Изпотих се малко преди няколко седмици. Попаднах на статия на аналитичен гуру, Том Дейвънпорт (наред с други, авторът на страхотните книги Competing on Analytics или BigData At Work), в които той обсъжда как няколко водещи клиенти на аналитичен софтуер признаха на престижна чуждестранна аналитична конференция, че разчитат на възможността да заменят работни места и анализатори. След като прочетох статията, бях малко уплашен ...

мощни

Мисля по тази тема от около 2 години. За всеки, който е прочел поне едно професионално списание за ИТ през последните 2-3 години, е ясно, че преживяваме поредната (индустриална) революция. След изобретяването на пара, последвано от електричество и двигатели с вътрешно горене, ние сме на границата на дигиталната ера. Преди това информационните потоци бяха свързани от изолирани острови на производство (а също и транспорт), така че ние хората отново имаме по-малко отговорности. Или всъщност възможности?

Какъв вид северни елени ще оцелеят?

Отначало предадохме лопатата за ръчна работа на машините, но оставихме поне задължението да сглобим машините, които те ще направят за нас. По-късно разработихме машиностроене и така машините могат да произвеждат други машини. Ние, хората, се оттеглихме отново и бяхме оставени „просто“ да контролираме (произвеждаме машини, какво прави) машините. С индустрия 4.0 идва т.нар автономно производство, където машините могат да управляват други машини, които произвеждат машини. Изглежда малко незабележимо, но по същество затвори производствения кръг. Защото, ако машините могат напълно да контролират производството на други машини, те могат да „поръчат“ производството на свои собствени компоненти (или подобрения). В днешната дигитална епоха, когато машините могат да управляват и автономни автомобили, за да транспортират други машини, изобщо не е научно-фантастично да се веригира пълното автономно производство на фабрика, която произвежда не само крайния продукт, но и собствена поддръжка.

Докато се опитвах да екстраполирам тази ситуация няколко години напред, бях обезпокоен от въпроса какви човешки професии (работни места) всъщност ще оцелеят в тази тенденция? Ако приемем предпоставката, че всеки производствен и транспортен процес може да контролира автомат, не остава много. Няколко инженерни работни места, които ще изготвят спецификации за нови форми на машини, ИТ работни места (които ще програмират алгоритми за машини), аналитични работни места (които ще оценят данните от машините) и професии, посветени на човешкия живот и развитие (култура, лекари, учители, ...). Пулсът и кръвното ми налягане се върнаха към средните стойности, тъй като работата ми е в една от категориите, които ще оцелеят в продължение на няколко години. Тоест, докато не прочета статията от Т. Дейвънпорт.

Изкуствен изкуствен интелект

Статията ме принуди да се замисля малко по-дълбоко по темата за замяната на човешкия труд с изкуствен интелект. Започнах да анализирам по-подробно кои части от (днешната) Аналитична работа могат да бъдат оставени до известна степен от машината. Ето кратко резюме на моето изследване:

Почистване и подготовка на данни. Първата стъпка в аналитичната работа е пречистването на данните и подготовката им за по-нататъшен анализ. По-внимателният преглед на тази област ме накара да повярвам (и блога със същото име), че индустрията за почистване на данни умира. Инструменти като Ataccamma и много други могат да прочетат напълно данните. По същия начин почти всяка стандартна база данни носи със себе си възможност за създаване на процедури за данни или дори аналитични пакети, които също ви позволяват да зададете динамично формата и естеството на данните, които трябва да бъдат анализирани.

Създайте достатъчно параметри . След като данните бъдат изчистени, анализаторът се впуска в създаването на параметри, които да служат като предиктори. Разчитах на тази област най-много като на язовир срещу атаката на машини. Машината обаче не може да знае какво е обект на моделиране и затова ще бъде трудно да се изберат подходящи параметри. При мен обаче не се получи и започнах да изучавам по-задълбочено генетичните алгоритми. Тази тема е толкова завладяваща, че скоро ще отделя отделен блог за нея, така че на този етап просто ще кажа, че по-напредналите генетични евристики могат да подложат на изпитание прости параметри и да разберат как да модифицират по-опростените симптоми в по-сложни. В резултат на това компютърът стартира с прости параметри и постепенно подготвя наистина сложен с много по-голяма информационна стойност. Такъв ускорен дарвинизъм.

Изградете предсказващ модел през историята на предсказателите . Ако съм имал съмнения в предишната точка, съм наясно с това в частта от създаването на прогнозни модели. Днес машинното обучение е основна тема и ако предоставяте данни на аналитични услуги, те могат самостоятелно да създадат модел за прогнозиране на дадено явление. Не е нужно да ходим далеч за примери, момчета от Expone или Black Swan Rational например също се занимават с автономно създаване на модели у нас. Днес тази част вече не е (изцяло) в ръцете на хората. В бъдеще само ще се влошава.

Тестване и проверка на модела. Всеки анализатор, който е създал търговски полезен предсказващ модел, знае, че повечето анализатори предават проверката на модела на инструменти като ROC селектор или CCC проверка. Освен това, ако някога сте работили с модели на Ensemble, знаете, че машината вече може да вземе алтернативно разработени модели днес и да избере най-доброто от всеки от тях в супермодел, който ще победи всеки от оригиналните модели в битка.

Преобразувайте резултата в разбираеми за човека заключения . Почти всички големи аналитични компании разчитат на софтуера за визуализация, за да поемат ролята да показват резултата в разбираема за човека форма. Всяка година обаче се натъквам на Инфографика или форма на графика, която беше изненадващо ясна. Докато машините не правят филми, които ще свършим, хората ще имат надмощие. Обаче виждам проблема в нещо друго: Скептиците на прогнозните модели тласнаха анализаторите с аргумента, че прогнозният модел е черна кутия, не знаем защо е решил да го направи и следователно не можем да го проверим. Отговорът на анализаторите беше т.нар Обяснителна оценка, поредната вълна от ИИ, която превръща правилата за предсказване в разбираеми обяснения. Тази тенденция се прокарва главно от регулаторите в здравеопазването или управлението на банковия риск, които настояват моделите не само да предскажат правилното решение, но и да добавят обяснение защо „са взели това решение“. Ако отидем по-дълбоко по този начин, зад един от другите обрати, човешкият елемент ще бъде безполезен. AI също ще даде обяснение защо действа по начина, по който действа.

Както показа кратката ни екскурзия, в 3.5 от 5-те необходими стъпки от аналитичната работа машините вече могат да бъдат в крак с хората днес и ситуацията бързо се влошава. Следователно провокативният въпрос на Дейвънпорт изглежда напълно подходящ. Голяма част от аналитичната работа и работата с данни просто няма да изискват човек. За пореден път ме обзе аналитичното безпокойство. Все още ще се пенсионирам в този бранш или ще отида да разбивам машини, както ордите работници направиха през първата вълна на индустриализация?

Защо това (не) трябва да се случи?

Фактът, че има теоретична възможност за заместване на хората, не предопределя това да се случи. В крайна сметка компютърът вече ни победи в шаха и в Go, но хората все още не спряха да играят нито една от тези игри. Така че има ли реални фактори, които трябва да ускорят замяната на хората с машини и в аналитичното поле? Мисля, че съществуват и днес 2 такива причини:

Данни за разпространение . Вероятно сте чували, че производството на данни нараства експоненциално. Дори да намерим методи за техния по-ефективен анализ, намаляването на изискванията за тяхната обработка ще приеме формата на деривация. И както по-посветените знаят, извеждането на експоненциална функция все още е експоненциална функция. Така нарастващият обем данни, въпреки усъвършенстването на методите им за обработка, ще отвори ножицата между тях
аналитични нужди и наличието на работна ръка за тази цел. Парадоксално е, че има нарастващо търсене на необходимостта от машини за анализ на данни за анализ на самите данни.

Аналогия с подробности . Наскоро разговарях с топ мениджмънта на една от търговските вериги. Те работят усилено по въвеждането на каси на самообслужване. Когато ги попитах причините за това решение, не получих отговор, че искат да се доближат до концепцията на Amazon Go. Не, истинската причина беше, че стана неустойчиво да се плаща на хората (дори и само) с минимална заплата и всички екстри за вечерта и уикенда за сканиране на стоки. Цената на ИТ решенията е трайно намалена от закона на Мур, а цената на труда, от друга страна, непрекъснато се покачва. Въпрос на време е цената на автоматизирания модел да отстъпи на единичната цена на човека. Така че да имате предсказващ модел, направен от човек, един ден ще бъде същият лукс като плащането на чистачка, въпреки че притежавате робот Roomba.

Когато се сблъсках със споменатата статия с няколко експерти по извличане на данни, някои от тях се успокоиха, че не трябва да го виждам толкова черен. Това, да, основното машинно обучение може да се справи с RAM и CPU, но все пак ще е необходима човешка глава, за да се контролира качеството на моделите DeepLearning или алгоритмите за клъстериране. Освен това, като хора имаме креативност, така че когато започне да идва при нас, ние отново измисляме нещо, което „ни държи в играта“.

Как го виждаш? На коя страна ще се опрете? Проведох кратко гласуване по този въпрос, така че, моля, гласувайте за това, което мислите.

Какво да добавя накрая?

Изненадващо, съпругата ми, която лошо трябва да се занимава с анализ на данни, защото я притесняват лудият й съпруг, изненадващо започна дискусията за страха от замяната на човешките работни места с изкуствен интелект. Обсъдихме заедно, че нашите деца вероятно вече няма да могат да вършат нито една от работата, както ги познаваме. Тези работни места просто няма да съществуват. Бяхме озадачени как да подготвим следващото поколение за тяхната професия. Как да ги развием повече, за да имат приложение?

След няколко минути поемане на социалните последици от тази тенденция (огромна безработица на нашето поколение, което вече няма да може да се преориентира; могат ли машините да поемат ролята на култура с помощта на КР?) Наистина достойно изречение излезе от него: огромни суми пари, за да дадат на хората по-добри решения, като измислят нещо различно от хората. Ако инвестирахме същите, огромни пари директно в развитието на човешкия потенциал, няма ли да сме по-добре? " Трябва да призная, че този вид мислене наистина има нещо общо с това. Фактът, че намираме за естествено да инвестираме в изследвания на ИИ, а не в подобряване на човешките способности, само документира странния път, по който вървим като човечност.

С малко облекчение обаче бих добавил, че тенденцията за замяна на човешкото мислене с машини в основата си е разбираема. Ако си спомняте, беше точно това човешки мързел, които задвижваха създаването на машини. Когато се огледате днес, хората са мързеливи да мислят, вместо да изразходват физически усилия (оттук и познатата поговорка: „Който няма глава, има в краката си“). Парадоксално е, но карате повече хора да се заблуждават от маркетинга да започнат да спортуват, отколкото да започнат да четат професионални книги. Толкова много хора виждат развитието на системи, които ще мислят за нас като услуга за техния комфорт.

Малко от нас обаче осъзнават, че в резултат ни очакват психическо затлъстяване. Да, спираме киберпропускането и те постепенно се атрофират, подобно на мускулите на „мазнина“, която е спряла да се движи. При песимистичен сценарий хората постепенно ще се заблуждават и машините ще се подобряват. Един ден може би ще се роди поколение, което няма да може да „препрограмира“ машините, което може да има фатални последици за нашата цивилизация. Докато това се случи обаче, трябва да се тревожим повече за стойността, която ще имаме за работодателя, когато сме по-слаби и по-бавни в мисленето, отколкото хардуер. Или какви нови видове професии трябва да създадем, за да имаме какво да правим, след като спрем да бъдем (толкова оскъдни) изследователи на данни. Затова се опитайте да помислите за преталията, поне като превенция срещу психическото затлъстяване.

Всички коментари по тази тема са добре дошли от вас тук.

PS: можете да намерите оригиналната статия на Davenport тук, ако се интересувате.