Las nuevas capacidades de la IA, que pueden reconocer el contexto, los conceptos y el significado de los conceptos, abren nuevas formas, a veces inesperadas, de trabajar juntas entre los trabajadores mentales y las máquinas. Los expertos pueden contribuir a la capacitación, el control de calidad y el ajuste de los resultados de la IA. Las máquinas pueden complementar el conocimiento de sus semejantes y, a veces, ayudar a educar a nuevos expertos. Estos sistemas, más propensos a imitar la mente humana, son más confiables que sus predecesores dependientes de datos. Y pueden tener un impacto significativo en los trabajadores del cerebro, que representan el
48% de la fuerza laboral de los EE. UU. Y en más de 230 millones de
trabajadores del cerebro en todo el mundo. Pero para aprovechar al máximo esta inteligencia artificial más inteligente, las empresas deberán redefinir el flujo de trabajo y los trabajos.
Los trabajadores del cerebro, personas que toman decisiones en el trabajo, razonan, crean y aplican ideas en procesos cognitivos no relacionados con la rutina, en su mayor parte están de acuerdo con esto. De los más de 150 expertos tomados de un gran estudio internacional sobre el uso de IA en grandes empresas, casi el 60% dice que sus antiguas descripciones de trabajo se están volviendo obsoletas rápidamente debido a su nueva colaboración con AI. Alrededor del 70% dice que necesita capacitación debido a los nuevos requisitos relacionados con el trabajo con IA. El 85% está de acuerdo en que la alta gerencia también debe participar en intentos comunes para cambiar los roles y procesos de los trabajadores mentales. Y comenzando a cumplir la tarea de repensar el uso del trabajo mental en combinación con la IA, pueden aplicar algunos de los siguientes principios:
Deje que personas expertas le digan a AI lo que es importante para ellos. Realice diagnósticos médicos, en los que es probable que la IA esté en todas partes. A menudo, cuando la IA emite un diagnóstico, la lógica del algoritmo no está clara para el médico, que de alguna manera debe explicar la solución al paciente; este es un problema de caja negra. Ahora, Google Brain ha
desarrollado un sistema que puede abrir una caja negra y traducir su trabajo al lenguaje humano. Por ejemplo, un médico que evalúa el diagnóstico de "cáncer" de IA quisiera saber en qué medida el modelo tuvo en cuenta varios factores importantes: la edad del paciente, la quimioterapia previa, etc.
La herramienta de Google también permite a los expertos médicos introducir en el sistema conceptos que consideran importantes y probar sus propias hipótesis. Por ejemplo, un experto puede querer ver si el diagnóstico cambiará la introducción de un nuevo factor que el sistema no tenía en cuenta anteriormente. Bin Kim, el desarrollador de este sistema, dice: “En muchos casos, cuando se trabaja con aplicaciones de las cuales depende mucho, los expertos en un campo en particular ya tienen una lista de conceptos que son importantes para ellos. En Google Brain nos enfrentamos constantemente a esto en las aplicaciones médicas de la IA. No necesitan un conjunto de conceptos: quieren proporcionar modelos de conceptos que les resulten interesantes ".
Haga modelos que coincidan con el sentido común. Con la acumulación de preocupaciones sobre la ciberseguridad, las organizaciones utilizan cada vez más herramientas de recopilación de datos en diferentes puntos de la red para analizar las amenazas. Sin embargo, muchas de estas técnicas basadas en datos no integran datos de múltiples fuentes. Tampoco incluyen el sentido común de los expertos en ciberseguridad, que comprenden el espectro y la variedad de motivos de los atacantes, entienden las amenazas internas y externas típicas y el grado de riesgo para la empresa.
Investigadores
del Alan Turing Institute , un instituto estatal británico que estudia la ciencia de los datos y la IA, están tratando de cambiar esto. Su enfoque utiliza el
modelo bayesiano , un método de análisis probabilístico que tiene en cuenta la compleja interdependencia de los factores de riesgo y combina datos con estimaciones. En la ciberseguridad de las redes empresariales, entre estos factores complejos hay una gran cantidad de dispositivos conectados a la red, y sus tipos, y el conocimiento de los expertos de la organización sobre piratas informáticos, riesgos y mucho más. Y aunque muchos sistemas de ciberseguridad basados en IA incluyen la capacidad de tomar decisiones en la última etapa, los investigadores del instituto están buscando formas de incorporar la experiencia en todos los niveles del sistema. Por ejemplo, el conocimiento del experto sobre la motivación y el comportamiento asociados con un ataque a través del robo de IP, y cómo se diferencian, por ejemplo, de un ataque DDOS, se programan directamente en el sistema desde el principio. En el futuro, este conocimiento, junto con las fuentes de datos de máquinas y redes, se utilizará para formar sistemas de ciberseguridad más eficientes.
Usa la IA para ayudar a los principiantes a convertirse en expertos reconocidos. La IA puede convertir rápidamente a los principiantes en expertos. HP demostró esto mediante el uso de una plataforma informática cognitiva del laboratorio de inteligencia artificial para analizar los datos de las llamadas de los clientes durante dos años. El centro de llamadas utilizó un sistema basado en colas para distribuir llamadas, lo que provocó que los clientes esperaran mucho tiempo por una respuesta, y la calidad de la asistencia al usuario fue deficiente. La plataforma informática cognitiva fue capaz de identificar las "micro habilidades" únicas de cada especialista: conocimiento sobre los tipos especiales de solicitudes de usuarios obtenidas de llamadas anteriores. Ahora se usa para redirigir las llamadas a los agentes que manejaron con éxito situaciones similares anteriormente. Como resultado, el centro de soporte mejoró en un 40% los indicadores para resolver la situación en la primera llamada y redujo el número de desvío de llamadas en un 50%.
Con la capacitación de especialistas en soporte de IA, actualizan automáticamente sus conocimientos, eliminando la necesidad de hacerlo manualmente en su perfil. Además, cuanto más conocimiento recibe un especialista, más complejas son las tareas que el software lo redirige. Mientras tanto, el software está mejorando constantemente su conocimiento, y las conclusiones de AI sobre micro-habilidades mejoran la eficiencia con la que un experto entrena el software. Vale la pena señalar que varias empresas están trabajando en esta tarea de reciclaje; por ejemplo, el inicio de ASAPP ofrece ofertas en tiempo real a especialistas en soporte de servicios.
Utilice la tecnología de inteligencia artificial que los utiliza de manera efectiva para marcar su flujo de trabajo experto. Los expertos en muchos tipos de conocimiento son bastante raros y no producen una gran cantidad de datos adecuados para la capacitación. Pero el aprendizaje profundo y el aprendizaje automático, en los que se basan muchos avances en el campo de la IA, requieren una gran cantidad de datos para construir sistemas de abajo hacia arriba. En el futuro, veremos más sistemas creados de arriba a abajo, lo que requerirá mucha menos información para crear y capacitar, lo que les permitirá percibir y tener en cuenta el conocimiento especial de los trabajadores.
Tome la reciente
competencia organizada por el laboratorio de imágenes médicas en el Hospital Universitario de Brest y la Facultad de Medicina y Telecomunicaciones en Bretaña. Los participantes compitieron en la mayor precisión de los sistemas de imágenes médicas, que supuestamente informaban qué instrumentos usaba el cirujano en cada momento en una operación de cataratas mínimamente invasiva. El ganador fue un sistema de visión artificial, que fue entrenado durante seis semanas con solo 50 videos de operaciones quirúrgicas, 48 de los cuales fueron realizados por cirujanos experimentados, uno era un cirujano con un año de experiencia y uno era interno. Los sistemas precisos de reconocimiento de herramientas permiten a los médicos analizar las operaciones quirúrgicas en detalle y buscar formas de mejorarlas. Tales sistemas pueden usarse potencialmente para generar informes, capacitar a cirujanos y ayudar a los cirujanos en tiempo real.
Todos estos ejemplos indican que los ingenieros y pioneros en diversas disciplinas están desarrollando IA que pueden ser más fáciles de entrenar y evaluar, y también incluyen una experiencia experta extremadamente valiosa y a menudo rara. Para comenzar a aprovechar estas nuevas capacidades, las organizaciones deben revisar sus presupuestos de IA. Y para aprovechar al máximo estos sistemas y los trabajadores mentales, deben reconsiderar la interacción de especialistas y máquinas. A medida que los sistemas de MO actuales complementan las capacidades de los trabajadores comunes, los sistemas del mañana elevarán la efectividad de los trabajadores del conocimiento a alturas de perfección universal que antes eran inalcanzables.