بحران NEET بریتانیا و صخره بازنشستگی کارخانه همان مشکل را پنهان می کنند

کارفرمایان صنعتی که بر روی نقش‌های فنی تکمیل‌نشده نشسته‌اند و نسلی که بیکار هستند، دو نیمه از یک معادله قابل رفع هستند.

آخرین ارقام دفتر آمار ملی نشان می دهد که حدود 13 درصد از افراد 16 تا 24 ساله بریتانیا در کار، تحصیل یا آموزش نیستند. بررسی موقت خود دولت هشدار داده است که این امر می تواند نشان دهنده ایجاد یک "نسل گمشده" باشد.

در عین حال، نزدیک به یک پنجم نیروی کار مهندسی و تولیدی انتظار می‌رود تا پایان سال بازنشسته شوند و حدود نیم میلیون مهندس، تکنسین و اپراتور ماهر را با خود همراه کند.

یک طرف دفتر، نسلی است که می خواهد کار کند و نمی تواند وارد شود. طرف دیگر یک پایگاه صنعتی است که به افراد نیاز دارد و در آستانه از دست دادن تجربه ترین خود است. با درمان جداگانه، هر دو غیرقابل درمان به نظر می رسند. با هم درمان می شوند، آنها با یک پاسخ به یک مشکل واحد تبدیل می شوند. راه حل: آموزش عوامل هوش مصنوعی برای خودمختاری و پر کردن این شکاف.

مشکل دانش نه مشکل استخدام

اولین اشتباه این است که کمبود صنعتی را مشکل استخدام تلقی کنیم. استخدام‌کنندگان و ارگان‌های بازرگانی روشن بوده‌اند که استخدام خارجی به تنهایی نمی‌تواند شکاف را برطرف کند: مسئله فقط صندلی‌های خالی نیست، بلکه دهه‌ها قضاوتی است که با هر بازنشستگی از در خارج می‌شود. هنگامی که یک مدیر تعمیر و نگهداری یا یک مدیر حسابرسی تامین کننده را ترک می کند، ضرر به ندرت خود وظیفه است. این استدلال انباشته پشت آن است، و چرا که هرگز آن را به یک کتابچه راهنما تبدیل نکرد.

دقیقا به همین دلیل است که استخدام و انتقال دانش راه حل های کاملا متفاوتی را می طلبد. جای خالی را می توان در ماه ها پر کرد. سی سال دانش ضمنی را نمی توان با استخدام تکرار کرد، و به اصطلاح «وسط توخالی» - کمبود کارگران با پنج تا پانزده سال تجربه - به این معنی است که اغلب لایه میانی برای انتقال آن دانش باقی نمانده است. تسمه نقاله ای که زمانی تخصص را از جانباز به شاگرد منتقل می کرد، بخش میانی خود را از دست داده است.

جایی که هوش مصنوعی محاسبات را تغییر می دهد

اینجاست که هوش مصنوعی محاسبات را تغییر می‌دهد، و نه به روشی که تیترها فرض می‌کنند. پیشرفت یک ربات چت نیست که به سوالات پاسخ دهد. این توانایی به تصویر کشیدن رابطه بین سوابق ساختاریافته یک سازمان، سفارشات خرید، شماره قطعات و استدلال بدون ساختاری است که آنها را احاطه کرده است: ایمیل ها، حاشیه نویسی ها، تصمیمات غیررسمی که در حاشیه گرفته شده است.

نحوه تأثیرگذاری این دو بر یکدیگر را ترسیم کنید، آن زمینه را در جریان کار روزانه جاسازی کنید و دهه‌ها حافظه سازمانی به یک دارایی عملیاتی تبدیل می‌شود تا پوشه‌ای که هیچ‌کس نمی‌تواند پیدا کند.

خوب انجام شود، این منحنی تجربه را فشرده می کند. یک مهندس جدیدتر به جای اینکه به آرامی قضاوت کند، طی سال‌ها، نسخه‌ای از آن را از اولین روز کار خود به ارث می‌برد. تاریخچه مربوطه، تصمیمات قبلی و استدلال از همان ابتدا ظاهر شد. نکته این نیست که تجربه اهمیتی ندارد. این است که سطح شیب دار بسیار کوتاه تر می شود.

پنجره تبادل دانش باریک است و اکنون در حال بسته شدن است. متن را فقط می توان در زمانی که افرادی که آن را نگه می دارند هنوز در ساختمان هستند ضبط کرد. هنگامی که یک متخصص بازنشسته می شود، داده های ساختاریافته باقی می مانند، اما استدلالی که آن را قابل استفاده کرده است، از بین می رود. هر ربع تأخیر، یک چهارم قضاوت غیرقابل جبران از دست رفته است. موج بازنشستگی یک مشکل دور نیست که بتوان در اطراف آن برنامه ریزی کرد. در حال حاضر در حال انجام است.

جایی که AI به روش اشتباه استفاده می شود

یک اعتراض صادقانه برای مقابله وجود دارد. هوش مصنوعی به‌طور گسترده‌ای به‌خاطر توخالی کردن کار در سطح ابتدایی مورد سرزنش قرار می‌گیرد، و داده‌ها وزن اتهام را نشان می‌دهند: همان بررسی موقت نشان داد که نقش‌های سطح ابتدایی کمتر فراوان و سخت‌تر شده‌اند، استخدام از راه دور، خودکار و کمتر انسانی است، و شروع کارآموزی برای جوانان بیش از ۴۰ درصد کاهش یافته است.

اما هوش مصنوعی به ندرت مقصر واقعی است. ذهنیت پشت آن است. بسیاری از سازمان‌ها هنوز این فناوری را به روشی که یک دهه پیش نرم‌افزار خریداری کرده‌اند، خریداری می‌کنند - به‌عنوان یک آیتم خطی که افراد را حذف می‌کند تا قابلیتی که آنها را ارزشمندتر می‌کند. هوش مصنوعی با اشاره به کار در سطح ابتدایی، آن را کاهش می دهد و نتیجه را «بازده» می نامد.

با اشاره به هدف مخالف، یعنی ایجاد سریع‌تر بهره‌وری افراد بی‌تجربه، همین فناوری به جای اینکه آن را باریک کند، در را بازتر می‌کند. سوال اصلی این نیست که آیا هوش مصنوعی باید روش قدیمی را ببندد یا خیر، بلکه این است که آیا شرکت‌ها تصمیم می‌گیرند از آن برای افتتاح یک ابزار جدید استفاده کنند یا خیر.

روشی متفاوت در

این تنها در صورتی کار می کند که بحث در مورد اینکه این جوانان چه کسانی هستند صادقانه باشد. گروهی که در پشت اعداد NEET قرار دارند، در اکثر موارد، مهندسان آموزش دیده منتظر یک جای خالی نیستند. از هر ده شش نفر اصلا شغلی نداشته اند. بسیاری از آنها با وضعیت نامناسب سلامتی، اختلال در تحصیل یا سال ها جدایی دست و پنجه نرم می کنند. کارفرمایان مایل به پذیرش آنها هستند اما تردید دارند زیرا یک نامزد اثبات نشده احساس می کند ریسکی است که یک شرکت کوچکتر نمی تواند از عهده آن برآید.

هوش مصنوعی هزینه آن شرط بندی را کاهش می دهد. هنگامی که یک سیستم زمینه مناسب را نشان می دهد و به یک تازه وارد اجازه می دهد تا فرآیندهای پیچیده را به زبان ساده هدایت کند، فقدان سابقه سابقه رد صلاحیت را متوقف می کند. برای یک جوان 23 ساله که برای اولین بار بر روی یک کارخانه راه می‌رود، این تفاوت بین غربال شدن و اجازه ورود به آن است.

این فرصتی است که در این دو آمار پنهان شده است. پرتگاه بازنشستگی و بحران NEET معمولا در بخش‌های مختلف ثبت می‌شوند: برنامه‌ریزی نیروی کار از یک طرف، سیاست اجتماعی از طرف دیگر. آنها متعلق به یک صفحه هستند. تخصص‌هایی را که در شرف ترک است، به دست آورید، آن را در دسترس افرادی قرار دهید که ناامید از شروع کار هستند، و بخش صنعتی صرفا یک شکاف را برطرف نمی‌کند. این رمپ را برای نسلی ایجاد می کند که اغلب به آنها گفته شده است که راهی برای ورود وجود ندارد.

ما بهترین ابزار هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit