Den måde, hvorpå folk snakker om, hvordan job og arbejde ændrer sig på grund af kunstig intelligens (AI) og automatisering, stemmer ofte ikke overens med virkeligheden, ifølge flere talere på MITs seneste AI og Work of the Future Congress.
I et panel om myterne om AI-teknologi diskuterede et antal talere, hvordan AI simpelthen ikke kan gøre alle de ting, folk gør, og hvordan folk skal være en integreret del af de nye processer, der udvikles.
Jobcase-administrerende direktør Fred Goff sagde, at vi havde en mulighed for at udnytte kunstig intelligens "til virkelig bemyndigelse af mennesker" i stedet for bare at bruge den til at erstatte arbejdere eller opgaver.
Goff sagde, at teknologien har fortrængt job i det sidste halve århundrede, og at det store spørgsmål var lønstagnation og underbeskæftigelse. Vi skal forstå, at AI og automatisering kan udføre opgaver, ikke job, så de kan ikke erstatte alt, hvad et menneske kan gøre. Vi skulle tænke på "maskiner OG mennesker ikke maskiner ELLER mennesker," sagde Goff.
Et andet problem, som Goff påpegede, er, at vi antager, at mennesker har struktureret problemet korrekt, når de udnytter machine learning (ML) eller AI for at få det rigtige svar. Han talte om, hvordan det tager tid for folk at komme op i en ny opgave. Han talte også om, hvordan maskiner ikke nødvendigvis behandler alt input omkring en beslutning. For eksempel talte Goff om, hvordan AI bruges til menneskelig kapital og talenttilegnelse, hvor han var bekymret for, at sådanne systemer har tendens til at løse for at få jobbet og ikke beholde de bedste mennesker. TDisse systemer kan have en implicit bias, og de har tendens til at se på, om den potentielle ansættelse er den rigtige til dette job i dette firma i stedet for at finde ud af, hvilken gruppe medarbejderen vil arbejde bedst med.
Han var "bange for, at vi måske løser de forkerte problemer."
Julie Shah, lektor i MIT's afdeling for luftfart og astronautik, sagde en misforståelse var, at vi bare kan oprette automatisering i faktorer baseret på de data, vi har. Hun har brugt meget tid på fabriksgulve og set medarbejdere, der praktiserer, hvordan man bygger en ny model.
"Vi ved ikke, hvordan vi opretter en [manufacturing] linje på den mest optimale måde, "sagde hun, hvorfor" lysende "fabrikker ikke viser forbedringer. I stedet var det mennesker, der konstant gentog processen baseret på skiftende forhold, der har været mere succesrige. Gfremadrettet skal systemer forstå os, mens vi skal forstå, hvordan systemer opfører sig.
Shah sagde, at mennesker bringer så meget viden, så meget baggrund til beslutninger, at det er meget vanskeligt at kodificere eller endda beskrive. Hun bemærkede, at det med mange af nutidens modeller ofte er problematisk at forklare beslutningsprocessen. I stedet for anbefalede Shah at bruge "domæneeksperter" til at styre maskinens inferensproces og hjælpe med at bestemme implicitte ideer og prioritering.
Både Goff og Shah var enige om, at AI ikke skulle bestemme resultater, men i stedet kan bruges bedst som et af et antal værktøjer til menneskelig beslutningstagning.
"Omskoling og omskoling betyder ikke, at folk skal sidde foran computere og kode," sagde Goff. Han bemærkede, at folk ofte taler om omskoling af kulminearbejdere til kodning og lignende ideer. I stedet sagde han, at vi har brug for bred efteruddannelse for folk, men at vi skal indse, at "ikke alle har brug for at gå på college." Der er stor efterspørgsel efter folk i branchen, såsom svejsning og blikkenslagere, sagde han og spekulerede på, om der var en større mulighed for "mikro-certificering."
Scott Prevost, vicepræsident for ingeniørvirksomhed for Sensei hos Adobe, var overbevist om, at AI i dag "faktisk bemyndiger arbejdstageren", hvilket forstærker den kreative persons oplevelse ved at automatisere de ting, folk skal gøre, men ikke ønsker at gøre. 74 procent af Adobes kunder sagde, at de brugte halvdelen af ??deres tid på at gentage, ikke-kreative opgaver.
Prevost glædede sig til en kreativ assistent og en marketingassistent, der kunne hjælpe dig med at komme igennem hele din arbejdsgang.
Han sagde, at "reklamer" og marketingfolk ikke forsvinder, men deres roller kan ændre sig. En kreativ bliver mere af en art director i stedet for at lave finkornproduktion.
Som et resultat skifter vægten til kreativ problemløsning, at være innovativ og samarbejde godt.
Dette giver designere mulighed for at afprøve flere ideer pr.
Klient og lade dem prøve de mest kreative ideer, samtidig med at sænke linjen for mindre kvalificerede mennesker.
James McGlennon, Chief Information Officer for Liberty Mutual Insurance blev spurgt af MIT's David Autor om, hvordan job ændrer sig på grund af AI. McGlennon sagde, at han så masser af ændringer, men at det var mere drevet af "agil transformation" og "business agility" end AI.
Han sagde, at Liberty Mutual ser mere efterspørgsel efter højere kvalificerede job, og at specialisering, hvor teknologi er en nøgledriver, "kommer på mode", selv i funktioner, hvor teknologi ikke er nøglefunktionen. Som et resultat skal alle forstå teknologien meget bedre. Han hævder, at Liberty Mutual-samarbejdspartnere over hele linjen ved, at mange mennesker skal genoptage sig selv for at forblive relevante, hvor virksomheden tilbyder uddannelse og ressourcer.
Anbefalet af vores redaktører
Han var enig med tidligere kommentarer i, at færdigheder bliver vigtigere end legitimationsoplysninger, og at menneskers færdigheder er vigtigere i flere job. "Hvad der vil skelne mellem ledere og vindere," sagde han, vil være deres "evne til at forstå og indbyrdes forbinde med mennesker på alle niveauer."
Inden for sundhedsvæsenet er det store problem med AI ikke eksistensen af ??data, men snarere en eksplosion af data og evnen til at træffe beslutninger med AI, sagde Ittai Dayan, administrerende direktør for strategi, forskning og kliniske operationer for Massachusetts General Hospital. Han sagde, at sundhedspleje har både lovgivningsmæssige og juridiske hindringer, der kommer i vejen for at bruge AI. Men de bedste løsninger er ofte ikke de mest avancerede, men er i stedet fokuseret på at løse et bestemt praktisk problem i kliniske omgivelser. Ideen er at levere en tjeneste, derefter en anden og derefter en anden. En anden potentiel anvendelse er at bruge ML og AI til at forbedre udfyldning af formularer og gøre processen hurtigere og smartere.
Den store begrænsning af AI inden for sundhedspleje, sagde han, var manglen på forståelse af biologiske systemer. Løsninger skal integrere masser af datakilder og sammensmeltning af datatyper sammen.
Under fremstillingen bemærkede David Johnson, vicepræsident for produktionsteknik og ny modelkvalitet for Nissan Nordamerika, hvor komplekse køretøjer i dag er med ca.
30.000 komponenter; og sagde, at big data-analyse og maskinlæring kan hjælpe med både den aktuelle ydeevne og til at forudsige fremtidig ydeevne. Han bemærkede, at med virtual reality kan Nissan træffe beslutninger om nye produktmeddelelser, før nogen kan se det fysiske nye produkt, og teknikere på produktionslinjen kan bringes ind for at hjælpe med at finde ud af processen.
Han talte om, hvordan man kombinerer de nye teknologier med mangeårige medarbejderes færdigheder og brugte et body shop-studie af pasform og finish og overfladekvalitet som et eksempel. For at få det til at fungere parrede han en 20-årig veteran fra produktionslinjen og en MIT-studerende.
Zeynep Ton, professor ved MIT Sloan School of Management, bemærkede, at teknologi altid har haft en dybtgående indvirkning på detailsektoren og bemærkede, at den største ændring i de senere år har været e-handel. Alligevel har kundeoplevelsen og medarbejderoplevelsen ikke ændret sig meget. Hun bemærkede, at detailhandel er den største arbejdsgiver i landet, men er kendt for dårlige job, lave lønninger, uforudsigelige tidsplaner og "folk brugt som widgets." Hun sagde, at vi har en mulighed for at redesigne arbejdet, men indtil videre implementerer vi ikke teknologier på den måde.
