Foto: Jonas Gratzer (Getty)
Wenn wir darüber reden, wie künstliche droht Auswirkungen jobs, den wir in der Regel darüber reden, wie machine learning, droht Auswirkungen jobs. Als die “heißesten” Unterfeld “AI geht”, also das empfangen der Löwenanteil der Forschungs-Dollar und gewerblichen Investitionen, es ist ziemlich wichtig zu verstehen, wie spezifisch, es wird roll-out in den Büros und Arbeitsplätzen. Welche jobs und welche Aufgaben in diesen jobs, es steht zu automatisieren. Doch während eine Reihe von Studien haben versucht, zu prüfen, die Auswirkungen der Automatisierung groß geschrieben, die auf die Beschäftigungslage, die weniger haben homed in auf machine-learning-spezifisch.
Und wenn jemand gut ausgestattet, um so zu tun, es ist Dr. Tom Mitchell. Als Erster Vorsitzender des ersten Machine-Learning-Abteilung bei einer großen Universität, an der Carnegie Mellon, und ein versierter Forscher auf dem Gebiet, er ist einzigartig qualifiziert, um zu beurteilen, wie maschinelles lernen wird kriechen in unsere Arbeit. Ich könnte auch erwähnen, dass er buchstäblich schrieb das Buch über maschinelles lernen zu. Es heißt, warten Sie, maschinelles Lernen.
Im Jahr 2017, zusammen mit anderen business automation Gelehrten Erik Brynjolfsson, Mitchell eine Studie veröffentlicht, in der Wissenschaft, detaillierte das Floß der Auswirkungen des maschinellen Lernens wurde wahrscheinlich auf verschiedene Arten von jobs. Die Studie zielte darauf ab, zu bewerten, “das Potenzial für die Anwendung von machine-learning-Aufgaben der 2,069 Tätigkeiten, die 18,156 Aufgaben und 964 Berufe in der O*NET-Datenbank.” (O*NET, wenn Sie nicht vertraut sind, ist ein Katalog der Welt der Berufe.) Es Tat dies, indem Sie eine Rubrik aus 21 Aufgaben, die die Forscher ermittelt haben, dass Sie außergewöhnlich Maschine-erlernbar.
Sie argumentieren, dass maschinelles lernen ist nun zweifellos eine “general purpose technology”, und als solche die Studie versucht zu brechen, wo es betreffen würde, oder ersetzen Sie bestimmte Arten von arbeiten—wo, wie Sie schrieb, Aufträge geeignet für maschinelles lernen, oder SML. Es wird ziemlich spezifisch: Ist ein job erfordert mapping gut definierten Eingaben ähnlich gut definierten Ausgänge? I. e., handelt es sich um Untertitel Bilder in einem lehrbuch, oder die korrekte Bezeichnung medizinische Aufzeichnungen? Wenn ja, maschinelles lernen wird wohl automatisieren, dass ein Teil des Jobs.
“Das erste, was wir fanden,” Mitchell sagt mir in einem interview, “ist, dass viele, viele Arbeitsplätze, die meisten Arbeitsplätze betroffen sein werden, mit der Maschine zu lernen.” Er zögert, geht auf: “Die nächste Sache, die wir fanden, war, dass nur sehr wenige dieser Arbeitsplätze, die werden völlig automatisiert. Stattdessen ist die vorherrschende Sache, die Sie sehen, ist, dass die meisten Arbeitsplätze werden betroffen sein, da die Bündel von Aufgaben, die das job—einige jener Aufgaben, die zugänglich sind machine learning, semi-Automatisierung oder Automatisierung.”
Im letzten Jahr, Mitchell, Brynjolfsson und Daniel Rock, ein Forscher an der MIT-Initiative über die Digitale Wirtschaft, veröffentlicht ein weiteres Papier verfeinert seine Analyse, indem zwei weitere Elemente, um die Rubrik zu helfen, beurteilen die Art der Aufgaben, aus denen sich Arbeitsplätze, und dann bestimmen, wie die SML jeder Beruf passiert werden in der Summe durch die Anzahl der Aufgaben des maschinellen Lernens steht zu ersetzen, die in den kommenden Tagen. Jobs wie massage Therapeuten stellte sich heraus, zu den niedrigsten SML-index, während concierge erzielte die höchste die größte Anzahl von Aufgaben in den job – Bereich stand auf der betroffenen Maschine gelernt automation.
Beide Studien kommen zum Schluss, dass im Gegensatz zu, sagen wir, industrielle automation, wo eine Roboter-Fabrik arm ist apt zu ersetzen, ganz einer ehemaligen position auf dem Fließband, Maschine learning ist bereit, nur zu beseitigen Teile von jobs, oder einige der Aufgaben, die in der Regel mit Ihnen verbunden sind.
“Was wir denken, ist wahrscheinlich passieren,” Mitchell sagt, “ist, dass wir nicht sehen, Großhandel Wegfall der meisten Arbeitsplätze, aber was wir sehen, die Mehrheit der Arbeitsplätze, die davon betroffen in einer Weise, dass die Ergebnisse in jobs, die neu zusammengesetzt in einer Weise, dass Veränderungen der Verteilung von Aufgaben.”
Mitchell und Brynjollfson Arbeit behauptet, dass Arbeitsplätze brauchen werden “neu gestaltet”—eine Sammlung von Aufgaben, macht Sie bis rebundled und reorganisiert. “Viele job-Beschreibung ändern werden, in Bezug auf die Verteilung von Aufgaben mit den damit verbundenen Arbeitsplätzen”, sagt er. “Ich-Projekt, dass die künftigen ärzte in den kommenden Jahrzehnten werden weitere Hilfe von Computern als vorher in Diagnosen zu stellen, aber nicht in der Anwendung der Therapien, die Sie verwenden.” Die Notwendigkeit für Sekretärinnen, um bestimmte Arten von Büroarbeit wird verschwinden, aber die Anbindung mit den Kunden möglicherweise eine höhere Priorität.
“Mensch-zu-Mensch-Kommunikation scheint die Art von Aufgaben, die nicht geeignet sind, maschinelles lernen,” Mitchell sagt.
Alle sagten, dies ist die interessante und wichtige Arbeit, wie es Kataloge, die die Breite der Auswirkungen auf die Arbeit an einer differenzierten, Aufgabe von task-Ebene. Doch ich kann nicht erschüttern das Gefühl, dass es übermäßig optimistisch ist, in seinen Schlussfolgerungen und Empfehlungen. Wo Mitchell und seine Mitautoren sehen die Chancen für “rebundling” ich sehe Chancen für job-Abbau und Lohn Ausbeutung.
Sicher, die ärzte—einen sehr gut bezahlten, hoch qualifizierten Beruf—wird isoliert, von machine learning bis, sagen wir, ein Roboter-Chirurgen mittlerweile so erweitert können Sie Operationen durchführen. Das heißt, vielleicht nie. Aber um es mit Mitchells Beispiel, wenn eine Sekretärin oder Assistentin ist es nicht notwendig, um Besprechungen zu planen, halten die Bücher, die Datei Spesenabrechnungen, etc.—alles Dinge, die maschinelles lernen im Begriff ist, zu automatisieren, werden viele Organisationen sehen sich fit zu halten beschäftigt auf dem Gelände der Mensch-zu-Mensch-Kommunikation?
Vielleicht, vielleicht auch nicht. Und ich sage nicht, die Welt braucht unbedingt alle seine Sekretärinnen oder Tonnen von Angestellten, nur, dass machine learning-automation aktiviert, kann Erodieren die Arbeitsplätze der Punkt, wo es leichter zu füllen, Spielautomat mit entlohnter Teilzeit arbeiten oder zu tun, ohne die Arbeiter ganz—das würde zu einer erheblichen Störung in der aktuellen Aufwand der Beschäftigung Landschaft.
Ein anderes Beispiel, worüber wir Sprachen, war der LKW-Fahrer: “der LKW-Fahrer,” Mitchell sagte, “es fahren die LKW auf Autobahnen, ziehen es Weg von der Straße, bekommen von der LKW-be-und entladen. Und gibt es eine Sammlung von Aufgaben, bei denen Sie vielleicht zu dem Punkt, wo die Langstrecken-fahren des LKW ist automatisiert, aber immer es geladen ist viel schwieriger zu automatisieren.”
Es ist ein weiterer Fall, wo, von wo ich Sitze, kann der Arbeitgeber (schließlich) fügen Sie einfach die Aufgabe, das entladen der LKW zu einer Lagerhalle Arbeiter-bundle, und beseitigen Sie die Langstrecke job. Viele geringer qualifizierte Arbeitsplätze könnten in ähnlicher Weise kombiniert werden, oder parzellierte gig in Arbeit. In der Regel habe ich eher das Gefühl, wie die “menschliche” Komponente, die oft beschrieben als unersetzlich durch automation-Berater und ökonomen übertreiben—Amazon sagt, dass der Kassierer werden greeter, zum Beispiel—und wird es zumindest sehr reif sein, für die Beseitigung oder den Abbau von Teil-time status im Falle von lean-mal oder fallende Gewinne. Wir sehen bereits, dass das passieren—und Arbeitnehmer-und zurückschieben—in den Dienstleistungssektor, wo die Automatisierung ist zu Wurzeln.
Als ich fragte Mitchell über diese Aussicht, er sagte, es war ein Interessantes problem, aber er war optimistisch, die Regierung könnte helfen, die Anreize besser rebundling von Aufgaben.
“Sobald Sie in den Modus des Denkens, die jobs sind wahrscheinlich neu definiert werden in Bezug auf die Aufgabe bundle, denn das wird die optimale Sache zu verlangen, uns zu tun, dann kann man darüber nachdenken, die Anreize, die Sie setzen, zur Förderung bestimmter Arten von Schulungen, wie Sie zu verbessern, bestehende Arbeitsplätze”, sagte er. “Rebundling der job kann manchmal machen es attraktiver zu werden.”
So, wie besorgt sollten Sie sein, dass Sie Ihren job Los ist, erlernt zu werden durch eine Maschine, und gebündelt und neu verpackt?
Mitchell und Brynjolffson Papier bietet acht top-Leitlinien, die in handliches kommen. (Alle 21 kann man ein bisschen wackelig, so dass diese diejenigen sind, die Sie teilten, in greater detail, in der Wissenschaft-Papier.) , Wenn dies beschreibt Ihre Aufgabe, oder eine Aufgabe in Ihrem job, dann ist ein Algorithmus kann wahrscheinlich gelehrt, es zu tun.
1. Das erlernen einer Funktion, die Karten gut definierte Eingänge sowie-Ausgänge definiert
Dazu gehören unter anderem die Klassifikation (z.B. beschriften, Bilder von Hunderassen, oder die Kennzeichnung der medizinischen Datensätze gemäß der Wahrscheinlichkeit von Krebs) und die Prognose (z.B. Analyse eines Darlehens-Anwendung zur Vorhersage der Wahrscheinlichkeit zukünftiger Standard).
2. Große (digitale) Daten-sets vorhanden sind oder geschaffen werden können, enthält die Eingabe-Ausgabe-Paare
Die weitere Trainings-Beispiele zur Verfügung stehen, desto genauer werden die lernen.
3. Die Aufgabe bietet eine klare Rückmeldung mit klar definierbaren Zielen und Metriken
ML funktioniert gut, wenn wir klar beschreiben, die Ziele, auch wenn wir nicht unbedingt definieren, das beste Verfahren für die Erreichung dieser Ziele.
4. Keine langen Ketten von Logik oder Argumentation, die abhängig von verschiedenen hintergrund wissen oder gesunden Menschenverstand
ML-Systeme sind sehr stark auf das lernen empirische Assoziationen in Daten, sind aber weniger wirksam, wenn die Aufgabe erfordert langen Ketten von Argumenten oder die komplexe Planung, die sich auf den gesunden Menschenverstand oder Hintergrundwissen unbekannt am computer. Ng ist die “eine-Sekunde-Regel” deutet darauf hin, dass ML wird gut tun, auf video-Spiele, die erfordern schnelle Reaktion und bieten sofort feedback, aber weniger gut auf die Spiele, bei denen die Auswahl der optimalen Maßnahmen richtet sich auf die Erinnerung an frühere Ereignisse, die fern in der Zeit und auf unbekannten hintergrund wissen über die Welt.
5. Keine Notwendigkeit für die detaillierte Erklärung, wie die Entscheidung getroffen wurde
Große neuronale Netze lernen, Entscheidungen zu treffen, die von subtil einstellen, bis zu Hunderten von Millionen von numerischen GEWICHTE, die Zusammenschaltung Ihres künstlichen Neuronen. Erläuterung der Gründe für solche Entscheidungen, die auf den Menschen kann schwierig sein, weil [Tiefe neuronale Netze, oft in machine learning] oft nicht mit der gleichen intermediate Abstraktionen, die Menschen tun. Während die Arbeit im Gange auf erklärbar KI-Systeme, die aktuellen Systeme sind in diesem Bereich Recht schwach. Zum Beispiel, in der Erwägung, dass Computer diagnostizieren können bestimmte Arten von Krebs oder Lungenentzündung so gut wie oder besser als Experte ärzte, die Ihre Fähigkeit, zu erklären, warum oder wie kamen Sie auf die Diagnose ist schlecht, wenn im Vergleich mit der menschlichen ärzte. Für viele Wahrnehmungs-Aufgaben, Menschen sind auch schlecht zu erklären, zum Beispiel, wie Sie erkennen, dass Worte aus Klängen, die Sie hören.
6. Eine Toleranz für Fehler und keine Notwendigkeit für die nachweislich korrekte oder optimale Lösungen
Fast alle ML-algorithmen leiten Ihre Lösungen und statistisch probabilistisch. Als ein Ergebnis ist es selten möglich, Sie zu trainieren, um 100% Genauigkeit. Auch die beste Rede, die Objekterkennung, und die klinische Diagnose-computer-Systeme machen Fehler (wie die besten Menschen). Also, Toleranz gegenüber Fehlern der Gelehrten-system ist ein wichtiges Kriterium der einschränkenden Annahme.
7. Das Phänomen oder die Funktion, die gelernt werden sollen, sollten Sie nicht rasch ändern im Laufe der Zeit
Im Allgemeinen, ML-algorithmen arbeiten nur gut, wenn die Verteilung der zukünftigen test-Beispiele ähnlich ist die Verteilung der Trainings-Beispiele… (z.B. E-Mail spam-Filter tun, einen guten job zu halten mit kontradiktorischen Spammer, teilweise, weil die rate der Akquisition von neuen E-Mails ist hoch im Vergleich zu der rate, mit der die spam-änderungen).
8. Keine spezielle Fingerfertigkeit, körperliche Fähigkeiten, oder Mobilität) erforderlich
Roboter sind immer noch ziemlich ungeschickt im Vergleich mit Menschen, beim Umgang mit physikalischen manipulation in unstrukturierten Umgebungen und Aufgaben. Dies ist nicht so sehr ein Manko des ML, sondern eine Folge der Stand der Technik im Allgemeinen physikalisch-mechanischen Manipulatoren für Roboter.
Mit diesen Kriterien im Hinterkopf, es lohnt sich, eine minute, um sich die ‘bundle’ von Aufgaben, die Ihr job mit sich bringt, und zu sehen, wie viel kann automatisiert werden, wie die Struktur Ihrer Arbeitsbelastung steht, sich zu entwickeln (oder geht). Die eigentliche Politik der Automatisierung sind chaotisch, und sehr stark variieren von Arbeitsplatz zu Arbeitsplatz, aber Mitchel und co. sind wahrscheinlich Recht viele office-job Automatisierung, vor allem, entfalten, Aufgabe nach Aufgabe.
Teilen Sie Diese Geschichte