Herausforderungen und Antworten auf die Arbeit mit künstlicher Intelligenz

Das Lernen am Arbeitsplatz steht heute vor Herausforderungen. Hochentwickelte Analysen, künstliche Intelligenz und Roboter dringen plötzlich in jeden Aspekt des Arbeitsplatzes ein und stellen diese altehrwürdige und effektive Art des Lernens grundlegend auf den Kopf. Da die Technologie zunehmend Arbeitsplätze automatisiert, verlassen jedes Jahr Zehntausende Menschen ihre Stelle oder nehmen sie an, und Hunderte Millionen Menschen müssen sich neue Fähigkeiten und neue Arbeitsweisen aneignen. Es gibt jedoch umfassendere Belege dafür, dass Unternehmen, die intelligente Maschinen einsetzen, diesen wichtigen Lernkanal behindern: Meine Kollegen und ich haben herausgefunden, dass KI Neulingen die Lernmöglichkeiten nimmt und Veteranen die Möglichkeiten zum Üben verringert, wodurch beide gezwungen werden, gleichzeitig neue Methoden zu beherrschen. und alte Gewohnheiten, die sie überwältigen.

Können Mitarbeiter also lernen, mit diesen Maschinen zu arbeiten? Einige der früheren Beobachtungen stammten von Lernenden, die sich mit Praktiken beschäftigten, die herkömmliche Praktiken in Frage stellten, bei denen diese Praktiken nicht im Mittelpunkt standen und bei denen die Toleranz gegenüber ihren Konsequenzen hoch war. Ich nenne diesen weit verbreiteten und informellen Prozess „verdecktes Lernen“.

Lernbarrieren

Ich habe vier häufige Hindernisse beim Erwerb der Fähigkeiten entdeckt, die Sie benötigen und die verdecktes Lernen auslösen.

1. Neulinge verlieren ihren „Lernvorteil“

In jedem Job verursacht die Schulung von Mitarbeitern Kosten und mindert die Qualität, weil Neulinge langsam und fehleranfällig sind. Wenn Unternehmen intelligente Maschinen einführen, müssen Auszubildende als Managementstrategie häufig ihre Beteiligung an riskanten und komplexen Teilen reduzieren. Dadurch wird den Auszubildenden die Möglichkeit verwehrt, die Grenzen ihrer Fähigkeiten zu erweitern und mit begrenzter Hilfe an ihren Fehlern zu wachsen – genau die notwendigen Voraussetzungen für das Erlernen neuer Fähigkeiten.

Das gleiche Phänomen tritt bei Investmentbanken auf. Callen Anthony von der New York University entdeckte in einer Investmentbank, dass Partner Algorithmen nutzten, um Unternehmen bei Fusionen und Übernahmen zu unterstützen und Bewertungen zu interpretieren, was dazu führte, dass sich Junior-Analysten immer weiter von Senior-Partnern entfernten. Die Aufgabe des Junior-Analysten besteht lediglich darin, Rohberichte aus dem System (einer Sammlung von Finanzdaten über interessante Unternehmen im Internet) zu extrahieren und sie zur Analyse an Senior-Partner weiterzuleiten.

Was ist die implizite Logik dieser Arbeitsteilung? Erstens, um das Risiko zu verringern, dass Nachwuchskräfte bei komplexer Arbeit mit Kundenkontakt Fehler machen, und zweitens, um die Effektivität von Senior-Partnern zu maximieren: Je weniger Zeit Nachwuchskräfte haben, ihnen ihre Arbeit zu erklären, desto mehr können sie sich auf übergeordnete Aufgaben konzentrieren. Ebenenanalyse. Dies steigert kurzfristig die Effizienz, nimmt Nachwuchsanalysten jedoch die Möglichkeit, komplexe Arbeiten in Frage zu stellen, erschwert ihnen das Verständnis des gesamten Bewertungsprozesses und schwächt die Zukunftsfähigkeit des Unternehmens.

2. Experten sind von ihrer Arbeit entfremdet

Manchmal geraten intelligente Maschinen zwischen Auszubildende und ihre Arbeit, und manchmal hindern sie Experten daran, wichtige praktische Arbeit zu leisten. Bei der Roboterchirurgie kann der Chirurg den Körper des Patienten oder den Roboter während des größten Teils des Eingriffs nicht sehen, was es unmöglich macht, kritische Aspekte direkt zu beurteilen und zu verwalten. In der traditionellen Chirurgie beispielsweise sind sich Chirurgen sehr bewusst, wie Geräte und Instrumente den Körper des Patienten berühren, und passen sich entsprechend an. Aber in der Roboterchirurgie müssen sich Chirurgen darauf verlassen, dass andere sie warnen, wenn ein Roboterarm den Kopf eines Patienten trifft oder wenn ein Reinigungsarm dabei ist, ein Instrument zu ersetzen. Dies hat zwei Auswirkungen auf das Lernen: Chirurgen sind nicht in der Lage, die Fähigkeiten zu verbessern, die sie benötigen, um ihre eigene Arbeit vollständig zu verstehen, und müssen sich diese neuen Fähigkeiten von anderen aneignen.

3. Die Lernenden müssen sowohl alte als auch neue Methoden beherrschen

Die Roboterchirurgie nutzt eine Reihe neuer Fähigkeiten und Technologien, um die Effekte zu erzielen, die die traditionelle Chirurgie zu erzielen versucht. Es verspricht höhere Präzision und bessere Ergonomie und ist direkt in den Lehrplan integriert, wobei die Bewohner sowohl Robotik als auch traditionelle Methoden erlernen müssen. Aber der Kurs gibt ihnen nicht genug Zeit, um beides zu beherrschen, was oft zum schlechtesten Ergebnis führt: das Beherrschen von keinem von beiden. Ich nenne dieses Problem methodische Überlastung.

4. Es wird davon ausgegangen, dass Standard-Lernmethoden standardmäßig wirksam sind.

Jahrzehntelange Forschung und Tradition haben dazu geführt, dass angehende Ärzte den Ansatz „Eins sehen, eins tun, eins lehren“ verfolgen. Aber wie wir gesehen haben, ist es nicht für die Roboterchirurgie geeignet. Dennoch ist der Druck, sich auf Lernmethoden der alten Schule zu verlassen, groß, und es gibt nur wenige Abweichungen: Studien zur chirurgischen Ausbildung, Standardverfahren, Richtlinien und leitende Chirurgen betonen weiterhin traditionelle Lernmethoden, auch wenn klar ist, dass dies bei dieser Methode der Fall ist nicht mehr für Roboterchirurgie geeignet.

Lernen im Schatten

Angesichts der oben genannten Hindernisse ist es keine Überraschung, dass verdeckt Lernende die Regeln stillschweigend umgehen oder brechen, um die Anleitung und Erfahrung zu erhalten, die sie benötigen. Vor fast 100 Jahren entdeckte der Soziologe Robert Merton, dass außergewöhnliche Maßnahmen dann zum Einsatz kommen, wenn legitime Mittel nicht mehr ausreichen, um würdige Ziele zu erreichen. Das Gleiche gilt für berufliches Wissen (vielleicht das ultimative Ziel einer Karriere).

Angesichts der von mir beschriebenen Hindernisse sollten wir verstehen, dass Menschen Schlüsselkompetenzen auf andere Weise erlernen. Diese Methoden sind im Allgemeinen flexibel und effektiv, verursachen jedoch häufig Kosten für Einzelpersonen und Organisationen: Implizite Lernende können bestraft werden, indem sie beispielsweise Übungsmöglichkeiten oder Status verlieren oder Verschwendung oder sogar Schaden verursachen. Dennoch gehen Menschen immer wieder Risiken ein, weil ihre Lernmethoden funktionieren, wenn Compliance-Methoden versagen. Es wäre falsch, diese außergewöhnlichen Methoden ohne Urteilsvermögen nachzuahmen, aber sie weisen organisatorische Merkmale auf, von denen es sich zu lernen lohnt.

1. Kontinuierliches Lernen

Da intelligente Technologie immer leistungsfähiger wird, entwickelt sich auch das verdeckte Lernen rasant. Mit der Zeit werden neue Formen entstehen, die neue Erfahrungen ermöglichen. Es ist wichtig, vorsichtig zu bleiben. Verdeckte Lernende sind sich oft bewusst, dass das, was sie tun, unkonventionell ist und dass sie möglicherweise dafür bestraft werden. (Stellen Sie sich vor, ein Assistenzarzt in der Chirurgie würde deutlich machen, dass er oder sie mit dem am wenigsten qualifizierten Oberarzt zusammenarbeiten möchte.) Da dies zu Ergebnissen führt, verschließen mittlere Manager oft die Augen vor diesen Praktiken, solange der verdeckte Lernende sie nicht offen anerkennt. Wenn Beobachter, insbesondere Führungskräfte, den Wunsch äußern, zu untersuchen, wie Mitarbeiter durch Verstöße gegen Regeln Fähigkeiten erwerben, zögern Lernende und ihre Manager möglicherweise, ihre Erfahrungen zu teilen. Eine bessere Lösung besteht darin, einen neutralen Dritten einzuschalten, der strikte Anonymität gewährleisten und Vorgehensweisen in verschiedenen Fällen vergleichen kann. Meine Informanten lernten mich kennen und vertrauten mir und erkannten, dass ich die Arbeit in vielen Arbeitsgruppen und Einrichtungen beobachtete, sodass sie zuversichtlich waren, dass ihre Identität geschützt würde. Dies ist entscheidend, um sie dazu zu bringen, die Wahrheit zu sagen.

2. Passen Sie die impliziten Lernpraktiken, die Sie entdecken, an die Struktur der Organisation, der Arbeit und der Technologie an.

Organisationsansätze für intelligente Maschinen bleiben oft auf der Ebene, die Arbeit einzelnen Experten zu überlassen und die Abhängigkeit von Auszubildenden zu verringern. Roboterchirurgische Systeme ermöglichten es älteren Chirurgen, mit weniger Hilfe zu operieren, und das taten sie auch. Das Investmentbanking-System ermöglicht es Senior-Partnern, Junior-Analysten von komplexen Bewertungsarbeiten auszuschließen, und das tun sie auch. Alle Beteiligten sollten darauf bestehen, dass Organisation, Technologie und Arbeitsgestaltung die Produktivität verbessern und OJL stärken. Im Los Angeles Police Department bedeutet dies beispielsweise, die Anreize für Streifenpolizisten zu ändern, die PredPol-Benutzeroberfläche neu zu gestalten, neue Rollen zur Verbindung von Polizei und Softwareentwicklern zu schaffen und eine kommentierte Bibliothek mit von Polizeibeamten initiierten Best-Practice-Fällen aufzubauen.

3. Machen Sie intelligente Maschinen zu einem Teil der Lösung

Künstliche Intelligenz kann Lernenden helfen, wenn sie auf Schwierigkeiten stoßen, Experten als Mentoren schulen und die beiden Gruppen intelligent verbinden. Juho Kim hat beispielsweise als Doktorand am MIT ToolScape und Lecture-Scape entwickelt, die Crowdsourcing-Anmerkungen für Lehrvideos ermöglichen und Benutzern, die zuvor innegehalten hatten, um Anmerkungen zu finden, Erläuterungen und Möglichkeiten bieten. Er nennt es „Learner Sourcing“. Auf der Hardwareseite beginnen Augmented-Reality-Systeme, fachkundige Anleitung und Anmerkungen in Arbeitsabläufe zu integrieren.

Bestehende Apps nutzen Tablets oder Datenbrillen, um die Arbeit in Echtzeit anzuleiten. In Kürze werden ausgefeiltere intelligente Systeme erwartet. Ein solches System könnte beispielsweise Aufnahmen eines Modellschweißers in der Fabrik über das Sichtfeld eines Schweißlehrlings legen, um zu zeigen, wie die Arbeit ausgeführt wurde, die Versuche des Lehrlings zum Vergleich aufzeichnen und den Lehrling bei Bedarf mit dem Modellschweißer verbinden. Während sich ein Großteil der wachsenden Gemeinschaft von Ingenieuren in diesen Bereichen auf die formale Ausbildung konzentriert, liegt die tiefere Krise bei OJL. Wir müssen unsere Bemühungen im Bereich OJL neu ausrichten.

Über Jahrtausende haben technologische Fortschritte die Neugestaltung von Arbeitsabläufen vorangetrieben und Auszubildende haben von ihren Mentoren die notwendigen neuen Fähigkeiten erworben. Aber wie wir gesehen haben, zwingen uns intelligente Maschinen jetzt im Namen der Produktivität dazu, Auszubildende von Mentoren und Mentoren von der Arbeit zu trennen. Unternehmen entscheiden sich oft unbeabsichtigt für Produktivität gegenüber Mitarbeiterengagement, sodass das Lernen am Arbeitsplatz immer schwieriger wird. Geheimlernende suchen jedoch nach riskanten, unkonventionellen Lernmethoden. Unternehmen, die in einer Welt intelligenter Maschinen konkurrenzfähig sein wollen, sollten diesen „Nonkonformisten“ große Aufmerksamkeit schenken. Ihre Maßnahmen können Aufschluss darüber geben, wie sich Dinge in Zukunft am besten erledigen lassen, wenn Experten, Auszubildende und intelligente Maschinen zusammenarbeiten und lernen.

Das obige ist der detaillierte Inhalt vonHerausforderungen und Antworten auf die Arbeit mit künstlicher Intelligenz. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!