Nya arbetsmöjligheter med maskinlärande - dummies

Du kan hitta mer än några artiklar som diskuterar förlusten av jobb som maskininlärning och dess associerade tekniker kommer att orsaka. Robotar utför redan ett antal uppgifter som brukade anställa människor, och denna användning kommer att öka över tiden. Du måste också ha funderat på hur de nya användningarna potentiellt kan kosta dig eller en älskad ett jobb. Vissa författare har gått så långt som att säga att framtiden kan ha ett scenario där det inte kan garanteras ett jobb att lära sig nya färdigheter.

Faktum är att besluta hur maskininlärning påverkar arbetsmiljön är svår, precis som det var svårt för människor att se var den industriella revolutionen skulle ta folk i vägen för massa -producerande varor för den allmänna konsumenten. Precis som de anställda behövde hitta nya jobb, så måste människor som står inför förlust av yrke till maskininlärning idag hitta nya jobb.

Arbetar för en maskin

Det är helt möjligt att du kommer att hitta dig själv för en maskin i framtiden. Faktum är att du kanske redan arbetar för en maskin och inte vet det. Vissa företag använder redan maskininlärning för att analysera affärsprocesser och göra dem mer effektiva. Till exempel använder Hitachi en sådan inställning i mellankontroll.

I det här fallet utfärdar AI faktiskt arbetsorderna utifrån analysen av arbetsflödet - precis som en mänsklig mellanledare kan göra. Skillnaden är att AI faktiskt är åtta procent effektivare än människan som den ersätter. I ett annat fall drev Amazon en tävling bland maskininlärningsexperter för att ta reda på huruvida företaget bättre kunde bearbeta arbetstillståndsprocesser automatiskt med maskininlärning. Återigen var poängen att ta reda på hur man byter mellanhantering och skära lite av tejpen.

Men ett jobbmöjlighet presenterar sig också. Arbetstagare inom AI utför de uppgifter som AI säger till dem att göra, men de kan använda sin egen erfarenhet och kreativitet för att bestämma hur man utför uppgiften. AI analyserar de processer som de mänskliga arbetarna använder och mäter de uppnådda resultaten. Eventuella framgångsrika processer läggs till i databasen över tekniker som arbetstagare kan ansöka för att utföra uppgifter. Med andra ord lär människorna AI nya tekniker för att göra arbetsmiljön ännu effektivare.

Arbeta med maskiner

Människor arbetar redan regelbundet med maskiner - de kanske inte inser det. Till exempel när du pratar med din smartphone och det känner igen vad du säger arbetar du med en maskin för att uppnå ett önskat mål.De flesta känner igen att röstinteraktionen som medföljer en smartphone förbättras med tiden - ju mer du använder det, desto bättre blir det när du känner igen din röst. När elevens algoritm blir bättre inställd blir det effektivare för att känna igen din röst och få det önskade resultatet. Denna trend kommer att fortsätta.

Maskininlärning används dock på alla sätt som inte kan hända dig. När du pekar på en kamera i ett motiv och kameran kan lägga en låda runt ansiktet (för att hjälpa till att rikta bilden) ser du resultatet av maskininlärning. Kameran hjälper dig att utföra jobbet med att ta en bild med mycket större effektivitet.

Användningen av deklarativa språk, som SQL (Structured Query Language), kommer också att bli mer uttalat, eftersom maskininlärning gör det möjligt att göra framsteg. I vissa avseenden kan ett deklarativt språk enkelt beskriva vad du vill och inte hur man får det. SQL kräver emellertid fortfarande en datavetenskapare, datavetenskapare, databasadministratör eller någon annan professionell att använda. Framtida språk kommer inte att ha denna begränsning.

Så småningom kan någon som är utbildad att utföra en viss uppgift enkelt berätta för robotassistenten vad han ska göra och robotassistenten kommer att upptäcka sättet att göra det. Människor kommer att använda kreativitet för att upptäcka vad att göra; detaljerna (hur) blir domänen för maskiner.

Reparationsmaskiner

Innan tekniken kan göra någonting annat måste den utföra en praktisk uppgift som kommer att locka uppmärksamhet och gynna människor på ett sätt som gör att människor vill ha tekniken för sig själv.

Det spelar ingen roll vad tekniken är. Så småningom kommer tekniken att bryta. Att få tekniken att göra någonting användbart är det främsta övervägandet nu, och kulmen av drömmar om vad tekniken kommer att göra i slutändan sträcker sig in i framtiden, så är vardagliga saker som att reparera tekniken fortfarande faller på mänskliga axlar. Även om människan inte är direkt involverad i den fysiska reparationen, kommer mänsklig intelligens att styra reparationsoperationen.

Vissa artiklar som du läser online kan få dig att tro att självreparationsrobotar redan är en verklighet. Till exempel utförde de internationella rymdstationsrobotarna Dextre och Canadarm en reparation av en felaktig kamera. Vad historierna inte säger är att en människa bestämde hur man utför uppgiften och instruerade robotarna att göra det fysiska arbetet. Autonom reparation är inte möjlig med de tillgängliga algoritmerna idag.

Skapa nya maskininlärningsuppgifter

Maskininlärningsalgoritmer är inte kreativa, vilket innebär att människor måste skapa kreativitet som förbättrar maskininlärning. Även algoritmer som bygger andra algoritmer förbättrar endast effektiviteten och noggrannheten i resultaten som algoritmen når - de kan inte skapa algoritmer som utför nya typer av uppgifter. Människor måste tillhandahålla nödvändig information för att definiera dessa uppgifter och processer som behövs för att börja lösa dem.

Du kanske tror att endast experter inom maskininlärning kommer att skapa nya maskininlärningsuppgifter. Berättelsen om mellanhanteraren från Hitachi ska dock berätta att saker kommer att fungera annorlunda än det. Ja, experter hjälper till att utgöra grunden för att definiera hur man löser uppgiften, men den faktiska skapandet av uppgifter kommer från människor som känner till en viss bransch bäst. Hitachi-historien tjänar som underlag för att förstå att framtiden kommer att se människor från alla håll som bidrar till maskininlärningsscenarier och att en specifik utbildning inte ens kan hjälpa till med att definiera nya uppgifter.

Utbyte av nya maskininlärningsmiljöer

För närvarande är det att utveckla nya maskininlärningsmiljöer för forsknings- och utvecklingsföretag. En grupp högutbildade specialister måste skapa parametrar för en ny miljö. Till exempel behöver NASA robotar för att utforska Mars. I detta fall är NASA beroende av kompetensen hos MIT och Northeastern för att utföra uppgiften. Med tanke på att roboten kommer att behöva utföra uppgifter autonomt, blir maskininlärningsalgoritmerna ganska komplexa och innefattar flera nivåer av problemlösning.

Så småningom kommer någon att kunna beskriva ett problem i tillräckligt detalj att ett specialiserat program kan skapa den nödvändiga algoritmen med ett lämpligt språk. Med andra ord börjar medeltal i slutändan skapa nya maskininlärningsmiljöer utifrån idéer som de har och vill försöka.

Som med att skapa maskininlärningsuppgifter, kommer människor som skapar framtida miljöer att vara experter inom sitt hantverk, snarare än att vara datavetenskapare eller datavetenskapare.