Kemampuan baru AI, yang mampu mengenali konteks, konsep, dan makna konsep, membuka cara-cara baru, terkadang tak terduga, untuk bekerja bersama antara pekerja mental dan mesin. Para ahli dapat berkontribusi untuk pelatihan, kontrol kualitas dan menyempurnakan hasil AI. Mesin dapat melengkapi pengetahuan sesama manusia dan terkadang membantu mendidik ahli baru. Sistem ini, lebih cenderung meniru pikiran manusia, lebih dapat diandalkan daripada pendahulunya yang bergantung pada data. Dan mereka dapat memiliki dampak yang signifikan pada pekerja otak, terhitung
48% dari tenaga kerja AS, dan pada lebih dari 230 juta
pekerja otak di seluruh dunia. Tetapi untuk mengambil keuntungan penuh dari AI yang lebih pintar ini, perusahaan perlu mendefinisikan ulang alur kerja dan pekerjaan.
Pekerja otak - orang yang membuat keputusan di tempat kerja, beralasan, membuat dan menerapkan ide dalam proses kognitif yang tidak terkait dengan rutinitas - sebagian besar setuju dengan ini. Dari lebih dari 150 ahli yang diambil dari studi internasional besar tentang penggunaan AI di perusahaan besar, hampir 60% mengatakan bahwa deskripsi pekerjaan lama mereka dengan cepat menjadi usang karena kolaborasi baru mereka dengan AI. Sekitar 70% mengatakan mereka perlu pelatihan ulang karena persyaratan baru terkait bekerja dengan AI. 85% setuju bahwa manajemen senior juga harus berpartisipasi dalam upaya bersama untuk mengubah peran dan proses pekerja mental. Dan mulai memenuhi tugas memikirkan kembali penggunaan kerja mental dalam kombinasi dengan AI, mereka dapat menerapkan beberapa prinsip berikut:
Biarkan orang yang ahli memberi tahu AI apa yang penting bagi mereka. Ambil diagnosa medis, di mana AI kemungkinan ada di mana-mana. Seringkali, ketika AI mengeluarkan diagnosis, logika algoritme tidak jelas bagi dokter, yang entah bagaimana harus menjelaskan solusinya kepada pasien - ini adalah masalah kotak hitam. Sekarang, Google Brain telah
mengembangkan sistem yang dapat membuka kotak hitam dan menerjemahkan pekerjaannya ke dalam bahasa manusia. Sebagai contoh, seorang dokter yang mengevaluasi diagnosis "kanker" AI ingin mengetahui sejauh mana model memperhitungkan berbagai faktor penting - usia pasien, kemoterapi sebelumnya, dll.
Alat dari Google juga memungkinkan para ahli medis untuk memperkenalkan ke dalam konsep sistem yang mereka anggap penting dan menguji hipotesis mereka sendiri. Misalnya, seorang ahli mungkin ingin melihat apakah diagnosis akan mengubah pengenalan faktor baru yang sebelumnya tidak ditemukan oleh sistem. Bin Kim, pengembang sistem ini, mengatakan: “Dalam banyak kasus, ketika bekerja dengan aplikasi yang sangat tergantung, para ahli di bidang tertentu sudah memiliki daftar konsep yang penting bagi mereka. Kami di Google Brain selalu dihadapkan dengan ini dalam aplikasi medis AI. Mereka tidak membutuhkan serangkaian konsep - mereka ingin memberikan model konsep yang menarik bagi mereka. "
Buat model yang cocok dengan akal sehat. Dengan akumulasi kekhawatiran tentang keamanan siber, organisasi semakin menggunakan alat pengumpulan data di berbagai titik dalam jaringan untuk menganalisis ancaman. Namun, banyak dari teknik berbasis data ini tidak mengintegrasikan data dari berbagai sumber. Mereka juga tidak memasukkan akal sehat para pakar keamanan siber, yang memahami spektrum dan beragam motif penyerang, memahami ancaman internal dan eksternal yang khas dan tingkat risiko bagi perusahaan.
Para peneliti
di Alan Turing Institute , sebuah lembaga negara Inggris yang mempelajari ilmu data dan AI, sedang mencoba untuk mengubah ini. Pendekatan mereka menggunakan
model Bayesian , metode analisis probabilistik yang memperhitungkan saling ketergantungan kompleks faktor-faktor risiko dan menggabungkan data dengan perkiraan. Dalam keamanan dunia maya dari jaringan perusahaan, di antara faktor-faktor kompleks ini ada sejumlah besar perangkat yang terhubung ke jaringan, dan tipenya, dan pengetahuan para pakar organisasi tentang peretas, risiko, dan banyak lagi. Dan meskipun banyak sistem cybersecurity berbasis AI mencakup kemampuan untuk membuat keputusan pada tahap terakhir, para peneliti di institut ini sedang mencari cara untuk menggabungkan keahlian di semua tingkat sistem. Misalnya, pengetahuan ahli tentang motivasi dan perilaku yang terkait dengan serangan melalui pencurian IP - dan bagaimana mereka berbeda, katakanlah, dari serangan DDOS - secara langsung diprogram ke dalam sistem sejak awal. Di masa depan, pengetahuan ini, bersama dengan sumber data dari mesin dan jaringan, akan digunakan untuk melatih sistem keamanan siber yang lebih efisien.
Gunakan AI untuk membantu pemula menjadi ahli yang diakui. AI dapat dengan cepat mengubah pemula menjadi ahli. HP menunjukkan ini dengan menggunakan platform komputer kognitif dari lab AI untuk menganalisis data panggilan pelanggan selama dua tahun. Pusat panggilan menggunakan sistem berbasis antrian untuk mendistribusikan panggilan, yang menyebabkan pelanggan menunggu lama untuk jawaban, dan kualitas dukungan pengguna buruk. Platform komputer kognitif mampu mengidentifikasi "keterampilan mikro" unik dari masing-masing spesialis - pengetahuan tentang jenis khusus permintaan pengguna yang diperoleh dari panggilan sebelumnya. Sekarang ini digunakan untuk mengalihkan panggilan ke agen yang berhasil menangani situasi serupa sebelumnya. Akibatnya, pusat dukungan ditingkatkan dengan 40% indikator untuk menyelesaikan situasi pada panggilan pertama, dan mengurangi jumlah penerusan panggilan sebesar 50%.
Dengan pelatihan spesialis dukungan AI, mereka secara otomatis memperbarui pengetahuan mereka, menghilangkan kebutuhan untuk melakukan ini secara manual di profil mereka. Selain itu, semakin banyak pengetahuan yang diterima spesialis, semakin rumit tugas perangkat lunak yang dialihkannya. Sementara itu, perangkat lunak terus meningkatkan pengetahuannya, dan kesimpulan AI tentang keterampilan mikro meningkatkan efisiensi yang digunakan oleh seorang ahli untuk melatih perangkat lunak. Perlu dicatat bahwa beberapa perusahaan sedang mengerjakan tugas pelatihan ulang ini; misalnya, startup ASAPP menyediakan penawaran waktu nyata ke spesialis dukungan layanan.
Gunakan teknologi AI yang secara efektif menggunakannya untuk menandai alur kerja ahli Anda. Para ahli dalam banyak jenis pengetahuan sangat jarang, dan tidak menghasilkan sejumlah besar data yang cocok untuk pelatihan. Tetapi pembelajaran yang dalam dan pembelajaran mesin, yang menjadi dasar banyak terobosan dalam bidang AI, membutuhkan sejumlah besar data untuk membangun sistem dari bawah ke atas. Di masa depan, kita akan melihat lebih banyak sistem dibuat dari atas ke bawah, yang akan membutuhkan lebih sedikit data untuk dibuat dan dilatih, yang akan memungkinkan mereka untuk memahami dan memperhitungkan pengetahuan khusus pekerja.
Ikuti
kompetisi terbaru yang diselenggarakan oleh laboratorium pencitraan medis di Rumah Sakit Universitas Brest dan Fakultas Kedokteran dan Telekomunikasi di Brittany. Peserta berkompetisi dalam akurasi terbesar sistem pencitraan medis, yang seharusnya melaporkan instrumen mana yang digunakan dokter bedah setiap saat dalam operasi katarak invasif minimal. Pemenangnya adalah sistem visi mesin, yang dilatih selama enam minggu dengan hanya 50 video operasi bedah, 48 di antaranya dilakukan oleh ahli bedah berpengalaman, satu adalah ahli bedah dengan pengalaman satu tahun, dan satu magang. Sistem pengenalan alat yang akurat memungkinkan dokter untuk menganalisis operasi bedah secara detail dan mencari cara untuk memperbaikinya. Sistem seperti itu berpotensi digunakan dalam menghasilkan laporan, melatih ahli bedah, dan membantu ahli bedah secara real time.
Semua contoh ini menunjukkan bahwa insinyur dan perintis dalam berbagai disiplin ilmu sedang mengembangkan AI yang dapat lebih mudah untuk dilatih dan dievaluasi, dan juga termasuk pengalaman ahli yang sangat berharga dan sering langka. Untuk mulai memanfaatkan kemampuan baru ini, organisasi perlu meninjau anggaran AI mereka. Dan untuk mendapatkan hasil maksimal dari kedua sistem ini dan pekerja mental, mereka perlu mempertimbangkan kembali interaksi spesialis dan mesin. Karena sistem MO saat ini melengkapi kemampuan pekerja biasa, sistem masa depan akan meningkatkan efektivitas pekerja pengetahuan ke tingkat kesempurnaan universal yang sebelumnya tidak dapat dicapai