Nieuwe werkmogelijkheden met machinaal leren - dummies

U kunt meer dan een paar artikelen vinden over het verlies van banen die machine learning en de bijbehorende technologieën veroorzaken. Robots voeren al een aantal taken uit die mensen gebruikten, en dit gebruik zal met de tijd toenemen. U moet ook hebben overwogen hoe die nieuwe toepassingen mogelijk u of een geliefde een baan zouden kunnen kosten. Sommige auteurs zijn zover gegaan om te zeggen dat de toekomst een scenario kan bevatten waarin het leren van nieuwe vaardigheden mogelijk geen baan kan garanderen.

Het feit is dat beslissen hoe machinaal leren de werkomgeving beïnvloedt, moeilijk is, net zoals het moeilijk was voor mensen om te zien waar de industriële revolutie mensen in de weg van de massa zou brengen. -producerende goederen voor de algemene consument. Net zoals die werknemers nieuwe banen moesten vinden, zullen mensen die vandaag het beroepsbezettingspunt verliezen, nieuwe banen moeten vinden.

Werken voor een computer

Het is heel goed mogelijk dat je in de toekomst merkt dat je voor een machine werkt. Je zou zelfs al voor een machine kunnen werken en het niet weten. Sommige bedrijven gebruiken machine learning al om bedrijfsprocessen te analyseren en efficiënter te maken. Hitachi gebruikt bijvoorbeeld momenteel zo'n opstelling in het middenmanagement.

In dit geval geeft de AI de werkorders daadwerkelijk uit op basis van de analyse van de werkstroom, net zoals een menselijke middenmanager dat zou kunnen doen. Het verschil is dat de AI eigenlijk acht procent efficiënter is dan de mensen die het vervangt. In een ander geval organiseerde Amazon een wedstrijd onder experts op het gebied van machine learning om erachter te komen of het bedrijf de autorisatieprocessen van werknemers automatisch beter kon verwerken met behulp van machine learning. Nogmaals, het was de bedoeling om uit te zoeken hoe het middenkader kon worden vervangen en wat administratieve rompslomp kon doorbreken.

Er is echter ook een kans op werk. Werknemers onder de AI voeren de taken uit die de AI hun opdraagt, maar ze kunnen hun eigen ervaring en creativiteit gebruiken om te bepalen hoe de taak moet worden uitgevoerd. De AI analyseert de processen die de menselijke werknemers gebruiken en meet de behaalde resultaten. Alle succesvolle processen worden toegevoegd aan de database met technieken die werknemers kunnen toepassen om taken te volbrengen. Met andere woorden, de mensen leren de AI nieuwe technieken om de werkomgeving nog efficiënter te maken.

Werken met machines

Mensen werken al op regelmatige basis met machines - ze realiseren zich dit misschien niet. Wanneer u bijvoorbeeld met uw smartphone praat en het herkent wat u zegt, werkt u met een machine om een ​​gewenst doel te bereiken.De meeste mensen erkennen dat de steminteractie die met een smartphone wordt geleverd, in de loop van de tijd verbetert - hoe meer u deze gebruikt, hoe beter het wordt om uw stem te herkennen. Naarmate het leerlingalgoritme beter wordt afgestemd, wordt het efficiënter in het herkennen van je stem en het verkrijgen van het gewenste resultaat. Deze trend zal doorgaan.

Machine learning wordt echter op allerlei manieren gebruikt die u mogelijk niet kunt tegenkomen. Wanneer u een camera op een onderwerp richt en de camera een doos rond het gezicht kan plaatsen (om de foto beter te richten), ziet u het resultaat van machine learning. De camera helpt u de taak van het maken van een foto met veel grotere efficiëntie uit te voeren.

Het gebruik van declaratieve talen, zoals SQL (Structured Query Language), zal ook duidelijker worden, omdat machine learning vorderingen zal maken. In sommige opzichten kunt u met een verklarende taal eenvoudig beschrijven wat u wilt en niet hoe u het kunt verkrijgen. SQL vereist echter nog steeds een computerwetenschapper, gegevenswetenschapper, databasebeheerder of een andere professional om te gebruiken. Toekomstige talen hebben deze beperking niet.

Uiteindelijk zal iemand die is getraind om een ​​bepaalde taak goed uit te voeren, de robotassistent eenvoudig vertellen wat hij moet doen en de robotassistent zal de middelen ontdekken om dit te doen. Mensen zullen creativiteit gebruiken om te ontdekken wat te doen; de details (de hoe) worden het domein van machines.

Repareermachines

Voordat technologie iets anders kan doen, moet het een praktische taak uitvoeren die de aandacht trekt en de mens ten goede komt, zodat mensen de technologie voor zichzelf willen hebben.

Het maakt niet uit wat de technologie is. Uiteindelijk zal de technologie breken. De technologie gebruiken om iets nuttigs te doen is de belangrijkste overweging nu, en het hoogtepunt van elke droom over wat de technologie uiteindelijk in de toekomst zal doen, dus alledaagse dingen zoals het repareren van de technologie zullen nog steeds op de schouders van mensen vallen. Zelfs als de mens niet direct betrokken is bij het fysieke herstel, zal de menselijke intelligentie de hersteloperatie leiden.

Sommige artikelen die u online leest, kunnen u doen geloven dat zelfreparerende robots al een realiteit zijn. Zo hebben de robots van het International Space Station, Dextre en Canadarm, een reparatie van een defecte camera uitgevoerd. Wat de verhalen niet zeggen, is dat een mens besliste hoe hij de taak moest uitvoeren en de robots opdracht gaf de fysieke arbeid te verrichten. Autonome reparatie is niet mogelijk met de algoritmen die vandaag beschikbaar zijn.

Nieuwe machine learning taken creëren

Machine learning algoritmes zijn niet creatief, wat betekent dat mensen de creativiteit moeten bieden die machine learning verbetert. Zelfs algoritmen die andere algoritmen bouwen, verbeteren alleen de efficiëntie en nauwkeurigheid van de resultaten die het algoritme behaalt - ze kunnen geen algoritmen maken die nieuwe soorten taken uitvoeren. Mensen moeten de nodige input leveren om deze taken te definiëren en de processen die nodig zijn om ze op te lossen.

U denkt misschien dat alleen experts in machine learning nieuwe machine learning-taken zullen creëren. Het verhaal over de middle-manager van Hitachi zou je echter moeten vertellen dat de dingen anders zullen werken. Ja, experts zullen helpen de basis te vormen voor het definiëren van hoe de taak moet worden opgelost, maar het daadwerkelijk creëren van taken zal afkomstig zijn van mensen die een bepaalde branche het best kennen. Het Hitachi-verhaal dient als basis om te begrijpen dat mensen in alle geledingen van de toekomst zullen bijdragen aan het leren van machine-scenario's en dat een specifieke opleiding misschien niet eens helpt bij het definiëren van nieuwe taken.

Nieuwe machine-leeromgevingen ontwikkelen

Op dit moment is het bedenken van nieuwe machine-leeromgevingen het domein van onderzoeks- en ontwikkelingsbedrijven. Een groep hoogopgeleide specialisten moet de parameters voor een nieuwe omgeving creëren. NASA heeft bijvoorbeeld robots nodig om Mars te verkennen. In dit geval vertrouwt NASA op de vaardigheden van mensen bij MIT en Northeastern om de taak uit te voeren. Aangezien de robot taken zelfstandig zal moeten uitvoeren, zullen de algoritmes voor het leren van de machine behoorlijk complex worden en verschillende niveaus van probleemoplossing omvatten.

Uiteindelijk kan iemand een probleem voldoende gedetailleerd beschrijven, zodat een gespecialiseerd programma het benodigde algoritme kan creëren met een geschikte taal. Met andere woorden, gemiddelde mensen zullen uiteindelijk beginnen met het creëren van nieuwe machine-leeromgevingen gebaseerd op ideeën die ze hebben en willen proberen.

Net als bij het maken van machine learning-taken, zullen mensen die toekomstige omgevingen creëren experts zijn in hun specifieke vakgebied, eerder dan computerwetenschappers of data scientists.