首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >AI取代人类?这4种工作仍将是从业者的“铁饭碗” | 未来

AI取代人类?这4种工作仍将是从业者的“铁饭碗” | 未来

作者头像
IT阅读排行榜
发布2018-08-17 11:44:24
4110
发布2018-08-17 11:44:24
举报
文章被收录于专栏:华章科技华章科技

导读:围棋人机大战、人脸识别、自动驾驶、智能控制、语言和图像理解……这些年,人工智能的威力,我们已经见识过太多。“人工智能”甚至入选“2017年度中国媒体十大流行语”。

如今,深度学习结合大数据,让人工智能学习“知识”成为可能。人工智能正在试图拥有一个人类的大脑。那么,在人工智能横行的时代,人类的工作甚至生存的空间又在哪里?

以下观点和案例会告诉你,人类在未来在4个工作领域仍然不可替代,这4项工作也将成为业内的“铁饭碗”。希望本文能够为你的职业规划及发展方向提供帮助。

将从大数据中提取“知识”的工作交给人工智能,但这绝不意味着人类将变得无关紧要。人类需要承担“选择合适方法”等新的任务。让我们来看看人类应发挥的4点作用。

01 进行深层神经网络的内部设计,为人工智能选择合适的机器学习方法

深层学习(Deep Learning)也有缺点,绝不是万能的方法。而且在很多情况下我们使用传统的方法会更加见效。东京大学的原田达也教授作为图像识别技术的研究人员指出:“其中的一个难题就是,关于如何进行深层神经网络的内部设计,目前还没有人能够提出一个明确的设计指南。

所以人类应该发挥的第一个作用,就是选择合适的机器学习方法。

除了深层学习之外,机器学习的方法还有很多。对很多企业来说,与其一下子就尝试难以驾驭的深层学习,不如引入现有的机器学习方法更具实际意义。

在方法的选择上,我们可以参考横滨国立大学滨上知树教授的做法。横滨市从2008年起开始构建“119紧急电话对紧急程度/病情严重程度的识别(call triage)”预测模型系统,而滨上教授正是负责该项目机器学习的研究人员。

横滨市的call triage指的是从通话内容中预测拨打119电话的患者病情的严重程度,根据具体症状来调整急救人员的种类和规模。因为现在急救人员的人手增加存在困难,如何有效安排就显得非常重要。

这时候最重要的一点就是“不能把重症的患者判断为轻症”(滨上教授)。哪怕允许“把轻症的患者判断为重症”,也绝不允许系统把重症患者判断为轻症。也正因为如此,系统最初的预测精准度还不到30%。

▲横滨市“call triage支援系统”

滨上教授为了提高准确度,始终在更新机器学习的方法。从最初的“logistic回归”分析到“贝叶斯网络”“支持向量机(SVM)”,再到现在的“随机森林”,随着每一次方法的改进,系统的预测精准度都有所提升,现在已经在80%以上。

有意思的一点是,比起在构建预测模型时参考了医生意见的贝叶斯网络,没有参考医生意见的SVM及随机森林的预测精确度反而更高。滨上教授指出:“电脑竟然能比医生更准确地判断患者病情的严重程度,这对一般人来说可能在感情上很难接受。消除这种误解,也是人工智能研究人员的重要任务之一。

02 找出机器学习和深层学习的适用领域

找出机器学习和深层学习的适用领域,这是人类的第二个作用。通过在各个领域不断尝试机器学习并评估其成效,寻找可以应用的新领域,这种态度是非常重要的。

制药公司过去依靠的是实验和建模方式,而现在它们开始利用机器学习进行新药研发。

2014年,日本的非营利组织(NPO)“并列生物信息处理Initiative”举办了“用电脑创造制药原料”大赛。在这场大赛中,引进了机器学习的风险企业“信息数理生物”公司拔得了头筹。比赛的主题是从220万种化合物中寻找出拥有某种疗效的、可用于制药的化合物。

▲“信息数理生物”公司研发的“虚拟筛选”系统

在这里需要找出损伤蛋白质活性的化合物,这是造成疾病的原因。目前共有两种方法可以找出这种化合物:①进行真实的实验。②通过电脑建模的方式再现蛋白质和化合物的构造,并据此进行模拟实验。

但是,化合物共有220万种,如果对每一种都进行实验或建模,从成本到时间上都很难做到。该公司根据“结构相似的化合物,其作用也相似”这一生物规则为线索,让电脑“针对现有医药品的结构进行机器学习,寻找结构相似的化合物”(望月正弘)。实践证明,利用这种方法确实找到了有望作为药品发挥作用的化合物。

在素材和材料领域也能看到同样的探索。在“信息材料学”方面,现在正通过机器学习寻找可用于制造超导体及太阳能电池材料、锂离子电池材料的化合物。

03 验证机器提出的假设,思考这些模式和规律产生的原因

人工智能可以从大量数据中找到模式和规律,而思考这些模式和规律产生的原因,从中发现新知识,则是只有人类才能完成的工作。这也是人类的第三个作用。

日本大型综合建设公司大林组计划从2014年11月开始启用系统,采用NEC的“异种混合学习”机器学习技术,根据楼宇里安装的4500个传感器提供的数据,对24小时或1个月后楼宇的能源消耗量进行预测。

楼宇的能源消耗模式根据平日、周末和时间段等不同而有所不同。对于具体在什么时间点模式会发生改变这一点,一直以来都是靠人工根据专业知识分出几种不同的情况,再制作出合适的模型进行判断的。

▲大林组公司的楼宇能源消耗预测系统

NEC的异种混合学习则是通过机器学习的方法观察到模式的转换,再根据不同的模式生成模型。传统的预测模型的失误率超过10%,预计导入异种混合学习之后,失误率会降到5%以下。

大林组公司环境解决方案部小野岛一部长说:“今后我们要做的工作就是,了解异种混合学习在什么节点对模式进行切换,找到其背后的原因。”比如异种混合学习分析出以某户外温度值为节点,预测模型会发生切换。“我们要弄明白在超过这个温度时楼宇中的哪些内容会发生改变。通过理清这些因果关系,可能会发现新的节能方法。”

04 收集数据,制定数据收集机制以供人工智能进行学习

只要有数据,人工智能就可以学习,但是如果没有数据,那就什么也做不了。如何制定数据收集机制以供人工智能进行学习,是人类的重要任务,也是人类的第四个作用。

日本SoftBank Mobile公司目前正在推进由SoftBank Robotics研发的人形机器人“Pepper”的推广活动。其目的之一,就是通过Pepper“收集店里接待客人时的相关数据”(SoftBank Robotics PMO室林要主任)。

▲Softbank公司的待客机器人“Pepper”

一直以来,都是由店员在店里承担接待客人的工作。“店员和客人进行沟通以后,顾客有哪些反应”这一类数据完全没有记录下来。

Pepper可以识别顾客声音,理解话语内容,通过对话向客人提供服务。它甚至还可以根据顾客的语音语调判断客人的情绪。通过Pepper的行为,可以收集到有关顾客反应的相关数据。

要想让‘服务型机器人’在服务行业大显身手,最重要的一点就是收集数据。如果可以大量收集到能够确保一定质量的数据,就可以孕育出新的认知。”林要主任说。

数据收集工作中最难的一点,就在于收集反映人类判断结果的“训练数据”。如果训练数据的收集实在困难,也可以采用“无监督学习”方式。

例如,风险企业Informetis仅仅根据家庭或办公室里一个电流传感器的数据,就通过无监督学习的方式开发了可以分别识别多台机器用电量的“机器分离技术”。该技术的特点在于无须为每一台机器配备电流传感器。

“冰箱、电视、电脑等机器的种类繁多,我们认为很难收集用于识别各类机器的训练数据,也就是反映各机器耗电倾向的数据,所以采用了无监督学习方式。”该公司社长只野太郎介绍说。

哪些数据需要收集,哪些数据能够收集,对这些问题进行判断,正是只有我们人类才能完成的工作。

关于作者:日经计算机,一本写给管理者与领导者的IT综合信息杂志,以链接IT策划、研发、应用为己任。旨在传播“推进商业的IT”信息,让读者能轻松理解策划、研发与应用的综合信息。

本文摘编自《物联网商业时代》

点击“阅读原文”了解及购买本书

转载请联系:baiyu@hzbook.com

点击文末右下角“写留言”发表你的观点

推荐语:有网友评论该书为“未来生活的提前预演”。这是一部全面展示物联网前沿的产业分析手册,物联网并不是时髦的概念,它在悄悄从产业链的上游改变我们的世界。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2018-04-19,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 大数据DT 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
人脸识别
腾讯云神图·人脸识别(Face Recognition)基于腾讯优图强大的面部分析技术,提供包括人脸检测与分析、比对、搜索、验证、五官定位、活体检测等多种功能,为开发者和企业提供高性能高可用的人脸识别服务。 可应用于在线娱乐、在线身份认证等多种应用场景,充分满足各行业客户的人脸属性识别及用户身份确认等需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档