Кілька тижнів тому я трохи пітніла. Я натрапив на статтю аналітичного гуру, Том Девенпорт (серед інших, автор чудових книг Competing on Analytics або BigData At Work), в яких він обговорює, як кілька провідних замовників аналітичного програмного забезпечення визнали на престижній зарубіжній аналітичній конференції, що вони покладаються на можливість заміщення робочих місць та аналітиків. Прочитавши статтю, я трохи злякався ...
Я роздумував над цією темою близько 2 років. Кожному, хто за останні 2-3 роки прочитав хоча б один професійний журнал з ІТ, очевидно, що ми переживаємо чергову (промислову) революцію. Після винаходу пари, а потім електроенергії та двигунів внутрішнього згоряння, ми перебуваємо на рубежі цифрової ери. Раніше інформаційні потоки були пов’язані ізольованими острівцями виробництва (а також транспорту), тому ми, люди, маємо знову менше обов’язків. Або власне можливості?
Який олень виживе?
Спочатку ми передали машинам рушницю ручної роботи, але залишили принаймні обов'язок зібрати машини, які вони нам зроблять. Пізніше ми розробили машинобудування, і тому машини могли виробляти інші машини. Ми, люди, знову відступили, і нам залишилось "лише" керувати (виготовляти машини, що вони роблять) машинами. З індустрією 4.0 приходить так званий автономне виробництво, де машини можуть керувати іншими машинами, що виробляють машини. Це виглядає трохи непомітно, але в основному це замкнуло виробниче коло. Оскільки якщо машини можуть повністю контролювати виробництво інших машин, то вони можуть «замовити» виробництво власних компонентів (або вдосконалення). У сучасну цифрову епоху, коли машини також можуть керувати автономними автомобілями для перевезення інших машин, це зовсім не науково-фантастичне ланцюг повного автономного виробництва заводу, який не тільки виробляє кінцевий продукт, але й здійснює власне обслуговування.
Коли я намагався екстраполювати цю ситуацію на кілька років вперед, мене хвилювало питання, які людські професії (роботи) насправді переживуть цю тенденцію? Якщо ми погодимось з передумовою, що будь-який виробничо-транспортний процес може керувати торговим автоматом, залишається не так багато. Кілька інженерних робочих місць, які дозволять розробити специфікації для нових форм машин, ІТ-робочі місця (які запрограмують алгоритми для машин), аналітичні завдання (які оцінюватимуть дані машин) та професії, присвячені життю та розвитку людини (культура, лікарі, вчителі, …). Серцевий ритм і артеріальний тиск повернулись до середніх значень, оскільки моя робота була в одній з категорій, яка проживе кілька років. Тобто, поки я не прочитав статтю від Т. Девенпорта.
Штучний штучний інтелект
Стаття змусила мене трохи глибше подумати над темою заміни людської праці штучним інтелектом. Я почав детальніше аналізувати, які частини (сьогоднішньої) аналітичної роботи можна залишити на межі машини. Ось короткий підсумок мого дослідження:
Очищення та підготовка даних. Першим кроком аналітичної роботи є очищення даних та підготовка їх до подальшого аналізу. Більш уважне вивчення цієї сфери привело мене до думки (і однойменного блогу), що індустрія очищення даних гине. Такі інструменти, як Ataccamma та багато інших, можуть повністю прочитати дані. Подібним чином майже кожна стандартна база даних несе в собі можливість створювати процедури даних або навіть аналітичні пакети, які також дозволяють динамічно встановлювати форму та характер даних, що аналізуються.
Створіть достатньо параметрів . Після очищення даних аналітик занурюється у створення параметрів, які служать предикторами. Я покладався на цю сферу найбільше як на дамбу проти атаки машин. Однак машина не може знати, що є предметом моделювання, і тому буде важко вибрати відповідні параметри. Однак це не спрацювало для мене, і я почав глибше вивчати генетичні алгоритми. Ця тема настільки захоплююча, що незабаром я присвячу їй окремий блог, тому на цьому етапі я просто скажу, що більш досконала генетична евристика може поставити прості параметри на перевірку і зрозуміти, як модифікувати простіші симптоми на більш складні. Як результат, комп’ютер запускається з простих параметрів і поступово готує справді складний із значно більшою інформаційною цінністю. Такий прискорений дарвінізм.
Побудуйте прогностичну модель за історію провісників . Якщо у мене були сумніви в попередньому пункті, я це чітко розумію в частині створення прогнозних моделей. Сьогодні машинне навчання є основною проблемою, і якщо ви надаєте дані аналітичним службам, вони можуть самостійно створити модель для прогнозування даного явища. Нам не потрібно далеко ходити за прикладами, хлопці з Expone або Black Swan Rational, наприклад, також беруть участь у автономному створенні моделей у нашій країні. Ця частина сьогодні (повністю) не в руках людей. У майбутньому це буде тільки погіршуватися.
Тестування та перевірка моделі. Будь-який аналітик, який створив комерційно корисну модель прогнозування, знає, що більшість аналітиків передають перевірку моделі таким інструментам, як селектор ROC або перевірка CCC. Крім того, якщо ви коли-небудь працювали з моделями Ensemble, ви знаєте, що машина вже сьогодні може брати альтернативно розроблені моделі та вибирати найкращу з кожної з них у супермодель, яка переможе кожну з оригінальних моделей у бою.
Перетворіть результат у зрозумілі для людини висновки . Майже всі великі аналітичні компанії покладаються на програмне забезпечення для візуалізації, щоб взяти на себе роль відображення результату в зручній для читання формі. Однак щороку я стикаюся з Інфографікою або формою графіки, яка була напрочуд зрозумілою. Поки машини не знімуть фільмів, які ми закінчимо, люди матимуть перевагу. Однак я бачу проблему в іншому: скептики прогностичних моделей підштовхували аналітиків з аргументом, що прогностична модель - це чорний ящик, ми не знаємо, чому вона вирішила це зробити, і тому ми не можемо це перевірити. Відповіддю аналітиків була т. Зв Пояснювальна оцінка, ще одна хвиля ШІ, яка перетворює правила прогнозування в зрозумілі пояснення. Цю тенденцію в основному стимулюють регулятори в галузі охорони здоров’я та управління банківськими ризиками, які вимагають, щоб моделі не тільки передбачали правильне рішення, але й додавали пояснення, чому вони "прийняли це рішення". Якщо ми підемо таким чином глибше, за одним з інших поворотів людський елемент буде марним. ШІ також надасть пояснення, чому він діє так, як діє.
Як показала наша коротка екскурсія, за 3,5 з 5 необхідних етапів аналітичної роботи машини вже можуть встигати за людиною, і ситуація швидко погіршується. Тому провокаційне запитання Девенпорта видається цілком доречним. Значна частина аналітичної роботи та роботи з даними просто не вимагатиме від людини. Знову мене охопила аналітична тривога. Я все одно піду на пенсію в цій галузі або піду на розбивні машини, як це робили полчища робітників у першій хвилі індустріалізації?
Чому це (не) повинно відбуватися?
Той факт, що існує теоретична можливість замінити людей, не зумовлює того, що це станеться. Зрештою, комп’ютер уже переміг нас у шахах та в Go, але люди все ще не припиняли грати в жодну з цих ігор. Тож чи існують реальні фактори, які повинні пришвидшити заміщення людей машинами в аналітичній галузі? Думаю, вони існують і сьогодні 2 таких причини:
Поширення даних . Ви, напевно, чули, що виробництво даних зростає в геометричній прогресії. Навіть якщо ми знайдемо методи їх більш ефективного аналізу, зменшення вимог до їх обробки буде мати форму деривації. І як відомо більш ініційованим, виведення експоненціальної функції все ще є експоненціальною функцією. Таким чином, зростаючий обсяг даних, незважаючи на вдосконалення методів їх обробки, відкриє ножиці між ними
аналітичні потреби та наявність робочої сили для цієї мети. Парадоксально, але зростає попит на потребу в машинах для аналізу даних для аналізу самих даних.
Аналогія з деталями . Нещодавно я спілкувався з вищим керівництвом однієї з торгових мереж. Вони інтенсивно працюють над запровадженням кас самообслуговування. Коли я запитав їх про причини цього рішення, я не отримав відповіді, що вони хочуть наблизитися до концепції Amazon Go. Ні, справжня причина полягала в тому, що платити людям (навіть хоча б) мінімальною зарплатою та всіма доплатами за вечір та вихідні за сканування товарів стало нежиттєздатним. Закон Мура постійно знижує ціну ІТ-рішень, а навпаки, ціна робочої сили постійно зростає. Це лише питання часу, коли ціна автоматизованої моделі поступиться ціні за одиницю людини. Отже, мати прогнозну модель, яку зробить людина, одного разу буде такою ж розкішшю, як платити за прибиральник, навіть якщо ви є роботом Roomba.
Коли я зіткнувся із згаданою статтею з кількома експертами з інтелектуального аналізу даних, деякі з них заспокоїлись, що я не повинен бачити його таким чорним. Це так, базове машинне навчання може обробляти оперативну пам’ять та центральний процесор, але людська голова все одно знадобиться для контролю якості моделей DeepLearning або алгоритмів кластеризації. До того ж, як люди, ми маємо творчість, тому, коли вона починає до нас приходити, ми знову придумуємо щось, що «тримає нас у грі».
Яким ти це бачиш? На яку сторону ти будеш спиратися? Я провів коротке голосування з цього приводу, тому, будь ласка, проголосуйте за те, що ви думаєте.
Що додати врешті?
Дивно, але моя дружина, яка погано має справу з аналітикою даних, бо її турбує божевільний чоловік, представила напрочуд стимулюючий виступ у дискусії про страх замінити людські роботи штучним інтелектом. Ми разом обговорили, що наші діти, мабуть, більше не зможуть виконувати жодної роботи, яку ми знаємо. Ці роботи просто не існуватимуть. Ми були спантеличені тим, як підготувати наступне покоління до своєї професії. Як їх більше розвивати, щоб вони мали застосування?
Через кілька хвилин прийняття соціальних наслідків цієї тенденції (масове безробіття нашого покоління, яке вже не зможе переорієнтуватися; чи можуть машини взяти на себе роль культури за допомогою КР? ') Справді гідний вирок з цього вийшло: величезні суми грошей, щоб дати людям кращі рішення, придумавши щось інше, ніж люди. Якби ми вкладали ті самі величезні гроші безпосередньо у розвиток людського потенціалу, чи не було б нам краще? " Я повинен визнати, що такий тип мислення насправді пов’язаний із цим. Той факт, що ми вважаємо природним інвестувати в дослідження ШІ, а не в покращення людських можливостей, лише документує химерний шлях, яким ми йдемо як людство.
Однак, з невеликим полегшенням, я хотів би додати, що тенденція заміщення людського мислення машинами в основному зрозуміла. Якщо ви пам’ятаєте, це було саме так людська лінь, що сприяло створенню машин. Коли сьогодні ви озираєтесь навколо, люди лінуються думати, а не витрачати фізичні навантаження (звідси знайома приказка: «Хто не має голови, той має в ногах»). Парадоксально, але ти змушуєш більше людей обдурити маркетингом, щоб почати займатися спортом, ніж починати читати професійні книги. Розвиток систем, які будуть думати за нас, тому багато людей розглядають як послугу для свого комфорту.
Однак мало хто з нас усвідомлює, що в результаті чекає на нас психічне ожиріння. Так, ми припиняємо кіберпрохід, і вони поступово атрофуються, подібно до м’язів «жиру», який перестав рухатися. У песимістичному сценарії люди поступово будуть дурити і машини вдосконалюватимуться. Одного разу, можливо, народиться покоління, яке не зможе «перепрограмувати» машини, що може мати фатальні наслідки для нашої цивілізації. Однак поки цього не станеться, нам слід більше турбуватися про цінність, яку ми матимемо для роботодавця, коли ми слабші та повільніші в мисленні, ніж апаратні засоби. Або які нові види професій ми повинні створити, щоб, коли ми перестанемо бути (такими дефіцитними) вченими з даних, нам було чим зайнятися. Тож спробуйте думати про преталію, принаймні як про профілактику психічного ожиріння.
Я вітаю будь-який ваш коментар на цю тему тут.
PS: Ви можете знайти оригінальну статтю Davenport тут, якщо вам цікаво.