Os novos recursos da IA, capazes de reconhecer o contexto, os conceitos e o significado dos conceitos, abrem novas maneiras, às vezes inesperadas, de trabalhar em conjunto entre trabalhadores mentais e máquinas. Os especialistas são capazes de contribuir para o treinamento, o controle de qualidade e o ajuste fino dos resultados da IA. Máquinas podem complementar o conhecimento de seus colegas humanos e, às vezes, ajudar a educar novos especialistas. Esses sistemas, com maior probabilidade de imitar a mente humana, são mais confiáveis do que seus predecessores dependentes de dados. E eles podem ter um impacto significativo nos trabalhadores do cérebro, representando
48% da força de trabalho dos EUA e em mais de 230 milhões de trabalhadores do cérebro em todo o mundo. Mas, para aproveitar ao máximo essa inteligência artificial mais inteligente, as empresas precisarão redefinir o fluxo de trabalho e os empregos.
Trabalhadores do cérebro - pessoas que tomam decisões no trabalho, raciocinam, criam e aplicam idéias em processos cognitivos não relacionados à rotina - na maioria das vezes concordam com isso. Dos mais de 150 especialistas retirados de um grande estudo internacional sobre o uso da IA em grandes empresas, quase 60% dizem que suas antigas descrições de cargos estão rapidamente se tornando obsoletas devido à nova colaboração com a AI. Cerca de 70% dizem que precisam de reciclagem devido a novos requisitos relacionados ao trabalho com IA. 85% concordam que a gerência sênior também deve participar de tentativas comuns de alterar papéis e processos de trabalhadores mentais. E, começando a cumprir a tarefa de repensar o uso do trabalho mental em combinação com a IA, eles podem aplicar alguns dos seguintes princípios:
Permita que os especialistas digam à IA o que é importante para eles. Faça diagnósticos médicos, nos quais a IA provavelmente estará em todo lugar. Freqüentemente, quando a IA emite um diagnóstico, a lógica do algoritmo não é clara para o médico, que deve de alguma forma explicar a solução para o paciente - esse é um problema de caixa preta. Agora, o Google Brain
desenvolveu um sistema que pode abrir uma caixa preta e traduzir seu trabalho para a linguagem humana. Por exemplo, um médico avaliando o diagnóstico de "câncer" de IA gostaria de saber até que ponto o modelo levou em consideração vários fatores importantes - idade do paciente, quimioterapia anterior etc.
A ferramenta do Google também permite que médicos especialistas introduzam no sistema conceitos que considerem importantes e testem suas próprias hipóteses. Por exemplo, um especialista pode querer ver se o diagnóstico alterará a introdução de um novo fator anteriormente não contabilizado pelo sistema. Bin Kim, o desenvolvedor deste sistema, diz: “Em muitos casos, ao trabalhar com aplicativos dos quais depende muito, especialistas em um campo específico já possuem uma lista de conceitos que são importantes para eles. Nós do Google Brain somos constantemente confrontados com isso nas aplicações médicas da IA. Eles não precisam de um conjunto de conceitos. Eles querem fornecer modelos de conceitos que sejam interessantes para eles. "
Faça modelos que correspondam ao senso comum. Com o acúmulo de preocupações sobre segurança cibernética, as organizações estão cada vez mais usando ferramentas de coleta de dados em diferentes pontos da rede para analisar ameaças. No entanto, muitas dessas técnicas baseadas em dados não integram dados de várias fontes. Eles também não incluem o senso comum dos especialistas em segurança cibernética, que entendem o espectro e a variedade de motivos dos invasores, entendem as ameaças internas e externas típicas e o grau de risco da empresa.
Pesquisadores
do Alan Turing Institute , um instituto estadual britânico que estuda a ciência dos dados e da IA, estão tentando mudar isso. Sua abordagem utiliza o
modelo bayesiano , um método de análise probabilística que leva em consideração a complexa interdependência dos fatores de risco e combina dados com estimativas. Na segurança cibernética das redes corporativas, entre esses fatores complexos, há um grande número de dispositivos conectados à rede, seus tipos e o conhecimento dos especialistas da organização sobre hackers, riscos e muito mais. E embora muitos sistemas de cibersegurança baseados em IA incluam a capacidade de tomar decisões no último estágio, os pesquisadores do instituto estão procurando maneiras de incorporar conhecimentos em todos os níveis do sistema. Por exemplo, o conhecimento de um especialista sobre a motivação e o comportamento associado a um ataque por roubo de IP - e como eles diferem, digamos, de um ataque DDOS - são programados diretamente no sistema desde o início. No futuro, esse conhecimento, juntamente com fontes de dados de máquinas e redes, será usado para treinar sistemas de segurança cibernética mais eficientes.
Use a IA para ajudar os iniciantes a se tornarem especialistas reconhecidos. A IA é capaz de transformar rapidamente iniciantes em especialistas. A HP demonstrou isso usando uma plataforma cognitiva de computador do laboratório de IA para analisar dados de chamadas de clientes em dois anos. O call center usava um sistema baseado em fila para distribuir as chamadas, o que fazia com que os clientes esperassem muito tempo por uma resposta, e a qualidade do suporte ao usuário era ruim. A plataforma computacional cognitiva foi capaz de identificar as "micro-habilidades" únicas de cada especialista - conhecimento sobre os tipos especiais de solicitações de usuários obtidas em chamadas anteriores. Agora é usado para redirecionar chamadas para agentes que lidaram com situações semelhantes com sucesso anteriormente. Como resultado, o centro de suporte melhorou em 40% os indicadores para resolver a situação na primeira chamada e reduziu o número de encaminhamento de chamadas em 50%.
Com o treinamento de especialistas em suporte de IA, eles atualizam automaticamente seus conhecimentos, eliminando a necessidade de fazer isso manualmente em seu perfil. Além disso, quanto mais conhecimento um especialista recebe, mais tarefas complexas o software o redireciona. Enquanto isso, o software aprimora constantemente seu conhecimento, e as conclusões da IA sobre micro-habilidades melhoram a eficiência com a qual um especialista treina o software. Vale ressaltar que várias empresas estão trabalhando nessa tarefa de reciclagem; por exemplo, a inicialização do ASAPP fornece ofertas em tempo real para especialistas em suporte de serviço.
Use a tecnologia de IA que as use efetivamente para marcar seu fluxo de trabalho especializado. Especialistas em muitos tipos de conhecimento são bastante raros e não produzem uma grande quantidade de dados adequados para treinamento. Mas o aprendizado profundo e o aprendizado de máquina, nos quais se baseiam muitas inovações no campo da IA, exigem uma quantidade enorme de dados para criar sistemas de baixo para cima. No futuro, veremos mais sistemas criados de cima para baixo, o que exigirá muito menos dados para criar e treinar, o que lhes permitirá perceber e levar em consideração o conhecimento especial dos trabalhadores.
Veja a recente
competição organizada pelo laboratório de imagens médicas do Hospital Universitário de Brest e da Faculdade de Medicina e Telecomunicações da Bretanha. Os participantes competiram na mais alta precisão dos sistemas de imagens médicas, que deveriam informar quais instrumentos o cirurgião usava a cada momento em uma operação de catarata minimamente invasiva. O vencedor foi um sistema de visão de máquina, treinado por seis semanas com apenas 50 vídeos de operações cirúrgicas, 48 dos quais foram realizados por cirurgiões experientes, um era cirurgião com um ano de experiência e um era estagiário. Sistemas precisos de reconhecimento de ferramentas permitem que os médicos analisem as operações cirúrgicas em detalhes e procurem maneiras de melhorá-las. Esses sistemas podem ser potencialmente usados na geração de relatórios, treinamento de cirurgiões e assistência a cirurgiões em tempo real.
Todos esses exemplos indicam que engenheiros e pioneiros em várias disciplinas estão desenvolvendo IAs que podem ser mais fáceis de treinar e avaliar, além de incluir uma experiência especializada extremamente valiosa e frequentemente rara. Para começar a tirar proveito desses novos recursos, as organizações precisam revisar seus orçamentos de IA. E, para tirar o máximo proveito desses sistemas e dos trabalhadores mentais, eles precisam reconsiderar a interação de especialistas e máquinas. Como os sistemas atuais de MO complementam as capacidades dos trabalhadores comuns, os sistemas de amanhã elevarão a eficácia dos trabalhadores do conhecimento a níveis anteriormente inatingíveis de perfeição universal