Obsah:
- Práce na stroji
- Práce se stroji
- Předtím, než technologie dokáže něco jiného, musí vykonat praktický úkol, který přiláká pozornost a prospěje lidem způsobem, který lidem chtějí mít vlastní technologii.
- Algoritmy strojového učení nejsou kreativní, což znamená, že lidé musí poskytnout kreativitu, která zlepšuje strojové učení. Dokonce i algoritmy, které vytvářejí jiné algoritmy, zvyšují pouze účinnost a přesnost výsledků, které algoritmus dosahuje - nemohou vytvářet algoritmy, které provádějí nové druhy úkolů. Lidé musí poskytnout potřebné informace pro definování těchto úkolů a procesy potřebné k jejich řešení.
- V současné době je vytváření nových prostředí pro strojové učení oblast výzkumu a vývoje. Skupina vysoce kvalifikovaných odborníků musí vytvořit parametry pro nové prostředí. Například NASA potřebuje roboty k prozkoumání Marsu. V takovém případě se NASA spoléhá na dovednosti lidí v MIT a Northeastern k plnění tohoto úkolu. Vzhledem k tomu, že robot bude muset samostatně plnit úkoly, algoritmy pro strojové učení budou poměrně složité a budou obsahovat několik úrovní řešení problémů.
Video: Robotická učebna na SŠIS 2025
Najdete zde více než několik článků, které diskutují o ztrátě pracovních míst, které způsobí strojní učení a související technologie. Roboty již plní řadu úkolů, které zaměstnávají lidi, a toto využití se bude časem zvyšovat. Musíte také uvažovat o tom, jak by tyto nové způsoby použití mohly stát vás nebo vaše milované zaměstnání. Někteří autoři šli tak daleko, že tvrdí, že budoucnost může mít scénář, v němž učení nové dovednosti nemusí zaručit práci.
Faktem je, že rozhodování o tom, jak strojní učení ovlivní pracovní prostředí, je těžké, stejně jako bylo těžké pro lidi, aby viděli, kde by průmyslová revoluce zabrala lidi - výrobu zboží pro obecného spotřebitele. Stejně jako tito pracovníci potřebovali najít nová pracovní místa, tak lidé, kteří čelí ztrátě povolání strojnímu učení dnes, budou muset najít nová pracovní místa.
Práce na stroji
Je zcela pravděpodobné, že v budoucnu budete pracovat pro stroj. Ve skutečnosti už možná pracujete na stroji a nevíte. Některé firmy již používají strojové učení k analýze podnikových procesů a jejich zefektivnění. Například Hitachi v současné době využívá takové nastavení v middle managementu.
V tomto případě AI skutečně vydává pracovní příkazy založené na jeho analýze pracovního postupu - stejně jako by mohl dělat lidský střední manažer. Rozdíl je v tom, že AI je o osm procent účinnější než lidé, které nahrazuje. V jiném případě Amazon vedl soutěž mezi odborníky na strojní učení, aby zjistil, zda společnost může lépe zpracovat procesy autorizačních pracovníků automaticky pomocí strojového učení. Znovu bylo třeba zjistit, jak nahradit střednězákonné vedení a snížit byrokracii.
Nicméně se také představuje příležitost k práci. Pracovníci v prostředí AI plní úkoly, jimž jim AI řekne, že mohou dělat, ale při rozhodování o tom, jak plnit úkol, mohou využít vlastní zkušenosti a kreativitu. AI analyzuje procesy, které používají lidé a měří dosažené výsledky. Všechny úspěšné procesy se přidávají do databáze technik, které mohou pracovníci uplatnit při plnění úkolů. Jinými slovy, lidé učí nové techniky AI, aby pracoviště bylo ještě efektivnější.
Práce se stroji
Lidé již pracují s počítači pravidelně - možná si to neuvědomují. Když například mluvíte s vaším smartphonem a rozpoznáte, co říkáte, pracujete se strojem, abyste dosáhli požadovaného cíle.Většina lidí si uvědomuje, že hlasová interakce poskytovaná smartphonem se časem zlepšuje - čím více jej používáte, tím lépe získává při rozpoznávání vašeho hlasu. Jakmile se algoritmus žáka lépe vyladí, bude efektivnější při rozpoznávání vašeho hlasu a získání požadovaného výsledku. Tento trend bude pokračovat.
Strojové učení se však používá v nejrůznějších způsobech, které vám nemusí být. Když ukážete kameru na předmět a fotoaparát může umístit krabici kolem obličeje (k cílení na obrázek), uvidíte výsledek strojového učení. Fotoaparát vám pomáhá vykonávat práci při fotografování s mnohem vyšší účinností.
Použití deklarativních jazyků, jako je SQL (Structured Query Language), bude také výraznější, protože strojové učení umožní pokroky. V některých ohledech vám deklarativní jazyk jednoduše umožňuje popsat, co chcete, a ne jak získat. Nicméně SQL stále vyžaduje počítačového vědce, vědce dat, administrátora databáze nebo jiného odborníka, který má používat. Budoucí jazyky nebudou mít toto omezení.
Nakonec někdo, kdo je vyškolen k plnění určitého úkolu, jednoduše řekne robotovi pomocníka, co má dělat, a pomocník robota zjistí, jak to udělat. Lidé budou používat kreativitu k tomu, aby objevili co dělat; podrobnosti (, jak) se stanou doménou strojů. Opravárenské stroje
Předtím, než technologie dokáže něco jiného, musí vykonat praktický úkol, který přiláká pozornost a prospěje lidem způsobem, který lidem chtějí mít vlastní technologii.
Nezáleží na tom, jaká je technologie. Technologie se nakonec rozpadne. Získání technologie, která by udělala něco užitečného, je nyní primárním faktorem a vyvrcholením jakýchkoli snů o tom, co technologie nakonec bude dělat léta do budoucnosti, tak světské věci, jako je opravy technologie, stále padnou na lidské ramena. I když člověk není přímo zapojen do fyzické opravy, lidská inteligence bude řídit opravu.
Některé články, které jste si přečetli online, mohou učinit přesvědčením, že auto-opravující roboty jsou již skutečností. Například roboti Mezinárodní vesmírné stanice, Dextre a Canadarm, provedli opravu chybné kamery. Co příběhy neříkají, je to, že se člověk rozhodl provést úkol a nasměroval robotiky, aby vykonávali fyzickou práci. Autonomní oprava není možná s dostupnými algoritmy.
Vytvoření nových úloh strojového učení
Algoritmy strojového učení nejsou kreativní, což znamená, že lidé musí poskytnout kreativitu, která zlepšuje strojové učení. Dokonce i algoritmy, které vytvářejí jiné algoritmy, zvyšují pouze účinnost a přesnost výsledků, které algoritmus dosahuje - nemohou vytvářet algoritmy, které provádějí nové druhy úkolů. Lidé musí poskytnout potřebné informace pro definování těchto úkolů a procesy potřebné k jejich řešení.
Možná si myslíte, že pouze odborníci v strojovém učení vytvoří nové úkoly pro strojní učení. Nicméně příběh o středním manažerovi společnosti Hitachi by vám měl říci, že věci budou fungovat jinak než to. Ano, odborníci pomohou vytvořit základ pro definování toho, jak řešit úkol, ale skutečné vytváření úkolů přichází od lidí, kteří nejlépe znají určitý průmysl. Příběh společnosti Hitachi slouží jako základ pro pochopení toho, že budoucnost ukáže, že lidé ze všech společenských vrstev přispívají k scénářích strojového učení a že konkrétní vzdělávání nemusí dokonce pomoci při definování nových úkolů.
Navrhování nových prostředí pro strojové učení
V současné době je vytváření nových prostředí pro strojové učení oblast výzkumu a vývoje. Skupina vysoce kvalifikovaných odborníků musí vytvořit parametry pro nové prostředí. Například NASA potřebuje roboty k prozkoumání Marsu. V takovém případě se NASA spoléhá na dovednosti lidí v MIT a Northeastern k plnění tohoto úkolu. Vzhledem k tomu, že robot bude muset samostatně plnit úkoly, algoritmy pro strojové učení budou poměrně složité a budou obsahovat několik úrovní řešení problémů.
Nakonec někdo bude schopen dostatečně podrobně popsat problém, že specializovaný program může vytvořit potřebný algoritmus pomocí příslušného jazyka. Jinými slovy, průměrní lidé nakonec začnou vytvářet nová prostředí pro strojní učení na základě myšlenek, které mají a chtějí zkusit.
Stejně jako při vytváření úkolů pro strojové učení budou lidé, kteří vytvářejí budoucí prostředí, být odborníky na své konkrétní řemeslo, spíše než vědci v oblasti výpočetní techniky nebo vědci v oblasti dat.
