Am devenit puțin transpirat acum câteva săptămâni. Am dat peste un articol al unui guru analitic, Tom Davenport (printre altele, autorul marilor cărți Competing on Analytics sau BigData At Work), în care discută despre modul în care mai mulți clienți de frunte ai software-ului analitic au recunoscut la o conferință analitică străină de prestigiu că se bazează pe posibilitatea de a înlocui joburi și analiști. După ce am citit articolul, m-am cam speriat ...

aparate

Mă gândesc la acest subiect de aproximativ 2 ani. Pentru oricine a citit cel puțin o revistă IT profesională în ultimii 2-3 ani, este clar că ne confruntăm cu o altă revoluție (industrială). După invenția aburului, urmată de electricitate și motoare cu ardere internă, suntem la începutul erei digitale. Anterior, fluxurile de informații erau conectate prin insule izolate de producție (și, de asemenea, de transport), astfel încât noi, oamenii, avem din nou mai puține responsabilități. Sau de fapt oportunități?

Ce fel de ren va supraviețui?

La început, am predat lopata de lucru manual mașinilor, dar am lăsat cel puțin obligația de a asambla mașinile pe care le vor face pentru noi. Mai târziu am dezvoltat inginerie mecanică și astfel mașinile ar putea produce alte mașini. Noi, oamenii, ne-am retras din nou și am fost lăsați „numai” să controleze (să producă mașini, ce face) mașini. Cu industria 4.0 vine așa-numitul producție autonomă, unde mașinile pot controla alte mașini care produc mașini. Arată puțin discret, dar practic a închis cercul de producție. Deoarece dacă mașinile pot controla pe deplin producția altor mașini, atunci pot „comanda” producția propriilor componente (sau îmbunătățiri). În era digitală de astăzi, când mașinile pot controla și mașinile autonome pentru a transporta alte mașini, nu este deloc științifică să lanseze întreaga producție autonomă a unei fabrici care produce nu numai produsul final, ci și propria întreținere.

În timp ce încercam să extrapolez această situație cu câțiva ani înainte, am fost tulburat de întrebarea ce ocupații umane (locuri de muncă) ar supraviețui de fapt acestei tendințe? Dacă acceptăm premisa că orice proces de producție și transport poate controla un distribuitor automat, nu mai există mult. Câteva joburi de inginerie care vor desena specificații pentru noi forme de mașini, joburi IT (care vor programa algoritmi pentru mașini), joburi analitice (care vor evalua datele de la mașini) și profesii dedicate vieții și dezvoltării umane (cultură, medici, profesori, …). Frecvența cardiacă și tensiunea arterială mi-au revenit la valorile medii, deoarece slujba mea a fost în una dintre categoriile care vor supraviețui de câțiva ani. Adică până când am citit articolul de la T. Davenport.

Inteligența artificială artificială

Articolul m-a forțat să mă gândesc puțin mai profund la tema înlocuirii muncii umane cu inteligența artificială. Am început să analizez mai detaliat ce părți ale lucrării analitice (de astăzi) pot fi lăsate în măsura mașinii. Iată un scurt rezumat al cercetărilor mele:

Curățarea și pregătirea datelor. Primul pas în activitatea analitică este purificarea datelor și pregătirea acestora pentru analize ulterioare. O examinare mai atentă a acestui domeniu m-a determinat să cred (și blogul cu același nume) că industria de curățare a datelor este pe moarte. Instrumente precum Ataccamma și multe altele pot citi pe deplin datele. În mod similar, aproape fiecare bază de date standard are cu sine posibilitatea de a crea proceduri de date sau chiar pachete analitice, care vă permit, de asemenea, să setați dinamic forma și natura datelor de analizat.

Creați suficienți parametri . Odată ce datele sunt șterse, analistul se aruncă în crearea parametrilor care să servească drept predictori. M-am bazat cel mai mult pe această zonă ca un baraj împotriva atacului mașinilor. Cu toate acestea, mașina nu poate ști care este subiectul modelării și, prin urmare, va fi dificil să selectați parametrii adecvați. Cu toate acestea, nu a funcționat pentru mine și am început să studiez algoritmii genetici mai în profunzime. Acest subiect este atât de fascinant încât în ​​curând îi voi dedica un blog separat, așa că în acest moment voi spune doar că euristicile genetice mai avansate pot pune parametrii simpli la încercare și pot înțelege cum să modifice simptomele mai simple în altele mai complicate. Ca urmare, computerul pornește cu parametri simpli și pregătește treptat unul cu adevărat sofisticat, cu o valoare a informației mult mai mare. Un astfel de darwinism accelerat.

Construiți un model predictiv peste istoria predictorilor . Dacă am avut îndoieli în punctul anterior, sunt clar despre asta în partea de a crea modele predictive. Astăzi, învățarea automată este o problemă principală și, dacă furnizați date serviciilor analitice, acestea pot crea în mod independent un model pentru prezicerea unui anumit fenomen. Nu trebuie să mergem departe pentru exemple, băieții de la Expone sau Black Swan Rational, de exemplu, sunt implicați și în crearea autonomă de modele în țara noastră. Această parte nu mai este (pe deplin) în mâinile oamenilor de astăzi. Se va agrava doar în viitor.

Testarea și verificarea modelului. Orice analist care a creat un model predictiv util din punct de vedere comercial știe că majoritatea analiștilor trec verificarea modelului la instrumente precum selectorul ROC sau verificarea CCC. În plus, dacă ați lucrat vreodată cu modele Ensemble, știți că mașina poate lua astăzi modele alternative dezvoltate și poate alege cele mai bune dintre fiecare dintre ele într-un supermodel care va bate fiecare dintre modelele originale în luptă.

Transformați rezultatul în concluzii care pot fi citite de om . Aproape toate companiile analitice majore se bazează pe software-ul de vizualizare pentru a prelua rolul de a afișa rezultatul într-o formă lizibilă de către om. Cu toate acestea, în fiecare an, dau peste Infographics sau o formă de grafică care a fost surprinzător de clară. Până când aparatele nu vor face filme pe care le vom termina, oamenii vor avea avantajul. Cu toate acestea, văd problema în altceva: scepticii modelelor predictive i-au împins pe analiști cu argumentul că modelul predictiv este o cutie neagră, nu știm de ce a decis să o facă și, prin urmare, nu o putem verifica. Răspunsul analiștilor a fost așa-numitul Evaluare explicativă, un alt val de IA care transformă regulile predictive în explicații inteligibile. Această tendință este în principal împinsă de autoritățile de reglementare din domeniul sănătății sau al managementului riscurilor bancare, care solicită ca modelele nu numai să prezică decizia corectă, ci și să adauge o explicație a motivului pentru care „au luat acea decizie”. Dacă mergem mai adânc în acest fel, în spatele uneia dintre celelalte întorsături, elementul uman va fi inutil. AI va oferi, de asemenea, o explicație a motivului pentru care acționează așa cum acționează.

Așa cum a arătat scurta noastră excursie, în 3,5 din cele 5 etape necesare de lucru analitic, mașinile pot ține pasul cu oamenii de astăzi și situația se deteriorează rapid. Întrebarea provocatoare a lui Davenport pare, așadar, pe deplin adecvată. O mare parte a activității de analiză și date pur și simplu nu va necesita o persoană. Încă o dată, anxietatea analitică m-a cuprins. Mă voi retrage în continuare în această ramură sau voi merge la mașini de spart, așa cum au făcut hoardele de muncitori în primul val de industrializare?

De ce ar trebui să se întâmple acest lucru (nu)?

Faptul că există o posibilitate teoretică de înlocuire a oamenilor nu predetermină că acest lucru se va întâmpla. La urma urmei, computerul ne-a bătut deja în șah și în Go, dar oamenii încă nu au încetat să joace niciunul dintre aceste jocuri. Deci, există factori reali care ar trebui să accelereze înlocuirea oamenilor cu mașini și în domeniul analitic? Cred că există astăzi 2 astfel de motive:

Propagarea datelor . Probabil ați auzit că producția de date crește exponențial. Chiar dacă găsim metode pentru o analiză mai eficientă a acestora, reducerea cererilor privind prelucrarea lor va lua forma derivării. Și, după cum știu cei mai inițiați, derivarea unei funcții exponențiale este încă o funcție exponențială. Astfel, volumul tot mai mare de date, în ciuda îmbunătățirii metodelor lor de procesare, va deschide foarfeca între ele
nevoile analitice și disponibilitatea forței de muncă în acest scop. În mod paradoxal, există o cerere tot mai mare pentru nevoia de mașini de analiză a datelor pentru analiza datelor în sine.

Analogie cu detalii . Am vorbit recent cu conducerea superioară a unui lanț de retail. Ei lucrează intens la introducerea caselor de marcat cu autoservire. Când i-am întrebat motivele acestei decizii, nu am primit un răspuns că vor să se apropie de conceptul Amazon Go. Nu, adevăratul motiv a fost că a devenit nedurabil să plătească persoanelor (chiar dacă numai) cu un salariu minim și toate extra pentru seara și weekend pentru scanarea mărfurilor. Prețul soluțiilor IT este redus permanent de legea lui Moore, iar prețul muncii, pe de altă parte, este în continuă creștere. Este doar o chestiune de timp înainte ca prețul unui model automat să cedeze la prețul unitar al omului. Așadar, să ai un model predictiv făcut de o persoană va fi într-o zi același lux ca și să plătești pentru un agent de curățenie, chiar dacă deții un robot Roomba.

Când am confruntat articolul menționat cu mai mulți experți în minerit de date, unii dintre ei s-au liniștit, că nu trebuie să-l văd atât de negru. Asta, da, învățarea automată de bază poate gestiona o memorie RAM și un procesor, dar un cap uman va fi în continuare necesar pentru a controla calitatea modelelor DeepLearning sau a algoritmilor de grupare. În plus, ca oameni avem creativitate, atunci când începe să vină la noi, venim din nou cu ceva care „ne ține în joc”.

Cum o vezi? Pe ce parte te vei baza? Am votat scurt pe acest subiect, așa că vă rog să votați ce credeți.

Ce să adaug în final?

În mod surprinzător, soția mea, care, prost, trebuie să se ocupe de analiza datelor, deoarece este deranjată de soțul ei nebun, a început surprinzător discuția despre teama de a înlocui locurile de muncă umane cu inteligența artificială. Am discutat împreună că, probabil, copiii noștri nu vor mai putea să facă nicio treabă așa cum îi cunoaștem. Aceste locuri de muncă pur și simplu nu vor exista. Am fost nedumeriți despre cum să pregătim următoarea generație pentru profesia lor. Cum să le dezvolți mai mult, astfel încât să aibă aplicație?

După câteva minute de preluare a implicațiilor sociale ale acestei tendințe (șomajul masiv al generației noastre, care nu va mai putea fi reorientat; mașinile pot prelua rolul culturii cu ajutorul CoR? ') O sentință cu adevărat demnă a ieșit din ea: sume uriașe de bani pentru a oferi oamenilor soluții mai bune, venind cu ceva diferit de oameni. Dacă am investi aceiași bani enormi direct în dezvoltarea potențialului uman, nu am fi mai bine? ” Trebuie să recunosc că acest tip de gândire are cu adevărat de-a face cu ea. Faptul că este natural să investim în cercetarea AI, mai degrabă decât în ​​îmbunătățirea capacităților umane, documentează doar calea bizară pe care o luăm ca umanitate.

Cu toate acestea, cu puțină ușurare, aș adăuga că tendința de a înlocui gândirea umană cu mașini este practic de înțeles. Dacă vă amintiți, a fost doar atât lene omenească, care a condus la crearea mașinilor. Când te uiți în jurul tău astăzi, oamenii sunt leneși să gândească mai degrabă decât să depună efort fizic (de unde și zicala familiară: „Cine nu are cap, are în picioare”). Este paradoxal, dar faci mai mulți oameni păcăliți de marketing să înceapă să joace sport decât să înceapă să citească cărți profesionale. Dezvoltarea sistemelor care vor gândi pentru noi, atât de mulți oameni consideră ca un serviciu pentru confortul lor.

Cu toate acestea, puțini dintre noi realizăm că ne așteaptă ca urmare obezitate mintală. Da, nu mai trecem cibernetic și acestea se atrofiază treptat, la fel ca mușchii unei „grăsimi” care a încetat să se mai miște. Într-un scenariu pesimist, oamenii vor păcăli treptat și mașinile se vor îmbunătăți. Într-o zi, poate se va naște o generație care nu va putea „reprograma” mașinile, ceea ce ar putea avea consecințe fatale pentru civilizația noastră. Până când acest lucru se va întâmpla, totuși, ar trebui să fim mai preocupați de valoarea pe care o vom avea pentru un angajator atunci când suntem mai slabi și mai încet în gândire decât hardware-ul. Sau ce noi tipuri de profesii ar trebui să creăm, astfel încât, odată ce nu mai suntem (atât de puțini) cercetători în date, să avem ceva de făcut. Așadar, încercați să vă gândiți la pretalia, cel puțin ca o prevenire împotriva obezității mintale.

Salut orice comentariu despre acest subiect de aici.

PS: puteți găsi articolul original Davenport aici, dacă sunteți interesat.