De 8 Tekenen Dat Machine Learning Zal het Automatiseren van Sommige of Alle van Uw Job

Foto: Jonas Gratzer (Getty)

Wanneer we praten over hoe kunstmatig dreigt om de impact van banen, we meestal praten over hoe de machine learning dreigt om de impact van banen. Als de ‘heetste’ subfield van AI gaat, d.w.z. degene was die het leeuwendeel van het onderzoek dollar en commerciële investeringen, het is vrij cruciaal om te begrijpen hoe, in het bijzonder, het gaat om de uitrol van kantoren en werkplekken. Welke taken en welke taken binnen deze taken valt te automatiseren. Maar terwijl een aantal studies hebben getracht te onderzoeken van de impact van automatisering exploot groot op de werkgelegenheid beeld, minder haakten in op machine learning in het bijzonder.

En als er iemand is goed uitgerust om te doen, het is Dr. Tom Mitchell. Als de eerste Voorzitter van de eerste Machine Learning Afdeling bij een grote universiteit, aan de Carnegie Mellon, en een ervaren onderzoeker in het veld, hij is uniek gekwalificeerd om te beoordelen hoe het machine learning zal kruipen in ons werk. Ik kan net zo goed te vermelden dat hij letterlijk schreef het boek over machine learning, ook. Het heet, wacht, Machine Learning.

In 2017, samen met collega-business automation geleerde Erik Brynjolfsson, Mitchell heeft een studie gepubliceerd in de Wetenschap dat gedetailleerde het vlot van de effecten van ‘machine learning’ was waarschijnlijk op verschillende soorten banen. De studie is gericht op het evalueren van de mogelijkheden voor de toepassing van machine learning om de taken naar de 2,069 werkzaamheden, 18.156 werd taken, en 964 beroepen in de O*NETTO-database.” (O*NET als u niet vertrouwd bent, is een catalogus van de wereld van de beroepen.) Het deed dit door het toepassen van een rubriek van de 21 taken van de onderzoekers vastgesteld dat uitzonderlijk machine-learnable.

Zij betogen dat de machine learning is nu zonder twijfel een “general purpose technology”, en als zodanig de studie probeert te breken waar het van invloed zou zijn op of vervangen van specifieke soorten werk—waar, zoals ze schreef, de banen waren geschikt voor machine learning, of SML. Het wordt vrij specifiek: Heeft een baan nodig mapping goed gedefinieerde ingangen om ook goed gedefinieerd uitgangen? I. e., gaat het om de ondertiteling beelden in een boek, of juist het labelen van medische gegevens? Als dat zo is, machine learning zal waarschijnlijk het automatiseren van dat deel van de job.

“Het eerste wat we vinden,” Mitchell vertelt mij in een interview, “is dat vele, vele banen, de meerderheid van de banen zal worden beïnvloed door de machine learning.” Hij pauzeert, gaat verder: “Het volgende wat we vonden was dat er zeer weinig van deze banen zijn volledig geautomatiseerd. In plaats daarvan, de belangrijkste ding dat je ziet, is dat de meeste banen zullen worden getroffen, omdat de verzameling van taken die tot dat werk—sommige van die taken die vatbaar zijn voor machine learning, semi-automatisering automatisering.”

Vorig jaar, Mitchell, Brynjolfsson en Daniel Rock, een onderzoeker van het MIT-Initiatief voor de Digitale Economie, gepubliceerd ander papier en de verdere verfijning van de analyse, het toevoegen van twee of meer items naar de rubriek te helpen bij de evaluatie van de soort taken die bestaan uit taken, en vervolgens te bepalen hoe SML elk beroep gebeurt er in totaal door het aantal taken machine learning staat te vervangen in de komende dagen. Banen als massage therapeut bleek te hebben de laagste SML-index, terwijl de conciërge scoorde het hoogst—het grootste aantal van de taken binnen dat werk een recht staan om te worden beïnvloed door de machine geleerd automatisering.

Beide studies concluderen dat in tegenstelling tot, zeg, industriële automatisering, waar een robot fabriek arm is geneigd te vervangen het geheel een vroegere positie op de assemblagelijn, machine learning is klaar om te verwijderen onderdelen van taken, of een aantal van de taken die typisch geassocieerd worden met hen.

“Wat we denken dat dreigt te gebeuren,” Mitchell zegt, “is dat we niet zien groothandel eliminatie van de meeste banen, maar wat zullen we zien dat de meerderheid van de taken die worden beïnvloed op een manier die resulteert in banen worden gerecombineerd op een manier dat verandert de verdeling van de taken.”

Mitchell en Brynjollfson het werk stelt dat de banen moet worden “vernieuwd”—de verzameling van taken die maakt ze rebundled en gereorganiseerd. “Veel werk beschrijving zijn van plan om te veranderen, in termen van de verdeling van de taken in verband met die banen,” zegt hij. “Ik project dat toekomstige artsen in de komende decennia zal meer hulp krijgen van computers dan voorheen in het maken van diagnoses, maar niet in het toepassen van de behandelingen die ze gebruiken.” De noodzaak voor secretaresses om bepaalde soorten van kerkelijke werk zal verdwijnen, maar de interface met klanten kunnen steeds meer een prioriteit.

“Mens-tot-mens communicatie lijkt het soort taken dat zal niet geschikt voor machine learning,” Mitchell zegt.

Al vertelde, dit is interessant en belangrijk werk, zoals catalogi de breedte van de effecten op het werk op een genuanceerde, taak-niveau. Toch kan ik het gevoel niet kwijt dat het al te optimistisch te zijn in haar conclusies en aanbevelingen. Waar Mitchell en zijn coauthors kansen zien voor “rebundling,’ ik zie kansen voor het scheppen van de afbraak en de loon-exploitatie.

Zeker, artsen—een zeer goed betaalde, hoogopgeleide beroep—worden geïsoleerd van machine learning, tot, zeg, robot chirurgen zo geavanceerd dat ze kunnen operaties uitvoeren. Dat is te zeggen, misschien wel nooit. Maar, het gebruik van Mitchell ‘s als bijvoorbeeld secretaresse of assistent is niet nodig om de plannen van vergaderingen, het houden van de boeken, bestand onkostennota’ s, etc.—alle dingen die machine learning is het gebouw te automatiseren—zal veel organisaties zien fit te houden ze allemaal werkzaam op het terrein van mens-tot-mens communicatie?

Misschien wel, misschien niet. En ik zeg niet dat de wereld echt nodig heeft al haar secretaresses en ton van bedienden, alleen dat machine learning-enabled automatisering kan uithollen van die taken naar het punt waar het gemakkelijker is in te vullen van de sleuf met een lagere gecompenseerd part-time werken of doen zonder dat de werknemer geheel—wat zou kunnen leiden tot een aanzienlijke verstoring in de huidige uitgave van de werkgelegenheid landschap.

Een ander voorbeeld we hadden het over de truck te rijden: “In de truck te rijden,” Mitchell zei: “er is het rijden met de vrachtwagen op autosnelwegen te trekken van de weg af, aan de vrachtwagen geladen en gelost. En er is een verzameling van taken, waar je misschien naar het punt waar de lange afstand rijden van de vrachtwagen is geautomatiseerd, maar het krijgen van het geladen is veel moeilijker te automatiseren.”

Het is een ander geval waar, van waar ik zit, de werkgever kan (uiteindelijk) de taak van het lossen van de vrachtwagen naar een magazijn werknemer bundel, en het elimineren van de lange afstand baan. Veel laaggeschoolde banen kunnen ook worden gecombineerd of verkaveld in concert werken. Als een regel, heb ik de neiging om te voelen als de “menselijke” component vaak omschreven als onvervangbaar door automatisering, consultants en economen is overplayed—Amazon zeggen dat caissières zal worden greeters, bijvoorbeeld, en zal het op zijn minst wel rijp voor verwijdering of afbraak tot part-time status in het geval van de magere tijden of dalende winsten. We zien nu al dat gebeuren—en de werknemers duwen terug—in de dienstensector, waar de automatisering is het nemen van de wortel.

Toen ik vroeg Mitchell over dat vooruitzicht, zei hij: het was een interessant probleem, maar hij was optimistisch dat de overheid zou kunnen helpen belonen beter rebundling van taken.

“Zodra je in de wijze van denken die banen zijn waarschijnlijk opnieuw worden gedefinieerd in termen van taak bundel, want dat zal de optimale ding om ons te verplichten om te doen, dan kunt u na te denken over de incentives die je wilt in plaats van aan te moedigen een bepaalde soort opleiding, het verbeteren van bestaande banen”, zei hij. “Rebundling van de job kan soms maakt het aantrekkelijker.”

Dus—hoe bang moet je zijn dat je baan gaat worden geleerd door een machine, en gebundeld en verpakt?

Mitchell en Brynjolffson papier biedt acht top-richtlijnen die handig zijn. (Alle 21 kan je een beetje wankel, dat zijn dus degenen die ze hebben gedeeld, in meer detail, in de Wetenschap papier.) Als dit beschrijft uw werk, of een taak in je werk, dan een algoritme kan waarschijnlijk worden geleerd om het te doen.

1. Het leren van een functie die kaarten goed gedefinieerde ingangen van goed gedefinieerde uitgangen

Deze houden ondermeer de indeling (bijvoorbeeld, het labelen van afbeeldingen van de rassen van de hond of de etikettering van medische gegevens volgens de waarschijnlijkheid van kanker) en de voorspelling (bijvoorbeeld het analyseren van een lening aanvraag om de waarschijnlijkheid te voorspellen van de toekomstige standaard).

2. Grote (digitale) data sets bestaan of kan worden gemaakt met de input-output-pairs

De meer opleiding voorbeelden beschikbaar zijn, hoe nauwkeuriger het leren.

3. De taak geeft duidelijke feedback met duidelijk gedefinieerde doelstellingen en gegevens

ML werkt het goed als we kunnen duidelijk omschrijven van de doelen, zelfs als we het niet altijd kan bepalen wat de beste manier is voor het bereiken van die doelstellingen.

4. Geen lange ketens van logica en redenering die afhankelijk zijn van diverse achtergrond kennis en common sense

ML-systemen zijn zeer sterk op het leren van empirische verenigingen in de gegevens, maar zijn minder effectief wanneer de taak vereist lange ketens van redenering of een complexe planning die gebaseerd is op gezond verstand of achtergrond onbekend is voor de computer. Ng “tweede regel” suggereert dat ML zal het goed doen op video games die vereisen snelle reactie en bieden onmiddellijk feedback, maar minder goed op games waar het kiezen van de optimale actie is afhankelijk van het herinneren van vorige gebeurtenissen ver weg in tijd en met onbekende achtergrond kennis over de wereld.

5. Geen noodzaak voor gedetailleerde uitleg van de werking van het besluit was

Grote neurale netwerken leren om beslissingen te nemen door subtiel aanpassen van honderden miljoenen numerieke gewichten die interconnect hun kunstmatige neuronen. Het uitleggen van de redenen voor deze beslissingen op de mens kan moeilijk zijn omdat [diepe neurale netwerken, die vaak worden gebruikt in machine learning] vaak niet gebruik maken van dezelfde tussenliggende abstracties, die de mensen doen. Tijdens werkzaamheden aan de gang op verklaarbaar AI-systemen, de huidige systemen zijn relatief zwak op dit gebied. Bijvoorbeeld, terwijl computers kan de diagnose van bepaalde vormen van kanker of longontsteking, is zo goed als of beter dan deskundige artsen, hun vermogen om uit te leggen waarom of hoe kwamen ze met de diagnose is slecht vergeleken met humane artsen. Voor veel perceptuele taken, mensen zijn slecht in het uitleggen van, bijvoorbeeld, hoe ze herkennen woorden van de geluiden die ze horen.

6. Een tolerantie voor fouten en geen behoefte aantoonbaar juiste of de meest optimale oplossingen

Bijna alle ML-algoritmen ontlenen hun oplossingen statistisch en probabilistically. Als een resultaat, het is zelden mogelijk om ze te trainen tot 100% nauwkeurigheid. Zelfs de beste speech, objectherkenning, en de klinische diagnose computer systemen maken fouten (zoals wel het beste van de mens). Daarom, tolerantie voor fouten van de geleerde systeem is een belangrijk criterium beperkend adoptie.

7. Het fenomeen of de functie wordt geleerd moet niet snel veranderen in de tijd

In het algemeen, ML-algoritmen werken alleen goed wanneer de verdeling van de toekomstige test voorbeelden is vergelijkbaar met de verdeling van de training voorbeelden… (bv., e-mail spam filters doen een goede baan van het houden van hoor en wederhoor spammers, mede omdat de snelheid van verwerving van nieuwe e-mails is hoog in vergelijking met de snelheid waarmee spam wijzigingen).

8. Geen gespecialiseerde handigheid, fysieke vaardigheden, of mobiliteit vereist

Robots zijn nog steeds vrij onhandig in vergelijking met mensen bij het omgaan met fysieke manipulatie in ongestructureerde omgevingen en taken. Dit is niet zozeer een tekortkoming van de ML, maar in plaats daarvan een gevolg van de staat van de kunst in het algemeen fysieke mechanische manipulatoren voor robots.

Met deze criteria in gedachten, het is de moeite waard het nemen van een minuut om te overwegen de ‘bundel’ van taken van uw werk met zich meebrengt, en te zien hoe veel mogelijk worden geautomatiseerd, hoe de structuur van uw workload staat om te evolueren (of delegeren). De werkelijke politiek van automatisering zijn rommelig, en variëren enorm van werkplek naar werkplek, maar Mitchel en co. waarschijnlijk zijn een heleboel kantoor baan automatisering, in het bijzonder, zal ontvouwen taak per taak.

Deel Dit Verhaal


Date:

by