رئیس محصول Twilio هشدار داد که هوش مصنوعی می تواند نردبان شغلی مهندسی را بشکند

صبح بخیر و مثل همیشه از اینکه به من پیوستید متشکرم.

قبل از غواصی امروز، می‌خواهم کمی روی پروژه‌ای بگذارم که با همکارانم در نیوزویک روی آن کار کردم: کارت امتیاز سیاست هوش مصنوعی. این به سوابق عمومی همه 537 عضو کنگره در قوانین و مقررات، مراکز داده و انرژی، مشاغل و اقتصاد، ایمنی و حریم خصوصی و امنیت ملی و چین می پردازد.

فرضیه پشت آن نسبتا ساده است: هوش مصنوعی قبل از اینکه هر یک از طرفین به معنای واقعی حمایت یا مخالفت با آن تصمیم بگیرند به یک موضوع سیاسی اصلی تبدیل شده است. در داستانی که من در مورد این پروژه با هم نوشتم، به این می‌رسیم که چگونه نقشه‌ای را تولید می‌کند که اغلب خطوط احزاب آشنا را برش می‌دهد، با قانون‌گذارانی که می‌توانند در یک بخش از سیاست هوش مصنوعی شبیه تقویت‌کننده‌ها و در بخش دیگر شکاک به نظر برسند.

با نزدیک شدن به میان ترم ها، این لحظه مهمی برای ایجاد یک خط پایه است. کنگره تغییر خواهد کرد، اما سؤالات زیر کارت امتیازی - چه کسی قوانین را می نویسد، چگونه هوش مصنوعی بر کارگران و جوامع تأثیر می گذارد، چقدر صنعت باید تأثیر بگذارد و ایالات متحده چگونه در سطح جهانی رقابت می کند - پس از روز انتخابات در نوامبر باقی خواهند ماند.

یکی از این سؤالات، معنای هوش مصنوعی برای کار، در ضبط سیگنال این هفته نیز وجود دارد.

مدیر محصول Twilio: هوش مصنوعی می‌تواند مسیر تخصص مهندسی را از بین ببرد

به گفته اینبال شانی، مدیر ارشد محصول و فناوری و رئیس بخش تحقیق و توسعه در شرکت ارتباطات ابری Twilio، هوش مصنوعی می‌تواند میزان ارسال کد را افزایش دهد و در عین حال مقداری از آزمون و خطا را که به طور سنتی به آنها در توسعه غرایز فنی کمک می‌کرد، کاهش دهد.

شانی به نیوزویک گفت: «وقتی هوش مصنوعی اجرای سطح ابتدایی را جذب می‌کند، ما در معرض خطر اره کردن پله‌های پایین نردبان شغلی قرار می‌گیریم و باعث سقوط کارآموزی می‌شویم.

از لحاظ تاریخی، ساختن نرم‌افزارهای پیچیده، مهندسان را ملزم می‌کرد تا در مورد معماری سیستم، موارد لبه و نحوه تعامل اجزای متصل فکر کنند.

او گفت: «امروزه هوش مصنوعی به مردم اجازه می‌دهد بدون اینکه لزوما فکر کنند، انجام دهند. "این یک تغییر عظیم است."

از آنجایی که هوش مصنوعی بیشتر کارهای کدگذاری اولیه را انجام می‌دهد، مهندسان به طور فزاینده‌ای نیاز دارند تا بفهمند چگونه کل سیستم با هم هماهنگ می‌شود، از زیرساخت پشتیبانی از یک برنامه تا تجربه‌ای که در نهایت به مشتریان ارائه می‌کند.

مشکل آموزش به ویژه در اوایل حرفه حاد است، زمانی که کارهای تکراری، تلاش های ناموفق و اشکال زدایی به طور سنتی به مهندسان کمک می کند تا نحوه رفتار نرم افزار را بیاموزند. پاسخ او این است که تاکید بیشتری بر مهندسی و طراحی سیستم ها در هنگام سوار شدن دارد.

او گفت: «مهندسین در مراحل اولیه به فضایی برای اجرای میکرو آزمایش‌ها نیاز دارند و تحت هدایت ارشد شکست می‌خورند و حلقه‌های بازخورد ساختاریافته مورد نیاز برای توسعه ماهیچه‌های شناختی را ایجاد می‌کنند تا اینکه صرفا تفکر خود را به تولید کد خودکار واگذار کنند.»

شانی به اشکال زدایی به عنوان بخش مهمی از چگونگی ایجاد درک فنی توسط مهندسان اشاره کرد.

او گفت: «ما نمی‌توانیم چرخه‌های اشکال‌زدایی خسته‌کننده را خودکار کنیم، زیرا اشکال‌زدایی جایی است که یک مهندس نقشه ذهنی خود را از نحوه عملکرد سیستم تحت بار می‌سازد.

هوش مصنوعی همچنین در جایی که تخصص باید در یک سازمان مهندسی باشد تغییر می کند. شانی آن را با امواج قبلی اتوماسیون، که تمایل به تمرکز دانش تخصصی داشتند، مقایسه کرد: کامپایلرها نیاز بیشتر برنامه نویسان را به کار مستقیم در زبان اسمبلی کاهش دادند، در حالی که رایانش ابری تخصص زیرساخت بیشتری را به تیم های تخصصی منتقل کرد.

شانی گفت: "هوش مصنوعی این الگوی تمرکز را می شکند زیرا اجرا را بدون انتزاع درستی انتزاع می کند."

تخصص مورد نیاز برای بررسی کارهای تولید شده توسط هوش مصنوعی نمی تواند فقط در یک گروه متخصص باشد. تیم‌هایی که از این فناوری استفاده می‌کنند به تخصص کافی نزدیک به کار نیاز دارند تا تعیین کنند که آیا یک خروجی به طور قابل اعتماد در تولید کار می‌کند، از جمله زمانی که مشتریان واقعی و پول درگیر هستند.

او گفت: "کسی که فقط به این ابزار تکیه می کند، کدی را با ظاهری قابل قبول اما به طرز ماهرانه ای معیوب، با اطمینان اجرا می کند."

شانی همچنین معیارهای مورد استفاده برای قضاوت در مورد اینکه آیا هوش مصنوعی عملکرد مهندسی را بهبود می بخشد را زیر سوال برد.

شانی گفت: «رهبران تحقیق و توسعه باید اندازه‌گیری نرخ پذیرش و تعداد صندلی‌ها را متوقف کنند - اینها معیارهای بیهوده هستند. در عوض، ما باید قضاوت را بسنجیم.»

رهبران می توانند بررسی کنند که آیا مهندسان می توانند توضیح دهند که چرا یک معماری خاص یا خروجی تولید شده توسط هوش مصنوعی درست است، و همچنین اینکه تیم ها چقدر باید به عقب برگردند و کار را پس از تولید آن تعمیر کنند. اگر تیم‌ها زمان بیشتری را صرف تصحیح باگ‌های پنهان یا بازگرداندن کارهایی کنند که نباید به تولید می‌رسیدند، خروجی بالاتر به معنای کمتر است.

شانی یک مثال ساده ارائه کرد: اگر تیمی 30 درصد کد بیشتری ارسال کند اما دو برابر زمان بیشتری را صرف رفع اشکالات و عقبگردهای پنهان کند، افزایش بهره وری ظاهری ممکن است از بین برود.

پیامدهای آن به استخدام نیز کشیده می شود. شانی گفت که شرکت ها باید فراتر از تجربه و اجرا به تنهایی نگاه کنند و روی کنجکاوی، خلاقیت، نحوه برخورد نامزدها با مشکلات مبهم و اینکه آیا آنها خروجی تولید شده توسط هوش مصنوعی را بررسی می کنند به جای اینکه آن را بپذیرند، وزن بیشتری بگذارند زیرا قابل قبول به نظر می رسد.

شانی گفت: «در پنج سال آینده، گلوگاه توانایی هوش مصنوعی نخواهد بود، بلکه قضاوت انسان خواهد بود. ما به طور همزمان ارزش تخصص فنی عمیق را بالا می بریم و در عین حال خطوط لوله دقیق سطح پایینی که آن را تولید می کنند را از بین می بریم.

او افزود: «اگر به خودکارسازی کارهای خسته‌کننده بدون پرورش عمدی نسل بعدی متفکران سیستم‌ها ادامه دهیم، متخصصانی که می‌توانند تشخیص دهند که آیا هوش مصنوعی درست است یا خیر، خالی می‌شویم.

غلبه بر موانع تحول هوش مصنوعی در صنایع قدیمی

سرمایه گذاری در هوش مصنوعی در حال افزایش است و شرکت های با سابقه راه هایی برای وارد کردن این فناوری به سازمان هایی پیدا می کنند که بر اساس سال ها روابط با مشتری، عملیات پیچیده، سیستم های حیاتی و مسئولیت های نظارتی شکل گرفته اند. چالش تبدیل پایلوت های امیدوارکننده به نتایج تجاری پایدار بدون ایجاد اختلال در نقاط قوتی است که باعث موفقیت آن شرکت ها شده است.

در یک وبینار هوش مصنوعی نیوزویک که توسط Cognizant ارائه می شود، گابریل اسنایدر، سردبیر اجرایی نیوزویک، سازمانی، بحثی را با عنوان «غلبه بر موانع تغییر هوش مصنوعی در صنایع قدیمی» مدیریت خواهد کرد.

این گفتگو به چگونگی اتصال سازمان‌های مستقر هوش مصنوعی به سیستم‌ها و جریان‌های کاری موجود، شفاف‌سازی مالکیت و حاکمیت و همسویی سرمایه‌گذاری‌های فناوری با افراد، فرآیندها و نتایج قابل اندازه‌گیری کسب‌وکار را بررسی خواهد کرد.

مت سانچز، مدیر عامل یاهو، دورگا ملادی، معاون اجرایی و مدیر کل برنامه ریزی فناوری، راه حل های لبه و مرکز داده در کوالکام و کیتی جورج، معاون شرکت تغییر نیروی کار در مایکروسافت، به گفتگو خواهند پیوست.

به بحث زنده در 21 اکتبر بپیوندید. رایگان ثبت نام کنید.

در 22 اکتبر، دکتر رنجیت تینایکار، میزبان «انجمن تأثیر هوش مصنوعی» نیوزویک، با فردوس بااتنا، معاون اجرایی و مدیر ارشد فناوری و تحول در S&P Global، در مورد اینکه چگونه شرکت‌های بزرگ پیشرفت‌های هوش مصنوعی را به نتایج کسب‌وکار تبدیل می‌کنند و چرا داده‌های قابل اعتماد و متمایز اهمیت فزاینده‌ای مهم می‌کنند، می‌نشیند.

با تکیه بر تجربه Bhathena در S&P Global، FIS Global و CVS Health، این گفتگو بررسی می‌کند که چگونه سازمان‌ها داده‌ها را کنترل و قابل استفاده مجدد می‌کنند، جریان‌های کاری را حول قابلیت‌های جدید طراحی مجدد می‌کنند و سرعت را با اعتماد، امنیت و انعطاف‌پذیری متعادل می‌کنند.

آنها همچنین بررسی خواهند کرد که چگونه رهبران می‌توانند سرمایه‌گذاری‌های فناوری را بر مشکلات مشتری متمرکز نگه دارند و شناسایی کنند که مزیت رقابتی واقعی کجا می‌تواند پدیدار شود.

پنجشنبه 22 اکتبر ساعت 14 به بحث زنده بپیوندید. ET. رایگان ثبت نام کنید.

یکی از بینش های اخیری که در مورد هوش مصنوعی آموخته اید چیست؟

"یک لحظه اخیر هوش مصنوعی aha برای من از عوامل ساخت داخل InMobi بود. ما اخیرا ساخت 4000 امین عامل خود را به پایان رساندیم. نکته خنده دار این است که با ارزش ترین آنها ممکن است اولین هایی باشند که شکست خوردند.

بینش واقعی این بود که اگر یادگیری را به عنوان زیرساخت در نظر بگیریم، هر شکست چقدر می‌تواند تلاش بعدی را بهتر کند.

یک عامل اولیه قبل از اینکه واقعا مفید واقع شود، 10 یا 12 تلاش برای سیم کشی مجدد انجام داد. هر تلاشی چیزی را نشان می داد: ورودی اشتباه، گردش کار شکسته، منطق نامشخص یا ارزیابی ضعیف. در یک چرخه ساخت سنتی، این می تواند به یک سفر طولانی و دردناک تبدیل شود. در چرخه اول هوش مصنوعی، این درس ها به یک برگه تقلب برای عامل بعدی تبدیل می شوند.

این طرز فکر من را در مورد پذیرش هوش مصنوعی تغییر داده است. برندگان شرکت‌هایی نیستند که منتظر ابزارهای عالی باشند. آنها کسانی خواهند بود که مایلند هر بار بسازند، بیاموزند، آنچه را که کار می‌کند تدوین کنند و سریع‌تر جهش کنند.»

درس خود را برای به اشتراک گذاشتن دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

افزودن ظرفیت الکتریکی برای یک مرکز داده یا کارخانه می تواند سال ها طول بکشد. اینترنسیک پاور در تلاش است تا از برق موجود از طریق اتصال برق موجود یک مرکز استفاده بهتری کند.

Broc TenHouten، یکی از بنیانگذاران و مدیرعامل Intrinsic Power، شرکتی که در حال توسعه فناوری مدیریت انرژی برای تأسیسات تجاری و مراکز داده است، گفت که سیستم های الکتریکی معمولا در دوره های اوج تقاضا برنامه ریزی می شوند. تسهیلات می توانند مقداری ظرفیت را بدون استفاده بگذارند تا جایی برای افزایش ناگهانی مصرف برق داشته باشند.

سیستم Intrinsic Power به طور مداوم شرایط الکتریکی را در یک سایت تجزیه و تحلیل می کند و می آموزد که چگونه تقاضا و توان موجود در طول زمان تغییر می کند. این تجزیه و تحلیل را با الکترونیک قدرت کنترل شده به شدت جفت می کند و به سیستم کنترل اجازه می دهد تا در شرایط تغییر سریعتر پاسخ دهد و در عین حال در محدوده های مهندسی تعیین شده باقی بماند.

این شرکت در ابتدا این رویکرد را توسعه داد تا به ساختمان‌ها کمک کند تا شارژ وسایل نقلیه الکتریکی را بدون ارتقاء الکتریکی پرهزینه اضافه کنند. تن هاوتن گفت که همین محدودیت در مقیاس بزرگتر در مراکز داده اعمال می شود، جایی که اپراتورها به ظرفیت ذخیره برای تغییرات ناگهانی در تقاضای برق نیاز دارند.

تن هاوتن گفت: «یکی از طنزهای این لحظه این است که هوش مصنوعی تقاضای بی‌سابقه‌ای برای برق را به همراه دارد و در عین حال ابزارهایی را برای استفاده هوشمندانه‌تر از زیرساخت‌های الکتریکی موجود در اختیار ما قرار می‌دهد.

Intrinsic Power می‌گوید این رویکرد می‌تواند نیاز به ظرفیت الکتریکی اضافی یا تولید در محل را با اجازه دادن به تأسیسات برای عملکرد نزدیک‌تر به آنچه که سیستم‌های موجود آنها می‌توانند با خیال راحت پشتیبانی کنند، کاهش دهد.

با نگاهی گسترده تر، رهبران کسب و کار که با محدودیت ظرفیت مواجه هستند، ابتدا باید قبل از سرمایه گذاری برای گسترش سیستم های موجود، درک کنند که چقدر فضا در سیستم های موجود آنها باقی می ماند.

آیا یک مورد جالب استفاده از هوش مصنوعی برای به اشتراک گذاشتن با من دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

■ رئیس جمهور دونالد ترامپ و رهبران شرکت های بزرگ هوش مصنوعی یک توافقنامه ایمنی داوطلبانه امضا کردند که خواستار کنترل های داخلی، ممیزی های مستقل و نظارت در سطح هیئت مدیره بر سیستم های هوش مصنوعی پیشرفته است. [بی بی سی]

■ انویدیا یک پلتفرم نرم‌افزار باز را راه‌اندازی کرد که برای محدود کردن آنچه که عوامل هوش مصنوعی می‌توانند به آن دسترسی داشته باشند و انجام دهند، با سیسکو، مایکروسافت، اوراکل و سایر شرکت‌های فناوری بزرگ به عنوان شرکا راه‌اندازی کرد. [CNBC]

■ گوگل Gemini 4 Argon را معرفی کرد، یک مدل مرزی که برای مهندسی نرم‌افزار طولانی مدت، کار دانش سازمانی و وظایف امنیت سایبری ساخته شده است، با دسترسی اولیه محدود به مدافعان سایبری قابل اعتماد، زیرا این شرکت پیش از انتشار گسترده‌تر پادمان‌ها را تقویت می‌کند. [گوگل]

■ گاوین نیوسام، فرماندار کالیفرنیا، قوانین هوش مصنوعی جدیدی را امضا کرد که کارفرمایان را از اتکا به سیستم های خودکار برای تصمیمات انضباطی یا خاتمه منع می کند و زمانی که هوش مصنوعی باعث اخراج، جابجایی یا خاتمه انبوه می شود، باید اطلاع رسانی شود. [دفتر فرمانداری کالیفرنیا]

■ مطالعه IBM بر روی 1500 مدیر مالی و مدیران ارشد مالی نشان داد که 62 درصد می گویند که نقش آنها در فناوری سازمانی یا استراتژی هوش مصنوعی گسترش یافته است، در حالی که تنها 6 درصد می گویند که امور مالی هوش مصنوعی را در جریان کار و تصمیم گیری در مقیاس گنجانده است. [IBM]

ردیابی حرکت های اجرایی در سراسر چشم انداز هوش مصنوعی

Paula DiGangi به عنوان مدیر ارشد مشتری و شریک مدیریت AOx3 ارتقا یافته است، در حالی که Randi Liodice به عنوان مدیر ارشد رشد به 120/80 Health Group ملحق شده است و مایکل فی به سمت مدیر استراتژی ارشد و نقش شریک مدیریت منتقل شده است.

پاتریک بوئل، یکی از بنیانگذاران شرکت مشاوره داده و هوش مصنوعی Hakkōda، مدیر ارشد استقرار جدید Eliza است که مهندسین پیشرو را هدایت می کند که اولویت های تجاری مشتریان را به سیستم های هوش مصنوعی تولیدی تبدیل می کنند.

Asic Demberel، پس از ابتکارات فناوری در سراسر AWS و Amazon Health Services، به Scala.AI به عنوان مدیر ارشد فناوری پیوسته است و استراتژی فناوری خود را شکل می دهد و هوش، قابلیت های نمایندگی و معماری را در پشت پلت فرم مرکز تماس خود ارتقا می دهد.

Rodolphe Katra، مدیر سابق هوش مصنوعی جهانی و معاون رئیس جمهور Medtronic، به عنوان مدیر ارشد هوش مصنوعی جهانی به GE HealthCare پیوست و به پیشبرد استراتژی هوش مصنوعی آن در دستگاه ها، نرم افزارها و داده های مراقبت های بهداشتی کمک کرد.

Ravi Simhambhatla، معاون اجرایی و مدیر ارشد دیجیتال و نوآوری در Avis Budget Group، به عنوان مدیر ارشد فناوری و هوش مصنوعی به AutoNation پیوسته است و دستور کار فناوری، علم داده و هوش مصنوعی را رهبری می کند.

کسی را در حال حرکت در هوش مصنوعی می شناسید؟ اطلاعات تغییر شغل را به a.mills@newsweek.com ارسال کنید

جالب ترین یا غیرمنتظره ترین روشی که اخیرا از هوش مصنوعی استفاده کرده اید چیست؟

"من اخیرا از کدنویسی با حال و هوای سرگرم کننده ای لذت بردم. با ساختن یک نمونه اولیه تعاملی از محصول فعلی خود با برخی تغییرات هدفمند شروع کردم. این به من اجازه داد کارم را با چیزی واقعی مقایسه کنم. چیزی که مرا شگفت زده کرد این بود که دیدم هوش مصنوعی در کجا عملکرد خوبی دارد و کجا خراب شده است.

به عنوان مثال، ترجمه محتوای انگلیسی به اسپانیایی بسیار بهتر از آنچه انتظار داشتم انجام داد و لحن و صدا را بسیار بیشتر از مدل‌های قبلی حفظ کرد. ما می‌دانیم که محتوای تولیدی می‌تواند عالی باشد، اما وقتی از من خواستم محتوای موجود را با ارجاع به زمان از آخرین ماموگرافی شخصی شخصی‌سازی کنم، خروجی‌های عجیبی ایجاد کرد که علامت حمایت از تغییر رفتار را از دست داد. من هیچ آموزشی در مورد اینکه چرا می‌خواهم تغییرات محتوا را داشته باشم، نداده بودم، و بنابراین هوش مصنوعی بدون ایجاد یک روایت، آن را انجام داد. درس: بدون تخصص دامنه جاسازی شده، حتی شخصی سازی ساده نیز از بین می رود.

یک لحظه مهم: پاسخ‌های تعاملی در نسخه نمایشی من بلافاصله می‌آمدند، که می‌دانم از تحقیقات قبلی باعث می‌شود افراد احساس کنند شخصی نیستند. متوجه شدم کسی باید جزئیات تجربی مانند زمان پاسخ را طراحی و برنامه ریزی کند. ورودی‌های مورد نیاز تیم من باید فراتر از محتوا و طرح‌بندی باشد و به تجربه‌ی زنده تعامل فراتر رود.»

جادوی هوش مصنوعی را تجربه می کنید؟ در مورد آن در a.mills@newsweek.com به ما بگویید