یادگیری ماشین که به عنوان هوش مصنوعی شناخته می‌شود، تاثیر چشمگیری بر محیط کار دارد و می‌تواند راهی برای افزایش بهره‌وری کارکنان انسانی و کاهش تفاوت‌ها و نابرابری‌ها فراهم آورد. برخلاف نگرش‌های پیشین که ادعا می‌کردند هوش مصنوعی در حال حاضر تهدیدی برای اشتغال انسانی است و ممکن است باعث جمع‌آوری ثروت در دستان چند نفر موفق گردد.
می‌توان نگاهی نزدیک‌تر به این موضوع داشت و مشاهده کرد که یادگیری ماشین می‌تواند قدرتی را برای تغییر شکل به یک جامعه مثبت‌تر و جامع‌تر داشته باشد. در حقیقت توسعه سیستم‌های هوش مصنوعی مانند ChatGPT و DALL-E به هدف دارایی ماشین‌های خودکار پردازش نیازمند مناطق بسیاری از انسانیتداشت که این امر به طور ضروری به معنای آن نیست که همه اشتغالات انسانی منسوخ خواهد شد.
FAQ:
1. توضیحات:
– یادگیری ماشین: شاخه‌ای از هوش مصنوعی که بر روی توانایی ماشین‌ها برای یادگیری و بهبود عملکرد برنامه‌ریزی شده تمرکز دارد.
– ChatGPT و DALL-E: نام دو سیستم هوش مصنوعی معروف که برای تولید محتوای خودکار و خلاق استفاده می‌شوند.
2. منابع:
– برآینده‌های بازار
Grand View Research
همچنین، فاصله‌های گذشته با فناوری اطلاعات نشان داده است که اتوماسیون مدعوم از آن به طور معمول منجر به جابجایی شغلی شده است. با این حال، این معنای آن نیست که آینده کار یک راه تنهایی به سوی اتوماسیون کامل است. به عبارت دیگر، یادگیری ماشین می‌تواند برای افزایش عملکرد انسان‌ها و فراهم کردن امکان انجام وظایف پیچیده‌تر برای آنها مفید باشد.
برای تأیید پتانسیل یادگیری ماشین در افزایش بهره‌وری انسان و کاهش نابرابری، مثال‌هایی وجود دارد. پژوهشگران دانشگاه Stanford و MIT متوجه شده‌اند که یک کمک‌گرفته‌ی یادگیری ماشین به صورت قابل مشاهده به بهبود عملکرد ماموران پشتیبانی مشتری و افزایش رضایت مشتری منجر شده است. به طور مشابه، برنامه‌نویسان کامپیوتر از ابزارهای یادگیری ماشین بهره می‌برند، همانطور که در یک آزمایش مشارکتی با تحقیق‌گران از Microsoft، GitHub و MIT نشان داده شد. کدنویسانی که از ابزار یادگیری ماشین به نام GitHub Copilot استفاده می‌کنند، ۵۶ درصد سریع‌تر از آنها وظایف برنامه‌نویسی را انجام دادند.
اثرات ورود ابزارهای یادگیری ماشین می‌تواند تأثیر قابل‌توجهی بر جامعه داشته باشد. با اعطای قدرت به کارگران با کمک‌های یادگیری ماشین، می‌توانیم احتمالاً درآمد و فرصت برابری را کاهش دهیم. اتوماسیون تاکنون به طور عمده از کارگران با سطح تحصیلی بالا بهره برده و افراد با کمترین تحصیلات را پشت سر گذاشته است. ابزارهای یادگیری ماشین می‌توانند این انحراف را پوشش دهند و به کارگران رتبه پایین اجازه دهند تا وظایف تصمیم‌گیری کنونی مخصوص مرفهان را بر عهده بگیرند.
به عنوان مثال، یادگیری ماشین می‌تواند پرستاران تخصصی و تکنسین‌های پزشکی را برای انجام تصمیمات طبی پیچیده توانمند سازد و نهایتاً بار زیادی را از شان‌ها کاسته و دسترسی به خدمات بهداشتی با کیفیت را افزایش دهد. در صورت استفاده هوشمندانه از یادگیری ماشین، ممکن است کارهای میانیه مهارتی کلاس میانیه که زیر سوال برده‌اند را زنده کند و تاکید آتور را روی آن می‌گذارد.
به منظور جهت دهی یادگیری ماشین به سوی افزایش بهره‌وری انسان و قدرت، سیاستگذاران و طبقه شرکتی باید از یک نگاه متفاوت استفاده کنند. انگیزه‌های شرکتی باید از طریق تغییرات در قانون مالی بازسازی شوند و بستر را برای خودکاری باز نوی آنها و استخدام نیروی کار تازه برابر کنند. اتحادیه‌ها باید سهمی در تعیین نحوه یادگیری ماشین در نیروی کار داشته باشند و مقررات باید از شهروندگی یادگیری ماشین آزمایش نشده در حوزه‌های حساس مانند استخدام و پایش جلوگیری کنند. علاوه بر این، برنامه‌های تحقیقی باید از بررسی کاربردهای تکمیلی یادگیری ماشین اولویت داشته باشند به جای تمرکز صرفاً بر روی خودکاری.
پذیرش این الگوی توسعه فناوری بسیار حیاتی است. به جای جایگزین کردن توانایی‌های انسانی، تمرکز باید بر توسعه ظرفیت انسانی باشد. پیامدهای عدم اقدام قابل توجه است. بدون رویکرد فعال، خطر ایجاد طبقه کارگری بدون قدرت اقتصادی یا سیاسی که به درآمد پایه جامع ارایه شده توسط اشراف فنی وابسته باشند، وجود دارد.
در پایان، پتانسیل یادگیری ماشین در ابتدا در حذف شغل‌ها نه در تقویت و توانمند کردن کارگران انسانی قرار دارد. با بهره‌گیری از ابزارهای یادگیری ماشین برای انجام وظایف پیچیده و کاهش نابرابری، می‌توانیم یک آینده را شکل دهیم که فناوری برای بهره‌وری همه کار می‌کند. این نیازمند یک تغییر در ذهنیت است که با سیاست‌هایی که از لحاظ ظرفیت انسانی و توزیع منصفانه ثروت اولویت بندی می‌کنند، همراه است.
منابع مرتبط:
– برآینده‌های بازار
Grand View Research
The source of the article is from the blog radiohotmusic.it