Cabaran dan tindak balas untuk bekerja dengan kecerdasan buatan

Pembelajaran di tempat kerja menghadapi cabaran hari ini. Analitis yang canggih, kecerdasan buatan dan robot tiba-tiba menceroboh setiap aspek tempat kerja, secara asasnya mengubah cara pembelajaran yang dihormati dan berkesan ini. Memandangkan teknologi semakin mengautomasikan pekerjaan, berpuluh-puluh ribu orang meninggalkan atau mengambil pekerjaan setiap tahun, dan ratusan juta orang mesti mempelajari kemahiran baharu dan cara kerja baharu. Tetapi terdapat bukti yang lebih luas bahawa syarikat yang menggunakan mesin pintar menghalang saluran pembelajaran kritikal ini: Saya dan rakan sekerja mendapati bahawa AI menghilangkan peluang pembelajaran daripada pendatang baru dan mengurangkan peluang untuk veteran untuk berlatih, memaksa kedua-duanya menguasai kaedah baharu pada masa yang sama. dan cara lama yang menguasai mereka.

Jadi, bolehkah pekerja belajar bekerja dengan mesin ini? Beberapa pemerhatian sebelum ini adalah daripada pelajar yang terlibat dalam amalan yang mencabar amalan konvensional, di mana amalan ini tidak menjadi tumpuan dan di mana toleransi terhadap akibatnya adalah tinggi. Saya memanggil proses yang meluas dan tidak formal ini sebagai "pembelajaran rahsia."

Halangan kepada Pembelajaran

Saya menemui empat halangan biasa untuk memperoleh kemahiran yang anda perlukan yang mencetuskan pembelajaran rahsia.

1. Pemula semakin kehilangan "kelebihan pembelajaran" mereka

Dalam mana-mana pekerjaan, pekerja latihan menanggung kos dan mengurangkan kualiti kerana pemula lambat dan terdedah kepada kesilapan. Memandangkan organisasi menggunakan mesin pintar, strategi pengurusan selalunya melibatkan pelatih mengurangkan penglibatan mereka dalam kawasan berisiko tinggi dan kompleks. Akibatnya, pelatih dinafikan peluang untuk meregangkan sempadan kebolehan mereka dan berkembang daripada kesilapan mereka dengan bantuan terhad-tepatnya syarat yang diperlukan untuk mempelajari kemahiran baharu.

Fenomena yang sama berlaku dalam bank pelaburan. Callen Anthony dari Universiti New York mendapati dalam sebuah bank pelaburan bahawa rakan kongsi menggunakan algoritma untuk membantu syarikat dalam penggabungan dan pengambilalihan serta mentafsir penilaian, menyebabkan penganalisis junior semakin jauh daripada rakan kongsi kanan. Tugas penganalisis junior hanyalah untuk mengeluarkan laporan mentah daripada sistem (kumpulan data kewangan mengenai syarikat yang diminati di web) dan menyampaikannya kepada rakan kongsi kanan untuk dianalisis.

Apakah logik tersirat pembahagian kerja ini? Pertama, untuk mengurangkan risiko kakitangan junior membuat kesilapan pada kerja yang dihadapi pelanggan yang kompleks dan kedua, untuk memaksimumkan keberkesanan rakan kongsi kanan: semakin sedikit masa kakitangan junior perlu menerangkan kerja mereka kepada mereka, semakin mereka boleh memberi tumpuan kepada yang lebih tinggi; analisis tahap. Ini meningkatkan kecekapan dalam jangka pendek, tetapi menafikan penganalisis junior peluang untuk mencabar kerja yang kompleks, menjadikannya lebih sukar bagi mereka untuk memahami keseluruhan proses penilaian, dan melemahkan keupayaan masa depan syarikat.

2. Pakar diasingkan daripada kerja mereka

Kadangkala mesin pintar berada di antara pelatih dan kerja mereka, dan kadangkala mereka menghalang pakar daripada melakukan kerja praktikal yang penting. Dalam pembedahan robotik, pakar bedah tidak dapat melihat badan pesakit atau robot untuk kebanyakan prosedur, menjadikannya mustahil untuk menilai dan mengurus secara langsung aspek kritikal. Sebagai contoh, dalam pembedahan tradisional, pakar bedah sangat menyedari bagaimana peranti dan instrumen menyentuh badan pesakit dan menyesuaikan diri dengan sewajarnya. Tetapi dalam pembedahan robotik, pakar bedah mesti bergantung pada orang lain untuk memaklumkan mereka jika lengan robotik mengenai kepala pesakit, atau jika lengan pembersih akan menggantikan instrumen. Ini mempunyai kesan dua kali ganda pada pembelajaran: pakar bedah tidak dapat mengasah kemahiran yang diperlukan untuk memahami sepenuhnya kerja mereka sendiri, dan pakar bedah mesti memperoleh kemahiran baharu tersebut melalui orang lain.

3. Pelajar mesti menguasai kedua-dua kaedah lama dan baharu

Pembedahan robot menggunakan set kemahiran dan teknik baharu untuk mencapai kesan yang cuba dicapai oleh pembedahan tradisional. Ia menjanjikan ketepatan yang lebih tinggi dan ergonomik yang lebih baik dan dimasukkan terus ke dalam kurikulum, dengan penduduk perlu mempelajari kedua-dua kaedah robotik dan tradisional. Tetapi kursus itu tidak memberi mereka masa yang cukup untuk menguasai kedua-duanya, yang sering membawa kepada hasil yang paling teruk: tidak menguasai kedua-duanya. Saya memanggil masalah ini beban metodologi.

4. Kaedah pembelajaran standard diandaikan berkesan secara lalai

Penyelidikan dan tradisi berpuluh tahun telah menyebabkan doktor pelatih mengikuti pendekatan "lihat satu, lakukan satu, ajar satu". Tetapi seperti yang kita lihat, ia tidak disesuaikan dengan pembedahan robotik. Namun, tekanan untuk bergantung pada kaedah pembelajaran sekolah lama adalah kuat, dan terdapat sedikit penyimpangan: Kajian latihan pembedahan, prosedur standard, dasar dan pakar bedah kanan semuanya terus menekankan kaedah pembelajaran tradisional, walaupun jelas bahawa kaedah ini adalah tidak lagi sesuai untuk pembedahan robotik.

Belajar dalam Bayang-bayang

Berdepan dengan halangan di atas, tidak hairanlah pelajar dalam kegelapan memintas atau melanggar peraturan secara senyap-senyap untuk mendapatkan bimbingan dan pengalaman yang mereka perlukan. Hampir 100 tahun yang lalu, ahli sosiologi Robert Merton mendapati bahawa langkah-langkah luar biasa digunakan apabila cara yang sah tidak lagi berfungsi untuk mencapai matlamat yang layak. Begitu juga dengan pengetahuan profesional (mungkin matlamat utama kerjaya).

Memandangkan halangan yang saya terangkan, kita harus faham bahawa orang akan mempelajari kemahiran utama dengan cara lain. Kaedah ini secara amnya fleksibel dan berkesan, tetapi ia sering mengenakan kos kepada individu dan organisasi: pelajar yang tersirat mungkin dihukum, seperti kehilangan peluang atau status amalan, atau menyebabkan pembaziran atau malah bahaya. Tetapi orang ramai masih mengambil risiko berulang kali kerana kaedah pembelajaran mereka berfungsi apabila kaedah pematuhan gagal. Adalah salah untuk meniru kaedah luar biasa ini tanpa kebijaksanaan, tetapi ia mempunyai ciri organisasi yang patut dipelajari.

1. Pembelajaran berterusan

Apabila teknologi pintar menjadi lebih berkuasa, pembelajaran rahsia juga berkembang pesat. Bentuk baharu akan muncul dari semasa ke semasa, memberikan pengalaman baharu. Adalah penting untuk kekal berhati-hati. Pelajar terselindung selalunya menyedari bahawa apa yang mereka lakukan adalah tidak lazim, dan mereka mungkin dihukum kerana apa yang mereka lakukan. (Bayangkan jika seorang pemastautin pembedahan memberitahu bahawa dia ingin bekerja dengan kehadiran yang paling kurang mahir.) Kerana ia menghasilkan hasil, pengurus pertengahan sering menutup mata terhadap amalan ini selagi pelajar rahsia tidak mengakuinya secara terbuka. Apabila pemerhati, terutamanya pengurus kanan, mengisytiharkan keinginan untuk mengkaji bagaimana pekerja memperoleh kemahiran dengan melanggar peraturan, pelajar dan pengurus mereka mungkin keberatan untuk berkongsi pengalaman mereka. Penyelesaian yang lebih baik adalah dengan memperkenalkan pihak ketiga yang neutral yang boleh memastikan kerahasiaan yang ketat dan membandingkan amalan dalam kes yang berbeza. Pemberi maklumat saya mula mengenali dan mempercayai saya, dan mereka menyedari bahawa saya memerhatikan kerja dalam banyak kumpulan kerja dan kemudahan, jadi mereka berasa yakin bahawa identiti mereka akan dilindungi. Ini penting untuk membuat mereka memberitahu kebenaran.

2 Sesuaikan amalan pembelajaran tersirat yang anda temui agar sesuai dengan struktur organisasi, kerja dan teknologi

Pendekatan organisasi kepada mesin pintar selalunya berhenti pada membiarkan pakar individu mengawal kerja dan mengurangkan pergantungan pada peringkat pelatih. Sistem pembedahan robotik membenarkan pakar bedah kanan untuk beroperasi dengan kurang bantuan, dan mereka melakukannya. Sistem perbankan pelaburan membolehkan rakan kongsi kanan mengecualikan penganalisis junior daripada kerja penilaian yang kompleks, dan mereka melakukannya. Semua pihak berkepentingan harus menegaskan bahawa organisasi, teknologi dan reka bentuk kerja meningkatkan produktiviti dan mengukuhkan OJL. Sebagai contoh, di Jabatan Polis Los Angeles, ini bermakna menukar insentif untuk pegawai peronda, mereka bentuk semula antara muka pengguna PredPol, mewujudkan peranan baharu untuk menghubungkan polis dan jurutera perisian, dan membina perpustakaan beranotasi kes amalan terbaik yang dimulakan oleh pegawai polis.

3. Jadikan mesin pintar sebahagian daripada penyelesaian

Kecerdasan buatan boleh membantu pelajar apabila mereka menghadapi kesukaran, memberikan latihan kepada pakar sebagai tutor dan menghubungkan kedua-dua kumpulan dengan bijak. Sebagai contoh, Juho Kim membina ToolScape dan Lecture-Scape semasa beliau menjadi pelajar PhD di MIT, yang boleh mengumpulkan anotasi untuk pengajaran video dan memberikan penjelasan serta peluang kepada pengguna yang sebelum ini berhenti seketika untuk mencari anotasi. Dia memanggilnya sebagai sumber pelajar. Dari segi perkakasan, sistem realiti tambahan mula membawa panduan dan anotasi pakar ke dalam aliran kerja.

Apl sedia ada menggunakan tablet atau cermin mata pintar untuk menambah panduan untuk berfungsi dalam masa nyata. Sistem pintar yang lebih canggih dijangka tidak lama lagi. Sebagai contoh, sistem sedemikian boleh menindih rakaman pengimpal model di kilang di atas bidang pandangan jurukimpal perantis, menunjukkan cara kerja itu dilakukan, merekodkan percubaan perantis untuk perbandingan dan menyambungkan perantis kepada pengimpal model mengikut keperluan. Walaupun kebanyakan komuniti jurutera yang semakin berkembang dalam bidang ini tertumpu pada latihan formal, krisis yang lebih mendalam ialah OJL. Kita perlu memperuntukkan semula usaha kita pada OJL.

Sejak beribu-ribu tahun, kemajuan teknologi telah mendorong reka bentuk semula proses kerja, dan perantis telah memperoleh kemahiran baharu yang diperlukan daripada mentor mereka. Tetapi seperti yang telah kita lihat, mesin pintar kini memaksa kita untuk memutuskan sambungan perantis daripada mentor dan mentor daripada kerja atas nama produktiviti. Organisasi sering secara tidak sengaja memilih produktiviti berbanding penglibatan pekerja, jadi pembelajaran di tempat kerja menjadi semakin sukar. Walau bagaimanapun, pelajar rahsia mencari kaedah pembelajaran yang berisiko dan di luar kotak. Organisasi yang ingin bersaing dalam dunia mesin pintar harus memberi perhatian yang teliti kepada "tidak konformis" ini. Tindakan mereka boleh memberikan cerapan tentang cara terbaik untuk menyelesaikan sesuatu pada masa hadapan apabila pakar, perantis dan mesin pintar bekerja dan belajar bersama-sama.

Atas ialah kandungan terperinci Cabaran dan tindak balas untuk bekerja dengan kecerdasan buatan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!