data Science) хочет снизить доверие общественности к экспертам, чтобы лицам, принимающим решения, было удобно передавать свои анализы на аутсорсинг разрабатываемым алгоритмам Больших Данных.

Опровержение

Подходы к большим данным зависят от предположений и сложности программистов. Используемые алгоритмы часто не документируются и не проверяются, а тем более не реплицируются. Большое количество предикторов в еще большем количестве комбинаций, преследующих большое количество потенциальных гипотез, создают комбинаторный взрыв, который делает вероятными ложные выводы. Даже если они верны, не все закономерности имеют смысл, и статистическая ассоциация не обязательно приводит к надежному прогнозированию. В худшем случае, анализ данных может привести к апофении, видя закономерности там, где их на самом деле не существует. Количество и новизна данных не могут превзойти более фундаментальные вопросы надежности, репрезентативности, предвзятости, стабильности, валидности конструкции и контекста.

Одной из историй успеха Big Data был проект Google «FluTrends», использующий аналитику данных для прогнозирования вспышек гриппа, но впоследствии «FluTrends» потерпел фиаско настолько сильно, что был исключен из использования.

Алгоритмы могут следовать историческим тенденциям, но могут пропустить отклонения от этих тенденций, как в случае со сломанной ногой (см. выше): сигналы, которые имеют последствия, которые понятны экспертам, но не являются частью алгоритмов. Кроме того, эксперты могут использовать ожидания для выявления недостающих событий, которые могут быть очень значительными. Напротив, подходы к большим данным, которые обрабатывают сигналы, полученные из различных источников, не знают об отсутствии данных и событий, которые иногда имеют решающее значение.

Заключение

В этой статье описываются нападки на экспертов со стороны пяти дисциплин и сообществ отрицателей знаний. Это преднамеренные атаки — у каждого сообщества есть свои причины для того, чтобы дискредитировать экспертов. Мы предложили опровержения и контраргументы. Теперь сделаем шаг назад и рассмотрим, что мы узнали из этих предложений.

Ценность экспертов. Измерение экспертизы

Специалисты необходимы для успешной работы во многих местах человеческой деятельности. Несмотря на то, что эксперты не идеальны, производительность и результаты сильно пострадают, если попытаться заменить экспертов контрольными списками, формулами или ИИ. Способность к адаптации и устойчивости зависит от опыта.

Задача написания этой статьи повысила наше уважение к отрицателям опыта. Я ценю проблемы, которые они бросают опытным исследователям. Они заставляют нас — они помогают нам — глубже задуматься о природе человеческого опыта. Но я по-прежнему недоволен посланием, которое отрицатели экспертизы дают обществу, чтобы обесценить экспертов. Я считаю, что эксперты ценны и необходимы, и их можно сделать еще более эффективными. Тем не менее, я призываю отрицателей опыта продолжать свои атаки, потому что эти атаки заставляют нас продвигать наше понимание опыта и разрабатывать более сильные и полезные методы исследования.

Заманчиво поставить под сомнение мотивацию некоторых отрицателей опыта, особенно тех, кто выиграет, когда правительство и фирмы увеличат инвестиции в автономные интеллектуальные технологии или позволят аналитическим менеджерам вырвать контроль у практиков. Независимо от мотивов отрицателей опыта, я серьезно отношусь к их аргументам, что позволяет уточнить оценку экспертов или, при необходимости, умерить эту оценку.

Часть трудностей, с которыми сталкиваются отрицатели экспертизы, заключается в том, что особенности экспертизы так сильно связаны с неявными знаниями и их трудно уловить и измерить. Поэтому понятно, что эти особенности подвергаются меньшему контролю и меньшей оценке. Неявное знание, в отличие от явного знания, очень трудно сформулировать, и поэтому эксперты обычно не могут раскрыть основу для своих перцептивных различий, распознавания образов, суждений о типичности и ментальных моделей. Тем не менее, методы когнитивного интервьюирования были эффективны в получении такого рода неявных знаний.

Одним из способов концептуализации ценности экспертов является рассмотрение последствий, когда эксперты уходят из компании и экспертных организаций. Компания теряет личные отношения, выстроенные годами, которые позволили опытному эксперту взять трубку и получить ответ от клиента или своевременный анализ от специалиста в другой области. Компания страдает от снижения потенциала для инноваций, потому что у нее больше нет экспертов, которые могут оценить, как предлагаемое изменение будет сочетаться с существующими системами и практиками, и как должны обрабатываться нетипичные события.

Контрольные списки хороши, но эксперты должны интерпретировать и адаптировать их. Практика, основанная на фактических данных, хороша, но эксперты должны просеивать доказательства и применять данные к конкретным случаям. И то, и другое ― этапы цикла PDCA, который невозможно выполнить без участия эксперта.

Эвристика может привести к ошибкам, но она имеет решающее значение для того, чтобы позволить экспертам проводить пограничное мышление. Исследования в области искусственного интеллекта и смежных областей, таких как автоматизированные системы и системы поддержки принятия решений, продолжают достигать значительного прогресса, но ИИ должен быть разработан для поддержки, а не замены принятия решений человеком.

На протяжении всех опровержений я утверждал, что производительность экспертов никогда не должна оцениваться с использованием отдельных показателей, особенно просто показателей правильности или частоты попаданий. Например, производительность аналитиков прогноза развития тех или иных проектов сводится к точности их прогнозов. Но работа таких аналитиков заключается не только в том, чтобы делать точные прогнозы. Это также выявление аномалий, которые необходимо отслеживать более тщательно, замечать тенденции, выявлять совпадения, которые заслуживают более тщательного изучения. Это включает в себя получение идей. Точность прогнозирования редко занимает высокое место среди этих целей. Более важными являются помещение удивительных событий в контекст, изучение вариантов, понимание чуждых точек зрения и объяснение, почему и как произошло одно, а не другое. Когда отрицатели экспертизы ограничивают исследования переменными, которые они могут легко измерить, они оказывают медвежью услугу теме экспертизы и общественности.

Ограничения экспертизы

Эксперты, конечно, не идеальны, поэтому критика полезна для повышения нашего понимания ограничений экспертизы. Мы считаем, что мирное посредничество в этом конкретном конфликте в войне — условия, благоприятствующие экспертизе по сравнению с теми, которые ее ограничивают, — происходит от рассмотрения различий в областях. Можно различить области типа 1, которые легко способствуют развитию экспертизы (физики, математики, астрономы, летчики-испытатели, шахматные мастера, бухгалтеры, страховые аналитики) и области типа 2, которые затрудняют это развитие (биржевые маклеры, клинические психологи, психиатры, сотрудники приемной комиссии ВУЗов, судьи суда, отборщики персонала, военные аналитики). Области типа 1 имеют более предсказуемые результаты и обеспечивают хорошую обратную связь по суждениям. Они также больше полагаются на статические, а не на динамические стимулы. Домены типа 1 структурированы и, как правило, включают механические переменные. Напротив, области типа 2 требуют суждений в неструктурированных и динамичных ситуациях с плохо определенными целями. Области типа 1 хорошо структурированы, что является одним из критериев, определенных как важный для развития интуитивной экспертизы. Они включают в себя правильные ответы или, по крайней мере, очень хорошие ответы, поэтому исследователи могут определить, близки ли эксперты к оптимальному. Домены типа 2 не так хорошо структурированы или настолько хаотичны, чтобы препятствовать или ограничивать потенциал для достижения экспертных знаний (например, биржевые брокеры). Они не связаны с проблемами с едиными правильными ответами; они связаны с проблемами, в которых отсутствует информативная обратная связь по суждениям.

Мы считаем, что даже в задачах типа 2 есть опыт, но он менее выражен — эксперты в задачах типа 2 могут делать больше ошибок или различных видов ошибок, чем мы ожидаем от задач типа 1, и их мастерство будет менее заметным.

У исследователей возникают проблемы с измерением производительности при выполнении задач типа 2. Большинство из нас согласится с тем, что некоторые врачи более квалифицированы, чем другие, и что лучшие могут считаться экспертами, но каковы критерии экспертной деятельности? Ни один из этих критериев не допускает однозначного измерения. Определить лучшие инструменты или показатели для масштабирования квалификации в доменах типа 2 сложно.

Опыт типа 2 может быть усилен путем подключения к социальным сетям. Как напоминают нам социологические сообщества практиков, эксперты встроены в социальную систему, через которую они изучают новые методы и принципы. Эти социальные системы дают им ресурсы, к которым они могут обратиться, когда возникают новые проблемы или чрезвычайные ситуации. Эксперты также являются лидерами, наставниками и тренерами, которые передают свои навыки другим, либо открыто, либо через моделирование. Человеческие социальные сети усиливают и улучшают экспертизу.

Человек + Машина, а не Человек против Машины

Одна из самых важных и захватывающих задач, связанных с экспертизой, включает в себя проектирование компьютерных систем таким образом, чтобы обеспечить эффективное управление человеком, даже при повышении уровня автоматизации. Когда при проектировании когнитивных систем работы руководствуются желанием сделать машины понятными, предсказуемыми и управляемыми, они с большей вероятностью будут способствовать лучшему принятию решений.

Мы считаем, что отрицатели опыта (см., напр. Johnson, M., Bradshaw, J. M., Hoffman, R. R., Feltovich, P. J. & Woods, D. D. (2014). Seven cardinal virtues of human-machine teamwork. IEEE Intelligent Systems 29(6), 74–79.) сбиваются с пути, когда сосредотачиваются на задаче, для выполнения которой хорошо приспособлены компьютеры, вместо того, чтобы спрашивать, как люди могут использовать машины для улучшения принятия решений экспертами. Я выступаю за лучшие технологии и автоматизацию, ключевое слово лучше. Я надеюсь, что технологи смогут преодолеть заблуждения, пытаясь создать системы для замены экспертов, и вместо этого попытаться создать полезные технологии, которые расширяют возможности экспертов. Эффективные технологии также способствуют обучению экспертов, с тем чтобы со временем улучшить их навыки, обеспечить более активное социальное взаимодействие, когда эксперты консультируются с другими, и уточнить ответственность за неудачи и успехи.

Выступая за передовые технологии, я подчеркиваю, что люди остаются ответственными за свои действия, даже при использовании мощных машин. Задача состоит в том, чтобы обеспечить человеческий контроль при одновременном расширении возможностей автоматизации. В конце концов, водители автомобилей контролируют свои транспортные средства, хотя немногие водители понимают все автомобильные технологии, которые они контролируют; дизайнеры нашли способы оставить водителей в значимом контроле. Неправильные названия, такие как беспилотные автомобили, должны быть изменены, чтобы уточнить ответственность и ответственность за отказы, так же, как беспилотные летательные аппараты теперь более уместно называть дистанционно пилотируемыми транспортными средствами. Я выступаю за технологии, которые предоставляют экспертам лучшее понимание состояния машины и лучший контроль над действиями машин.

Ускоренная экспертиза

Видится возможность сформулировать методы обучения, чтобы позволить большему количеству экспертов повысить свою квалификацию. Если бы хотя бы на несколько лет можно было сократить время, необходимое для достижения опыта, это могло бы привести к огромной экономии. Известно, что ускорение возможно и этому есть много примеров (Staszewski, J. (2008). Harnessing landmine expertise. In N. J. Cooke & F. Durso (Eds), Stories of modern technology failures and cognitive engineering successes (pp. 9–18). Boca Raton, FL: CRC Press.,  Mellers, B., Stone, E., Atasanov, P., Rohrbaugh, N., Metz, E., Ungar, L,…& Tetlock, P. (2015). The psychology of intelligence analysis. Journal of Experimental Psychology: Applied 21, 1–14.) где добились заметных успехов в обучении навыкам прогнозирования событий в человеческих делах. Хотелось бы видеть больше таких усилий, находя инновационные подходы к обучению для накопления опыта в лицах, принимающих решения, и перевода существующих экспертов на еще более высокие уровни.

Мы также видим возможность положительно оценить эвристику, идентифицированную сообществом эвристики и предубеждений. Исследовательская программа по позитивной эвристике будет изучать, как часто используемые эвристики приносят пользу лицам, принимающим решения, и позволяют пограничное мышление (см. д.ф.н., М.В. Тлостанова - "Исследования пограничья/VS пограничное (со)знание, мышление, творчество", в «Вопросы социальной теории» 2012г. Том VI, стр. 63-80).

Наши опасения

Одной из самых больших опасностей войны для экспертов является ее потенциал для ухудшения процесса принятия решений и устойчивости государственных учреждений и корпораций частного сектора. Как только такие организации некритически принимают аргументы отрицателей экспертизы, они, скорее всего, отодвинут на второй план экспертов в пользу статистических аналитиков и все большего количества технологий. Они, вероятно, отвлекут финансирование от учебных программ, которые могут привлечь больше экспертов, к программам, предназначенным для принятия решений, не требуя вмешательства человека или ответственных действий. И это может привести к нисходящей спирали, в которой опыт принятия решений уменьшается, что приведет к большей зависимости от различных форм замены и, в конечном результате, приведет к дальнейшему сокращению такого опыта. На этой траектории системы и машины действительно получат господство не за счет их улучшений, а за счет постоянной эрозии опыта.

Наши надежды

Мы хотели бы отказаться от метафоры войны, в которой одна сторона выигрывает, а другая проигрывает. Но мы были вынуждены использовать эту метафору из-за нападок на экспертов и экспертизу, чему мы не раз был свидетелями или объектами. Именно поэтому мы почувствовали необходимость защищать экспертов и противодействовать нападкам. Но мы критикуем критику, а не сообщества. Мы не хотим возвращаться в эпоху, когда медицина управлялась анекдотом, независимо от данных — мы считаем важным опираться на доказательства и опыт. Мы не хотим игнорировать открытия исследователей эвристики и предубеждений — эвристика, которую они обнаружили, может иметь большую ценность для развития спекулятивного мышления (термин «Спекулятивное мышление» - это уже изобретение собственно Гегеля.) . Мы не хотим игнорировать сообщество исследователей суждений и решений — мы хотим воспользоваться их усилиями, чтобы улучшить то, как мы обрабатываем доказательства и используем нашу интуицию. Мы не хотим повернуть время вспять в отношении информационных технологий — мы хотим, чтобы эти инструменты были разработаны, чтобы помочь нам получить и расширить наш опыт. Мы не хотим игнорировать социальные аспекты рабочих настроек — мы хотим разрабатывать рабочие настройки и командные договоренности, которые увеличивают наш общий опыт. Мы надеемся на то, что будет поощряться баланс, который уважает опыт, изыскивая при этом различные средства для его укрепления.