Les nouvelles capacités de l'IA, qui est capable de reconnaître le contexte, les concepts et la signification des concepts, ouvrent de nouvelles façons, parfois inattendues, de travailler ensemble entre les travailleurs mentaux et les machines. Les experts sont en mesure de contribuer à la formation, au contrôle qualité et au réglage fin des résultats de l'IA. Les machines peuvent compléter les connaissances de leurs semblables et parfois aider à former de nouveaux experts. Ces systèmes, plus susceptibles d'imiter l'esprit humain, sont plus fiables que leurs prédécesseurs dépendants des données. Et ils peuvent avoir un impact significatif sur les travailleurs intellectuels, qui représentent
48% de la main -
d'œuvre américaine, et sur plus de 230 millions de travailleurs intellectuels dans le monde. Mais pour tirer pleinement parti de cette intelligence artificielle plus intelligente, les entreprises devront redéfinir le flux de travail et les emplois.
Les travailleurs du cerveau - des gens qui prennent des décisions au travail, raisonnent, créent et appliquent des idées dans des processus cognitifs non liés à la routine - sont pour la plupart d'accord avec cela. Sur plus de 150 experts issus d'une grande étude internationale sur l'utilisation de l'IA dans les grandes entreprises, près de 60% affirment que leurs anciennes descriptions de travail deviennent rapidement obsolètes en raison de leur nouvelle collaboration avec l'IA. Environ 70% déclarent avoir besoin d'un recyclage en raison des nouvelles exigences liées au travail avec l'IA. 85% conviennent que la haute direction devrait également participer aux tentatives communes de changer les rôles et les processus des travailleurs mentaux. Et en commençant à accomplir la tâche de repenser l'utilisation du travail mental en combinaison avec l'IA, ils peuvent appliquer certains des principes suivants:
Laissez des experts dire à l'IA ce qui est important pour eux. Prenez des diagnostics médicaux, dans lesquels l'IA est susceptible d'être partout. Souvent, lorsque l'IA émet un diagnostic, la logique de l'algorithme n'est pas claire pour le médecin, qui doit en quelque sorte expliquer la solution au patient - c'est un problème de boîte noire. Maintenant, Google Brain a
développé un système qui peut ouvrir une boîte noire et traduire son travail en langage humain. Par exemple, un médecin évaluant le diagnostic de «cancer» de l'IA aimerait savoir dans quelle mesure le modèle a pris en compte divers facteurs importants - l'âge du patient, la chimiothérapie antérieure, etc.
L'outil de Google permet également aux experts médicaux d'introduire dans le système des concepts qu'ils jugent importants et de tester leurs propres hypothèses. Par exemple, un expert voudra peut-être voir si le diagnostic changera l'introduction d'un nouveau facteur précédemment non pris en compte par le système. Bin Kim, le développeur de ce système, déclare: «Dans de nombreux cas, lorsqu'ils travaillent avec des applications dont beaucoup dépend, les experts dans un domaine particulier ont déjà une liste de concepts qui sont importants pour eux. Chez Google Brain, nous sommes constamment confrontés à cela dans les applications médicales de l'IA. Ils n'ont pas besoin d'un ensemble de concepts - ils veulent fournir des modèles de concepts qui les intéressent. "
Faites des modèles qui correspondent au bon sens. Avec l'accumulation des préoccupations concernant la cybersécurité, les organisations utilisent de plus en plus des outils de collecte de données à différents points du réseau pour analyser les menaces. Cependant, bon nombre de ces techniques basées sur les données n'intègrent pas les données de plusieurs sources. Ils n'incluent pas non plus le bon sens des experts en cybersécurité, qui comprennent le spectre et la variété des motifs des attaquants, comprennent les menaces internes et externes typiques et le degré de risque pour l'entreprise.
Des chercheurs
de l'Institut Alan Turing , un institut d'État britannique qui étudie la science des données et de l'IA, tentent de changer cela. Leur approche utilise le
modèle bayésien , une méthode d'analyse probabiliste qui prend en compte l'interdépendance complexe des facteurs de risque et combine les données avec les estimations. Dans la cybersécurité des réseaux d'entreprise, parmi ces facteurs complexes, il existe un grand nombre d'appareils connectés au réseau, et leurs types, et la connaissance des experts de l'organisation sur les pirates, les risques, et bien plus encore. Et bien que de nombreux systèmes de cybersécurité basés sur l'IA incluent la capacité de prendre des décisions à la dernière étape, les chercheurs de l'institut cherchent des moyens d'intégrer l'expertise à tous les niveaux du système. Par exemple, les connaissances d'un expert sur la motivation et le comportement associés à une attaque par vol d'IP - et en quoi elles diffèrent, par exemple, d'une attaque DDOS - sont directement programmées dans le système dès le début. À l'avenir, ces connaissances, ainsi que les sources de données provenant des machines et des réseaux, seront utilisées pour former des systèmes de cybersécurité plus efficaces.
Utilisez l'IA pour aider les débutants à devenir des experts reconnus. L'IA est capable de transformer rapidement les débutants en experts. HP l'a démontré en utilisant une plate-forme informatique cognitive du laboratoire d'IA pour analyser les données d'appels des clients sur deux ans. Le centre d'appels a utilisé un système basé sur une file d'attente pour distribuer les appels, ce qui a obligé les clients à attendre longtemps pour obtenir une réponse, et la qualité de l'assistance aux utilisateurs était médiocre. La plate-forme informatique cognitive a été en mesure d'identifier les «micro-compétences» uniques de chaque spécialiste - la connaissance des types particuliers de demandes des utilisateurs obtenus lors des appels précédents. Maintenant, il est utilisé pour rediriger les appels vers des agents qui ont réussi à gérer des situations similaires plus tôt. En conséquence, le centre d'assistance a amélioré de 40% les indicateurs de résolution de la situation lors du premier appel et a réduit le nombre de renvois d'appels de 50%.
Avec la formation de spécialistes du support de l'IA, ils mettent automatiquement à jour leurs connaissances, éliminant ainsi la nécessité de le faire manuellement dans leur profil. De plus, plus un spécialiste reçoit de connaissances, plus le logiciel le redirige vers des tâches plus complexes. Pendant ce temps, les logiciels améliorent constamment leurs connaissances et les conclusions de l'IA sur les micro-compétences améliorent l'efficacité avec laquelle un expert forme les logiciels. Il convient de noter que plusieurs entreprises travaillent sur cette tâche de recyclage; par exemple, le démarrage d'ASAPP fournit des offres en temps réel aux spécialistes du support technique.
Utilisez la technologie de l'IA qui les utilise efficacement pour baliser votre flux de travail expert. Les experts dans de nombreux types de connaissances sont assez rares et ne produisent pas une grande quantité de données adaptées à la formation. Mais l'apprentissage en profondeur et l'apprentissage automatique, sur lesquels reposent de nombreuses percées dans le domaine de l'IA, nécessitent une énorme quantité de données pour construire des systèmes de bas en haut. À l'avenir, nous verrons plus de systèmes créés de haut en bas, ce qui nécessitera beaucoup moins de données à créer et à former, ce qui leur permettra de percevoir et de prendre en compte les connaissances particulières des travailleurs.
Prenez le récent
concours organisé par le laboratoire d'imagerie médicale du CHU de Brest et la faculté de médecine et des télécommunications de Bretagne. Les participants ont concouru dans la plus grande précision des systèmes d'imagerie médicale, qui étaient censés signaler les instruments que le chirurgien utilisait à chaque instant dans une opération de la cataracte mini-invasive. Le gagnant était un système de vision industrielle, qui a été formé pendant six semaines avec seulement 50 vidéos d'opérations chirurgicales, dont 48 ont été réalisées par des chirurgiens expérimentés, un était un chirurgien avec un an d'expérience et un était un stagiaire. Des systèmes de reconnaissance d'outils précis permettent aux médecins d'analyser en détail les opérations chirurgicales et de rechercher des moyens de les améliorer. De tels systèmes peuvent potentiellement être utilisés pour générer des rapports, former des chirurgiens et aider des chirurgiens en temps réel.
Tous ces exemples indiquent que les ingénieurs et les pionniers dans diverses disciplines développent des IA qui peuvent être plus faciles à former et à évaluer, et qui incluent également une expérience d'expert extrêmement précieuse et souvent rare. Pour commencer à tirer parti de ces nouvelles capacités, les organisations doivent revoir leurs budgets d'IA. Et pour tirer le meilleur parti de ces systèmes et des travailleurs intellectuels, ils doivent reconsidérer l'interaction des spécialistes et des machines. Comme les systèmes MO d'aujourd'hui complètent les capacités des travailleurs ordinaires, les systèmes de demain porteront l'efficacité des travailleurs du savoir à des sommets jusque-là inaccessibles de perfection universelle