Die neuen Fähigkeiten der KI, die den Kontext, die Konzepte und die Bedeutung von Konzepten erkennen können, eröffnen neue, manchmal unerwartete Möglichkeiten der Zusammenarbeit zwischen mentalen Arbeitern und Maschinen. Experten können zur Schulung, Qualitätskontrolle und Feinabstimmung der KI-Ergebnisse beitragen. Maschinen können das Wissen ihrer Mitmenschen ergänzen und manchmal dazu beitragen, neue Experten auszubilden. Diese Systeme, die eher den menschlichen Geist imitieren, sind zuverlässiger als ihre datenabhängigen Vorgänger. Und sie können erhebliche Auswirkungen auf Brainworker haben, die
48% der US-amerikanischen
Belegschaft ausmachen , und auf über 230 Millionen Brainworker weltweit. Um diese intelligentere KI optimal nutzen zu können, müssen Unternehmen den Workflow und die Jobs neu definieren.
Gehirnarbeiter - Menschen, die bei der Arbeit Entscheidungen treffen, argumentieren, Ideen in kognitiven Prozessen entwickeln und anwenden, die nicht mit Routine zusammenhängen - stimmen dem größtenteils zu. Von den mehr als 150 Experten, die einer großen internationalen Studie zum Einsatz von KI in großen Unternehmen entnommen wurden, geben fast 60% an, dass ihre alten Stellenbeschreibungen aufgrund ihrer neuen Zusammenarbeit mit KI schnell veraltet sind. Etwa 70% geben an, dass sie aufgrund neuer Anforderungen im Zusammenhang mit der Arbeit mit KI eine Umschulung benötigen. 85% stimmen zu, dass die Geschäftsleitung auch an gemeinsamen Versuchen teilnehmen sollte, die Rollen und Prozesse von Geistesarbeitern zu ändern. Und wenn sie anfangen, die Aufgabe zu erfüllen, den Einsatz von geistiger Arbeit in Kombination mit KI zu überdenken, können sie einige der folgenden Prinzipien anwenden:
Lassen Sie Experten sagen, was für sie wichtig ist. Nehmen Sie eine medizinische Diagnostik, bei der KI wahrscheinlich überall ist. Wenn die KI eine Diagnose stellt, ist die Logik des Algorithmus dem Arzt oft nicht klar, der dem Patienten die Lösung irgendwie erklären muss - dies ist ein Black-Box-Problem. Jetzt hat Google Brain
ein System entwickelt , mit dem eine Black Box geöffnet und die Arbeit in die menschliche Sprache übersetzt werden kann. Zum Beispiel möchte ein Arzt, der die Diagnose von KI-Krebs bewertet, wissen, inwieweit das Modell verschiedene wichtige Faktoren berücksichtigt - das Alter des Patienten, die vorherige Chemotherapie usw.
Mit dem Tool von Google können medizinische Experten auch in die Systemkonzepte einführen, die sie für wichtig halten, und ihre eigenen Hypothesen testen. Beispielsweise möchte ein Experte möglicherweise sehen, ob die Diagnose die Einführung eines neuen Faktors ändert, der zuvor vom System nicht berücksichtigt wurde. Bin Kim, der Entwickler dieses Systems, sagt: „In vielen Fällen verfügen Experten auf einem bestimmten Gebiet bereits über eine Liste von Konzepten, die für sie wichtig sind, wenn sie mit Anwendungen arbeiten, von denen viel abhängt. Wir bei Google Brain sind in den medizinischen Anwendungen der KI ständig damit konfrontiert. Sie brauchen keine Reihe von Konzepten - sie möchten Modelle von Konzepten bereitstellen, die sie interessieren. "
Machen Sie Modelle, die dem gesunden Menschenverstand entsprechen. Angesichts der zunehmenden Besorgnis über die Cybersicherheit verwenden Unternehmen zunehmend Datenerfassungstools an verschiedenen Stellen im Netzwerk, um Bedrohungen zu analysieren. Viele dieser datenbasierten Techniken integrieren jedoch keine Daten aus mehreren Quellen. Dazu gehört auch nicht der gesunde Menschenverstand von Cybersicherheitsexperten, die das Spektrum und die Vielfalt der Motive von Angreifern verstehen, typische interne und externe Bedrohungen und den Grad des Risikos für das Unternehmen verstehen.
Forscher
am Alan Turing Institute , einem britischen staatlichen Institut, das sich mit Datenwissenschaft und KI befasst, versuchen dies zu ändern. Ihr Ansatz verwendet das
Bayes'sche Modell , eine probabilistische Analysemethode, die die komplexe Interdependenz von Risikofaktoren berücksichtigt und Daten mit Schätzungen kombiniert. In der Cybersicherheit von Unternehmensnetzwerken gibt es unter diesen komplexen Faktoren eine große Anzahl von Geräten, die mit dem Netzwerk verbunden sind, und deren Typen sowie das Wissen der Experten des Unternehmens über Hacker, Risiken und vieles mehr. Und obwohl viele KI-basierte Cybersicherheitssysteme die Fähigkeit beinhalten, Entscheidungen in der letzten Phase zu treffen, suchen Forscher des Instituts nach Möglichkeiten, Fachwissen auf allen Ebenen des Systems einzubeziehen. Beispielsweise wird das Wissen des Experten über die Motivation und das Verhalten eines Angriffs durch IP-Diebstahl - und wie sie sich beispielsweise von einem DDOS-Angriff unterscheiden - von Anfang an direkt in das System programmiert. Dieses Wissen wird in Zukunft zusammen mit Datenquellen von Maschinen und Netzwerken genutzt, um effizientere Cybersicherheitssysteme zu trainieren.
Verwenden Sie KI, um Anfängern zu anerkannten Experten zu verhelfen. AI kann Anfänger schnell zu Experten machen. HP demonstrierte dies anhand einer kognitiven Computerplattform aus dem AI-Labor, um Kundenanrufdaten über zwei Jahre zu analysieren. Das Call Center verwendete ein warteschlangenbasiertes System, um Anrufe zu verteilen, was dazu führte, dass Kunden lange auf eine Antwort warteten und die Qualität der Benutzerunterstützung schlecht war. Die kognitive Computerplattform war in der Lage, die einzigartigen "Mikrokompetenzen" jedes Spezialisten zu identifizieren - Wissen über die speziellen Arten von Benutzeranforderungen, die aus früheren Anrufen erhalten wurden. Jetzt wird es verwendet, um Anrufe an Agenten umzuleiten, die ähnliche Situationen früher erfolgreich behandelt haben. Infolgedessen verbesserte sich das Support-Center um 40%, um die Situation beim ersten Anruf zu lösen, und reduzierte die Anzahl der Anrufweiterleitungen um 50%.
Durch die Schulung von AI-Support-Spezialisten aktualisieren sie ihr Wissen automatisch, sodass dies in ihrem Profil nicht mehr manuell erforderlich ist. Je mehr Wissen ein Spezialist erhält, desto komplexer werden die Aufgaben von der Software umgeleitet. In der Zwischenzeit verbessert Software ständig ihr Wissen, und KI-Schlussfolgerungen zu Mikrokompetenzen verbessern die Effizienz, mit der ein Experte Software trainiert. Es ist erwähnenswert, dass mehrere Unternehmen an dieser Umschulungsaufgabe arbeiten. Beispielsweise bietet das ASAPP-Startup Service-Support-Spezialisten Echtzeit-Angebote.
Verwenden Sie eine KI-Technologie, die diese effektiv nutzt, um Ihren Experten-Workflow zu kennzeichnen. Experten mit vielen Arten von Wissen sind ziemlich selten und produzieren keine große Datenmenge, die für das Training geeignet ist. Deep Learning und maschinelles Lernen, auf denen viele Durchbrüche im Bereich der KI beruhen, erfordern jedoch eine große Datenmenge, um Systeme von Grund auf aufzubauen. In Zukunft werden mehr Systeme von oben nach unten erstellt, für deren Erstellung und Schulung viel weniger Daten erforderlich sind, sodass sie das spezielle Wissen der Arbeitnehmer wahrnehmen und berücksichtigen können.
Nehmen Sie an dem kürzlich vom medizinischen Bildgebungslabor des Universitätsklinikums Brest und der Fakultät für Medizin und Telekommunikation in der Bretagne organisierten
Wettbewerb teil . Die Teilnehmer konkurrierten um die höchste Genauigkeit medizinischer Bildgebungssysteme, die angeben sollten, welche Instrumente der Chirurg zu jedem Zeitpunkt bei einer minimalinvasiven Kataraktoperation verwendete. Der Gewinner war ein Bildverarbeitungssystem, das sechs Wochen lang mit nur 50 Videos von chirurgischen Eingriffen geschult wurde, von denen 48 von erfahrenen Chirurgen durchgeführt wurden, einer ein Chirurg mit einjähriger Erfahrung und einer ein Praktikant. Mit genauen Werkzeugerkennungssystemen können Ärzte chirurgische Eingriffe detailliert analysieren und nach Verbesserungsmöglichkeiten suchen. Solche Systeme können möglicherweise zur Erstellung von Berichten, zur Schulung von Chirurgen und zur Unterstützung von Chirurgen in Echtzeit verwendet werden.
Alle diese Beispiele zeigen, dass Ingenieure und Pioniere in verschiedenen Disziplinen AIs entwickeln, die einfacher zu trainieren und zu bewerten sind und äußerst wertvolle und oft seltene Expertenerfahrung beinhalten. Um diese neuen Funktionen nutzen zu können, müssen Unternehmen ihre KI-Budgets überprüfen. Und um das Beste aus diesen Systemen und den mentalen Arbeitern herauszuholen, müssen sie das Zusammenspiel von Spezialisten und Maschinen überdenken. Da die MO-Systeme von heute die Fähigkeiten gewöhnlicher Mitarbeiter ergänzen, werden die Systeme von morgen die Effektivität von Wissensarbeitern auf bisher unerreichte Höhen universeller Perfektion steigern