Автоматизация и технологии искусственного интеллекта в медиа

Конкретные новостные события создаются путем "заполнения" переменных семантической роли ссылками на участников, объекты, местоположения и т. д. чтобы создать уникальную запись этого события.

Этот подход, все еще являющийся экспериментальным, стал гораздо более практичным в последние годы из-за новой доступности библиотек абстракций событий, таких как FrameNet [Baker, 2008], онтология событий и ситуаций [Segers, 2015] или Schema.org, а также из-за наличия общих цифровых ссылок для участников, лиц, мест и т. д. (Графики знаний и другая инфраструктура "семантического веба").

Упорядочение структурированных событий в последовательные сюжетные репрезентации требует большего, чем просто составление временного упорядоченного списка событий. Истории имеют по крайней мере три свойства, которые в идеале должны быть представлены в расположении структурированных событий, все из которых относительно просты:

1. События должны существовать независимо от историй, в которых они используются, тем самым позволяя любому конкретному событию присутствовать в нескольких историях и облегчая развитие "повествовательных сетей".

2. Событиям следует присваивать различные значения в рамках конкретной истории, указывая на их относительную важность в этой истории на основе одной или нескольких схем ценностей.

3. События должны быть организованы таким образом, чтобы облегчить "семантический масштаб" - возможность рекурсивно вложить детали истории, чтобы к ней можно было напрямую обращаться из конкретных событий.

Проекты, которые реализуют репрезентации новостей в манере, аналогичной описанной выше, становятся все более распространенными. Ранним примером является онтология сюжетной линии BBC [Rissen, 2013], а более недавним примером является недавно завершенный проект NewsReader (Rospocher, 2016], который сосредоточен на том, что его разработчики называют "ориентированным на события графом знаний". Ежегодно проводится учебный семинар на тему "компьютерные сюжетные линии новостей", и в настоящее время в правительстве и разведывательных кругах осуществляется несколько аналогичных проектов. Одновременно с этим недавно появилась новая форма журналистики, известная как "структурированная журналистика", которая фокусируется на технологиях и рабочих процессах для захвата и публикации журналистских знаний в качестве структурированных данных.

Хотя практические наборы данных, основанные на таксономиях деятельности, все еще редки, есть несколько примеров практических наборов данных, которые очень близки к формату на основе событий, особенно в области правительства (например GovTrack.нам, TrackBill.com и т. д.).

В отличие от некоторых других представлений событий и историй, структурированные истории основаны на вводе структурированных событий и историй вручную журналистами, и поэтому особенно хорошо подходят в качестве основы для экспериментов в автоматизированной журналистике из-за высокого качества ее данных. Структурированное представление событий, используемое структурированными историями, основано на концепции семантики фреймов - представлении о том, что значение в языке существует только в определенных контекстах, известных как "семантические фреймы". Простой пример-семантический фрейм "коммерция", подразумевающий определенные роли (покупатель, продавец, товар, оплата и т. д.).) и определенные действия (покупка, продажа, оплатой и т. д.).

Structured Stories использует FrameNet для определения подробных "фреймов событий“, которые предоставляют абстракции конкретных журналистских событий, которые затем могут быть созданы как записи фактических событий - например," Microsoft Inc. купил Skype Communications у Silver Lake L. L. C. за $ 8,5 млрд". Эти структурированные записи фактических событий затем собираются в структурированные истории на основе характеристик истории, описанных выше.

Наличие структурированных баз данных новостных событий и новостных сюжетов открывает возможность использования шаблонной генерации естественного языка как механизма автоматизации производства журналистских текстовых статей на основе событийных сюжетов, а не просто статического описания.

Хотя некоторые формы представления знаний существовали в более ранних системах NLG (Reiter and Dale 1997), это были, как правило, сущности, концепции и отношения, а не события и истории. Напротив, наличие структурированных событий и структурированных нарративов открывает новые возможности для непосредственного представления новостных событий и журналистских историй для использования в автоматизированном написании. Однако осознание этого потенциала не является простым, поскольку содержимое структурированной базы данных новостей по-прежнему должно быть переведено в стандартизированную форму, подходящую для использования с конкретными алгоритмами NLG. Это труднодостижимо, потому что новостные сюжеты (структурированные или нет) по своей природе непредсказуемы, в то время как шаблоны NLG, по существу, требуют данных, которые совершенно предсказуемы. Один из подходов к преобразованию структурированной истории в стандартизированный формат, подходящий для использования с шаблоном NLG, заключается в разработке абстракций историй стандартизированного вида в определенной области, который может содержать определенные типы событий в определенном порядке.

Если набор таких историй достаточно ограничен, и если вариация от истории к истории достаточно мала, то события из структурированной базы данных истории могут быть сопоставлены с "видами событий" в абстракции истории, чтобы произвести стандартизацию каждого "вида" истории. Этот подход может быть относительно простым в реализации и использовался для многих проектов, демонстрируя автоматизированную генерацию историй из структурированных событий. Это, вероятно, будет одинаково хорошо работать с широким спектром относительно предсказуемых историй в журналистских областях, таких как преступность, бизнес, политика, сообщения о бедствиях и т. д. но не подходит для менее шаблонных историй.

Поэтому необходим второй подход для преобразования относительно непредсказуемых структурированных историй в стандартизированный формат. Одна из возможностей для этого состоит в том, чтобы разбить историю на ряд "фрагментов истории", каждый из которых затем сопоставляется со стандартным форматом, соответствующим определенному алгоритму NLG. Такие "фрагменты истории" преобразуются в естественный язык самостоятельно, а результирующие текстовые блоки собираются в полный текстовый документ.

Это гораздо более сложный подход, поскольку он требует, чтобы каждый "фрагмент истории" был правильно распознан в базе данных истории и правильно отображен в правильный стандартизированный формат. Это также требует, чтобы текст в каждом из шаблонов NLG был создан таким образом, чтобы окончательный текстовый документ, собранный из текстовых блоков, был грамматически и логически согласован. Хотя этот подход является более сложным, он также дает возможность создавать гораздо более гибкие истории, которые, возможно, не нужно ограничивать узкими областями.

С точки зрения конкретных входных данных для платформы генерации естественного языка наличие структурированных данных о событиях позволяет получить важную и, возможно, новую характеристику представления событий в стандартизированных данных, используемых платформой: она позволяет обрабатывать события и их семантические роли как значения данных, а не как области данных.

Этот акцент на новостных событиях как переменных позволяет автоматизировать текст, который приближается к истинному повествованию, с гораздо более широким разнообразием глаголов, сообщающих гораздо более богатый диапазон деятельности. Прямой доступ к структурированным новостным событиям может также в конечном итоге позволить кодировать причинно-следственную связь как структурированную связь между дискретными событиями, тем самым позволяя автоматизированной журналистике сообщать причинно-следственные связи и объяснения.

Для выполнения этой задачи преобразования данных исследователями [Caswell, Dцrr, 2017] были предприняты следующие шаги:

1. Определение стандартизированной модели данных на основе областей данных, представляющих "части", которые события играли в общей истории (т. е. не на основе самих событий).

2. Отображение структурированных событий из каждой истории в стандартизированную модель данных.

3. Создание текстовых фрагментов для каждой из "абстракций событий", используемых для определения структурированных событий в историях.

4. Разработка шаблона WordSmith для стандартизированной модели данных, который затем может быть протестирован на основе данных, отформатированных с помощью этой модели данных.

5. Итерация процесса до тех пор, пока стандартизированная модель данных и шаблон WordSmith не стабилизируются.

Генерация стандартизированных данных для каждой структурированной истории уже напрямую использует информацию из семантических ролей создаваемых структурированных событий (например, имена символов, местоположения и маршруты). Поэтому технический аспект построения этих сложных фрагментов текста не является особенно сложным, хотя редакционный аспект может быть более сложным. Поэтому каждая структурированная история преследования была сопоставлена с единым стандартизированным форматом данных, созданным с использованием описанных выше методов.

Хотя эти истории получаются не длиннее, чем многие текстовые документы, которые также созданны автоматически, и не основаны на большем количестве полей данных, чем многие текстовые документы, уже созданные автоматически, такие истории отличаются от других результатов автоматизированной журналистики с использованием NLG, потому что они четко декламируют повествование о событии за событием.

У такого подхода есть несколько очевидных преимуществ. Во-первых, вариативность видов событий представляется гораздо более необычной, чем вариативность чисел или имен, и, во-вторых, сочетание вариативности событий с вариативностью символов, сущностей и местоположений, участвующих в этих событиях, по-видимому, обеспечивает дополнительный уровень сложности, помимо того, что обычно достижимо из одномерной записи данных. Данные, необходимые для поддержки автоматизированного написания таких статей, можно было бы собирать на основе сочетания автоматизации и ручной отчетности, возможно, под управлением новостных организаций для использования при создании нескольких форм текстового вывода и интерактивного контента.

Ясно, что основанные на шаблонах платформы NLG, такие как WordSmith, уже способны поддерживать автоматическую генерацию текстовых нарративов на основе событий в большом масштабе. Но также ясно, что существует множество серьезных проблем, которые необходимо преодолеть, прежде чем основанные на событиях подходы могут быть использованы в редакционных средах для автоматизации журналистики.

Эти проблемы можно условно разделить на две категории: проблемы, связанные с наличием структурированных данных о событиях и событиях, и проблемы, связанные с редакторскими навыками, необходимыми для создания логических и текстовых фрагментов шаблонов, и текстовые описания деятельности, связанной со структурированными фреймами событий.

С технической точки зрения возможность сбора и хранения структурированных данных о событиях и сюжетах для журналистики еще не является полностью решенной проблемой, хотя она близка к решению. Необходимо найти способы, чтобы упростить приобретение структурированных данных о событиях и историях, вероятно, используя готовые наборы структурированных данных, и научиться извлекать структурированных данные из текста автоматически.

Важно понимать, что автоматизированная журналистика-это всего лишь один из вариантов использования платформ структурированных данных о событиях, и что другие виды их применения могут стимулировать их развитие - например, использование в сфере бизнес-приложений или программ правительственных служб.

Редакционные проблемы, связанные с автоматизацией сложной журналистики, возможно, сложнее преодолеть, чем технические проблемы. Например, нелегко создавать текстовые фрагменты и логику шаблонов NLG таким образом, что любое изменение входных данных(переменных) создает качественный текст, и эта трудность усугубляется при использовании значений данных на основе событий, которые также являются текстовыми фрагментами, созданными отдельно. Дополнительные редакторские проблемы возникают из-за создания переходов между блоками текста, генерируемыми отдельно для сборки в единый окончательный текстовый документ из-за логики, с помощью которой текстовые блоки собираются в более крупные документы.

Проблемы, связанные с выражением нарративной структуры в грамматически и структурно когерентном шаблоне NLG, также не являются тривиальными. Эти и другие редакционные проблемы свидетельствуют о необходимости разработки новых журналистских стилей и грамматических словарей, соответствующих автоматизированной журналистике, а также о необходимости разработки редакционных рекомендаций и руководств по стилю для фрагментов текста, создания шаблонов и сборки документов. В основе этих редакционных проблем лежит неизбежное требование к журналистам развивать навыки "вычислительного мышления", необходимые для работы с журналистской информацией и с повествованием как операциями над абстрактными категориями. Создание и эксплуатация автоматизированного рабочего процесса журналистики на основе структурированных событий и вычислительных повествований - это абстрактное усилие, требующее от журналистов двигаться между конкретными событиями и историями и обобщенными шаблонами, которые демонстрируют эти события и истории. Такие навыки не являются в первую очередь техническими или технологическими. Однако требуют выработки особого характера мышления.[ Routledge, 2017]

При наличии соответствующих платформ и пользовательских интерфейсов, таких как пользовательский интерфейс WordSmith, журналисты должны иметь возможность работать со структурированными событиями, повествованиями и повествовательными абстракциями без каких-либо навыков кодирования, навыков работы с базами данных, математических навыков или других технических знаний. Вместо этого им нужно только разработать и применить знакомство с алгоритмами журналистской информации. [Anderson 2014]. Овладеть этим навыком нелегко, и для этого потребуются существенные изменения в целях и учебных программах журналистского образования, а также в стимулах и ожиданиях журналистов от труда в редакциях.

Таким образом, главная причина, по которой журналисты учатся программировать, может быть не в том, что они могут программировать, а в том, что они могут научиться думать о журналистике так же, как разработчики программного обеспечения думают о коде.

Важно подчеркнуть, что доля новостных сюжетов, которые поддаются автоматизации с использованием новейших методов, хотя и намного больше, чем это возможно в настоящее время, по-прежнему весьма ограничена.

Только новостные события, для которых могут быть определены фреймы событий, могут быть записаны как данные, и только истории, которые демонстрируют некоторую шаблонную структуру, могут быть обработаны в форму, пригодную для использования системами NLG. Кроме того, простого наличия структур данных для новостных событий и историй недостаточно для автоматизации, если не существуют рабочие процессы для фактического представления новостей в виде структурированных данных. Простое экономическое ограничение также возникает из потребности в минимальном количестве любого "вида" истории, чтобы оправдать инвестиции в автоматизацию ее производства. Эти и другие ограничения гарантируют, что ручное написание останется единственным жизнеспособным методом создания наиболее сложной, эффективной и ценной журналистики в обозримом будущем

Большая часть ранних дискуссий об автоматизированной журналистике была сосредоточена на "алгоритмах" - пошаговых или статистических процедурах, с помощью которых информация переводится из данных в текст на естественном языке. Однако этого может быть недостаточно, поскольку модели данных, вероятно, оказывают гораздо большее влияние, чем "алгоритмы", на определение того, насколько возможна или желательна автоматизация в журналистиких медиа. Поэтому весь потенциал автоматизации в журналистике следует рассматривать с точки зрения журналистских моделей данных, которые могут быть преднамеренно разработаны и использованы для управления текстовым выходом NLG, а не только с точки зрения того, какие модели данных (и данные) уже доступны.

Маловероятно, что в обозримом будущем будут доступны формальные научные модели всего естественного языка, и поэтому автоматизированная журналистика, вероятно, будет развиваться в отсутствие вычислительно доступных грамматик, которые могли бы позволить автоматизировать генерацию журналистского текста без созданных человеком шаблонов. Таким образом, автоматизация журналистики - от разработки моделей данных до разработки шаблонов NLG - останется почти полностью редакционной деятельностью, хотя и на гораздо более абстрактном уровне, чем это наблюдается в традиционной редакционной работе. Потребуется новый вид "мета-редакторского" навыка, который сочетает в себе способность абстрагировать использование языка с возможностью применять эту абстракцию к разработке языковых редакционных продуктов. Учитывая экономические реалии, с которыми сталкивается журналистика, повышение автоматизации, вероятно, имеет важное значение для выполнения общественной миссии журналистики и поэтому, вероятно, станет более распространенным аспектом практики журналистики. Если эта автоматизация должна быть всеобъемлющей и достаточно привлекательной, чтобы быть полезной, то она, вероятно, должна быть в сюжетной форме, основанной на сюжетных данных. Поэтому создание и формализация моделей данных, рабочих процессов и редакторских навыков, необходимых для поддержки такой автоматизации, является достойной инвестицией в экономически устойчивую журналистику и захватывающей возможностью.

Однако, несмотря на все дискуссии об автоматизированных новостях и роботизированной журналистике, следует отметить, что это все еще небольшая область в медиаотрасли, и есть несколько признаков быстрого прогресса в направлении будущего, где автоматизированные новости стали мейнстримом. Даже технические эксперты Automated News скептически относятся к добавленной стоимости такого контента. Шведский разработчик, также опрошенный Линденом сказал:

«Лично мне трудно увидеть ценность в текстах, написанных на нескольких точках данных. Я думаю, что реальная ценность в долгосрочной перспективе будет заключаться в работе с неструктурированными источниками данных, такими как сигналы тревоги и документы, и использовании роботов для идентификации новостей, а не для их написания.»

Для новостного агентства такого как Associated Press или Ritzau, имеет смысл автоматизировать новости из-за огромного объема новостей и скорости операций. У них также есть установленная экосистема услуг и клиентов: “Если вы хотите создать огромные объемы текста, вам также нужна организация, которая может его получить и распространить”, - говорит шведский разработчик.

Несмотря на весь шум вокруг больших данных и возможностей добычи огромных массивов информации, доступность данных на самом деле является одним из барьеров для повышения автоматизации.

Один из французских журналистов, участвовавших в проекте Le Monde, пояснил: “трудность в проекте выборов заключалась не в написании текстов, а скорее в сборе и очистке данных”, и продолжил: “задача состоит в том, чтобы получить полезные данные, что является проблемой во Франции."

Данные в процессе производства новостей - это всегда вопрос выбора, думать ли о том, у кого взять интервью или какой набор статистики использовать для истории. Целостность, качество и надежность имеющихся данных имеют решающее значение для автоматизированных новостей, как и для других форм журналистики. Поэтому выбор и оценка данных должны быть журналистским процессом, в то время как проверка, стандартизация и нормализация обычно передаются программистам.

На текущий момент существует на так много источников открытых данных, еще меньше количество тех, в которых данные упорядочены, чисты, структурированы и достоверны.

Несмотря на то, что правительственные департаменты публикуют всё больше данных в открытом доступе, всё еще существует нужда в доступе к другим данным, которые пока не опубликованы. На сегодняшний день получение интересных данных для обеспечения работы алгоритма не только в вышеописанных сферах является проблемой, которую еще предстоит преодолеть.

Автоматизация процесса создания новостей позволяет решить управленческие проблемы, связанные с разработкой более эффективных редакционных процессов и переходом к прогнозирующей журналистике, ориентированной больше на прогнозирование, чем на реагирование на информационные поводы.

Новостные предупреждения, подобные тем, которые основаны на автоматизированном поиске полицейских записей об арестах использующиеся репортерами Los Angeles Times crime, будут гораздо более распространены.

Local Labs, компания в Чикаго, является одним из примеров того, как автоматизация для активного или прогнозного создания новостей используется разумно. Local Labs, согласно её веб-странице, обеспечивает "производство новостей , рекламу и рекламный контент, печать специальных разделов и управление веб-и мобильными приложениями" (http://www.locallabs.com/). Компания использует комбинацию базы данных с источниками, календарем и запланированной рассылкой по электронной почте для автоматического сбора обновлений о деятельности в местных сообществах. Некоторые события, как правило, повторяются с определенной частотой, например, мероприятия, связанные с Рождеством или другими праздниками и памятными датами.

Таким образом, если обладать достаточной информацией об окружении, существует возможность создать программное решение, которое сможет обрабатывать информацию из определенных каналов и на основе этих данных, создавать истории.

Автоматические новости были введены компаниями программного обеспечения и продавались как услуга или программное обеспечение, готовое к использованию сразу же после установки. Роль журналистов в разработке автоматизированных новостей в таком случае ограничивалась обучением алгоритма выбору правильной формулировки для генерации естественного языка.

Такой подход, приводит, как к непониманию сотрудниками программных решений, так и становится причиной неэффективного взаимодействия в команде человек-агент, что негативно влияет на показатели компании.

Шаблоны и формулы, использующиеся при генерации текста алгоритмами на текущий день выглядят не выгодно во многих областях, поэтому особенно важно не только обучить сотрудников взаимодействию с алгоритмами, но и создавать подобные технологические решения в более тесном сотрудничестве с журналистами и профессионалами.

С одной стороны, крупные медиа-компании, такие как New York Times, вкладывают существенные ресурсы в прогнозную аналитику, с целью лучше понять пользователей, в то время как редакционные решения по-прежнему рассматриваются как человеческое упражнение.

С другой, деятельность контент-ферм, где статьи и фрагменты назначаются не редактором, а алгоритмом, который добывает данные поиска, шаблоны интернет-трафика и ставки ключевых слов от Google. Цель таких организаций - максимизировать внимание аудитории и получить более высокие рейтинги в поиске, тем самым привлекая внимание рекламодателей.[Dцrr, 2016]

В то же время существует проблема потери навыков в тех областях деятельности медиа, где алгоритмы работают по задуманной модели без сбоев. В таком случае специалисты, зачастую начинают слишком доверять машинам и вслепую полагаться на их результат. Исследования показывают, что, например, системы поддержки принятия решений могут сделать людей умственно ленивыми и проявить, так называемый “эффект вырождения” при автоматизации [Carr, 2015].

Перспектива "повышения эффективности" знаний и навыков с помощью автоматизации может и не возникнуть. С другой стороны, существует также большой риск того, что рабочие места начальных позиций, которые молодые начинающие журналисты получат в будущем, будут заботиться о компьютерах и их программном обеспечении, а это означает, что приобретение знаний будет означать принятие других, отличных от современной модели журналиста, паттернов профессионального поведения. Существует риск того, что журналисты будут сведены к машинистам, которые будут не способны проявлять креативность и лучшие человеческие качества.

Компьютер удаляет интерактивную связь между мышлением и действием руки. Вместо того, чтобы размышлять над первой частью только что написанной статьи и ее продолжением, журналист, вероятно, примет предложения компьютера: как следующие части опроса должны быть написаны на основе прогностических алгоритмов, точно так же, как алгоритмические системы поддержки принятия решений дают автоматизированную консультацию врачу на основе симптомов пациента.

Есть основания полагать, что нынешняя практика взаимодействия журналистов с медиа - лишь предпосылки к будущему состоянию этой отрасли.

За первой волной новостей, написанных программным обеспечением, последуют гораздо более продвинутые системы, которые не только жулистам, но и программистам будет трудно контролировать: “машинное обучение выходит за рамки программистов, разрабатывающих конкретные формулы. Вместо этого компьютерные программы уже сейчас строят свои собственные алгоритмы посредством обучения, обратной связи и итерации, и поэтому их гораздо труднее понять и контролировать” Машинное обучение находится на пересечении традиционной математики и статистики с программной инженерией и информатикой Сейчас машинное обучение входит в сферу журналистики. В существующей модели для автоматизированных новостей алгоритмы точны, совершенны, тщательно запрограммированы и однозначны. Человеческие инженеры дают инструкции компьютеру, который будет обрабатывать определенные входы и генерировать определенные выходы: логика программы -- это код, написанный людьми. [Dr. Peter Thomas, 2016]

Машинное обучение -- это создание программ, которые создают сами себя и, например, используются для прогнозирования предпочтений пользователей такими компаниями, как Netflix и Amazon. Их трудно (иногда невозможно) понять, сложно отладить и ещё сложнее контролировать. Тем не менее именно по этим причинам они предлагают потенциал для гораздо более интеллектуального” поведения, чем традиционные подходы к алгоритмам и искусственному интеллекту.



Глава 2. Текущее состояние автоматизации и прогнозы

2.1 Анализ экспертных интервью

На основе собранной в предыдущей части работы информации и полученных знаний были составлены вопросы для проведения интервью с представителями медиа индустрии. Основная задача этого интервью - определить, как в отрасли относятся к процессу автоматизации, существует ли единая точка зрения на этот счет.

Список вопросов, представляющий собой полу структурированный план интервью представлен ниже:

1. Использовались ли на месте вашей деятельности технические средства автоматизации? Если да, какие?

2. Как вы определяете, нуждается ли процесс в автоматизации?

3. На ваш взгляд, решению каких проблем может способствовать автоматизация определенных бизнес-процессов?

4. Есть ли необходимость автоматизировать большее число бизнес-процессов?

5. Какие вы видите препятствия для автоматизации в вашей организации?

6. Могут ли возникнуть морально-этические конфликты внутри организации при внедрении автоматизации в производственный цикл компании?

7.Под руководством каких подразделениях компании должен осуществлять свою деятельность автоматизированный процесс?

8. Как, на ваш взгляд, должна происходить процедура внедрения автоматизации? Кто должен принимать решение?

9. Как вы считаете, может ли автоматизация определенных процессов негативно сказаться на показателях компании? Почему?

10. Есть ли процессы в вашей организации, которые невозможно автоматизировать, на ваш взгляд, ввиду превосходства сугубо человеческих навыков.

В качестве интервьюируемых были выбраны специалиста из тех областей медиаотрасли, которые в меньшей степени склонны использовать системы генерации текста на естественном языке, Алексей Фивинцев - продакт-менеджер холдинга «СТС - Медиа» и Денис Азгаров - директор по маркетингу группы компаний «Black Star. Inc», кроме того, имеющий опыт на позиции технического директора в компании Tutu.ru.

Опрошенные отметили малую степень проникновения автоматизации процессы вышеуказанных организаций, а также подчеркнули, неподготовленность текущего состояния медиаиндустрии Российской Федерации к внедрению новейших, дорогостоящий технологий на базе машинного обучения.

Несмотря на это, автоматизация присутствует в областях автоматического сбора данных об аудитории и аналитики, и трекинга задач, включенных в шаблонные бизнес-процессы. Продуктами, использующимися для решения подобных задач являются PowerBI от Microsoft и внутренние CRM системы, содержащие данные о бизнес-процессах и сотрудниках, позволяющие автоматизировать процесс перепоручения и контроля за исполнением задач.

По словам опрошенных, внедрение технологических решений автоматизации помогло бы решить многие проблемы, связанные с ручным, монотонным и не требующим высокой компетенции трудом. Подобное избавление от рутины помогло бы направить ресурсы сотрудников в более осмысленное русло, что позитивно бы сказалось на развитии организации. Однако, опрошенные отмечают, что внедрение таких технологических решений часто связано с трудностями. Такими трудностями могут быть:

неприятие сотрудниками организации автоматизации;

дороговизна внедрения технологии по сравнению с стоимостью человеческой рабочей силы;

отсутствие подходящих технологических решений или неосведомленность об их наличии на рынке.

Негативное или скептическое восприятие автоматизации сотрудниками, по словам экспертов обусловлено не уверенностью персонала в благожелательных намерениях менеджмента. Внедрение новых технологий оценивается ими, как конкуренция, грозящая, в случае успеха машины, утерей ценностью для компании и, как следствие потерей рабочего места. Упомянутые выше системы CRM, помогающие осуществлять должный характер бизнес-процессов, зачастую воспринимаются как способ ужесточения контроля за сотрудниками и увеличения количества доступной руководству информации, которая может быть невыгодно использована против их интересов.

Кроме того, экспертами отмечена высокая стоимость внедрения технологий автоматизации бизнес-процессы компании. По их словам, это связано с несколькими факторами:

Отсутствием на рынке большого числа профессионалов в области создания подобных технологических решений

Неразвитость культуры работы с данными, что приводит к неспособности создать необходимые наборы данных

Неприспособленность структуры организаций к внедрению технологий искусственного интеллекта, отсутствие подразделений, отвечающих за внедрение инноваций.

Отмечу, что особую важность носит относительный характер нерелевантности принятия решения об автоматизации. Это обусловлено, такими экономическими обстоятельствами, такими как низкая средняя стоимость труда, рекламные кризисы, а также в целом недостатком средств в индустрии.

Одним из последствий наличия вышеописанных факторов является стремление медиаорганизаций зарабатывать больше в ближайший момент времени, что также негативно сказывается на желании инвестировать в дорогостоящие технологические решения.

Однако, по словам экспертов, автоматизация большинства бизнес-процессов, которые не требуют высокой «человеческой» компетенции, например, креативности, - вопрос ближайшего времени. Скорость наступления такого исхода зависит, как от развития технологического прогресса, так и от степени знакомства профессионалов медиаиндустрии с алгоритмами и искусственным интеллектом и готовности сотрудничать с машинами.

Интервьюируемые подчеркнули особую важность, существования подразделений внутри медиаорганизаций, которые будут отвечать за работу с технологическими инновациями и их внедрением. Такие подразделения должны будут мониторить текущие показатели компании и обнаруживать процессы, нуждающиеся в автоматизации, а также обеспечивать их внедрение и обучение персонала работе с ними. Кроме того, такие команды должны реагировать на обратную связь от сотрудников и обрабатывать их предложения по автоматизации тех или иных этапов производственного цикла.

Процесс интеграции технологического решения должен проводиться совместно с сотрудниками отделения, в котором действует автоматизируемый бизнес-процесс, для лучшего понимания специфики автоматизируемой деятельности и передачи машине оптимальных навыков, выработанных людьми во время занятия трудом такого рода.

После успешной автоматизации, департамент по работе инновациями должен передавать полномочия по распоряжению технологического решения подразделению в области задач которого функционирует алгоритм.

Важным аспектом в вопросе внедрения автоматизации, является определение лица, несущего ответственность за принятие решения и выработка критериев, на которых принятие этого решения должно полагаться. Эксперты сходятся, что принятие такого решения должно быть основано на данных, или в случае их недостатка лицом, компетентным, как в сфере медиаменеджмента, так и в технологических вопросах. Стоит избежать ситуации принятия такого решения, опираясь лишь на личный опыт и авторитет руководства, ввиду высокой стоимости ошибки при принятии решений такого характера.

Денисом Азгаровым была отмечена возможность появления негативных последствий автоматизации лишь в случае ошибки о принятии решения при его внедрении. Это может быть связано, как с неготовностью организации нести высокие издержки, так и с низким развитием навыков персонала по работе с алгоритмами.

Взаимодействие с алгоритмами требует особого типа мышления, схожего, с логикой программирования. Способ мышления, подходящий для решения задач до автоматизации может быть не оптимален, а, потому также повлечь издержки.

Алексей Фивинцев, сославшись на свой опыт работы в крупных интернет-банках Российской Федерации, подчеркнул особую важность системного мышления при принятии решения об автоматизации. По его словам, интеграция одного продукта, может не только затребовать такие ресурсы организации, как время, финансы и вычислительные мощности, но и так же повлечь негативные последствия в другой сфере деятельности компании. И, напротив, верное понимание корней проблемы неэффективности процесса, а также способность наиболее полно воспринимать все последствия внесения изменений, может сделать процесс автоматизации намного более эффективным.

В целом, автоматизация, как феномен, воспринимается опрошенными оптимистично. Таким аспектам как, необходимость создания отраслей для поставки данных в медиаорганизации не было уделено внимания, в тоже время не были упомянуты алгоритмические решения для упрощения создания контента, такие как сервисы нейронных сетей, помогающие обрабатывать визуальную и аудиальную информацию, системы мониторинга упоминаний бренда в видеоконтенте, работа с распознаванием лиц для маркетинговых целей, и другие, несмотря на присутствие прототипов и первых версий таких сервисов на глобальном рынке.

В целом, осведомленность экспертов относительно новейших изменений в предложении сервисов автоматизации считаю незначительной, что подтверждает высказанный ими тезис о необходимости в структуре компании подразделений, которые будут сфокусированы на проблеме оптимальной автоматизации.

2.2 Практические рекомендации и прогнозы развития рынка

Как и было отмечено экспертами в предыдущей части работы ошибка при принятии решения об автоматизации, может иметь масштабные негативные последствия для организации. Принимая во внимания это обстоятельство, необходимо выделить основные аспекты, которые должны учитываться при принятии решения об автоматизации.

Обладает ли компания достаточным количеством ресурсов для внедрения инноваций, существуют ли вычислительные мощности?

Принесет ли автоматизация необходимые результаты, как именно она повлияет на KPI процесса.

Возможно ли автоматизировать данный процесс, является ли он регулярным, находится ли в области применения машинных навыков?

Кем будет создан алгоритм, существуют ли все необходимые данные для его обучения и деятельности?

Обладает ли компания достаточным знанием о состоянии технологического прогресса и существовании готовых технологических решений?

Кто будет обслуживать алгоритм, обладают ли сотрудники необходимыми навыками?

Важна ли транспарентность алгоритма, если да, может ли она быть обеспечена?

Понимает ли персонал необходимость внедрения алгоритма, не повлечет ли внедрение технологического решения негативных последствий для мотивации сотрудников?

Данные вопросы, являются определяющими при принятии решения об интеграции технологий автоматизации в производственный цикл компании. Предполагается, что компания нуждающаяся в внедрении подобных сервисов действует рационально, опираясь на данные и исследуя, своё внутренне и внешнее окружение.

Не менее важным в такой быстроразвивающейся области является мониторинг трендов. В текущий момент человечество уже обладает такими передовыми технологиями, как создание виртуальных ведущих новостей, точное прогнозирование потребительской активности на основе больших данных, обработка аудио и видео контента с помощью нейронных сетей. Несмотря на текущую низкую степень распространенности таких технологий по сравнению с технологиями NLG, ввиду времени существования, такие решения для автоматизации будут продолжать развиваться с большой скоростью.

Кроме того, предсказать характер будущих технологий, которые появятся в этой среде иногда не представляется возможным. Поэтому медиакомпаниям, которые в высокой степени зависят от скорости и своевременности принятия решения по использованию технологий, необходимо уделить особое внимание мониторингу тенденций, как в долгосрочном, так и в краткосрочном периоде, а также обладать гибкой структурой, позволяющей внедрять новейшие технологии по мере их востребования с минимальными издержками.

Благодаря растущей потребности в данных, на которых будут базироваться всё более продвинутые алгоритмы, медиакомпаниям следует создавать внутреннюю экосистему, позволяющую не только хранить данные об аудитории, но и структурировать их, с целью произвести знание или использовать наборы данных в качестве входных переменных для машин.



Заключение

В данной работе был проведен анализ технологий автоматизации и искусственного интеллекта в медиа организациях. Были определены ключевые аспекты, вызывающие проблемы при принятии решений по интеграции, а также отмечено состояние уже сложившихся областей использования автоматизации, таких как технология NLG.

В ходе работы также было проведено интервью с экспертами, представляющими крупные медиакомпании на российском рынке, которое выявило их озабоченность проблемами автоматизации, но при этом низкую степень знания о состоянии рынка и возможных подводных камнях.

Таким образом, гипотеза о неподготовленности медиакомпаний к внедрению новейших технологий автоматизации подтверждена. В условиях ограниченных финансовых ресурсов российские медиакомпании особенно остро могут воспринимать проблему технологического отставания, поэтому способность внедрять новые технологии, в случае необходимости, - особенно критична.

В ходе работы были получены обширные знание о феномене алгоритмической журналистики и о структуре необходимых данных. Кроме того, автором работы была воспринята важность системного подхода и приобретено более глубокое понимание социально-технологического окружения медиа.

Полученные результаты могут быть применены медиаменеджерами для ознакомления с феноменом автоматизации процессов в медиаорганизациях, а также исследователями для разработки данной темы.

В будущих исследованиях стоит уделить внимание автоматизации процессов принятия управленческих решений, а также глубокому исследованию возникающих технологий в сфере автоматизации создания контента.



Список литературы

1. Anderson, Chris W. 2012. “Towards a Sociology of Computational and Algorithmic Journalism.” New Media and Society (15) 7: 1005-1021.

2. AI. n.d. “The Future of Finance is Automated.” https://automatedinsights.com/ap. Bradshaw, Paul. 2014. “Data Journalism.” In Ethics for Digital Journalists: Emerging Best Practices, edited by Lawrie Zion and David Craig, 202-219. New York: Routledge.

3. Carlson, Matt. 2014. “The Robotic Reporter: Automated Journalism and the Redefinition of Labor, Compositional Forms, and Journalistic Authority.” Digital Journalism 3 (3): 416- 431.

4. Cleary, Johanna, and Meredith Cochie. 2011. “Core Skill Set Remains Same in Newspaper Job Ads.” Newspaper Research Journal 32 (4): 68-82.

5. Clerwall, Christer. 2014. “Enter the Robot Journalist: Users' Perceptions of Automated Content.” Journalism Practice (8) 5: 519-531.

6. Coddington, Mark. 2015. “Clarifying Journalism's Quantitative Turn: A Typology for Evaluating Data Journalism, Computational Journalism, and Computer-Assisted Reporting.” Digital Journalism 3 (3): 331-348.

7. Caswell D., Dцrr K. Automated Journalism 2.0: Event-driven narratives // Journal. Pract. 2017. Т. 12. № 4. С. 477-496.

8. Dalen A. van. the Algorithms Behind the Headlines // Journal. Pract. 2012. Т. 6. № 5-6. С. 648-658.

9. Dцrr K.N. Mapping the field of Algorithmic Journalism // Digit. Journal. 2016. Т. 4. № 6. С. 700-722.

10. Dr. Peter Thomas. Avid Interplay MAM // 2016.

11. Journalism D., Routledge T. the Routledge Handbook of Developments in Digital.

12. Just N., Latzer M. Governance by algorithms: reality construction by algorithmic selection on the Internet // Media, Cult. Soc. 2017. Т. 39. № 2. С. 238-258.

13. Linden C.-G. Decades of Automation in the Newsroom // Digit. Journal. 2016. Т. 5. № 2. С. 123-140.

14. Lindйn C.-G. Algorithms for journalism: The future of news work // J. Media Innov. 2017. Т. 4. № 1. С. 60.

15. Napoli P.M. The Algorithm as Institution: Toward a Theoretical Framework for Automated Media Production and Consumption // Ssrn. 2013. С. 1-36.

16. Napoli P.M. Automated media: An institutional theory perspective on algorithmic media production and consumption // Commun. Theory. 2014. Т. 24. № 3. С. 340-360.

17. Napoli P.M. On Automation in Media Industries: Integrating Algorithmic Media Production into Media Industries Scholarship // Media Ind. J. 2017. Т. 1. № 1. С. 33-38.

18.Nwana, Hyacinth S. 1996. “Software Agents: An Overview.” Knowledge Engineering Review 11 (3): 205-244.

19.Office for National Statistics. 2015. “Labour Force Survey Employment Status by Occupation.” Office for National Statistics. Accessed January 6, 2016. http://www.ons.gov.uk/ons/rel/ lms/labour-force-survey-employment-status-by-occupation/index.html.

20.Pavlik, John. 2000. “The Impact of Technology on Journalism.” Journalism Studies 1 (2): 229-237.

21.Picard, Robert G. 2015. Journalists' Perceptions of the Future of Journalistic Work. Oxford: Reuters Institute for the Study of Journalism.

22.Reese, Stephen D. 1990. “The News Paradigm and the Ideology of Objectivity: A Socialist at the Wall Street Journal.” Critical Studies in Media Communication 7 (4): 390-409.

23.Robinson, James G. 2014. “Watching the Audience Move: A New York times Tool is Helping Direct Traffic from Story to Story.” Nieman Lab. Accessed December 26, 2014. http:// www.niemanlab.org/2014/05/watching-the-audience-move-a-new-york-times-tool-is- helping-direct-traffic-from-story-to-story/.

24.Ross, Andrew. 2013. “In Search of the Lost Paycheck.” In Digital Labour: The Internet as Playground and Factory, edited by Trebor Scholz, 13-32. New York: Routledge.

25.Rutkin, Aviva. 2014. “Rise of Robot Reporters: When Software Writes the News.” New Scientist 221 (2962): 22.

26. Thurman N. Computational journalism // Handb. Journal. Stud. Second Ed. New York Routledge. 2011. Т. 54. № 10. С. 66.

27.. Thurman N., Doerr K., Kunert J. WHEN REPORTERS GET HANDS-ON WITH ROBO-WRITING: Professionals Consider Automated Journalism's Capabilities and Consequences // Digit. Journal. 2017. Т. 2. С. 1-20.

28.. Young M.L., Hermida A. From Mr. and Mrs. Outlier To Central Tendencies // Digit. Journal. 2014. Т. 3. № 3. С. 381-397.

29.. Zion Lawrie C.D. Real-time online reporting: Best practices for live blogging. , 2014. 103-114 с.

30.. Александр Амзин, Артём Галустян, Василий Гатов, Мануэль Кастельс, Диана Кульчицкая, Наталья Лосева, Сергей Паранько, Майкл Паркс, Оксана Силантьева Б. ван дер Х. Как новые медиа изменили журналистику. 2012--2016. , 2016.

31. Вячеславович Б.Д. Роботизация журналистской профессии в медиафуторологии и // Director. 2018. Т. 15. № 2. С. 2017-2019.

32. Мирошниченко Марина Александровна. ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ КАК СРЕДСТВА ОБРАБОТКИ ИНФОРМАЦИИ И АВТОМАТИЗАЦИИ БИЗНЕС-ПРОЦЕССОВ В КРУПНЫХ КОРПОРАЦИЯХ // Научный журнал КубГАУ. 2016. Т. 119. № 05.

33. Плучевская Э.В. Т.О.И. РАЗРАБОТКА КОНКУРЕНТНЫХ ПРЕИМУЩЕСТВ ПРЕДПРИЯТИЙ РОССИИ ПРИ ВЫХОДЕ НА ВНЕШНЕЭКОНОМИЧЕСКИЙ РЫНОК // 2011.

Размещено на Allbest.ru

...