人工智能和工作的未来

原文出处: Lukas Biewald 译文出处:腊八粥

技 术淘汰了某些种类的工作,并创造了其它种类的工作——从石器时代就是如此。在过去,机器取代了需要体力劳动的人们,我们越来越多地看到传统上的白领工作被 机器扩充着:财务分析师、网络营销和财务报告人,类似的还有很多。当然,这些进步也催生了新的工作。比如,我们今天熟知的电子计算机,取代了人们执行真正 的计算,但是在这个过程中,产生了各种新工作。

人工智能(AI)好像也是用这种方式运转着,为人工智能研究人员创造了岗位,并逐步取代了所有其它种类的知识型工作。或许一个世纪以后,通往那里的 道路和人们所想象的方式大相径庭。我们能够看到,根据 AI 设计模式,我们会去往何方,Google、Facebook 和其它公司在人工智能投入了大量资金。在最普通的设计模式里,AI 实际上能够增加目前正在自动化的这种工作的需求。

设计模式1: 训练数据

目前应用在业务里的、最普通的人工智能被称作监督式机器学习注1。「监督式」部分比较重要:这代表算法要根据训练数据学习。算法仍然无法使用与人类接近的效率学习任何东西,但是它们能够处理更多的数据。

训练数据的数量和质量,是确保机器学习算法良好运转的、最重要因素,优秀公司会非常谨慎地对待收集训练数据的过程。很多人还不清楚,Google 已经投入了好几千万人-时,收集和为数据打标签,并提供给机器学习算法。

收集训练数据的过程永无止境。每当 Twitter 发明了一个新词语或表情符号,机器学习将无法理解,直到看到了很多使用它们的例子。每一次,一家公司想扩张到一种新语言、甚至有着轻微不同的新市场,它们 就需要收集一套新的训练数据,否则它们的机器学习算法将运转在不可靠的环境里。

随着机器学习更好地理解,高质量的算法成了你能买到的东西时,训练数据的收集,对于上线一种新的机器学习算法而言,成了劳动密集部分。

设计模式2:回路中的人(Human-in-the-loop)

当然,有些问题(比如电子表格算术)对于电脑而言,相当简单;而另一些问题(比如用两条腿走路)却难得无以复加。对于机器学习同样如此。在机器学习 运行的每个领域里,总有一些情况是算法可以搞定的,也总有一些情况能够让算法抓狂。这就是机器学习算法常说的,为什么达到 80% 的精确度很轻松,而要达到 99% 的精确度却真的、真的很难了。

幸运的是,优秀的机器学习算法能够区分出他们擅长的和不擅长的情况。机器模型没有自尊心,因此当它们信心降低时,乐于告诉你。这也是「回路中的人」设计模式变得流行的原因:对于机器不能肯定做出的过程和决定,由人类来完成。

这么多年来,人们一直梦想着用有机器人个人助理,像 Facebook MClara Labs 之类的产品正在让其成为现实。但是它们不会自动化每件事情。它们用算法来处理意图清晰的、邮件和日程方面的问题,把更复杂的消息和请求传递给人类。

这种设计模式已经远远超出了人们的期望。无人驾驶汽车不会立即取代人类司机;它们在某些特定条件(比如侧方停车)接管汽车,当路况复杂(比如有建筑 物的繁忙街道)时,再把控制权交还给司机。ATM 不会自动读取你要储蓄的每一张支票,仅在字体清晰时才会读取。在这两种情况下,机器处理很大比例的工作,但是当它们不敢确定能否处理好时,人类介入才是必 需的。

机器学习不是每次只取代一个工作职能,实际上,它会取代每一项工作职能。这让人们能够越来越有效地工作。在某些情况下,这会导致更少的工作岗位,但 是在其它情况下,会创造出新市场,并为相同种类的工作创造出更多工作岗位。现在,如果个人助理每次能处理 20 个客户,那么,个人助理会变得更加便宜,随着更多的人使用,或许效率会超过 100 倍。

设计模式3:主动式学习

主动式学习包含了前两种模式。由「回路中的人」收集的训练数据可以反过来再提供给算法,使其变得更完美。算法像人那样学习——新奇、复杂的情况,有助于它们更快地学习。因此,算法不能处理的例子,由人类打上标签,就变成了帮助算法改进的极好例子。

当我们这样工作时,在未来,我们或许同时也在教同样的系统,慢慢取代我们。另一方面,我们可以看到,它会越来越多地影响到我们的工作。这完全取决于你怎么看待了

它的到来,比你所认为的要更早、更快。

受人工智能的影响,大部分知识型工作已经被省去了,因为从历史角度看,建立一套机器学习算法的先期成本过高。和软件不一样,每一个机器学习模型不得 不针对每一种单个应用程序做个性化开发。因此,机器学习自动化的、仅有的业务应用程序,将非常有利可图,或节约成本,比如预测能量使用或命中广告。

但是一切都在变。两种趋势一直在快速地降低机器学习的成本。一方面,计算能力正变得更便宜,一直都这样。另一方面,机器学习算法正在产品化。单在 2015 年,阿里巴巴、微软、亚马逊和 IBM 都上线了多用途云机器学习平台。公司不再需要类似 Google 的研发预算就能在内部使用机器学习了。

这意味着,很多更小规模的业务功能,将感受到机器学习的效应。当开发一套算法的成本高达一百万美元时,只有大公司才能把机器学习应用于分类工单、组 织销售数据库、或处理款项。但是,当成本只有 20 美元/每月时,每个人都会使用它。所有这些机器学习平台在去年上线,却恍如隔日。


注释

  1. 监督式学习(英语:Supervised learning),是一个机器学习中的方法,可以由训练资料中学到或建立一个模式(函数 / learning model),并依此模式推测新的实例。https://zh.wikipedia.org/wiki/%E7%9B%A3%E7%9D%A3%E5%BC%8F%E5%AD%B8%E7%BF%92

原文发布于微信公众号 - php(phpdaily)

原文发表时间:2015-12-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据派THU

【干货】郭朝晖:工业大数据的特征、方法与价值创造

本文长度为11700字,建议阅读25分钟 本讲座选自宝钢中央研究院首席研究员郭朝晖于2015年12月30日在清华大数据“技术·前沿”讲座上所做的题为《工业大数据...

1918
来自专栏AI科技评论

学界 | FAIR 实验室的 ICLR 2017:理解对话是一场漫长的博弈

AI科技评论按:在 ICLR 2017 举办之际,FAIR实验室撰文展示了团队在理解对话所做的研究和贡献,AI科技评论进行编译,未经许可不得转载。 建立一个有效...

3507
来自专栏AI科技大本营的专栏

《极限挑战》罗志祥遭套路“破产”,我们却看到了更大的危机

游戏中,急于与王迅猜拳赢得胜利的罗志祥,亲手将一个市值和利润率颇高的公司送入破产。相反,黄磊公司虽没有特别良好的市场竞争力,但得益于资深经理人的协助,他利用各种...

713
来自专栏新智元

图灵奖得主、贝叶斯之父 Judea Pearl 谈深度学习局限,想造自由意志机器人

【新智元导读】人工智能领域最高荣誉图灵奖的获得者,贝叶斯之父 Judea Pearl 日前接受 Edge 的采访。他谈到自己发明贝叶斯理论的过程,谈到了当下火热...

4069
来自专栏量子位

谷歌大脑全军出击!Jeff Dean领衔全面解答AI现状与未来

李林 允中 编译整理 量子位 出品 | 公众号 QbitAI 刚送走一年一度为苹果纳肾发布会,又迎来了一年一度Google Brain AMA。 这是Jeff ...

2487
来自专栏人工智能头条

MIT在读博士心得:做好AI科研,你需要注意什么?

1414
来自专栏华章科技

错一半,但莱昂纳多的最佳男主角,人工智能预测对了

今日举行的第88届奥斯卡颁奖典礼,最抢眼的男主角无疑是“万人迷”莱昂纳多·迪卡普里奥,第五次获得奥斯卡提名的小李子已经悲情 “陪跑”奥斯卡20多年。人工智能公司...

702
来自专栏人工智能快报

机器学习力助新材料研发

根据美国科学促进会全球科学新闻网2016年5月9日报道,美国洛斯阿拉莫斯国家实验室的研究人员通过实验展示了一种基于信息学的自适应性设计策略,能帮助科学家发现具有...

2995
来自专栏华章科技

图灵奖得主、贝叶斯之父谈深度学习局限,想造自由意志机器人

编译来源:https://www.edge.org/conversation/judea_pearl-engines-of-evidence

742
来自专栏AI科技评论

金句频出,16位大神在ICML上展开了一场机器学习的Great Debates

AI 科技评论按:机器学习圈子这几天发生了一件有趣的事,一群知名学者在 ICML 2018 上抱着吵架(辩论)的心思坐到一起,结果却没能吵起来。

1284

扫码关注云+社区