این مطالعه ریسک‌هایی را که شرکت‌ها در هنگام تکیه بیش از حد به سیستم‌های هوش مصنوعی با آن مواجه هستند، بررسی می‌کند

ویرایش شده توسط گابی کلارک، بررسی توسط اندرو زینین

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

چارچوب جدیدی برای تفکر در مورد هوش مصنوعی در محل کار با سوالی شروع می شود که شرکت ها زمان نسبتا کمی را صرف پرسیدن آن کرده اند.

شرکت‌ها در حال رقابت برای ایجاد هوش مصنوعی مولد در کارهای روزمره هستند، از تهیه پیش‌نویس و تجزیه و تحلیل داده‌ها تا برنامه‌ریزی و پشتیبانی تصمیم‌گیری. Vedant Das Swain از NYU Tandon و Koustuv Saha از دانشگاه Illinois Urbana-Champaign استدلال می کنند که سازمان ها نیز باید برای احتمال مخالف آماده شوند: کاهش بودجه، قطع، قانون حفظ حریم خصوصی، اقدام نظارتی یا اختلاف فروشنده که ناگهان هوش مصنوعی را از دسترس خارج می کند.

محققان چارچوب تاب آوری متضاد یا CReF خود را در مقاله ای رویایی که در اجلاس افتتاحیه رهبری ACM AI ارائه کردند، که از 30 اوت تا 2 سپتامبر در آتلانتا برگزار شد، توصیف می کنند. به گفته Das Swain، این مقاله برای الهام بخشیدن به برنامه های تحقیقاتی تحول آفرین و شناسایی چالش های بزرگ از طریق تعامل با کل اکوسیستم هوش مصنوعی است.

CReF راهی را برای سازمان‌ها و محققان پیشنهاد می‌کند تا وابستگی‌هایی را که ممکن است در زمانی که هوش مصنوعی به طور معمول کار می‌کند دشوار باشد، آشکار کنند. این چارچوب از کاربران می‌خواهد که یک «لنگر متضاد» با سه بخش بسازند: یک محیط کار که در آن هوش مصنوعی استفاده می‌شود، رویدادی که دسترسی به آن را حذف می‌کند و پیامدهای آن.

ایده این است که غیبت هوش مصنوعی را به عنوان نوعی تست استرس تلقی کنیم.

داس سواین گفت: «تحقیقات زیادی در مورد همکاری و مکمل انسان و هوش مصنوعی فرض می‌کند که LLMها و ابزارهای هوش مصنوعی مولد مانند اکسیژن هستند. ما می‌خواستیم این فرضیه را به چالش بکشیم و از سازمان‌ها بپرسیم که در صورت ربوده شدن ناگهانی هوش مصنوعی چگونه به نظر می‌رسند. چارچوب ما به ذینفعان کمک می‌کند با افرادی که سازنده به نظر می‌رسند، کسانی که تخصص خود را حفظ می‌کنند یا اینکه آیا کار اساسی می‌تواند در مقابل یک چارچوب غیرقانونی، محصول غیرمجاز فن‌آوری یا محصول غیرقانونی وجود داشته باشد، مقابله کنند. ما با تمرکز بر بهترین حالت.

در عوض، ما توجه را به برنامه ریزی عملی برای بدترین حالت معطوف می کنیم."

این مقاله به بررسی سه آسیب‌پذیری بالقوه می‌پردازد: اینکه آیا مزایای هوش مصنوعی به طور نابرابر در بین مشاغل توزیع شده است یا خیر. آیا استفاده طولانی‌مدت از هوش مصنوعی می‌تواند مهارت‌های مورد نیاز کارگران برای کار مستقل را کاهش دهد یا خیر؟ و اینکه آیا سازمان‌ها می‌توانند زمانی که جریان کاری وابسته به هوش مصنوعی مختل می‌شود بهبود یابند.

برای نشان دادن آنها، نویسندگان مکان های کاری خیالی می سازند.

در یکی، الکس روابط پیچیده ای را مدیریت می کند و از هوش مصنوعی سود نسبتا کمی می برد، در حالی که سم روی یک تیم تجزیه و تحلیل داده کار می کند که خروجی آن پس از پذیرش آن افزایش می یابد. مدیریت شروع به تفسیر خروجی متفاوت خود از طریق مفهوم بهره وری تحت تأثیر هوش مصنوعی می کند. زمانی که افزایش هزینه ها دسترسی به هوش مصنوعی سازمان را به طور موقت قطع می کند، کار الکس کمی تغییر می کند. این سناریو می‌پرسد که آیا هوش مصنوعی می‌تواند انتظارات عملکرد را در زمانی که سودمندی آن در بین مشاغل به طور چشمگیری متفاوت است، مخدوش کند.

سناریوی دیگر شامل تانیا، یک تحلیلگر جوان انطباق است که دو سال را صرف بررسی ارزیابی‌های ریسک پیش‌نویس‌شده توسط هوش مصنوعی کرده است نه اینکه خودش به طور منظم آنها را بنویسد. هنگامی که یک حسابرسی از کارفرمای او می خواهد که سیستم را به حالت تعلیق درآورد، او برای بازگشت به پیش نویس دستی تلاش می کند. مثال تخیلی است، اما نگرانی جدید نیست. نویسندگان آن را به دهه‌ها تحقیق در مورد اتوماسیون مرتبط می‌کنند که نشان می‌دهد حذف افراد از فعالیت‌های معمول می‌تواند مهارتی را که ممکن است بعدا در موقعیت‌های غیرمعمول یا پرمخاطره به آن نیاز داشته باشند، از بین ببرد.

سناریوی سوم مقاله یک مرکز مراقبت از سالمندان را تصور می‌کند که دیگر نمی‌تواند سیستم هوش مصنوعی را که در برنامه‌ریزی و برنامه‌ریزی مراقبت در هم تنیده شده است، بپردازد. کارگرانی که در تلاش برای بازسازی جریان کار قبلی هستند، متوجه می‌شوند که بازیابی دانش سازمانی زمانی که بین صفحات گسترده، گزارش‌های دست‌نویس و کارمندان توزیع می‌شد، دشوار شده است.

CReF پیش‌بینی نمی‌کند که این اتفاقات رخ دهد، و به سازمان‌ها نمره تاب‌آوری اختصاص نمی‌دهد. در عوض، نویسندگان آن را به عنوان یک «ابزار تحلیل مولد» توصیف می‌کنند که برای افشای وابستگی‌های پنهان و حفاظت‌های بالقوه طراحی شده است.

محققان استدلال می کنند که شرکت ها نباید هوش مصنوعی را کنار بگذارند، اما باید در کنار پذیرش، انعطاف پذیری را نیز توسعه دهند. به عبارت دیگر، سوال برای یک محل کار وابسته به هوش مصنوعی، ممکن است نه تنها این باشد که وقتی این فناوری در دسترس است، افراد چقدر عملکرد بهتری دارند. همچنین ممکن است همان چیزی باشد که وقتی نیست باقی می ماند.

آینده کار انعطاف پذیر هوش مصنوعی: لنز متضاد برای همکاری انسان و هوش مصنوعی، اجلاس رهبری هوش مصنوعی ACM، aisummit.acm.org/، www.researchgate.net/publicati … man-AI_Collaboration

کارشناسی ارشد زبان انگلیسی، ویرایشگر کپی از سال 2021 با تجربه در آموزش عالی و محتوای بهداشتی. تقدیم به اخبار معتبر علمی. نمایه کامل →

فوق لیسانس فیزیک با تجربه تحقیق. علاقه مندان به اخبار علمی طولانی مدت. نقش کلیدی در موفقیت سرمقاله Science X ایفا می کند. نمایه کامل →