در طول دیدار، Shih و گروهش ابزار هدایت هوش مصنوعی جدید را نشان دادند که فرایند های دستی در دسترس مشتری را با فرستادن یک متن به ده ها تن از مشتریان، برای یادآوری صورت حساب های عقب افتاده به آنها، به جای تماس گرفتن با هر کدام، دیجیتالی می کند. همان طور که آنها کاربرد های ابزار را توضیح می دادند، یکی از مشاوران که مردی میانسال بود، به گریه افتاد. برای یک لحظه Shih و همکارانش نگران شدند که آن مشاور فکر کرده که محصول هوش مصنوعی آنها، او را از کار بیکار خواهد کرد. به هر حال، این یک واکنش ناخودآگاه است که بسیاری از کارکنان هنگام مواجه شدن با یادگیری ماشینی دارند. اما این اشک ها برای دلیل متفاوتی بود. «این شگفت انگیز است!» ، Shih از او نقل قول می کند. « در 20 سال گذشته وقتم را برای انجام چه کاری تلف میکرده ام؟»
یادگیری ماشینی - چه اتوماسیون فرایند رباتیک باشد، چه تجزیه و تحلیل پیشرفته ی داده باشد، یا هوش مصنوعی- بدون شک فضای کاری را تغییر خواهد داد. این سوال که چه تعداد شغل از دست خواهد رفت و ایجاد خواهد شد، در معرض گمانه زنی های زیادی است. طبق گزارش "آینده مشاغل 2018" از انجمن جهانی اقتصاد، تا سال 2025 بیش از نیمی از کل زمان صرف شده روی کارها، توسط ماشین ها مدیریت خواهد شد. نزدیک به 50 درصد از شرکت ها انتظار دارند که تا سال 2022، اتوماسیون منجر به مقداری کاهش در کارکنان تمام وقت آنها خواهد شد، در حالی که 38 درصد انتظار دارند که نیروهای کار خود را برای نقش های جدید بهبود بهره وری افزایش دهند. یکی دیگر از مطالعات اخیر انجام شده توسط PwC برآورد کرده که در انگلستان، 7 میلیون شغل موجود می تواند در 20 سال آینده توسط ماشین ها از بین برود، اما 7.2 میلیون شغل دیگر می تواند ایجاد شود.
انتقال به یک فضای کاری که در آن انسان ها و ماشین ها نیاز به همکاری تولیدی داشته باشند می تواند یک کسب و کار را بسازد یا شکست دهد. همانطور که رؤسای شرکت ها برای آینده برنامه ریزی می کنند، باید تاثیر یادگیری ماشینی را بر همه چیز، از بهره وری تا مهارت ها، روحیه و فرهنگ در نظر بگیرند. و آنها باید یاد بگیرند که چگونه کسب و کاری را که ممکن است به تعداد مردم ماشین هوشمند داشته باشد، هدایت کنند.
«هوش مصنوعی تنها پیشنهاد نمی دهد که کارهای موجودی را که انجام می دهیم، بهتر، کارآمدتر و ارزان تر کنیم. بلکه توانایی کمک به ما را برای انجام کارهایی دارد که قبلا غیر قابل تصور بود». Dave Coplin نویسنده ی «ظهور انسان ها» و مدیرعامل Envisioners، یک شرکت مشاوره ی آینده نگر این را می گوید و می افزاید « اما ما احتمال کاهش این توانایی را می دهیم، مگر اینکه انسان ها بدانند که چگونه از آن بهترین استفاده را بکنند».
بازتعریف همکاری
این چیزی است که ما می دانیم: هرچه ذهن های رباتیک بیشتری در محل کار باشند، شرکت های بیشتری کارمندانی را خواهند خواست که مانند ربات ها فکر نمی کنند. Coplin می گوید: «ما نیاز داریم که اطمینان حاصل کنیم که انسان ها، مهارت های مکمل- نه رقابتی- را با تکنولوژی توسعه می دهند. ما سعی نخواهیم کرد که کارهای Excel را دوباره انجام دهیم، و سعی نمی کنیم که اطلاعات بیشتری از گوگل حفظ کنیم. در عوض باید در نظر داشته باشیم: مهارت های بنیادین انسانی که در دهه های آینده کامپیوتر ها قادر به تکثیر آنها نخواهند بود، چه هستند؟»
یادگیری ماشینی می تواند وظایف بسیاری را به مراتب بهتر از انسان ها انجام دهد، اما همچنان انسان ها را وامی‌دارد که کارش را تفسیر کنند، و نتایج را به طریقی که استراتژیک و خلاقانه باشد، اعمال کنند. Shih می گوید: کلید کار، درک این امر است که ماشین تنها یک منبع است که انسان ها می توانند به آن مراجعه کنند، و این که آنها مجموعه مهارتی دارند که این رابطه را واقعا مفید می سازد، نه ماشین. این در مورد باز بودن ذهن و توانایی محول کردن کار درست به ماشین است.
بهترین راه برای اطمینان از این رویکرد، تعیین چیزی است که در صنعت یک رابطه ی «انسان در حلقه» می نامند. اجازه دهید الگوریتم کار خود را انجام دهد در حالی که مردم بر آن نظارت و تصحیحش می کنند. Shih می گوید: «یاد گیری ماشین سخت است که 100 درصد درست شود»، اما با چنین فرآیندی در جای خود، «شما لازم نیست که بی نقص باشید. انسان در این فرآیند دخالت می کند و الگوریتم یاد می گیرد.»
او به انتشار اخیری از سرویس جدید Hearsay اشاره می کند که پاسخ متنی سریع خودکاری برای مشاوران و عوامل بیمه فراهم می کند که برای مشتریان خود بفرستند. ابتدا وقتی شرکت 8 ساله او این سرویس را معرفی کرد، الگوریتم با چند پیشنهاد تعجب آور مطرح شد. در یک مورد، پیشنهاد می دهد که مشاور روز تولد مشتری اش را تبریک بگوید. وقتی مشتری پاسخ داد: « از لطف شما متشکرم»، الگوریتم پاسخ دهد: «برای من خوب است!»، و مشتری در این فکر رها می شود که مشاور توجه کافی نداشته یا کمی ناخوش است. (سرویس جدید پاسخ خودکار ایمیل گوگل متحمل شکست پاسخ های عجیب و غریب بیشتری در ماه های اخیر شده است.) همان طور که کارمندان Hearsay و یادگیری ماشینی الگوریتم را تصحیح کردند، آنها توانستند اشکال های پیام ها را برطرف کنند و مجموعه ای از پاسخ های مناسب تر را ایجاد کنند.
تنها راه دست یابی به این نوع از همزیستی انسان-ماشین، این است که انسان ها با ترس وارد این رابطه ی جدید نشوند که «بدترین تصمیم گیری احساسی ممکن» است که Kristian Hammond (بنیان گذارNarrative Science، شرکتی که از هوش مصنوعی برای ایجاد گزارش زبان طبیعی از داده های خام و آمار، بهره می برد) مشاهده کرده است. وقتی تعاملات با ترس هدایت شوند، به جای نیاز کسب و کار برای استفاده از تکنولوژی، روی تکنولوژی تأکید می شود. Hammond تشکیل تیمی شامل معماران داده و آنهایی که در نقش های تجاری استراتژیک هستند، توصیه می کند. او می گوید:« شما می خواهید کارشناسان هوش مصنوعی بخشی از یک ابتکار گسترده تر باشند که با کسی که شما می خواهید و طوری که هوش مصنوعی می تواند کسب و کار را شکل دهد، مانند یک شرکت صحبت کنند. »
یاد گرفتن اعتماد به ماشین
اگر آدم ها ماشین ها را به عنوان شریک، و نه دشمن در نظر بگیرند، باید به کاری که انجام می شود ایمان داشته باشند. Coplin برای به دست آوردن اعتماد کارکنان خود، در پیش گرفتن یک رویکرد افزایشی به هوش مصنوعی را توصیه می کند. او می گوید:« برای زمان دادن به کارمندان که ببینند الگوریتم چگونه کار می کند، و برای ایجاد اعتماد به اینکه خروجی چیزی است که مورد انتظار بود، الگوریتم را به قسمت کوچکی از حجم کار کلی اعمال کنید.»
مثالی که او اشاره می کند، سیستم رزرو یک رستوران زنجیره ای بزرگ بر پایه ی الگوریتم جدید است. در ابتدا، مدیران رستوران شخصی شک داشتند که یک الگوریتم در ابر می تواند عملکرد بهتری نسبت به آنها در مدیریت میز ها داشته باشد. برای رفع نگرانی آنها، شرکت موافقت کرد که فقط بخش کوچکی از میزهای موجود را به الگوریتم اختصاص دهد، و اگر مدیران از نتیجه راضی بودند، میزهای بیشتری اضافه شوند. پس از شروع کردن با تنها ده درصد از میزهای موجود، مدیران سریعا فهمیدند که الگوریتم نه تنها عالی عمل می کند، بلکه زمان آنها را برای انجام کارهای مفیدتر آزاد می سازد.
Stephen Ufford بنیان گذار و مدیرعامل Trulioo است؛ یک سرویس تأییدیه جهانی مجهز به هوش مصنوعی برای پشتیبانی از نظارت بر پولشویی در زمینه خدمات مالی. به شکل سنتی، این قسمت مهم امنیت بانکی توسط کارکنان انسانی رسیدگی می شد، اما افزایش قدرت محاسبات و حجم منحصر به فرد داده های دیجیتالی که در حال تولید هستند، آنها را توسط باندهای جنایت کار از رده خارج کرده اند. در حال حاضر، الگوریتم هایی مانند Trulioo میلیون ها معامله را در مقیاسی اسکن می کنند که هیچ انسانی نمی تواند مدیریت کند و برای تقلب های احتمالی یا جلوگیری از افراد مشکوک (توسط انسان ها) آموزش داده شده اند.
هنگام سر و کار داشتن با چیزی به حساسیت شناسایی معاملات جعلی، کارکنان Trulioo باید مطمئن می شدند که الگوریتمی که آنها ساخته اند، هیچ گونه تعصب در تصمیم گیری و یا توصیه های سرکش را نشان نمی داد. Ufford می گوید:« یاد گرفتن اعتماد به هوش مصنوعی، با موقعیتی که شما یک پرستار بچه ی جدید استخدام می کنید تفاوت زیادی ندارد. برای شروع، شما از طریق دوربین پرستار تماشا می کنید که آنها چه می کنند. اما پس از مدتی شما آسوده خواهید شد چون به نحوه ی کار آنها اعتماد می کنید.»
پایان کار چنان که ما می دانیم؟
رشد یادگیری ماشینی در شرکت ها در نهایت باعث ایجاد نوعی از سوالات بنیادی می شود که مدیران نمی خواهند با آنها مواجه شوند: چند نفر از ما در آینده واقعا با ماشین ها کار خواهیم کرد؟
واقعیت این است که تغییر اجتناب ناپذیر است، بنابراین شرکت ها باید در حصول اطمینان از کناره گیری نرم برای کسانی که در حال انجام نوع کارهای تکراری یا عملیاتی هستند که اتوماسیون می تواند بهتر انجام دهد، کار کنند. این ممکن است برای بعضی به معنی بازآموزی یا بالا بردن مهارت های خود برای به حداکثر رساندن دانش و تجربه سازمان خود باشد. با این وجود، دیگران به ناچار کارکنان را به صورت خودکار از کار خارج خواهند کرد، درست مثل کسانی که در Foxconn بودند، که در سال 2016، 60,000 کارگر را با ربات ها جایگزین کردند.
با این حال، همانطور که ما در دراز مدت نگاه می کنیم، آیا می توان آن را ترس از بیکاری عظیم ناشی از خودکار سازی بیش از حد تشخیص داد؟
با این همه، نسل بعدی کارمندان - که با عنوان نسل Alexa نامیده می شود - به زندگی با ماشین ها و یادگیری از آنها عادت خواهند کرد. و این کارکنان جدید علامت هایی را نشان می دهند که آنها از تجربیات و آزادی انگیزه بیشتری می یابند، و خلاقیتی که آنها می توانند نسبت به انگیزه های متداول در کارشان داشته باشند.
Ufford می گوید:« دو پدربزرگ و مادربزرگ من در کارخانه ها کار می کردند، اما پدربزرگ من عاشق نقاشی کردن هم بود. آیا شغل نباید به جای خرد کردن خلاقیت، آن را مهار کند؟» به نظر می رسد که ماشین ها، در نهایت، کاتالیزور انبوهی از خلاقیت هستند که ما همه منتظر آن بوده ایم.
منبع: Inc