Πίνακας περιεχομένων:
- Οι άνθρωποι ήδη εργάζονται με μηχανές σε τακτική βάση - ίσως απλά δεν το συνειδητοποιούν. Για παράδειγμα, όταν μιλάτε στο smartphone σας και αναγνωρίζει αυτό που λέτε, δουλεύετε με μια μηχανή για να επιτύχετε τον επιθυμητό στόχο.Οι περισσότεροι άνθρωποι αναγνωρίζουν ότι η φωνητική αλληλεπίδραση που παρέχεται με ένα smartphone βελτιώνεται με την πάροδο του χρόνου - όσο περισσότερο το χρησιμοποιείτε, τόσο το καλύτερο γίνεται στην αναγνώριση της φωνής σας. Καθώς ο αλγόριθμος μαθητευόμενου γίνεται καλύτερα συντονισμένος, γίνεται πιο αποτελεσματικός στην αναγνώριση της φωνής σας και στην απόκτηση του επιθυμητού αποτελέσματος. Αυτή η τάση θα συνεχιστεί.
- Πριν η τεχνολογία μπορεί να κάνει οτιδήποτε άλλο, πρέπει να εκτελέσει ένα πρακτικό έργο που θα προσελκύσει την προσοχή και θα ωφελήσει τον άνθρωπο με έναν τρόπο που κάνει τους ανθρώπους να θέλουν να έχουν την τεχνολογία για δική τους.
- Οι αλγόριθμοι μάθησης μηχανών δεν είναι δημιουργικοί, πράγμα που σημαίνει ότι οι άνθρωποι πρέπει να παρέχουν τη δημιουργικότητα που βελτιώνει τη μηχανική μάθηση. Ακόμη και αλγόριθμοι που δημιουργούν άλλους αλγόριθμους βελτιώνουν μόνο την αποδοτικότητα και την ακρίβεια των αποτελεσμάτων που επιτυγχάνει ο αλγόριθμος - δεν μπορούν να δημιουργήσουν αλγόριθμους που εκτελούν νέα είδη εργασιών. Οι άνθρωποι πρέπει να παρέχουν τις απαραίτητες πληροφορίες για να καθορίσουν αυτά τα καθήκοντα και τις διαδικασίες που απαιτούνται για να ξεκινήσει η επίλυσή τους.
- Προς το παρόν, η ανάπτυξη νέων περιβαλλόντων μάθησης μηχανών είναι το πεδίο των εταιρειών έρευνας και ανάπτυξης. Μια ομάδα εξαιρετικά καταρτισμένων ειδικών πρέπει να δημιουργήσει τις παραμέτρους για ένα νέο περιβάλλον. Για παράδειγμα, η NASA χρειάζεται ρομπότ για να εξερευνήσει τον Άρη. Σε αυτή την περίπτωση, η NASA βασίζεται στις δεξιότητες των ανθρώπων του MIT και του Northeastern για την εκτέλεση του έργου. Δεδομένου ότι το ρομπότ θα πρέπει να εκτελεί καθήκοντα αυτόνομα, οι αλγόριθμοι μηχανικής μάθησης θα γίνουν πολύ περίπλοκοι και θα περιλαμβάνουν αρκετά επίπεδα επίλυσης προβλημάτων.
Βίντεο: Βαθιά Μηχανική Μάθηση - Ένα νέο μέτωπο στην έρευνα της Τεχνητής Νοημοσύνης (σύνοψη άρθρου) 2024
Μπορείτε να βρείτε περισσότερα από μερικά άρθρα που συζητούν την απώλεια θέσεων εργασίας που θα προκαλέσει η μηχανική μάθηση και οι σχετικές τεχνολογίες. Τα ρομπότ εκτελούν ήδη ορισμένα καθήκοντα που χρησιμοποιούνται για την πρόσληψη ανθρώπων και η χρήση τους θα αυξηθεί με την πάροδο του χρόνου. Πρέπει επίσης να έχετε εξετάσει πώς αυτές οι νέες χρήσεις θα μπορούσαν ενδεχομένως να σας κοστίζουν μια εργασία ή μια αγαπημένη. Κάποιοι συγγραφείς έχουν φτάσει στο σημείο να λένε ότι το μέλλον μπορεί να έχει ένα σενάριο στο οποίο η εκμάθηση νέων δεξιοτήτων μπορεί να μην εγγυηθεί μια δουλειά.
Εργασία για μια μηχανήΣτην περίπτωση αυτή, το AI εκδίδει πράγματι τις εντολές εργασίας βάσει της ανάλυσής του για τη ροή εργασιών - ακριβώς όπως μπορεί να κάνει ένας ανθρώπινος μεσαίος διαχειριστής. Η διαφορά είναι ότι το AI είναι στην πραγματικότητα οκτώ τοις εκατό πιο αποτελεσματικό από τους ανθρώπους που αντικαθιστά. Σε μια άλλη περίπτωση, ο Amazon διεξήγαγε διαγωνισμό μεταξύ των ειδικών της μηχανικής μάθησης για να καταλάβει εάν η εταιρεία θα μπορούσε να επεξεργαστεί καλύτερα τις διαδικασίες εξουσιοδότησης των εργαζομένων χρησιμοποιώντας αυτόματα μηχανική μάθηση. Και πάλι, το θέμα ήταν να καταλάβουμε πώς να αντικαταστήσουμε τη μεσαία διοίκηση και να κόψουμε λίγο από τη γραφειοκρατία.
Εργασία με μηχανές
Οι άνθρωποι ήδη εργάζονται με μηχανές σε τακτική βάση - ίσως απλά δεν το συνειδητοποιούν. Για παράδειγμα, όταν μιλάτε στο smartphone σας και αναγνωρίζει αυτό που λέτε, δουλεύετε με μια μηχανή για να επιτύχετε τον επιθυμητό στόχο.Οι περισσότεροι άνθρωποι αναγνωρίζουν ότι η φωνητική αλληλεπίδραση που παρέχεται με ένα smartphone βελτιώνεται με την πάροδο του χρόνου - όσο περισσότερο το χρησιμοποιείτε, τόσο το καλύτερο γίνεται στην αναγνώριση της φωνής σας. Καθώς ο αλγόριθμος μαθητευόμενου γίνεται καλύτερα συντονισμένος, γίνεται πιο αποτελεσματικός στην αναγνώριση της φωνής σας και στην απόκτηση του επιθυμητού αποτελέσματος. Αυτή η τάση θα συνεχιστεί.
Ωστόσο, η μηχανική μάθηση χρησιμοποιείται με κάθε τρόπο που δεν μπορεί να σας συμβεί. Όταν δείχνετε μια κάμερα σε ένα θέμα και η κάμερα μπορεί να βάλει ένα κουτί γύρω από το πρόσωπο (για να βοηθήσει στο στόχο της εικόνας), βλέπετε το αποτέλεσμα της μηχανικής μάθησης. Η κάμερα σας βοηθά να εκτελέσετε τη δουλειά να τραβήξετε μια φωτογραφία με πολύ μεγαλύτερη απόδοση.
Η χρήση δηλωτικών γλωσσών, όπως η SQL (Structured Query Language), θα γίνει πιο έντονη καθώς η μηχανική μάθηση θα κάνει δυνατές τις εξελίξεις. Από ορισμένες απόψεις, μια δηλωτική γλώσσα απλά σας επιτρέπει να περιγράψετε τι θέλετε και όχι πώς να την αποκτήσετε. Ωστόσο, η SQL απαιτεί ακόμη έναν επιστήμονα υπολογιστών, έναν επιστήμονα δεδομένων, έναν διαχειριστή βάσεων δεδομένων ή κάποιον άλλο επαγγελματία που θα χρησιμοποιήσει. Οι μελλοντικές γλώσσες δεν θα έχουν αυτόν τον περιορισμό.
Τελικά, κάποιος που εκπαιδεύεται να εκτελεί μια συγκεκριμένη εργασία καλά θα πει απλά στον βοηθό ρομπότ τι να κάνει και ο βοηθός ρομπότ θα ανακαλύψει τα μέσα για να το κάνει. Οι άνθρωποι θα χρησιμοποιήσουν τη δημιουργικότητα για να ανακαλύψουν
τι πρέπει να κάνουν τα. οι λεπτομέρειες (πως) θα γίνουν ο τομέας των μηχανών. Επισκευή μηχανών
Πριν η τεχνολογία μπορεί να κάνει οτιδήποτε άλλο, πρέπει να εκτελέσει ένα πρακτικό έργο που θα προσελκύσει την προσοχή και θα ωφελήσει τον άνθρωπο με έναν τρόπο που κάνει τους ανθρώπους να θέλουν να έχουν την τεχνολογία για δική τους.
Δεν έχει σημασία τι είναι η τεχνολογία. Τελικά, η τεχνολογία θα σπάσει. Η απόκτηση της τεχνολογίας για να κάνει κάτι χρήσιμο είναι το κύριο μέλημα τώρα και η αποκορύφωση οποιουδήποτε ονείρου για το τι θα κάνει τελικά η τεχνολογία στο μέλλον, τόσο κοσμικά πράγματα όπως η επισκευή της τεχνολογίας θα εξακολουθούν να πέφτουν στους ανθρώπινους ώμους. Ακόμη και αν ο άνθρωπος δεν ασχολείται άμεσα με τη φυσική επισκευή, η ανθρώπινη νοημοσύνη θα κατευθύνει τη λειτουργία επισκευής.
Μερικά άρθρα που διαβάζετε online μπορεί να σας κάνουν να πιστέψετε ότι τα ρομπότ που αυτο-επιδιορθώνονται είναι ήδη πραγματικότητα. Για παράδειγμα, τα ρομπότ του Διεθνούς Διαστημικού Σταθμού, η Dextre και η Canadarm, πραγματοποίησαν επισκευή μιας ελαττωματικής κάμερας. Αυτό που οι ιστορίες δεν λένε είναι ότι ένας άνθρωπος αποφάσισε να εκτελέσει το έργο και να κατευθύνει τα ρομπότ να κάνουν τη φυσική εργασία. Δεν είναι δυνατή η αυτόνομη επιδιόρθωση με τους διαθέσιμους σήμερα αλγόριθμους.
Δημιουργία νέων εργασιών εκμάθησης μηχανών
Οι αλγόριθμοι μάθησης μηχανών δεν είναι δημιουργικοί, πράγμα που σημαίνει ότι οι άνθρωποι πρέπει να παρέχουν τη δημιουργικότητα που βελτιώνει τη μηχανική μάθηση. Ακόμη και αλγόριθμοι που δημιουργούν άλλους αλγόριθμους βελτιώνουν μόνο την αποδοτικότητα και την ακρίβεια των αποτελεσμάτων που επιτυγχάνει ο αλγόριθμος - δεν μπορούν να δημιουργήσουν αλγόριθμους που εκτελούν νέα είδη εργασιών. Οι άνθρωποι πρέπει να παρέχουν τις απαραίτητες πληροφορίες για να καθορίσουν αυτά τα καθήκοντα και τις διαδικασίες που απαιτούνται για να ξεκινήσει η επίλυσή τους.
Μπορεί να πιστεύετε ότι μόνο οι ειδικοί στη μηχανική μάθηση θα δημιουργήσουν νέες εργασίες εκμάθησης μηχανών. Ωστόσο, η ιστορία για το middle manager από τη Hitachi θα πρέπει να σας πω ότι τα πράγματα θα λειτουργούν διαφορετικά από αυτό. Ναι, οι εμπειρογνώμονες θα βοηθήσουν να διαμορφώσουν τη βάση για τον καθορισμό του τρόπου επίλυσης του έργου, αλλά η πραγματική δημιουργία των καθηκόντων θα προέρχεται από ανθρώπους που γνωρίζουν καλύτερα έναν συγκεκριμένο κλάδο. Η ιστορία του Hitachi χρησιμεύει ως βάση για την κατανόηση του γεγονότος ότι το μέλλον θα δει τους ανθρώπους από όλα τα κοινωνικά στρώματα να συμβάλλουν σε σενάρια μηχανικής μάθησης και ότι μια συγκεκριμένη εκπαίδευση ίσως να μην βοηθήσει ούτε στον ορισμό νέων καθηκόντων.
Σχεδίαση νέων περιβαλλόντων μάθησης μηχανών
Προς το παρόν, η ανάπτυξη νέων περιβαλλόντων μάθησης μηχανών είναι το πεδίο των εταιρειών έρευνας και ανάπτυξης. Μια ομάδα εξαιρετικά καταρτισμένων ειδικών πρέπει να δημιουργήσει τις παραμέτρους για ένα νέο περιβάλλον. Για παράδειγμα, η NASA χρειάζεται ρομπότ για να εξερευνήσει τον Άρη. Σε αυτή την περίπτωση, η NASA βασίζεται στις δεξιότητες των ανθρώπων του MIT και του Northeastern για την εκτέλεση του έργου. Δεδομένου ότι το ρομπότ θα πρέπει να εκτελεί καθήκοντα αυτόνομα, οι αλγόριθμοι μηχανικής μάθησης θα γίνουν πολύ περίπλοκοι και θα περιλαμβάνουν αρκετά επίπεδα επίλυσης προβλημάτων.
Τελικά, κάποιος θα μπορεί να περιγράψει ένα πρόβλημα με αρκετή λεπτομέρεια ώστε ένα εξειδικευμένο πρόγραμμα να μπορεί να δημιουργήσει τον απαραίτητο αλγόριθμο χρησιμοποιώντας μια κατάλληλη γλώσσα. Με άλλα λόγια, οι μέσοι άνθρωποι θα αρχίσουν τελικά να δημιουργούν νέα περιβάλλοντα μηχανικής μάθησης βασισμένα σε ιδέες που έχουν και θέλουν να δοκιμάσουν.
Όπως και με τη δημιουργία εργασιών εκμάθησης μηχανών, οι άνθρωποι που δημιουργούν μελλοντικά περιβάλλοντα θα είναι ειδικοί στη συγκεκριμένη τέχνη τους, αντί να είναι επιστήμονες υπολογιστών ή επιστήμονες δεδομένων.