通过AI系统 分级协助 企业控制成本
发布时间：2022-12-21 10:58:41 所属栏目：大数据 来源：
导读： 我们已经看到，一些平淡无奇或单调乏味的任务已经被机器人或自动化所取代，那么怎样才能阻止它们让我们所有人都失业呢?
希望总是存在的：有很多工作还需完全依赖于人的素质，比如创造力或同情心。这些是
希望总是存在的：有很多工作还需完全依赖于人的素质，比如创造力或同情心。这些是
|
我们已经看到，一些平淡无奇或单调乏味的任务已经被机器人或自动化所取代，那么怎样才能阻止它们让我们所有人都失业呢? 希望总是存在的：有很多工作还需完全依赖于人的素质，比如创造力或同情心。这些是计算机程序无法复制的东西——难道可以复制?接下来，让我们考察几种人工智能无法取代的工作，看看你的职业生涯是否像你想象的那样安全。 1.人力资源经理 我们中有多少人在简历上至少撒过一次谎才找到工作?人力资源部确实有不少岗位看起来是人工智能无法取代的。公司需要一位人力资源经理来帮助区分那些纸面上看起来不错的应聘者和那些适合这份工作的应聘者。而且，同情心和仁爱心也有助于解决员工之间的纠纷，对吗? 自20世纪90年代中期以来，科学家们一直在研究帮助人工智能理解人类情感的方法。到2009年，Affectiva——一种多模态情感人工智能——能够以90%的准确率鉴别和认定人类情感。虽然目前还没有计划用人工智能系统取代人力资源经理，但这条职业道路可能不像之前认为的那样安全。 2.运动员 无论你喜欢什么样的运动，没有什么比观看一名职业运动员在比赛中处于巅峰状态更好的了。这些体育技能往往要耗费数月时间来学习以及数年时间才能掌握，而处于巅峰状态的运动员就是人类所能做到的完美范例。 人工智能系统取代熟练运动员的可能性微乎其微，但这在未来可能会改变。许多运动，如足球或橄榄球，往往会使运动员受伤或面临长期健康问题。然而，一旦保持健康的需求超过了比赛的欲望，那么机器人运动员可能会取代人类。 如果将来有一天工程师们能开发出可以模仿人类动作的机器人，那么这可能标志着我们所熟知的职业体育运动的终结——没人想看机器人把足球从球场的一端传到另一端! 3.作家 作家是一个独特的群体，他们会连续几天重组26个字母来构建词汇。无论最终目标是提供信息还是娱乐，写作都需要大量的创造力，我们认为这是人类独有的。 事实证明，创造力不仅仅是人类的一种特质。全世界的科学家都训练人工智能系统来创作诗歌、故事和剧本，并取得了不同程度的成功。不过，总有一线希望——至少对美国作家来说是这样。美国版权局在2022年裁定，只有人类才能创作受版权保护的作品。 4.教师 在全球范围内，教师是最不受重视、薪酬最低的职业之一。他们正全心全意地塑造着我们的下一代，而且他们所做的一切令人难以置信的工作值得更多的赞扬。得益于网络互联，人工智能系统可能会达到人类知识的广度，但知识和智慧之间存在着巨大的差异。因此，人工智能系统可以用于教学，但必须有老师帮助学生学习。 我们现在遇到的问题是教师短缺，而这正是人工智能可能变得必不可少的原因之一。人工智能可能永远无法完全取代对熟练教师的需求，但随着越来越多的人出于各种原因离开这一领域，它们可能变得必不可少。 5.律师 到2030年，人工智能可能为全球经济增加13万亿美元，这就是为什么这么多人担心他们的工作可能面临风险。律师们往往在社会上有不太好的名声，但他们是目前刑事司法系统的重要组成部分。从事法律这一行业需要大量的记忆，而人工智能系统可能正擅长这一点。 不幸的是，对于这些人工智能系统来说，当律师可不仅仅是理解法律条文那么简单，他们更必须吃透法律的精神。人工智能并不是为了做出这种主观判断而设计的——至少目前还不是。如果有一天出现一种更人性化的能够模仿人类行为甚至能够自行感知的人工智能系统，那么届时律师们可能会发现自己真正失业了。 你的职业是否人工智能无法取代? 诚然，本文并没有给出一份详尽的社会职业清单。但事实是，我们很可能正在进入一个人工智能的黄金时代——几乎所有的工作最终都会被人工智能系统所取代;不过，人类目前还没有完全做到这一点。因此，不要简单地依靠你的工作描述就说你的职业不会为人工智能 就像国际汽车工程师学会(SAE)对自动驾驶汽车分级一样，为了预测人工智能系统的成本，给它们分个“级别”想必也是不错的选择。采用分级系统可以帮助组织计划和准备AI系统，且随着时间的推移，AI系统的复杂性也会不断增加。 设计和构建人工智能系统不是件容易事。传统软件的大部分成本都在部署前的开发过程中，而AI系统的大部分成本都在部署后。人工智能系统的行为不断学习，且很可能会从最初的部署中改变。如果不持续投资数据和进行参数调整，机器学习模型会随着时间的推移而“退化”。设计决策直接影响人工智能系统的扩展能力，其难点就是理解AI系统如何随着时间的推移而发生变化。 在构建AI系统时，分级可以为不同AI系统的行为提供参考。进行分级并根据级别进行权衡可以帮助简化部署后的差异。理解系统可能会发生何种行为变化，并将其纳入系统设计中是非常重要的。以下的分级框架概述了各级系统随时间变化的主要差异，我们可以在设计和操作系统时对这些差异加以利用。不同的系统可以处于不同的级别，而对其差异有一个整体的认知可以帮助组织更好的规划和执行。系统的复杂性可以由其输入(a)、输出(b)和目标(c)的范围来定义。 AI级别 一般来说，随着级别的上升，成本也会增加。比如我们设想将一个运行在1级的系统提升到2级，但是系统构建的复杂性和成本也会随着级别的上升而增加。显然，我们的新功能应该先从一个系统行为容易理解的“低”级别开始，再逐渐增加级别——随着级别的增加，系统的失败案例变得越难理解。 随着我们从传统软件(0级)升级到完全智能软件(4级)，不同级别的AI系统差异明显，极大地影响了系统成本。级别4的系统基本上可以自行维护和改进，无需内部开发团队的任何工作。升级是需要权衡的。例如，从1级到2级减少了持续的数据需求和定制工作，但引入了一个自我强化的偏差问题。选择升级需要认识到新的挑战，以及在设计AI系统时需要采取那些措施。在系统升级过程中，其可扩展性、通用性、稳健性等均发挥关键作用。在第N级的项目上工作时，我们应该考虑达到第N+1级的工作成本和收益，同时应该根据自己的目标设定合适的分级，并意识到何时需要升级现有的AI系统。 0级：可靠型(传统型)Deterministic 不需要训练数据，不需要测试数据，不涉及学习的算法处于0级。0级(计算机科学中的传统算法)的最大好处是非常可靠，只要解决了问题就是最优解。在某种程度上，很多的算法(比如二分搜索)都是对数据的“自适应”。我们通常不认为排序算法是“学习”的。学习涉及到记忆——系统在过去学习的基础上改变未来的行为。然而，有些问题采用预先指定的算法很难解决。对于那些人类难以诠释的问题(如语音到文本、翻译、图像识别、语言提示等)，它很难执行。 示例： 自定义文本分类模型 语音到文本(声学模型) Level 1：自学习型Self-learning 动态+静态训练数据，静态测试数据。 Level 2是使用由系统生成的训练数据对模型进行改进的系统。在某些情况下，数据的生成是独立于模型的。所以我们希望随着时间的推移以及更多的数据加入模型，性能会增加;在其他情况下，模型干预会增强模型偏差，并且随着时间的推移，表现会变得更糟。为了消除模型偏差，我们需要静态数据集重新评估模型。 这样来看，Level 2性能似乎可以随着时间的推移而自动提高。但是如果不加以管理，系统可能会随着数据的增加变得更糟。因为本质上依赖于静态数据集(一开始生成自己模型的训练数据)，处于Level 2的系统改进能力有限，而要解决这种模型偏差很有挑战性。 示例： 用于信用卡验证的Luhn算法 基于正则表达式的系统 信息检索算法，如TFIDF检索或BM25 基于字典的(Dictionary-based)拼写校正 注意：在某些情况下，可能会有少量参数需要调优。例如，ElasticSearch提供了修改BM25参数的能力(例如一键设置set and forget)。 Level 2：学习型Learned 静态训练数据，静态测试数据。 您可以在脱机环境中训练模型，再将训练好的“固化”的权重部署到生产系统中。模型可能会有一个更新的节奏，但是模型运行的环境不会影响模型。 Level 1可以让你尝试学习和部署任何功能，但训练数据是有限的。这是一个尝试不同类型解决方案的演练场。此外，对一些常见的问题(如语音识别)，你可以从边际成本递减中获益。 Level 1的缺点是对单个用例的定制化学习：你需要为每个用例管理训练数据，而用例可能会随着时间的推移而改变，因此需要不断地添加训练数据以保持模型的性能。这个成本是难以承受的。 示例： Naive垃圾邮件过滤器 语音-文本模型(语言模型) Level 3：自动型Autonomous (or self-correcting) 动态训练数据，动态测试数据。 Level 3系统既能改变人类的行为(例如建议一个操作并让用户选择)，又能直接从该用户行为中学习(例如用户的选择偏好)。从2级升级到3级意味着系统的可靠性和总体可实现性能将大幅提高。 相较于Level 2，Level 3，系统可以随着时间的推移而改善。当然，它也更加复杂。它可能需要真正惊人的数据量，或者非常精心的设计，才能比简单的系统做得更好;但是它适应环境的能力也使测试非常困难，甚至可能出现灾难性的恶性循环。例如，测试人员纠正一个垃圾邮件过滤器——虽然人类只纠正了系统所做的错误分类，但是系统意识到其所有预测可能都是错误的(过于敏感)，并将自己的预测整个颠倒过来。 Level 4：智能型Intelligent (or globally optimizing) 动态训练数据，动态测试数据，动态目标。 Level 4是既能与环境动态交互又能全局优化的系统。例如，AutoSuggest模型并不优化当前方法，而是优化一系列事件以达到最佳的对话框的目标。 虽然如何实现还有漫长的探索之路要走，Level 4的前景确实一片光明。精准定位问题，引入奖励与惩罚机制，评估模型的行为，这些都是重大而艰巨的任务。 （编辑：天瑞地安资讯网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐