Foto: Jonas Gratzer (Getty)
Når vi taler om, hvordan kunstig truer med at påvirke arbejdspladser, vi normalt taler om, hvordan machine learning truer med at påvirke arbejdspladser. Som den ‘hotteste’ underfelt af AI vil, nemlig den, der modtager den største andel af den forskning dollars og kommerciel investering, det er ret afgørende for at forstå, hvordan, specielt, at det kommer til at rulle ud i kontorer og arbejdspladser. Som job, og hvilke opgaver der henhører under de arbejdspladser, der står til at automatisere. Endnu mens en række studier har forsøgt at undersøge virkningen af automatisering i større målestok på beskæftigelsessituationen, færre har homed i machine learning specifikt.
Og hvis nogen er godt rustet til at gøre det, det er Dr. Tom Mitchell. Som den første Stol af den første nogensinde Machine Learning-Afdeling på et større universitet, på Carnegie Mellon, og en dygtig forsker inden for det område, han er unikt kvalificeret til at bedømme, hvordan machine learning vil krybe ind i vores arbejde. Jeg kan lige så godt nævne, at han bogstavelig talt skrev lærebog om machine learning, også. Det hedder, vente til det, Machine Learning.
I 2017, sammen med andre business-automation-forsker Erik Brynjolfsson, Mitchell offentliggjort en undersøgelse i Science, at de detaljerede tømmerflåde af virkninger machine learning var tilbøjelige til at have på forskellige typer af arbejdspladser. Undersøgelsen havde til formål at evaluere “potentialet for anvendelse af machine learning til opgaver til 2,069 arbejde, 18,156 opgaver, og 964 erhverv i-O*NET database.” (O*NET, hvis du er bekendt, er et katalog af verdens erhverv.) Det gjorde det så ved at anvende en rubrik 21 opgaver de forskere, der vurderes at være usædvanligt maskine-læres.
De hævder, at machine learning er nu uden tvivl et “general purpose technology”, og som sådan undersøgelse forsøg på at bryde ned, hvor det ville påvirke eller erstatte bestemte typer af arbejde—hvor, som de skrev, job var egnet til machine learning, eller SMG. Det bliver temmelig bestemt: Ikke et job kræver kortlægning veldefineret input til tilsvarende veldefinerede resultater? I. e., involverer det captioning billeder i en lærebog, eller korrekt mærkning af medicinske journaler? Hvis det er tilfældet, machine learning vil sandsynligvis automatisere den del af arbejdet.
“Den første ting, vi har fundet,” Mitchell fortæller mig i et interview, “er, at mange, mange af de arbejdspladser, de fleste arbejdspladser vil blive påvirket af machine learning.” Han holder pause, går på: “Den næste ting, vi fandt, var, at meget få af disse arbejdspladser vil være fuldstændig automatiseret. I stedet er den væsentligste ting, du ser, er, at de fleste arbejdspladser vil blive påvirket, fordi det bundt af opgaver, der gør, at job—nogle af de opgaver, der er modtagelig for machine learning, semi-automation eller automatisering.”
Sidste år, Mitchell, Brynjolfsson, og Daniel Rock, en forsker ved MIT Initiativ på den Digitale Økonomi, som blev offentliggjort andet papir yderligere raffinering sin analyse, at tilføje to punkter til rubrikken til at hjælpe med at vurdere den slags opgaver, der omfatter arbejdspladser, og derefter at bestemme, hvor SMG hver profession sker for at være i alt med antallet af opgaver, machine learning står til at erstatte i de kommende dage. Job som massage terapeut har vist sig at have den laveste SMG-indekset, mens concierge-fået højeste—det største antal opgaver inden for det job ‘ s ansvarsområde står til at blive ramt af maskinen lært automatisering.
Begge undersøgelser konkluderer, at i modsætning til, sige, industriel automatisering, hvor en robot-factory arm er egnet til at erstatte en helt daværende position på samlebånd, machine learning er klar til kun at fjerne dele af job, eller nogle af de opgaver, der typisk er forbundet med dem.
“Det, vi tror, er tilbøjelige til at ske,” Mitchell siger, “er, at vi ikke vil se engros afskaffelse af de fleste arbejdspladser, men hvad vil vi se, at de fleste job, at være påvirket på en måde, der resulterer i, at job bliver recombined på en sådan måde, at ændringer i fordelingen af opgaver.”
Mitchell og Brynjollfson arbejde hævder, at job bliver nødt til at være “redesignet”—den samling af opgaver, der gør dem op rebundled og reorganiseret. “Mange job description vil ændre, i form af fordeling af opgaver i forbindelse med disse job,” siger han. “Jeg projekt, som fremtidige læger i de kommende årtier vil få mere hjælp fra computere, end de gjorde før i gør diagnoser, men ikke i at anvende de behandlinger, de bruger.” Behovet for sekretærer til at gøre visse former for kontorarbejde vil forsvinde, men samtaler med klienter kan blive en prioritet.
“Menneske-til-menneske-kommunikation virker som den slags opgaver, der ikke vil være egnede til machine learning,” Mitchell siger.
Alle fortalte, at det er interessant og vigtigt arbejde, som det kataloger bredden af virkninger på arbejde på en nuanceret, opgave-ved-opgave niveau. Men jeg kan ikke ryste den følelse af, at det er alt for optimistisk i sine konklusioner og anbefalinger. Hvor Mitchell og hans medforfattere se muligheder for “rebundling,” jeg kan se muligheder for job nedbrydning og løn udnyttelse.
Helt sikkert, læger—en meget vellønnede, faglærte erhverv—vil være isoleret fra machine learning, indtil, siger, robot kirurger blevet så avancerede, at de kan udføre operationer. Der er at sige, måske aldrig. Men, for at bruge Mitchell ‘ s eksempel, hvis en sekretær eller assistent ikke er nødvendigt at planlægge møder, holde bøger, fil bekostning rapporter, osv.—alle ting, der machine learning er dømt til at automatisere—vil mange organisationer, der ønsker at holde dem alle beskæftiget på grund af menneske-til-menneske-kommunikation?
Måske, måske ikke. Og jeg siger ikke, at verdens absolut brug for alle sine sekretærer eller tonsvis af funktionærer, bare at machine learning-aktiveret automation kan svække disse arbejdspladser til det punkt, hvor det er lettere at udfylde pladsen med lavere kompensation på deltid, arbejde eller gøre uden at arbejdstageren helt—hvilket ville medføre en betydelig forstyrrelse i den nuværende udlæg af beskæftigelse landskab.
Et andet eksempel, vi talte om, var truck kørsel: “I lastbil, kørsel,” Mitchell sagde, “der er at køre lastbil på motorvej, trækker den væk fra den vej, at få den lastbil lastet og losset. Og der er en samling af opgaver, hvor du kan komme til det punkt, hvor den lange distance kørsel med lastbil er automatisk, men for at få det læsset er meget sværere at automatisere.”
Det er en anden sag, hvor, fra hvor jeg sidder, arbejdsgivere (til sidst) skal du blot tilføje den opgave, losning af lastbil til en lagerarbejder bundt, og fjerne det lange seje træk job. Mange lavtuddannede job, kan ligeledes være kombineret eller parceled ud i gig arbejde. Som en regel, jeg har tendens til at føle sig som den “menneskelige” komponent, der ofte beskrives som værende uerstattelige ved automatisering, rådgivere og økonomer er overspillet—Amazon siger, at kasserere vil blive greeters, for eksempel—og vil i det mindste være moden til afskaffelse eller forringelse deltids-status i tilfælde af lean gange eller faldende overskud. Vi ser allerede, at ske—og arbejdstagere skubbe tilbage i servicesektoren, hvor automatisering er ved at slå rod.
Da jeg spurgte Mitchell om, at udsigten til, at han sagde, at det var et interessant problem, men han var optimistisk, at regeringen kunne hjælpe tilskynde bedre rebundling af opgaver.
“Når du kommer ind i den tankegang, at arbejdspladser vil sandsynligvis blive redefineret i termer af opgave bundt, fordi der vil være den optimale ting at kræve af os, at gøre, så kan du tænke på de incitamenter, du ønsker at sætte på plads for at fremme bestemte typer af uddannelse, hvordan man kan forbedre eksisterende arbejdspladser,” sagde han. “Rebundling jobbet kan til tider gøre det mere attraktivt, også.”
Så—hvordan bekymret for, bør du være på, at dit job vil blive lært ved en maskine, og pakkede op og ompakket?
Mitchell og Brynjolffson ‘ s papir, der tilbyder otte top retningslinjer, der kommer i handy. (Alle 21 kan få en smule vakkelvorn, så det er dem, de delte, i større detaljer i den Videnskabelige artikel.) Hvis dette beskriver din opgave eller en opgave i dit job, så en algoritme, der kan sandsynligvis blive undervist i at gøre det.
1. Læring er en funktion, der kort veldefineret input til veldefinerede udgange
Blandt andre, disse omfatter klassifikation (fx, mærkning billeder af hunderacer eller mærkning af medicinske journaler efter sandsynligheden for kræft) og forudsigelse (fx, analysere en låneansøgning til at forudsige sandsynligheden for, at den fremtidige standard).
2. Large (digital) datasæt findes eller kan skabes, der indeholder input-output par
Mere uddannelse eksempler er til rådighed, jo mere præcist læring.
3. Den opgave giver klare tilbagemeldinger med klart definerbare mål og data
ML fungerer godt, når vi kan beskrive de mål, også selv om vi ikke nødvendigvis definere den bedste proces for at opnå disse mål.
4. Ingen lange kæder af logik eller argumentation, der er afhængige af forskellige baggrund, viden eller common sense
ML-systemer er meget stærke på læring empiriske foreninger i data, men er mindre effektiv, når opgaven kræver lange kæder af argumenter eller kompleks planlægning, der bygger på sund fornuft eller baggrundsviden ukendt til computeren. Ng ‘ s “one-sekunders-reglen” antyder, at ML vil gøre sig godt på video spil, der kræver hurtig reaktion og give øjeblikkelig feedback, men mindre godt på spil, hvor du vælger den optimale handling afhænger huske tidligere begivenheder fjernt i tid, og på ukendt baggrund af viden om verden.
5. Ingen grund til nærmere forklaring af, hvordan beslutningen blev taget
Store neurale net lære at træffe beslutninger og subtilt justere op til hundredvis af millioner af numeriske vægte at sammenkoble deres kunstige neuroner. Forklare begrundelsen for, at sådanne afgørelser kan mennesker være svært, fordi [dybt neurale netværk, der ofte bruges i machine learning] ofte ikke gør brug af den samme mellemliggende abstraktioner som mennesker gør. Samtidig arbejdes der på at få forklares AI systemer, nuværende systemer er relativt svage på dette område. For eksempel, der henviser til, at computere kan diagnosticere visse typer af kræft eller lungebetændelse, så godt som eller bedre end ekspert læger, deres evne til at forklare, hvorfor eller hvordan de kom op med den diagnose er fattige sammenlignet med den menneskelige læger. For mange perceptuelle opgaver, mennesker er også dårlig til at forklare, for eksempel, hvordan de kan genkende ord fra de lyde, de hører.
6. En tolerance for fejl og ingen behov for provably korrekte eller optimale løsninger
Næsten alle ML algoritmer får deres løsninger statistisk og probabilistisk. Som et resultat, det er sjældent muligt at uddanne dem til 100% nøjagtighed. Selv den bedste tale, objekt anerkendelse, og kliniske diagnose edb-systemer, lave fejl (som at gøre det bedste for mennesker). Derfor, tolerance over for fejl af den lærde system er et vigtigt kriterium at begrænse vedtagelse.
7. Det fænomen eller en funktion, der er lært bør ikke hurtigt ændre sig over tid
Generelt, ML-algoritmer virker kun, når fordelingen af fremtidige test eksempler svarer til fordelingen af uddannelse eksempler… (fx, e-mail-spam filtre for at gøre et godt stykke arbejde med at holde op med kontradiktorisk spammere, dels fordi antallet af erhvervelse af nye e-mails er højt i forhold til den hastighed, som spam ændringer).
8. Ingen specialiseret fingerfærdighed, fysiske færdigheder, eller mobilitet, der kræves
Robotter er stadig ret klodset sammenlignet med mennesker, når der beskæftiger sig med fysisk manipulation i ustrukturerede omgivelser og opgaver. Dette er ikke så meget en mangel, ML, men i stedet en konsekvens af state of the art i almindelighed fysisk mekanisk manipulatorer til robotter.
Med disse kriterier i tankerne, er det værd at tage et minut til at overveje at “bundle” af opgaver i dit job indebærer, og se hvor meget der kan være automatiserede, hvordan tekstur af din arbejdsbyrde står til at udvikle sig (eller decentralisering). Den faktiske politik for automatisering er rodet, og varierer meget fra arbejdsplads til arbejdsplads, men Mitchel og co. har sikkert ret—en masse job i office automation, især, vil udfolde opgave efter opgave.
Dele Denne Historie