转载

人工智能和工作的未来

本文是翻译,版权归原作者所有

  • 原文地址(original source): https://medium.com/the-wtf-economy/artificial-intelligence-and-the-future-of-work-a0eaabea7c41
  • 作者(author): Lukas Biewald

技术淘汰了某些种类的工作,并创造了其它种类的工作——从石器时代就是如此。在过去,机器取代了需要体力劳动的人们,我们越来越多地看到传统上的白领工作被机器扩充着:财务分析师、网络营销和财务报告人,类似的还有很多。当然,这些进步也催生了新的工作。比如,我们今天熟知的电子计算机,取代了人们执行真正的计算,但是在这个过程中,产生了各种新工作。

人工智能(AI)好像也是用这种方式运转着,为人工智能研究人员创造了岗位,并逐步取代了所有其它种类的知识型工作。或许一个世纪以后,通往那里的道路和人们所想象的方式大相径庭。我们能够看到,根据 AI 设计模式,我们会去往何方,Google、Facebook 和其它公司在人工智能投入了大量资金。在最普通的设计模式里,AI 实际上能够增加目前正在自动化的这种工作的需求。

设计模式1:训练数据

人工智能和工作的未来

目前应用在业务里的、最普通的人工智能被称作监督式机器学习 注1 。「监督式」部分比较重要:这代表算法要根据训练数据学习。算法仍然无法使用与人类接近的效率学习任何东西,但是它们能够处理更多的数据。

训练数据的数量和质量,是确保机器学习算法良好运转的、最重要因素,优秀公司会非常谨慎地对待收集训练数据的过程。很多人还不清楚,Google 已经投入了好几千万人-时,收集和为数据打标签,并提供给机器学习算法。

收集训练数据的过程永无止境。每当 Twitter 发明了一个新词语或表情符号,机器学习将无法理解,直到看到了很多使用它们的例子。每一次,一家公司想扩张到一种新语言、甚至有着轻微不同的新市场,它们就需要收集一套新的训练数据,否则它们的机器学习算法将运转在不可靠的环境里。

随着机器学习更好地理解,高质量的算法成了你能买到的东西时,训练数据的收集,对于上线一种新的机器学习算法而言,成了劳动密集部分。

设计模式2:回路中的人(Human-in-the-loop)

人工智能和工作的未来

当然,有些问题(比如电子表格算术)对于电脑而言,相当简单;而另一些问题(比如用两条腿走路)却难得无以复加。对于机器学习同样如此。在机器学习运行的每个领域里,总有一些情况是算法可以搞定的,也总有一些情况能够让算法抓狂。这就是机器学习算法常说的,为什么达到 80% 的精确度很轻松,而要达到 99% 的精确度却真的、真的很难了。

幸运的是,优秀的机器学习算法能够区分出他们擅长的和不擅长的情况。机器模型没有自尊心,因此当它们信心降低时,乐于告诉你。这也是「回路中的人」设计模式变得流行的原因:对于机器不能肯定做出的过程和决定,由人类来完成。

这么多年来,人们一直梦想着用有机器人个人助理,像 Facebook M 和 Clara Labs 之类的产品正在让其成为现实。但是它们不会自动化每件事情。它们用算法来处理意图清晰的、邮件和日程方面的问题,把更复杂的消息和请求传递给人类。

这种设计模式已经远远超出了人们的期望。无人驾驶汽车不会立即取代人类司机;它们在某些特定条件(比如侧方停车)接管汽车,当路况复杂(比如有建筑物的繁忙街道)时,再把控制权交还给司机。ATM 不会自动读取你要储蓄的每一张支票,仅在字体清晰时才会读取。在这两种情况下,机器处理很大比例的工作,但是当它们不敢确定能否处理好时,人类介入才是必需的。

机器学习不是每次只取代一个工作职能,实际上,它会取代每一项工作职能。这让人们能够越来越有效地工作。在某些情况下,这会导致更少的工作岗位,但是在其它情况下,会创造出新市场,并为相同种类的工作创造出更多工作岗位。现在,如果个人助理每次能处理 20 个客户,那么,个人助理会变得更加便宜,随着更多的人使用,或许效率会超过 100 倍。

设计模式3:主动式学习

人工智能和工作的未来

主动式学习包含了前两种模式。由「回路中的人」收集的训练数据可以反过来再提供给算法,使其变得更完美。算法像人那样学习——新奇、复杂的情况,有助于它们更快地学习。因此,算法不能处理的例子,由人类打上标签,就变成了帮助算法改进的极好例子。

当我们这样工作时,在未来,我们或许同时也在教同样的系统,慢慢取代我们。另一方面,我们可以看到,它会越来越多地影响到我们的工作。 这完全取决于你怎么看待了 。

它的到来,比你所认为的要更早、更快。

受人工智能的影响,大部分知识型工作已经被省去了,因为从历史角度看,建立一套机器学习算法的先期成本过高。和软件不一样,每一个机器学习模型不得不针对每一种单个应用程序做个性化开发。因此,机器学习自动化的、仅有的业务应用程序,将非常有利可图,或节约成本,比如预测能量使用或命中广告。

但是一切都在变。两种趋势一直在快速地降低机器学习的成本。一方面,计算能力正变得更便宜,一直都这样。另一方面,机器学习算法正在产品化。单在 2015 年,阿里巴巴、微软、亚马逊和 IBM 都上线了多用途云机器学习平台。公司不再需要类似 Google 的研发预算就能在内部使用机器学习了。

这意味着,很多更小规模的业务功能,将感受到机器学习的效应。当开发一套算法的成本高达一百万美元时,只有大公司才能把机器学习应用于分类工单、组织销售数据库、或处理款项。但是,当成本只有 20 美元/每月时,每个人都会使用它。所有这些机器学习平台在去年上线,却恍如隔日。

正文到此结束
Loading...