Nye arbeidsmuligheter med maskinlæring - dummies

Du kan finne mer enn noen få artikler som diskuterer tap av jobber som maskininnlæring og tilhørende teknologier vil forårsake. Roboter utfører allerede en rekke oppgaver som pleide å ansette mennesker, og denne bruken vil øke over tid. Du må også ha vurdert hvordan disse nye bruksområdene potensielt kan koste deg eller en kjære en jobb. Noen forfattere har gått så langt som å si at fremtiden kan ha et scenario der det å lære nye ferdigheter kanskje ikke garanterer en jobb.

Faktum er å bestemme hvordan maskinlæring vil påvirke arbeidsmiljøet, er vanskelig, akkurat som det var vanskelig for folk å se hvor den industrielle revolusjonen ville ta folk i veien for masse Produksjon av varer til den generelle forbrukeren. Akkurat som de arbeidstakerne trengte å finne nye jobber, så folk som står overfor tap av yrke til maskinlæring i dag, vil trenge å finne nye jobber.

Arbeide for en maskin

Det er helt mulig at du vil finne deg selv arbeider for en maskin i fremtiden. Faktisk kan du kanskje allerede jobbe for en maskin og ikke vite det. Noen selskaper bruker allerede maskinlæring til å analysere forretningsprosesser og gjøre dem mer effektive. For eksempel bruker Hitachi et slikt oppsett i mellomledelsen.

I dette tilfellet utsteder AI faktisk arbeidsordrene basert på analysen av arbeidsflyten - akkurat som en menneskelig mellomleder kan gjøre. Forskjellen er at AI faktisk er åtte prosent mer effektiv enn menneskene den erstatter. I et annet tilfelle løp Amazon en konkurranse blant maskinlæringseksperter for å finne ut om selskapet bedre kunne behandle godkjenningsprosesser for medarbeidere automatisk ved hjelp av maskinlæring. Igjen, poenget var å finne ut hvordan du erstatter mellomledelsen og kutte litt av det nye tapetet.

Men en jobbmulighet presenterer seg også. Arbeidere under AI utfører oppgavene som AI forteller dem å gjøre, men de kan bruke sin egen erfaring og kreativitet til å bestemme hvordan man skal utføre oppgaven. AI analyserer prosessene som menneskelige arbeidere bruker og måler de oppnådde resultatene. Eventuelle vellykkede prosesser blir lagt inn i databasen med teknikker som arbeidstakere kan søke for å utføre oppgaver. Med andre ord, lærer menneskene AI nye teknikker for å gjøre arbeidsmiljøet enda mer effektivt.

Arbeide med maskiner

Folk jobber regelmessig med maskiner - de kan bare ikke skjønne det. For eksempel, når du snakker med smarttelefonen din, og den gjenkjenner hva du sier, jobber du med en maskin for å oppnå et ønsket mål.De fleste innser at taleinteraksjonen som følger med en smarttelefon, forbedres med tiden - jo mer du bruker det, desto bedre blir det ved å gjenkjenne stemmen din. Etter hvert som elevalgoritmen blir bedre innstilt, blir det mer effektivt å gjenkjenne stemmen din og oppnå ønsket resultat. Denne trenden vil fortsette.

Maskininnlæring brukes imidlertid på alle mulige måter som kanskje ikke forekommer for deg. Når du peker på et kamera på et motiv, og kameraet kan sette en boks rundt ansiktet (for å hjelpe med å målrette bildet), ser du resultatet av maskinlæring. Kameraet hjelper deg med å utføre jobben med å ta et bilde med langt større effektivitet.

Bruken av deklarative språk, for eksempel SQL (Structured Query Language), blir også mer uttalt fordi maskinlæring vil gjøre fremskritt mulig. I noen henseender kan et deklarativt språk bare beskrive hva du vil og ikke hvordan du får det. Imidlertid krever SQL fortsatt en datavitenskapsmann, datavitenskapsmann, databaseadministrator eller noen andre profesjonelle å bruke. Fremtidige språk vil ikke ha denne begrensningen.

Til slutt vil noen som er opplært til å utføre en bestemt oppgave, bare fortelle robotassistenten hva de skal gjøre, og robotassistenten vil finne måten å gjøre det på. Mennesker vil bruke kreativitet til å oppdage hva å gjøre; detaljene (hvordan) blir domenet til maskiner.

Reparasjonsmaskiner

Før teknologien kan gjøre noe annet, må den utføre en praktisk oppgave som vil tiltrekke seg oppmerksomhet og nytte mennesker på en måte som gjør at folk vil ha teknologien for seg selv.

Det spiller ingen rolle hva teknologien er. Til slutt vil teknologien bryte. Å få teknologien til å gjøre noe nyttig er først og fremst vurdert, og kulminasjonen av drømmer om hva teknologien til slutt vil strekke seg år til fremtiden, så vil stadig ting som å reparere teknologien fortsatt falle på menneskelige skuldre. Selv om mennesket ikke er direkte involvert i den fysiske reparasjonen, vil menneskelig intelligens lede reparasjonsoperasjonen.

Noen artikler du leser på nettet, kan få deg til å tro at selvreparerende roboter allerede er en realitet. For eksempel utførte de internasjonale romstasjonsrobotene Dextre og Canadarm en reparasjon av et defekt kamera. Hva historiene ikke sier er at et menneske bestemte seg for å utføre oppgaven og instruerte roboter til å gjøre det fysiske arbeidet. Autonom reparasjon er ikke mulig med algoritmene som er tilgjengelige i dag.

Opprette nye maskinlæringsoppgaver

Maskininlæringsalgoritmer er ikke kreative, noe som betyr at mennesker må gi kreativiteten som forbedrer maskinlæring. Selv algoritmer som bygger andre algoritmer, forbedrer kun effektiviteten og nøyaktigheten av resultatene som algoritmen oppnår - de kan ikke lage algoritmer som utfører nye typer oppgaver. Mennesker må gi det nødvendige innspillet for å definere disse oppgavene og prosessene som trengs for å begynne å løse dem.

Du tror kanskje at kun eksperter i maskinlæring vil skape nye maskinlæringsoppgaver. Historien om mellomlederen fra Hitachi skal imidlertid fortelle deg at ting vil fungere annerledes enn det. Ja, eksperter vil bidra til å danne grunnlag for å definere hvordan man løser oppgaven, men den faktiske opprettelsen av oppgaver kommer fra personer som kjenner en bestemt bransje best. Hitachi-historien tjener som grunnlag for å forstå både at fremtiden vil se folk fra alle samfunnslag som bidrar til maskininnlæringsscenarier, og at en bestemt utdanning kanskje ikke engang bidrar til å definere nye oppgaver.

Utarbeide nye maskinmiljømiljøer

For tiden er det å utvikle nye maskinlæringsmiljøer for forskning og utvikling. En gruppe av høyt utdannede spesialister må opprette parametrene for et nytt miljø. For eksempel trenger NASA roboter for å utforske Mars. I dette tilfellet er NASA avhengig av ferdighetene til mennesker ved MIT og Nordøst for å utføre oppgaven. Gitt at roboten vil trenge å utføre oppgaver autonomt, vil maskinlæringsalgoritmene bli ganske komplekse og inkludere flere nivåer av problemløsing.

Til slutt vil noen kunne beskrive et problem i tilstrekkelig detalj, at et spesialisert program kan skape den nødvendige algoritmen ved hjelp av et passende språk. Med andre ord vil gjennomsnittlige mennesker til slutt begynne å skape nye maskin læringsmiljøer basert på ideer de har og ønsker å prøve.

Som med å skape maskinlæringsoppgaver, vil folk som skaper fremtidige miljøer være eksperter i sitt eget håndverk, i stedet for å være datavitenskapere eller datavitenskapere.