Автоматизация и технологии искусственного интеллекта в медиа

Размещено на http://www.allbest.ru//

Федеральное государственное автономное образовательное учреждение высшего образования

«Национальный исследовательский университет «Высшая школа экономики»»

Факультет коммуникаций, медиа и дизайна

«Автоматизация и технологии искусственного интеллекта в медиа»

Академическая выпускная квалификационная работа по направлению подготовки 42.03.05 «Медиакоммуникации»

студента группы №152 образовательной программы бакалавриата «Медиакоммуникации»

Смирнов Владислав Васильевич

Москва, 2019



Введение

автоматизация медиа интервью

В современном мире человек сталкивается с использованием технологий автоматизации и искусственного интеллекта с возрастающей частотой. Ввиду сильного характера связей между рынком технологий и медиаиндустриями, они оказывают на эту отрасль существенное влияние. [Mager, 2012] Современные технологические продукты в современном мире помогают собирать внутреннюю и внешнюю информацию, создавать контент и упрощать принятие решений. Данное явление влечёт за собой необходимость исследовать этот феномен и изучить его с академической точки зрения.

Арьен ван Дален (Arjen van Dalen), датский исследователь медиа, предсказывает автоматизацию всех поддающихся ей бизнес-процессов в СМИ.[Dalen van, 2012] На момент написания этой работы такая тенденция прослеживается без дополнительных усилий на поиск информации, например новейшие технологии в области синтеза речи и создания виртуальной модели человека применил Сбербанк, создав телеведущую новостей для внутренних каналов корпорации. На текущий момент степень проникновения алгоритмов и технологических решений в медиарынок крайне высока.

Принимая во внимание, высокую скорость совершенствования текущих и возникновения новых технологий, способствующих изменению медиандустрии, исследователям и профессионалам этой отрасли необходимо дополнять их знание об этом феномене, адаптируюсь к условиям рыночной среды.

Актуальность данного исследования опирается на невозможность постоянного и полноценного мониторинга всемирного рынка технологических решений. Это невозможность обуславливается перегруженностью информации, экспоненциально растущей скоростью развития рынка и рисками потери существенных временных ресурсов. Организации, не обладающие подразделениями, отвечающие за внедрение инноваций, рискуют вовремя не адаптироваться к рыночным условиям, что в современном мире приведет к краху такой компании. [Dr. Peter Thomas, 2016] Особую опасность для структуры, внедряющей инновации, несет неверное принятие решений, относящейся к покупке технологического решения. Такое решение может повлечь собой весомые финансовые затраты и существенно негативно деформировать структуру компании.

Таким образом, это исследование призвано решить проблему не структурированности знаний о текущем состоянии рынка технологических решений для медиа, чтобы обеспечить заинтересованным людям базу для принятия решений, прогнозирований будущего состояния и дальнейших исследований этой отрасли.

Исходя из вышеописанного эта работа отвечает на вопрос: «Как сегодня используются технологии автоматизации и искусственного интеллекта в медиакомпаниях?».

Для того, чтобы охарактеризовать степень разработанности проблемы, было выделено несколько групп источников. Отмечу, что в этой работе не будут учитываться этические аспекты внедрения современных технологий, если они на прямую не влияют на эффективность организации.

Первая группа призвана осмыслить явление автоматизации в условиях медиа и предложить новые способы размышления о нём. (P.M. Napoli, C.W.Anderson , C.G.Linden, T.Mondal & Reich)

Вторая группа посвящена конкретным технологиям автоматизации в медиаиндустриях и их использованию. (M.L.Stone, А.Иванов)

Третья группа рассматривает кейсы применения современных технологий в медиаорганизациях и рассматривает их особенности. (D.P. Thomas, J.Pavlik)

Четвертая группа включает в себя работы о тенденциях внедрения технологий автоматизации в медиаиндустрию и цифровую среду (N.Newman, K.N. Dцrr.)

Таким образом, степень разработанности темы оцениваю, как незначительную. Несмотря на то, что данная тема обсуждается в публичной сфере и в научных кругах с растущей частотой, комплексного и практически применимого знания сформировать не удалось. Кроме того, подавляющая масса материала основана на изучении феноменов создания текстового контента, процессы же автоматизации менеджериальных процессов и создания иных типов контента затронуты незначительно, в виду относительно малого времени существования этих явлений.

В условиях высокой изменчивости технологического рынка, а, в следствие и медиаиндустрии, необходимо не только обладать пониманием влияния роботизации на отрасль, но также иметь достаточную информацию для составления выводов с целью спрогнозировать тенденции будущего, и принять своевременное и взвешенное решение в настоящем.

Объектом данного исследования являются организации в сфере медиа, занимающиеся созданием и распространением контента.

Предметом - технологические решения, внедряемые в такие компании с целью автоматизации бизнес-процессов.

Цель работы: структурировать имеющиеся данные о нынешнем и прогнозируемом экспертами состоянии использования технологий автоматизации и искусственного интеллекта в медиа.

Согласно описанной цели, для ее достижения необходимо последовательно выполнить следующие задачи:

Выявить процессы, которые наиболее часто подвергаются автоматизации и использующиеся для этого технологии.

Определить последствия автоматизации, ее влияние на организацию и медиаиндустрию в целом

Исследовать осведомленность о состоянии рынка среди экспертов

Сформировать прогнозы о развитии рынка, опираясь на полученную информацию.

Гипотеза данной работы заключается в предположении текущей неготовности медиаорганизаций внедрять технологии автоматизации и искусственного интеллекта.

Методология: Эмпирические методы (Экспертное интервью), Теоретические методы (теоретико-журналисткий, организационно-управленческий, социологический, функциональный анализ)



Глава 1. Технологии автоматизации в медиа

1.1 Обзор применения технологий автоматизации в медиа

С ходом технического процесса с экспоненциальной скоростью растет количество возможностей автоматизировать некоторые процессы в деятельности предприятия. Использование такой возможности позволит увеличить эффективность фирмы, благодаря ускорению производственного цикла, более качественного выполнения задач и снижению затрат, связанных с обеспечением труда живых сотрудников.

Под автоматизацией бизнес-процессов в данной работе понимается использование программно-аппаратного комплекса, который совместно с новыми правилами выполнения типовых процедур обеспечивает качественное выполнение процесса на оптимальном уровне.[Плучевская Э.В., 2011]

Кроме того, исследователями процесса автоматизации выделяются следующие его особенности:

- процесс автоматизации обеспечивает взаимодействие смежных процессов, а именно процессов совершенствования средств автоматизации и совершенствования бизнес-процессов.

- перед запуском процесса автоматизации, ответственные за него люди, получают информацию о текущем и желаемом состоянии бизнес-процесса и средств автоматизации, на основе которой затем формируется в модель

- процесс автоматизации зачастую выявляет проблемы во взаимодействии элементов бизнес-процессов, поэтому цикл совершенствования гибок, доработки осуществляются многократно, а формулировка модели автоматизированного процесса может изменяться.

- наличие отдельного блока управления процессом автоматизации, позволит избежать неравномерного использования ресурсов организации на один из смежных процессов.

- анализ бизнес-процессов до автоматизации и построение модели автоматизированного процесса являются необходимыми мероприятиями до запуска процесса.[Мирошниченко, 2016]

На текущий момент алгоритмы все более интегрируются в медиаэкономические процессы, которые обладают своими особенностями. Медиаэкономика в данной работе определяется как процесс удовлетворения медиа-агентами информационных и развлекательных потребностей аудитории, рекламодателей и общества посредством доступных для этого ресурсов. [Борзов, 2018] Медиа-организации, особенно в сфере журналистики, страдают от сокращения рекламной базы, всё большей фрагментации аудитории и растущей конкуренции со стороны мобильных, социальных и цифровых медиа. Некоторые исследователи этого феномена полагают, что в более широкой сетевой экономике применение алгоритмов может оказывать экономическое влияние на развивающиеся, а также существующие рынки. Они выделяют, среди прочего, экономический потенциал автоматизированной генерации текста, отмечая, что алгоритмы могут ограничить транзакционные издержки для производства журналистского текста и привести к повышению эффективности.[Latzer, 2017] Такие алгоритмы способны освободить журналистов от механической, рутинной работы освободив для них временные ресурсы на создание более креативных материалов. [Dalen van, 2012]

Для данной работы будет уместно рассмотреть институциональную теорию применительно к технологиям. Этот подход был представлен профессором Napoli в 2013 году, и будет необходим для понимания глубокого влияния автоматизации на предмет исследования.[Napoli, 2013]

Важно отметить с самого начала, что институциональная теория представляет собой очень широкий термин, охватывающий многие явления. Однако он будет рассмотрен только с точки зрения медиа - технологий для дальнейшего использования в процессе рассуждений о проблеме. Медиатехнологии способны, благодаря характеристикам своего дизайна, как ограничивать, так и облегчать коммуникативные практики и процесс медиапотребления и, таким образом, обеспечивают базовые структуры, которые регулируют производство, распределение и потребление контента.

Развитие этих технологий возникает из-и формируется социальными процессами, тем самым отраженная двойственность, которая во многих отношениях является определяющей характеристикой институтов [Napoli, 2014] Алгоритмы могут быть охарактеризованы аналогично, с точки зрения степени, в которой они могут иметь возможность структурировать поведение пользователей, формировать и влиять на производственные решения.

Наполи вводит термит алгоритмический оборот «The Algorithmic Turn» для обозначения феномена взаимодействия институционального характера между медиаорганизациями и алгоритмами.

Он выделяет особенности такого взаимодействия в двух областях:

Потреблении контента

Производстве контента

Так, одной из ключевых функций, которую алгоритмы выполняют в современном медиа-потреблении, является оказание помощи аудитории в процессе навигации по все более структурно сложным средствам массовой информации. Центральное место в этом процессе навигации занимает алгоритмически управляемый поиск и рекомендательные системы, облегчающие поиск и выбор контента в условиях крайней перенасыщенности, что технологически не опосредованные способы поиска и навигации более не могут быть эффективны.

Эти алгоритмически управляемые системы, конечно, являются центральными и для новых медиа-платформ, начиная от поисковых систем до платформ контента, таких как современные стриминговые сервисы (Netflix, Spotify, Apple Music). В какой-то степени можно утверждать, что функциональность этих поисков и алгоритмы рекомендации имеют даже большее значение, чем фактическое содержание, которое эти платформы обеспечивают. [Napoli, 2013]

С точки зрения широкого определения институты можно разбить на три категории: регулятивный, нормативный и культурно-познавательный Регулятивное измерение относится к способам, которыми институты “ограничивают и упорядочивают поведение” [Napoli, 2014]Этот аспект предполагает уделение особого внимания таким элементам, как процессы регулирования, установление правил и санкционирование деятельности. Нормативный аспект касается роли социальных ценностей и норм и их вклада в определение целей и задач, а также соответствующих средств их достижения. Этот аспект предполагает уделение особого внимания таким элементам, как общие убеждения и ценности в организациях и общинах. Культурно-когнитивное измерение относится к общим интерпретационным рамкам и концепциям реальности.

Этот аспект предполагает уделение особого внимания механизмам, с помощью которых создаются и распространяются общие смыслы и знания. Как становится ясно, все эти три измерения в той или иной степени резонируют с ролью и функцией алгоритмов в производстве и потреблении медиа. Посредством изучения этих различных элементов институциональная теория стремится объяснить феномены, такие как общности в структуре и поведении организаций. роль условностей, процедур и привычек в индивидуальном и организационном поведении и то, как они отражают или отклоняются от преследования национальных интересов; а также построение и эволюция правил, интересов и экологических когнитивных установок.

Когда мы рассматриваем алгоритмы через призму институциональных определительных фреймов и характеристик, функциональные возможности и эффекты алгоритмов довольно тесно связаны с функциями и эффектами институтов в целом и медиа-институтов в частности. Медиа-технологии имеют регулятивное измерение (сдерживающее и облегчающее коммуникативное поведение, и предпочтения), которое является ключевой характеристикой институциональных структур. Медиа-технологии способны, благодаря особенностям своего дизайна, как напрягать, так и облегчать коммуникативные практики и предпочтения и, таким образом, по существу, обеспечивают базовые структуры и параметры, регулирующие производство, распределение и потребление контента. В то же время развитие технологий возникает из социальных процессов и формируется ими, отражая двойственность, которая часто определяется как определяющая характеристика институтов. Алгоритмы, работают наравне с человеческими агентами, чтобы влиять на социальные условия. Алгоритмы обладают тем, что ученые называют “материальным агентством”--способностью нечеловеческих сущностей действовать без постоянного вмешательства человека [Napoli, 2014]

Алгоритмы всегда олицетворяют сложное смешение человеческих и нечеловеческих агентов, которое является центральным для акторно-сетевой теории институтов. Хотя, безусловно, человеческая деятельность играет центральную роль в создании и продолжающейся модификации и перекалибровке алгоритмов, также имеет место тот факт, что, с течением времени и с разрозненными входными сигналами растущего числа людей в конкретных, разделенных контекстах, алгоритмическая система становится все более трудной для понимания одним человеком во всей ее полноте и, таким образом, в некоторой степени становится самостоятельной. Этот последний момент также подчеркивает динамический характер алгоритмов поскольку они постоянно корректируются в усилиях по улучшению их работы в соответствии с конкретными критериями. В этом отношении алгоритмы довольно хорошо вписываются в теоретическую структуру актора-сети (которая подчеркивает текучесть и изменение), возможно, лучше, чем другие области институциональной теории, которые, как правило, подчеркивают непрерывность, постоянство и зависимость от пути.

Значение алгоритмов навигации хорошо проиллюстрировано конкурсом Netflix Prize, в котором компания устроила соревнование между командами разработчиков, с целью повысить точность своей системы рекомендаций. На алгоритме рекомендаций также базируется такой медиагигант, как YouTube, за счет разработки лучшей системы навигации, хостинг генерирует значительную долю свое прибыли, посредством увеличения времени, проведенного пользователем на платформе [Helft, 2009].

Алгоритмические системы поиска контента и навигации, способны управлять спросом на медиа продукт, посредством предоставления «лучшего» выбора пользователю, при этом выбор также является оптимальным и для несущей такое программное обеспечивание платформы. То как, функционируют такие алгоритмы и на основании чего, они демонстрируют разным выборкам разную выдачу до сих пор является информацией, которую крупные технологические медиаигроки не стремятся обнародовать. Однако факт влияния такого рода алгоритмов на пользователей, их потребление и выбор - неоспорим.[Napoli, 2013]

Алгоритмы рекомендаций музыкальных сервисов нередко обвинялись в непрозрачности и поддержке крупных лейблов, программное обеспечение социальных сетей - в формировании выгодной заинтересованным лицам повестки, а всех прочив - в манипуляции пользователями.

Компании, связанные с процессами создания и распространения контента особенно часто сталкиваются с необходимостью автоматизировать часть своего производственного цикла и внедрить современные технологии в жизнь организации. В связи с условиями высокой конкуренции за внимание пользователей такие компании вынуждены реагировать на изменение предложения на рынке технологических услуг в кратчайшие сроки и принимать своевременное решение об их использовании.[Pavlik, 2000]

Начиная от изобретения печатного станка и до появления современных технологий, базирующихся на компьютерных нейронных сетях медиасреда успешно адаптировалась к прогрессу. Менялась структура таких организаций и навыки, необходимые персоналу для успешного взаимодействия с технологиями.

Каждый этап развития медиаиндустрии, сопровождающий новый технологический рывок, требовал от людей, тесно связанных с этой отраслью высокой способности к адаптации, а от организации гибкости ее структуры.

В связи с появлением в конце прошлого века цифровых технологий передачи данных и распространения контента, медиасфера была вынуждена приспособиться. Компании, играющие на этом рынке, создавали новые бизнес-модели, позволяющие им действовать в условиях новой экономики: медиа создавали цифровые системы взаимодействия со своим контентом, учились взаимодействовать с аудиторией, которая до диджитализации была отделена дистрибьюторской системой.

Значительное расширение предложения на рынке медиаконтента способствовало возросшей властью потребителя, он больше не ограничен расписанием выхода номеров, телевизионных выпусков или радиопередач. Человек стал волен сам формировать свое собственное информационное окружение в реальном времени и, исходя из собственных предпочтений.

Близость контакта медиапотребителя с создателями контента вывела на первый план новые требования: оперативность поступления информации, а значит и скорость производства контента приобрела возросшее значение и вынудила бизнес-среду искать решение. [Амзин, 2016]

Возможно, одной из наиболее заметных и потенциально значимых трансформаций, влияющих в настоящее время на медиаиндустрию, является все более заметная роль, которую алгоритмы играют в производстве медиаконтента. Исследователь медиа профессор Наполи полагает, что одним из основных факторов является усложнение медиа-среды, когда аудитория становится все более наделенной полномочиями, а в ее распоряжении все больше технологий.[Napoli, 2017]

Он же выделил две основные функции, которые в настоящее время выполняют алгоритмы в области производства медиаконтента:

служат предиктором спроса

служат создателем контента

В обоих случаях алгоритмы должны опираться на определенный набор данных, на основании которого затем выдают ожидаемый результат. Благодаря растущей популярности больших данных и data-driven моделей компаний, медиа-организации имеют постоянно расширяющийся запас данных о моделях и предпочтениях аудитории в области медиа-потребления, и алгоритмы играют центральную роль в извлечении действенных идей и принятии решений из этих хранилищ данных.

Киноиндустрия, например, начала полагаться на прогностические программные пакеты, например, Epagogix, которые используют алгоритмы для прогнозирования успеха перспективных кинопроектов на основе сюжетных элементов, содержащихся в отдельных сценариях фильмов, связывая эти характеристики контента с историческими данными о кассовых сборах.[Lindйn, 2017] Кроме того, стриминговый гигант Netflix разрабатывает свой способ программирования, вводя наборы данных о поведении аудитории сервиса в прогностический алгоритм, который затем предлагает способ программирования, который, вероятно будет более успешен.

Входные данные в случае Netflix, очевидно, сильно отличаются от входных данных, используемых такой системой, как Epagogix, но результат тот же: алгоритмически выведенные прогнозы производительности, которые все чаще диктуют производственные решения.

Кроме того, такие решения применяются и в области журналистики.

Уже в текущий момент многие отделы новостей работают с полной и немедленной обратной связью, связанной с различными аспектами онлайн-потребления новостей, начиная от просмотров страниц до времени, проведенного на сайте / истории, рейтингов, объема и валентности комментариев.

Феномен вычислительного журнализма (computational journalism) является опорным в рассуждении об алгоритмах, как о непосредственных создателях контента. Это явление, ввиду большего времени существования, способно предложить базу для рассуждений применимую к средствам автоматизации создания контента, не только в сфере производства новостей.

Вычислительная журналистика - относительно новый термин. Он был придуман в 2006 году исследователем медиа Ирфаном Эсса, во время организации им первого курса на эту тему в Грузии. [Georgia Tech, 2013].

Раннее упоминание термина в академической литературе появилась в кандидатской диссертации Адама Перера (2008), где он обсудил алгоритмический инструмент под названием SocialAction, который журналисты начали ценить за его возможности при анализе социальных сетей.

SocialAction был инструментом, разработанным специалистами из области компьютерных наук для тех, кто исследовал социальные медиа, однако он привлек интерес и профессиональных журналистов. Так, сервис был использован для анализа и визуализации социальных связей потребителей запрещенных спортивных стимуляторов среди бейсболистов. (Perer & Wilson, 2007). Этот случай был показательным, демонстрация того, как журналисты могут использовать программные продукты, и с их помощью производить превосходящий прежние показатели контент привела к расширению рынка таких решений и развитию отрасли в целом.

Однако, это был не первый случай использования программных решений для автоматизации медиа -процессов. Исследователи [Anderson, Caswell,2019] описывают, как организация CBS News использовала компьютер для прогнозирования исхода президентских выборов в 1952 году. С 1960 года в детройтских газетах были использованы компьютеры для создания историй, таких как, Детройтские беспорядки 1967 года [Bowen,1986]. В 1970-х годах Эллиот Джаспин использовал реляционные базы данных для поиска новостей, таким способом, например, обнаружив группу наркоторговцев, которые водили школьные автобусы. Позже Джаспин основал организацию, которая стала Национальным Институтом Компьютерно опосредованных новостей (National Institute for Computer-Assisted Reporting). [Cohen, Hamilton, & Turner, 2011].

Различные авторы пытались определить различие между компьютерно-опосредованными новостями (далее КоН) и вычислительной журналистикой. Гамильтон и Тернер (2009) сказали, что КоН "был областью применения навыка для узкого, специализированного круга репортеров-расследователей”, в то время как вычислительные инструменты журналистики "также будут приняты гражданскими журналистами, некоммерческими новостными агентствами и НКО, занимающиеся вопросами подотчетности правительств. Флай, Сперджен, Дэниел и Свифт (2012) утверждали схожее: КоН , писали они, задействовал " журналистику как практику, которая могла бы быть использована только теми, кто официально трудится в качестве журналистов”.

Ник Диакопулос (2011) писал, что вычислительная журналистика включала в себя технологии КоН, но имела особенность в виде "фокуса на обрабатывающих возможностях" компьютера, что подразумевало использование этих возможностей для обработки данных.

Миллер и Пейдж (2007) понимали вычисления как явления, которое включает «поиск, корреляцию, фильтрацию, идентификацию паттернов и так далее». Осуществление этой деятельности не обладало новизной, однако могло быть выполнено вычислительными устройствами «с большей скоростью и точностью». Коддингтон (2015) предположил, что «вычислительная журналистика выходит за рамки КоН в своем фокусе на возможности обработки вычислений, в частности, агрегирования, автоматизация и абстрагирование информации».

В ноябре 2010 года компания Statsheet запустила сеть из 345 веб-сайтов, посвященных студенческим баскетбольным командам. Эти вебсайты ежемесячно наполнялись более, чем 15 000 послематчевых отчетов, создание каждого из которых было выполнено алгоритмом. Написание такого отчета, благодаря использованием программой некоторого числа шаблонных фраз и статистических показателей матча. [Statsheet, 2011]

В дальнейшем, команда, разработавшая этот алгоритм привлекла масштабные инвестиции от венчурных фондов, специализирующихся на технологиях, и основала новую компанию Narrative Science с целью продажи данного технологического продукта. С помощью привлеченных средств был переработан первоначальный вариант алгоритма и сформирована более мощная система искусственного интеллекта, получившая название Quill.

Сегодня технологии Narrative Science используются крупнейшими медиаигроками, такими как Forbes, для генерации текстового контента на естественном языке в сферах финансов, спорта и политики. Разработанное программное обеспечение позволяет генерировать новостные материалы в значительном масштабе и с высокой скоростью.

В статье журнала Wired, вышедшей в 2012 году, журналист Стивен Леви спросил у одного из учредителей Narrative Science, Кристиана Хаммонда, о будущей возможной доле новостей, написанной алгоритмами, в ближайшие 15 лет. В ответ было получено число - 90%.

Сейчас компания Narrative Science развивается в области не столько генерации контента, сколько работы с данными, на которых они построены. Программное решение, именуемое Quill, выполняет аналитическую роль, и позволят собирать внешние данные, а затем анализировать их, самостоятельно подбирая интересные факты и закономерности. Продуктом такой деятельности является нарратив, который обладает собственной структурой и характеризуется отсутствием как грамматических, так и стилистических ошибок.

1.2 Морально - этические аспекты проблемы автоматизации

Случай Statsheet и Narrative Science вызвал широкие обсуждения среди профессионалов и исследователей. Алгоритмические средства генерации контента доказали, растущую важность программирования и компьютерных наук в медиасреде и спровоцировал возникновение многих этических и правовых вопросов, многие из которых не разрешены и на текущий момент.

Возможность влияния алгоритмов на данные - та, которая не может быть игнорирована в среде с наличием определенного морально-этического комплекса. Влияние, оказываемое присутствсием это возможности, также не может быть игнорировано менеджментом, ввиду необходимости соответствовать социальным стандартам. Исследователи алгоритмататизации журналистики сформирован список аспектов, на которые необходимо обратить внимание, как при моделировании технологического решения, так и при его непосредственном внедрении и взаимодействии с программным обеспечением:

Каков источник данных для работы алгоритма, каковы критерии их проверки, и как именно с ними взаимодействует программа? [Zion, Craig, 2014]

Существует ли возможность искажения алгоритмов, которые отвечают за управление системой?[Thurman, Doerr, Kunert, 2017]

Могут ли алгоритмы самостоятельно рассуждать и производить выводы?[Young, Hermida, 2014]

Какова степень прозрачности кода алгоритмов и данных, использующимися им? [Thurman, 2019]

Сегодня технологии искусственного интеллекта востребованы и обсуждаемы в публичной сфере. Благодаря растущим возможностям в хранении и обработке данных, а также в доступности необходимых навыков машинного обучения и создание нейронных сетей, такие технологические решения могут быть внедрены практически в любую сферу человеческой деятельности.

Искусственный интеллект действует схожим образом с человеческим, сперва собирая необходимые данные, затем извлекая из нее информацию, обучаясь и производя необходимый результат. Однако зачастую понять, как конкретная единица информации, полученная нейронной сетью, повлияла на выдачу определенного результата представляется невозможным.

Сегодня все большее число медиаорганизаций используют разнообразные алгоритмы в своей повседневной деятельности, программы помогают искать информацию, редактировать контент, анализировать данные и формировать отчетность. Без использования таких систем функционирование многих организаций было бы невозможно, многие процессы были бы слишком затратны или недоступны. Процессы взаимодействия человека и программы стали особым аспектом обучения сотрудников, не достаточно иметь эффективное программное решение в активе компании, необходимо обладать кадрами, которые смогут его корректно использовать.

Исследователями феномена автоматизации составлен ряд принципов взаимодействия человека и агента (компьютера с установленным программным обеспечением). Согласно им человек всегда отвечает за результат, обеспечиваемый агентом, и должен исполнять роль лица принимающего решения. Человек должен быть адекватно информирован о действиях агента, а также быть активно вовлечен в процесс его деятельности. При этом действия агента должны быть предсказуемыми, а его поведение наблюдаемым, а все члены команды, в том числе программные, должны обладать информацией о намерениях и цели деятельности всех остальных. [Nwana,1996]

Таким образом, автоматизация встречает препятствия, не позволяя руководителям принимать решения о внедрении технологических решений, лишь опираясь на последние достижения прогресса. В медиасреде, которая поставляет людям информацию, особенно важен ее источник и характер ее возникновения. Контент, несущий общественно важную информацию или мнение, должен быть прозрачен, пользователь и выпускающее его лицо должны быть уверенны в его причинности, объективности и изолированности от сторонних факторов. С алгоритмами, же действующими по модели «Black Box», такая уверенность невозможна, а их внедрение в некоторые процессы в полной мере социально неприемлемо. [Hammond, 2015]

Компании Narrative Science и Automated Insights были одними из первых организаций на рынке США, предоставившими современные технологические решения для автоматизации новостей в 2010 году. Их алгоритмы действовали схожим образом с программой компании Statsheet и зависели от строго структурированного набора данных. Такой набор данных представлял собой объемную таблицу, в которой каждая строка отвечала за полную информацию об одном конкретном наблюдении, а каждая колонка - показатели отдельного параметра каждого наблюдения. [Conway, White 2012]. Таким образом доступная алгоритмам информация определяла, какого рода текст может быть с генерирован. Новости такого рода чаще всего опирались на финансовую статистику, результаты и детали спортивных матчах, данные об убийствах и землетрясения.

В Европе автоматизированные новости появились благодаря немецким компаниям Refresco и Alexea, французской Syllabs и британской Arria. Эти организации предлагали программные решения по генерации текстов ограниченному кругу медиаигроков в сферах спорта, синоптических прогнозов и финансовой аналитики. [Dorr, 2015] В марте 2015 года, в ночь выборов, алгоритм компании Syllabs сгенерировал 34 000 заметок для газеты «Монд» (Le Monde), наглядно продемонстрировав французской общественности преимущества использования подобных технологических решений.

В северном регионе шведская медиакомпания Mittmedia занимается производством автоматически сгенерированных прогнозов погоды и спортивных новостей. В 2016 году компания сфокусировалась на автоматизации публикаций в сферах, где важна оперативность доставки сообщения, а также присутствует возможность персонализации контента. Феномен алгоритмизации журнализма делает производство новостей намного более эффективным, позволяя применяющим технологические решения компаниям выпускать большие объемы новостей за короткие сроки, при этом, практически не наблюдая роста переменных издержек. Безусловно, такое явление в период явление негативно влияло на персонал медиаорганизаций. Растущая эффективность робо-журналистов грозила лишить рабочего места живых сотрудников, которые вследствие этого негативно относились к внедрению подобных технологических решений.[Lindйn, 2017]

Если набрать в поисковой строке Google запрос на любую обсуждаемую в обществе тему, то выдача будет заполнена большим количеством однотипых журналистских материалов. Другими словами, существует огромное количество новостей, выпускаемых человеческими репортерами, и ценность каждой отдельной попытки отразить определенный момент реальности может быть поставлена под сомнение. Было бы разумно что-то сделать с точки зрения эффективности и экономии средств для медиакомпаний. В данном случае можно опереться на первый закон Zuboff: «Всё, что может быть автоматизировано - будет автоматизировано.» Его цитируют как сторонники автоматизации, так и критики, но “всё” сдерживается дискуссиями во всех возможных формах, от культуры и социальных норм до технических барьеров.

В новостной сфере такими сложными аспектами могут выступать: аудитория, которая не любит автоматизированные новости, идеология журналистики, которая высоко ценит персональный, человеческий вклад журналиста в материал.

Одна из основных ценностей журналистики - дискуссионность, способность бросить вызов и вызвать общественное обсуждение должна быть перенесена и в сферу автоматизации. В данный момент, журналисты во все большей степени зависят от коллег, обладающих специальными навыками программирования. В то же время недавние примеры совместных проектов в области журналистики данных показывают, что обмен знаниями, навыками и практиками работы могут привести к достойным внимания результатам.

В журналистике закон Zuboff может, например, означать, что всякий раз, когда структурированные данные доступны, а скорость производства контента важна, затраты на инвестиции в автоматизацию снижаются, и добавленная стоимость человеческой работы в каждом конкретном материале низкая, автоматизация может иметь место.

Идеальным примером может служить сфера финансовых новостей, где материалы, основаны на отчетах о доходах. В таком случае скорость имеет решающее значение, поскольку пользователи этой информации в основном являются торговыми алгоритмами: числовые данные хранятся внутри финансовых систем компаний, затем суммируются и помещаются в пресс-релиз. Торговые системы берут текст и превращают его обратно в числа, чтобы придать ему смысл и превратить информацию в сигнал, в основном: «Купить», «продать» или «удержать». [Linden, 2016]

На текущий момент создание алгоритма, который был бы способен создавать материалы, не опираясь на высокоорганизованный, структурированный набор данных - один из самых крупных вызовов для экспертов в этой области. Без этой возможности, абстрагируясь от любых социальных ограничений, в редакциях всегда будет место для журналиста и возможность проявить свои профессиональные качества.

Также, как представляется, существует определенный консенсус в профессиональной среде в отношении того, что качественные и опытные журналисты не будут заменены алгоритмами, однако они должны сфокусироваться на тех, аспектах деятельности, которые с трудом поддаются автоматизации.

На вопрос, при каких обстоятельствах автоматизация журналистики стоит того, менеджер новостей в Дании, опрошенный Карлом Густавом Линденом для своего исследования ответил: “Когда вы знаете, что что-то произойдет, и вам нужно быть быстрым. Следующий шаг (при использовании автоматизации) - способность предвидеть непредсказуемые события."

1.3 Анализ технологий автоматизации создания медиаконтента

Технология генерации естественного языка, на которую и опираются современные технологии автоматизации создания текстового контента, (NLG) - это автоматическое создание текста из данных цифровой структуры. Эта технология была произведена и коммерциализирована за последнее десятилетие несколькими компаниями, такими как Arria, Applied Semantics, Automated Insights и Narrative Science. Данный продукт впервые появился в 1950-х годах в рамках усилий по машинному переводу (McDonald 2010; Reiter 2010), но его использование значительно расширилось в последние годы. Современные продукты NLG в основном продаются как корпоративные инструменты для получения информации из "больших данных", которые также доступны для людей без навыков в программировании, однако эти технологии также все чаще используются для автоматизации некоторых рутинных задач написания новостей в новостных организациях - практика, известная как "автоматизированная журналистика" (Dцrr 2016).

Ранние примеры использования технологии NLG для автоматизации производства контента в основном ограничены короткими текстами в нескольких областях, но тем не менее достигших достойных внимания результатов. Произведенный текст, как правило, неотличим от текста, написанного людьми, и количество текстовых документов, созданных алгоритмом, существенно превышает, возможности «ручного» производства. (Clerwall 2014; Graefe et al. 2016). Поэтому автоматизированные средства письма все чаще интегрируются в процессы публикации, в том числе в таких западных медиакомпаниях, как Associated Press и Los Angeles Times.

Несмотря на этот успех, существует широко распространенное мнение, что потенциал технологии NLG для автоматизации журналистского письма ограничен простыми описаниями, которые уже обычно представлены в виде данных, как указано выше, наиболее очевидными примерами является написание обычных спортивных и финансовых новостей.

Эта описательная отчетность о рутинных новостях является важной частью журналистского портфолио большинства новостных агентств, но технология NLG еще не показала, что она подходит для производства новостных статей более длинной формы, и она не может оценить ценность повествования более сложной и более глубокой журналистики [Dцrr 2016]. На текущий момент расширение использования автоматизированной журналистики за пределы простых описательных отчетов не происходит не из-за недостатков в программном обеспечении, но из-за отсутствия соответствующих данных, необходимых для автоматизации более сложных журналистских записей, таких как, создание нарратива о событии. Такое "отсутствие данных" относится не только к идее, что определенные данные не собираются регулярно или не могут быть легко получены, но и к гораздо более сложной идее, что "вида" данных, необходимых для применения автоматизации к сложному журналистскому повествованию, пока не существует. Другими словами, основным препятствием для автоматизации более сложной журналистики является не только отсутствие данных, но и отсутствие методов кодирования информации, которые подходят для захвата более сложных журналистских знаний в качестве данных. События являются центральной семантической особенностью новостей, и поэтому отсутствие моделей данных, пригодных для кодирования журналистских событий и историй в качестве данных, препятствует внедрению автоматизированной журналистики за рамки рутинной описательной отчетности.

Structured Stories - один из немногих проектов, направленный на применение алгоритмов для создания более сложных историй. Эта платформа позволяет журналистам вносить журналистские события и рассказы в "базу данных историй", которая не основана на письменном тексте, а вместо этого использует семантику или "смысл" событий для представления новостных историй в виде полностью структурированных баз данных (Caswell 2015).

Базы данных историй, такие как Structured Stories, демонстрируют радикально новый подход к работе с журналистской информацией и предоставляют множество новых способов сбора, распространения и потребления новостей.

Платформа была оценена в течение 2015 и начале 2016 репортерами из Лаборатории репортера Университета Дьюка, из школы журналистики Университета Миссури, и из крупного отдела новостей в Лос-Анджелесе (Caswell et al. 2015). Для этого проекта структурированные события и структурированная информация, хранящиеся в базе Structured Stories, были использованы для автоматической генерации событийного нарратива с использованием WordSmith, автоматизированного инструмента письма, разработанного Automated Insights.

В начале 2016 года была проведена серия экспериментов методом проб и ошибок с целью форматирования данных из базы данных Structured Stories таким образом, чтобы их можно было использовать с WordSmith для создания повествовательных текстов, основанных на событиях. Результаты этих экспериментов были распространены на базе Automated Insights в апреле 2016 года, и такие подходы в настоящее время применяются в ходе текущей разработки платформы.

Коммерциализированные автоматизированные платформы, подходящие для применения в журналистике и генерации текста (WordSmith, Automated Insights или платформа Quill от Narrative Science), обычно основаны на подходе к NLG, который иногда называют "динамическим шаблоном" [Deemter, 2005]. Эти платформы позволяют создавать шаблоны генерации языка и связанные с ними текстовые фрагменты по довольно сложным логическим схемам.

Каждый шаблон предназначен для работы с конкретной моделью данных, а затем может использоваться платформой для сборки блоков письменного текста из текстовых фрагментов на основе любого набора данных, отформатированного в соответствии с моделью.

Эти шаблоны представляют собой дискретные иерархические деревья условной логики, которые предоставляют процедуру текстовой сборки для всех событий, которые могут произойти в любом наборе данных, отформатированном в соответствии с указанной моделью.

Центральная задача платформы NLG на основе шаблонов заключается в обеспечении возможности её разработки таким образом, чтобы облегчить взаимодействие между логическими исходами, определяемыми данными, и созданием текстовых компонентов, которые обеспечивают грамматическую согласованность в собранном блоке текста. Платформа WordSmith, например, предоставляет множество инструментов, которые позволяют авторам шаблонов управлять триггерными данными, обнаруживать и использовать функции и тенденции в данных, использовать вложенность ветвей условной логики, применять сравнительную логику, случайным образом использовать лексические и фразовые синонимы, форматировать числовой текст и т. д..

Разработка шаблонов NLG для автоматизированного создания контента требует постоянного обмена между несколькими критериями, которые способствуют качеству возможных текстовых результатов, созданных с помощью шаблона. Эти критерии включают в себя целевую модель данных, тип и диапазон значений, возможных в каждой области модели данных, качество и полноту данных, грамматическую когерентность текстового вывода при всех значениях данных, редакторская оценка текстового результата и, структурно-стилистический выбор автора (или "угол"), который должен быть выражен в текстовом выводе.

Способность работать с этими критериями редакторски, как писатель, а не технически, как программист, является ключевым отличием современных коммерческих систем NLG от их предшественников, которые требовали построения сложных шаблонов как, например "деревья структуры дискурса", а также сценариев плана предложения, написанных на "языке планирования предложений" [Reiter and Dale 1997].

К счастью, разработка шаблонов для журналистики теперь в значительной степени является редакционной задачей, однако она по - прежнему требует "вычислительного мышления" - способности абстрактно думать об использовании языка при одновременном применении логических правил и практических языковых навыков [Wing, 2006; Creech and Mendelson 2015]. Этот набор навыков, однако еще не является общим компонентом журналистского образования.

1.4 Данные в роли фундамента автоматизации

Представляется разумным рассматривать сбор и использование больших данных в медиа-секторе как последний шаг в историческом процессе "рационализации понимания аудитории", который восходит, по крайней мере, к 1930-м годам, когда исследователи коммуникации, такие как Джордж Гэллап и Пол Лазарсфельд, начали работать с заинтересованными сторонами медиа-индустрии над более управляемыми подходами к пониманию и прогнозированию вкусов и предпочтений аудитории (Napoli, 2011, p. 11). Как сформулировал Макс Вебер (1978), процесс рационализации характеризуется следующими феноменами:

усовершенствование методов расчета;

развитие специализированного знания;

усиление технически рационального контроля над природными и социальными процессами;

деперсонализация социальных отношений (Brubaker, 1984).

Исследователи видят все эти явления в работе сегодня в связи с институционализацией анализа больших данных в медиа-менеджменте. Исследователи могут, например, видеть понятие уточнения методов расчета, встроенных в растущую сложность алгоритмов, которые часто используются для осмысления огромного количества собираемых данных (см. Napoli, 2014a). Именно эти алгоритмы и идеи, которые они производят, действительно отражают ключевое уточнение методов расчета, которое является центральным для процесса рационализации. Огромное количество данных, собираемых сегодня, было бы гораздо менее полезным без все более сложных алгоритмов, которые могут быть использованы для использования этих данных. Расширение специализированных знаний можно увидеть в растущей важности ученых в области данных в медиа-секторе (Duda, 2014). Средства медиа отрасли сегодня, наряду со многими другими отраслями промышленности, упорно работают над привлечением небходимого таких специалистов в ряды своих сотрудников. (Kantrowitz, 2015; Shields, 2015). В то же время способность эффективно анализировать большое количество данных распространяется на широкий спектр карьерных путей в медиа-индустрии, которые ранее не требовали этого конкретного набора навыков (Duda, 2014; Shields, 2015). Можно утверждать, что расширение технически рационального контроля над природными и социальными процессами вновь возвращает нас к той роли, которую алгоритмы играют в современной динамике медиапотребления и, если уж на то пошло, медиапроизводства. Как с точки зрения производства, так и с точки зрения потребления, алгоритмы, основанные на больших данных, все больше диктуют, как медиа-потребители ориентируются в своей медиа-среде, а также все больше диктуют решения о производстве контента (см. Napoli, 2014a, 2014b). И, наконец, с точки зрения деперсонализации социальных отношений,можно указать на большие данные и алгоритмически управляемые явления, такие как программно - медиатизация(Albarda, n.д.),что, в свою очередь, является результатом взаимодействия с типом транзакции, который когда-то сильно зависел от социальных отношений (см., например, Phalen, 1998). Таким образом, можно видеть, что процесс рационализации распространяется дальше в область управления средствами массовой информации, опираясь на и расширяя более ранние события в том, что является продолжающимся историческим прогрессом.

Использование вышеупомянутых технологий NLG в автоматизированной журналистике выявляет несколько основных ограничений, связанных с данными. Очевидным ограничением является то, что весь процесс полностью определяется имеющимися данными. Менее очевидным ограничением является то, что использование имеющихся данных также ограничивается моделью данных, с помощью которой эти данные организованы. Например, не имеет значения, что определенный тип данных доступен, если он смешан с другими данными в одном поле, или если он присутствует произвольным образом в нескольких полях, или если его интерпретация неоднозначна либо в отдельных полях, либо в нескольких полях набора данных.

Дополнительное ограничение накладывается логической сложностью шаблонов, которая может быстро стать неуправляемой, если доступные поля данных не связаны напрямую с их предполагаемым использованием в шаблоне. Существенная интеллектуальная нагрузка ложится на автора алгоритма, если он будет вынужден использовать условную логику для выделения аспектов данных, необходимых для описания текста, а не просто получать доступ к необходимой информации непосредственно взаимодействуя с со структурированным набором данных.

Эти ограничения, связанные с данными, в совокупности ограничивают большинство видов использования NLG описанием или статическим отображением ситуации или состояния какой-либо многовариантной системы или сценария, например отчета о прибылях и убытках, содержащего несколько финансовых переменных.



1.5 Новые форматы автоматизированной журналистики

Журналистика принципиально основана не на описании, а на историях о событиях. Журналисты обладают высокой квалификацией в распознавании, создании, организации и передаче историй на естественном языке, и центральное место нарратива в профессиональной деятельности почти единодушно признается журналистами [Roeh 1989, Pavlik 2000; Deuze 2005].

Понятие "история" с трудом поддается определению, потому что потребление историй - процесс, часто встречающийся в повседневной деятельности человека, поэтому этап определения данного механизма кажется ненужным [Boyd 2009]. Однако, это механизм представления знаний, возможно биологического происхождения, для организации временных событий таким образом, чтобы они были оптимизированы для когнитивного доступа и использования.

Быстро растущий объем литературы в самых разных научных дисциплинах, от когнитивной психологии до лингвистики и искусственного интеллекта, идентифицирует компоненты и приложения истории [Radvansky and Zacks 2014; Baldassano, 2016; Mani 2013]. Истории -- это упорядоченность событий, и поэтому представление новостных историй вычислительно (т. е. как данных) требует сначала представления дискретных новостных событий вычислительно [Abbott 2008].

Представление событий требует построения библиотек "абстракций событий" - обобщенных форм фундаментальных типов событий, определяющих действия события и семантические роли, которые различные участники, сущности и локации играют в этом действии.

Например, упрощенная абстракция события может принимать форму " [X] назначено [Y] на должность [Z]", в которой деятельность события узко определена (назначение лица на должность другим лицом или организацией), а конкретные семантические роли, такие как должность, являются переменными. Эти абстракции событий затем могут использоваться для захвата определенных новостных событий в виде структурированных данных, процесса, известного как "создание экземпляра".

...