همانطور که می دانید کار کنید، یادگاری از گذشته خواهد بود

همانطور که می دانید کار کنید، یادگاری از گذشته خواهد بود.

از خواب بیدار می‌شوی، قهوه می‌ریزی و به یک تماس می‌پیوندی. ده دقیقه اول صرف صحبت در مورد اینکه چرا یک همکار 1524 واحد را در سلول B4 صفحه گسترده مشترک شما تایپ کرده است. بدیهی است که باید 1759 واحد باشد.

بعد از ظهر، سومین بازنویسی پیشنهادی را برای یک مشتری جدید تکمیل می کنید. به محض اتمام آن پیامی دریافت می کنید. دامنه تغییر کرده است. دوباره

این یک روز عادی برای اکثر کارگران دانش است. پنج سال دیگر، این نوع روزها قدیمی به نظر می رسد، و هر چقدر هم که عجیب به نظر برسد، احتمالا آن را از دست خواهیم داد.

ما قبلا بعد از اینکه کشاورزی جای خود را به کار کارخانه داد، اینجا بودیم، و سپس این به کار دانشی تبدیل شد که اکثر ما امروز انجام می دهیم. ابزارهای جدید مشاغل قدیمی را خودکار کردند و ماهیت کار با آنها تغییر کرد. عوامل هوش مصنوعی همین کار را برای کارهای میز انجام می دهند.

درخشان و در عین حال بی فایده

ما اخیرا کار کرده‌ایم که چگونه هوش مصنوعی را از یک ماشین پرسش و پاسخ به چیزی که واقعا کار می‌کند تبدیل کنیم. کدنویسی یک مثال تمیز است. دو سال پیش، کدنویسی هوش مصنوعی عمدتا با تکمیل خودکار و اسکریپت های کوچک تعریف می شد. امروزه، مهندسان Anthropic گزارش می دهند که هوش مصنوعی اکنون تا 90 درصد از کدهای خود را می نویسد و برخی دیگر اصلا با دست کدنویسی نمی کنند.

پس چرا توهمات و خطاهای اساسی هنوز اتفاق می افتد؟ هر چند هفته یک مثال جدید به گوش می رسد: یک مدل نمی تواند تعداد Rs در توت فرنگی را بشمارد. یکی دیگر اصرار دارد که به سمت کارواش بروید، زیرا تنها 50 متر با آن فاصله دارد (پا گذاشتن در کف، سمپاش ها و غلتک ها ایده خوبی به نظر نمی رسد). آزمایشگاه‌ها هر کدام را وصله می‌کنند و یک خجالت تازه روز بعد ظاهر می‌شود.

آندری کارپاتی، محقق هوش مصنوعی، این را هوش ناهموار می نامد. مدل‌ها مشکلات بسیار پیچیده‌ای را حل می‌کنند و سپس در مورد چیزی که یک کودک درست می‌کند سرگردانی می‌کنند. درس این است که شما نمی توانید از قبل بگویید کدام را دریافت خواهید کرد.

به عبارت دیگر، شما نمی توانید یک انسان را از فرآیند استخراج کنید، یک عامل را رها کنید و فرض کنید خروجی خوب است.

چه چیزی را تحویل دهیم

به چه عاملی می توان اعتماد کرد با دو سوال. هزینه یک اشتباه چقدر است و بررسی آن چقدر هزینه دارد؟

هزینه خطا، آسیب زمانی است که مدل اشتباه می کند. استناد توهم در پرونده قضایی گران است، یعنی جریمه نقدی و صدمه به شهرت. پیش نویس کلی خلاصه یک جلسه نه چندان زیاد.

از سوی دیگر، هزینه تأیید این است که بررسی اینکه آیا آنچه عامل تولید شده درست است یا خیر، چقدر آسان است. ریاضیات در انتهای طیف ارزان قیمت قرار می گیرد، زیرا اثبات ها را می توان به صورت برنامه ای بررسی کرد، در حالی که یک استراتژی تجاری در بالاترین نقطه قرار دارد، زیرا برای ارزیابی صحیح آن به تخصص عمیق نیاز دارید.

وظایف خود را در برابر این دو سوال بسنجید. هرچه یک کار در هر یک از آنها امتیاز بیشتری کسب کند، تأیید، نظارت و تخصص انسانی بیشتری مورد نیاز است.

نکته ای که در اینجا باید به خاطر داشت این است که آنچه ما به عنوان یک کار می بینیم اغلب می تواند شامل چندین کار باشد. به عنوان مثال، خدمات مشتری ممکن است مانند یک کار به نظر برسد، اما تفاوت زیادی بین تعاملات سطح اول معمولی، که هزینه‌های راستی‌آزمایی پایین‌تر و مسیرهای تشدید واضح‌تر دارند، و تعاملات سطح دوم و سوم پیچیده‌تر، که هزینه خطاها و تأیید بسیار بالاتر است، وجود دارد.

Klarna به طور عمومی متوجه این موضوع شد و به سختی اتوماسیون را دنبال کرد و پس از کاهش کیفیت افراد را دوباره استخدام کرد. نتیجه‌گیری سباستین سیماتکوفسکی، مدیرعامل این شرکت این بود که مشتریان باید بدانند اگر یک انسان را می‌خواهند، همیشه آنجاست.

چرا اتوماسیون جزئی افراد را با ارزش تر می کند؟

دستگاه های خودپرداز در دهه 1970 از طریق بانکداری گسترش یافتند و اکنون بیش از 400000 دستگاه از آنها تنها در ایالات متحده وجود دارد. پیش بینی بدیهی این بود که تعداد عابربانک بانکی کمتر شود. در عوض، تعداد باجه ها افزایش یافت و دستمزد آنها نیز افزایش یافت.

رادیولوژی نسخه مدرن است. ابزارهای هوش مصنوعی اکنون برخی از اسکن ها را بهتر از مردم می خوانند. با این حال، بخش های رادیولوژی بیکار نمی نشینند. موقعیت های باز را نمی توان پر کرد و تقاضا هرگز بالاتر نبوده است.

نظریه حلقه O-Ring مایکل کرمر، اقتصاددان برنده نوبل، توضیح می دهد که چگونه کار دانش مدرن به جای افزایشی، ضربی است. به عبارت دیگر، یک مرحله معیوب، مقدار کل خروجی را به صفر می رساند.

در اتوماسیون، یک حلقه ضعیف تنها کل خروجی را غرق می کند، مگر اینکه انسان آن را بگیرد. این باعث می شود که انسان های باقی مانده ارزش بیشتری داشته باشند تا کمتر. آنها در حال حاضر حجم بسیار بیشتری از کارهای با کیفیت بالاتر را نگه می دارند. تقاضا تنها زمانی کاهش می‌یابد که کل زنجیره خودکار شود، و تا زمانی که ناهمواری و توهم همراه ما باشد، تصور آن دشوار است.

اثر تمرکز

اتوماسیون زمان را آزاد می‌کند و این زمان تعیین می‌کند که آیا هر یک از اینها نتیجه می‌دهد یا خیر. اگر به خوبی خرج شود، به وظایف تنگنا می‌رود، مانند ایجاد روابط با یک مشتری بالقوه، درک نیازهای مشتری و قضاوت کردن، می‌تواند کیفیت کار تمام‌شده را بهبود بخشد و سطح کاری را که بعدا خودکار می‌شود، افزایش دهد.

اما برای تحقق این امر، رهبران باید شناسایی کنند که عوامل می توانند چه کاری انجام دهند، فعالانه آنها را تحویل دهند و سپس فرآیندها را بازسازی کنند تا افراد بتوانند به جای نگهداری از ماشین، به سمت این کار با ارزش بالاتر حرکت کنند.

پنج سال دیگر

این را تصور کنید: دوازده نماینده که به صورت موازی کار می کنند، پیشنهادات را تهیه می کنند، سرنخ های واجد شرایط را تعیین می کنند، بلیط های پشتیبانی را تسویه می کنند. کار خسته کننده و تکراری از بین رفته است. بار شناختی شما بیشتر است، زیرا باید از نظر ذهنی تمام این وظایف را انجام دهید، بازخورد بدهید، در حالی که مطمئن شوید هیچ چیز از بین نمی رود.

از پهنای باند ذهنی خود محافظت کنید، کارگزاران را به جای برعکس، برای شما کار کنید و آنچه را که به دست می آورید صرف کارهایی کنید که فقط خودتان می توانید انجام دهید.

در غیر این صورت، چند سال دیگر به گذشته نگاه خواهیم کرد و ای کاش می توانستیم دوباره در مورد سلول B4 بحث کنیم.

ما بهترین سازنده وب سایت 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