ماشین لرنینگ ، هوش مصنوعی و اتوماسیون، امروزه موردتوجه جدی است. در این میان بدبینانی که میترسند رباتها در زمینه رهبری و نیروی کاری جایگزین انسانها شوند یا حتی خوشبینانی که تصور میکنند هیچچیز جدیدی در این دنیا وجود ندارد، به بیان نظرات گوناگون میپردازند، اما پرفسور اریک برین یولفسن استاد موسسه تکنولوژی ماساچوست و همکارانش معتقدند که این بحث باید شکلی متفاوت به خود بگیرد.
ایران مدیر در این مقاله نظرات گوناگون درباره یادگیری ماشینی را بررسی میکند.
تحقیقات درباره ماشین لرنینگ
تحقیقات جدید حاکی از آن است که کارهای خاصی در مشاغل یا حتی تمام پیشهها بهخودیخود، در آیندهای نزدیک توسط برخی حرفههایی که بیشتر از دیگر مشاغل تأثیر پذیرفتهاند، با ماشین لرنینگ، جایگزین خواهد شد. پس همه مشاغل باید خود را برای تطابق با این موضوع آماده کنند و مناسب سازی های لازم از اکنون صورت گیرد.
محققان در مجموعه مقالاتی که در ماه مه در انجمن اقتصادی آمریکا چاپشده بود نوشتهاند: یافتههای ما پیشنهاد تغییر رویه پیرامون اثرات ماشین لرنینگ را میدهد. جدا از تمرکز رایج درباره اتوماسیون کامل شغلها، ماشین لرنینگ نقشی در جایگزینی شغلهای کلیدی در راه طراحی مجدد تلاشهای تجارت دارد.»
این نوشتهها توسط برین یولفسن، پروفسور تام میچل از دپارتمان ماشین لرنینگ واقع در دانشگاه کارنگی ملون و دنیل راک، کاندیدای دکترا و محقق پیشقدم در حوزه اقتصاد دیجیتال در موسسه تکنولوژی ماساچوست انجام پذیرفته است.
با وجود آنچه هالیوود میگوید، ما از ماشین لرنینگ متداول بسیار فاصلهداریم، این هوش مصنوعی است که میتواند تمامکارهایی که یک انسان انجام میدهد را به شبیهترین شکل ممکن انجام دهد. برین یولفسن که دورهی آموزش اجرایی استراتژیک تجارت دیجیتال را بهصورت آنلاین در MIT تدریس میکند گفت: ما بهطورقطع چیزی حتی نزدیک به آن را هم نداریم و برای چند دهههای آینده نیز نخواهیم داشت مگر اینکه پیشرفتی شگفتانگیز حاصل شود.»
برین یولفسن همچنین گفت: آنچه ما در حال حاضر داریم سیستمهای محدود اما قدرتمندی از ماشین لرنینگ است که قادر به حل برخی از مشکلات معین و ویژه در سطح دقت انسانی یا حتی فوق انسانی، بهطورمعمول با استفاده از شبکههای عمیق عصبی هستند» این فناوریها در زمینههایی همچون علم تجزیهوتحلیل قابل پیشبینی، شناساییِ گفتار و تصویر و همچنین پردازش زبانِ طبیعی، بسیار حرفهایتر هستند.
وی افزود: اما اینهمه چیز نیست، بلکه بعضی از موارد است که این سؤال را آشکارا مطرح میکند و آن، چنین است که این هوش مصنوعی شگفتانگیز چهکارهایی را میتواند با نقص و چه کارهایی را بدون نقص انجام دهد؟»
برای پاسخگویی به این سؤالها، محققها پرسشنامهای ۲۳ سؤاله را تهیه و توضیع کردهاند که تعیین میکند چه کاری برای یادگیری ماشینی مناسب و چه کاری مناسب نیست. یولفسن میگوید: اینکه چقدر نمره بالا یا پایین باشد معین میکند که کار تا چه میزانی مستعد اتوماسیون و یادگیری ماشینی است.»او و تام میچل پرسشنامه اصلی را در مجله Science در دسامبر ۲۰۱۷ منتشر کردهاند.
یولفسن گفت: هر مدیری میتواند از این پرسشنامه استفاده کند و اگر آنها به فکر استفاده از ی ماشین لرنینگ [برای انجام کاری] هستند، این پرسشنامه میتواند راهنماییهایی به آنها ارائه دهد. تعداد بسیار زیادی از کارها هستند که مناسب یادگیری ماشینیاند و اکثر کمپانیها تازه ذرهای از آنها تجربه کردهاند.»
ازآنجاکه یک شغل، تنها مجموعهای از وظایف مختلف است، محققان میخواستند این ایده را گسترش دهند، همچنین ممکن بود تا از این پرسشنامه برای سنجش تمامی حرفهها استفاده کنند تا متوجه شوند آیا مناسب ماشین لرنینگ هستند یا خیر. طبق آمار دفترخانه فدرال آمار کار، برای بیش از ۹۰۰ شغل جداگانه در اقتصاد ایالاتمتحده اعم از اقتصاددانان و مدیرعاملان تا رانندگان کامیون و معلمان مدرسه، دقیقاً از این روش استفاده کردهاند.
محققان مینویسند: فناوری ماشین لرنینگ، ازلحاظ تاریخی عامل اصلی رشد بهرهوری صنعتی بوده است. آنها همچنین بهطور سیستماتیک ساختار دستمزد و استخدام را مختل کردهاند. بااینحال، تجزیهوتحلیل ما حاکی از آن است که یادگیری ماشینی بخشهای بسیار متفاوتتری از نیروی کار را نسبت به امواج اولیه سیستم اتوماسیون تحت تأثیر قرار میدهد.
آینده و یادگیری ماشینی
فناوری یادگیری ماشینی میتواند بسیاری از مشاغل موجود در اقتصاد را دستخوش تغییر قرار دهد، اما کامل کمتر از مهندسی مجدد فرایندها و سازماندهی مجدد وظایف موردتوجه قرار خواهد گرفت.
برین یولفسن میگوید: بهعنوانمثال رادیولوژیستها ۲۶ کار متمایز در رابطه با شغل خوددارند که خواندن تصاویر پزشکی یکی از کارهای بسیار مناسب برای ماشین لرنینگ است چراکه رایانهها تصاویر، در حال پیشی گرفتن از انسانها هستند؛ اما مهارتهای بین فردی مثل انتقال اطلاعات مراقبتهای بهداشتی به بیمار، بهآسانی و بهطور مؤثری توسط ماشینها انجام نمیپذیرد.»
تقریباً در تمامی حرفهها، برخی از کارها هستند که از این روش تأثیر میپذیرند اما کارهای بسیار زیادی نیز در تمامی حرفهها وجود دارند که اینطور نیستند. همچنین برخی از مشاغل، وظایف نسبتاً بیشتری دارند که احتمالاً تحت تأثیر ماشین لرنینگ قراردادند. بهعنوانمثال: شغلی مثل دربان، با خدماتی مبتنی بر یادگیری ماشینی توسط کمپانیهایی مثل گوگل جایگزین شده است.
طبق این مطالعات مشاغلی مانند ماساژ درمانی که پتانسیل زیادی برای یادگیری ماشینی ندارند، کمترین احتمال تحت تأثیر قرار گرفتن را دارند.
محققان توصیه کردهاند به دنبال وظایفی در هر حرفه بگردیم که پتانسیل بالایی برای خودکارشدن توسط یادگیری ماشینی را دارند و آنها را از وظایفی که این قابلیت را ندارند جدا کرده و شغلی مناسب را که با آن تحولات مطابق باشد تشخیص دهیم. این به ما امکان میدهد تا شغل های متناسب با یادگیری ماشینی را بشناسیم و برنامه ریزی های آینده نگرانه را با توجه به آن سامان دهیم.
آنها نوشتهاند که ماشین لرنینگ میتواند وظایفی که برای آن ایدئال است را انجام دهد، درحالیکه کارهای انسانی میتوانند به دنبال آن اثر، افزایش خالص سودآوری را به همراه داشته باشند.
همچنین، محققان مینویسند که این بدان معنا نیست که تحولات جدید در ماشین لرنینگ نمیتوانند تاثیرات گستردهتری در مشاغل و اقتصاد آینده بگذارند.
بنابراین، تطبیقِ وضعیتِ درحال تحول در هنریادگیری ماشینی (ML) در آینده مستلزم بهروزرسانی پرسشنامه باشد.
سخن آخر
در این مقاله درباره نظرات گوناگون و گمانهزنیها درباره مشاغل مستعد برای بهکارگیری ماشین لرنینگ سخن گفتیم. همچنین دانستیم که بسیاری از مشاغل قابلیت این را دارند که به یادگیریهای ماشینی مجهز شوند. آیا شما تجربهای در این زمینهدارید؟ لطفاً دیدگاههای خود را با کاربران ایران مدیر به اشتراک بگذارید.
منبع:
Mitsloan.mit.edu