Nye arbejdsmuligheder med maskinundervisning - dummies

Du kan finde mere end et par artikler, der diskuterer tab af job, som maskinindlæring og tilhørende teknologier vil forårsage. Roboter udfører allerede en række opgaver, der plejede at ansætte mennesker, og denne brug vil stige over tid. Du skal også have overvejet, hvordan disse nye anvendelser potentielt kunne koste dig eller en elskede et job. Nogle forfattere har gået så langt som at sige, at fremtiden kan have et scenario, hvor det at lære nye færdigheder måske ikke garanterer et job.

Faktum er at bestemme, hvordan maskine læring vil påvirke arbejdsmiljøet er svært, ligesom det var svært for folk at se, hvor den industrielle revolution ville tage folk i vejen for masse -producerende varer til den generelle forbruger Ligesom de arbejdstagere havde brug for at finde nye arbejdspladser, så skal folk, der står over for beskæftigelsesfald til maskinindlæring i dag, finde nye job.

Arbejder for en maskine

Det er helt muligt, at du vil finde dig selv til at arbejde for en maskine i fremtiden. Faktisk kan du allerede arbejde for en maskine og ikke vide det. Nogle virksomheder bruger allerede maskinindlæring til at analysere forretningsprocesser og gøre dem mere effektive. For eksempel bruger Hitachi i øjeblikket en sådan opsætning i mellemledelsen.

I dette tilfælde udsteder AI arbejdsordrerne ud fra sin analyse af arbejdsgangen - ligesom en menneskelig mellemleder kan gøre. Forskellen er, at AI faktisk er otte procent mere effektiv end de mennesker, den erstatter. I et andet tilfælde løb Amazon en konkurrence blandt maskinlæringseksperter for at finde ud af, om virksomheden bedre kunne behandle medarbejderautorisationsprocesser automatisk ved hjælp af maskinindlæring. Igen var det meningen at finde ud af, hvordan man udskiftede mellemledelsen og skære lidt af bureaukratiet.

Men en jobmulighed præsenterer også sig selv. Arbejdere under AI udfører de opgaver, som AI fortæller dem gøre, men de kan bruge deres egen erfaring og kreativitet til at bestemme, hvordan man skal udføre opgaven. AI analyserer de processer, som de menneskelige arbejdere bruger og måler de opnåede resultater. Eventuelle succesfulde processer bliver tilføjet i databasen over teknikker, som arbejdstagere kan anvende til at udføre opgaver. Med andre ord underviser menneskerne i AI's nye teknikker for at gøre arbejdsmiljøet endnu mere effektivt.

Arbejde med maskiner

Folk arbejder allerede regelmæssigt med maskiner - de kan bare ikke indse det. For eksempel, når du taler til din smartphone, og det genkender, hvad du siger, arbejder du med en maskine for at opnå et ønsket mål.De fleste mennesker erkender, at stemmeinteraktionen, som leveres med en smartphone, forbedres med tiden - jo mere du bruger det, desto bedre bliver det ved at genkende din stemme. Da læringsalgoritmen bliver bedre indstillet, bliver den mere effektiv til at genkende din stemme og opnå det ønskede resultat. Denne tendens vil fortsætte.

Maskinindlæring bruges dog på mange måder, som måske ikke forekommer for dig. Når du peger på et kamera på et emne, og kameraet kan sætte en boks rundt om ansigtet (for at hjælpe med at målrette billedet), ser du resultatet af maskinindlæring. Kameraet hjælper dig med at udføre jobbet med at tage et billede med langt større effektivitet.

Anvendelsen af ​​deklarative sprog, såsom SQL (Structured Query Language), bliver også mere udtalt, fordi maskinindlæring muliggør fremskridt. I nogle henseender lader et declarative sprog dig blot beskrive, hvad du vil, og ikke hvordan du får det. Imidlertid kræver SQL stadig en computerforsker, datavidenskabsmand, databaseadministrator eller en anden professionel at bruge. Fremtidige sprog vil ikke have denne begrænsning.

Til sidst vil en person, der er uddannet til at udføre en bestemt opgave, godt fortælle robotassistenten hvad han skal gøre, og robotassistenten vil opdage midlerne til at gøre det. Mennesker vil bruge kreativitet til at opdage hvad at gøre; detaljerne (hvordan) bliver domænet for maskiner.

Reparationsmaskiner

Før teknologien kan gøre noget andet, skal den udføre en praktisk opgave, som vil tiltrække opmærksomhed og gavne mennesker på en måde, der gør, at folk vil have teknologien til deres egen.

Det er ligegyldigt hvad teknologien er. Til sidst bryder teknologien. At få teknologien til at gøre noget nyttigt er det primære overvejende nu, og kulminationen af ​​drømme om, hvad teknologien til sidst vil gøre strækker sig år ind i fremtiden, så jordlige ting som reparation af teknologien vil stadig falde på menneskelige skuldre. Selvom mennesket ikke er direkte involveret i den fysiske reparation, vil menneskelig intelligens lede reparationsoperationen.

Nogle artikler, som du læser online, kan få dig til at tro, at selv reparerende robotter allerede er en realitet. For eksempel udførte de internationale rumstationsrobotter, Dextre og Canadarm en reparation af et defekt kamera. Hvad historierne ikke siger, er at et menneske besluttede hvordan man udførte opgaven og instruerede robotterne til at udføre det fysiske arbejde. Autonome reparationer er ikke mulige med de tilgængelige algoritmer i dag.

Oprettelse af nye maskinindlæringsopgaver

Maskininlæringsalgoritmer er ikke kreative, hvilket betyder, at mennesker skal give den kreativitet, der forbedrer maskinindlæringen. Selv algoritmer, som bygger andre algoritmer, forbedrer kun effektiviteten og nøjagtigheden af ​​de resultater, som algoritmen opnår - de kan ikke oprette algoritmer, der udfører nye former for opgaver. Mennesker skal give det nødvendige input til at definere disse opgaver og de processer, der er nødvendige for at begynde at løse dem.

Du tror måske, at kun eksperter i maskinindlæring vil skabe nye maskine læring opgaver. Historien om middle manager fra Hitachi skal dog fortælle dig, at ting vil fungere anderledes end det. Ja, eksperter hjælper med at danne grundlag for at definere, hvordan man løser opgaven, men den egentlige oprettelse af opgaver kommer fra folk, der kender en bestemt industri bedst. Hitachi-historien tjener som grundlag for at forstå både, at fremtiden vil se folk fra alle samfundslag, der bidrager til maskinindlæringsscenarier, og at en bestemt uddannelse måske ikke engang hjælper med at definere nye opgaver.

Udvikling af nye maskinindlæringsmiljøer

I øjeblikket er udformningen af ​​nye maskinindlæringsmiljøer forsknings- og udviklingsselskabernes rige. En gruppe højtuddannede specialister skal skabe parametre for et nyt miljø. For eksempel har NASA robotter til at udforske Mars. I dette tilfælde afhænger NASA på færdighederne hos mennesker ved MIT og Nordøst for at udføre opgaven. I betragtning af at robotten skal udføre opgaver autonomt, bliver maskinalæringsalgoritmerne ret komplekse og omfatter flere niveauer af problemløsning.

I sidste ende vil nogen kunne beskrive et problem i tilstrækkelig detaljer, at et specialiseret program kan skabe den nødvendige algoritme ved hjælp af et passende sprog. Med andre ord vil gennemsnitsfolk i sidste ende begynde at skabe nye maskine læringsmiljøer baseret på ideer, de har og vil prøve.

Som med at skabe maskinindlæringsopgaver, vil folk, der skaber fremtidige miljøer, være eksperter i deres eget håndværk, snarere end at være computerforskere eller datavidenskabsfolk.