AI的新功能能够识别上下文，概念和概念的含义，为脑力劳动者和机器之间的协作开辟了新的，有时是意想不到的方式。 专家能够为培训，质量控制和微调AI结果做出贡献。 机器可以补充同胞的知识，有时还可以帮助教育新专家。 这些系统更可能模仿人类的思维，比依赖数据的前辈更可靠。 他们可能对脑力劳动者（占美国
劳动力的48％）以及全球超过2.3亿脑力劳动者产生重大影响。 但是要充分利用这种更智能的AI，公司将需要重新定义工作流程和工作。
脑力劳动者-在工作中做出决定，推理，在与日常活动无关的认知过程中创造和应用思想的人-大多同意这一观点。 在一项有关大型公司使用AI的大型国际研究中，从150多位专家中，有近60％的人表示，由于与AI的新合作，他们以前的工作描述很快就过时了。 约70％的人表示，由于与AI合作相关的新要求，他们需要进行再培训。 85％的人同意高级管理人员也应该参与改变脑力工作者角色和过程的共同尝试。 并且开始完成重新思考将智力劳动与AI结合使用的任务时，他们可以应用以下一些原则：
让专家告诉AI什么对他们重要。 进行医学诊断，其中AI可能无处不在。 通常，当AI发出诊断信息时，算法的逻辑对医生而言并不明确，他必须以某种方式向患者解释解决方案-这是一个黑匣子问题。 现在，Google Brain已
开发出可以打开黑匣子并将其工作翻译为人类语言的系统。 例如，评估AI“癌症”诊断的医生想知道该模型在多大程度上考虑了各种重要因素-患者的年龄，以前的化疗等。
Google的工具还允许医学专家将他们认为重要的概念引入系统并检验自己的假设。 例如，专家可能想查看诊断是否会改变系统先前未解释的新因素的引入。 该系统的开发人员Bin Kim说：“在许多情况下，当开发依赖很多的应用程序时，特定领域的专家已经有了对他们来说很重要的概念列表。 Google Brain一直在AI的医疗应用中面对这一问题。 他们不需要一套概念-他们想提供他们感兴趣的概念模型。”
制作符合常识的模型。 随着人们对网络安全问题的关注日益加深，企业越来越多地在网络的不同位置使用数据收集工具来分析威胁。 但是，许多基于数据的技术并未集成来自多个来源的数据。 他们也不包括网络安全专家的常识，他们了解攻击者的动机和动机的范围和种类，了解典型的内部和外部威胁以及企业的风险程度。
英国国立研究机构
艾伦·图灵研究所 （
Alan Turing Institute ）的研究人员正试图改变这一状况。 他们的方法使用
贝叶斯模型 ，这是一种概率分析方法，考虑了风险因素之间的复杂相互依赖性，并将数据与估计值结合在一起。 在企业网络的网络安全中，这些复杂因素中包括大量连接到网络的设备及其类型，以及组织专家对黑客，风险等的了解。 而且，尽管许多基于AI的网络安全系统都具有在最后阶段做出决策的能力，但该研究所的研究人员正在寻找方法，以整合系统各个级别的专业知识。 例如，专家从一开始就将与IP盗窃相关的动机和行为的知识以及与DDOS攻击有何不同的知识直接编程到系统中。 将来，这些知识以及来自机器和网络的数据源将用于培训更有效的网络安全系统。
使用AI帮助初学者成为公认的专家。 人工智能能够迅速将初学者变成专家。 惠普通过使用AI实验室的认知计算机平台来分析两年来的客户呼叫数据来证明这一点。 呼叫中心使用基于队列的系统来分配呼叫，这导致客户等待很长时间才能得到答案，并且用户支持的质量很差。 认知计算机平台能够识别每个专家的独特“微技能”-有关从先前呼叫中获得的特殊类型的用户请求的知识。 现在，它用于将呼叫重定向到之前已成功处理类似情况的座席。 结果，支持中心将解决第一次呼叫情况的指标提高了40％，并将呼叫转移次数减少了50％。
通过AI支持专家的培训，他们可以自动更新其知识，从而无需在个人资料中手动进行此操作。 此外，专家获得的知识越多，软件将其重定向到的任务就越复杂。 同时，软件正在不断提高其知识水平，有关微技能的AI结论可以提高专家培训软件的效率。 值得注意的是，有几家公司正在从事这项再培训任务。 例如，ASAPP启动为服务支持专家提供了实时产品。
使用有效利用这些技术的AI技术来标记您的专家工作流程。 许多类型的知识的专家非常稀少，并且不会产生大量适合训练的数据。 但是深度学习和机器学习是AI领域中许多突破的基础，因此需要大量数据才能自下而上构建系统。 将来，我们将看到从上到下创建更多的系统，这将需要更少的数据来创建和训练，这将使他们能够感知并考虑到工人的特殊知识。
参加由布列斯特大学医院和布列塔尼医学与电信学院的医学影像实验室组织的最新
竞赛 。 参加者竞相参加了医学成像系统的最高精确度竞赛，该系统应报告外科医生在微创白内障手术中每时每刻使用的仪器。 获奖者是一台机器视觉系统，该系统经过了为期六周的培训，仅进行了50例外科手术视频，其中48例是由经验丰富的外科医生进行的，一个是具有一年经验的外科医生，而一个是实习生。 准确的工具识别系统使医生能够详细分析手术操作并寻找改善方法。 这样的系统可以潜在地用于生成报告，培训外科医生并实时协助外科医生。
所有这些例子表明，各个领域的工程师和先驱正在开发易于训练和评估的AI，并融合了非常宝贵且通常是罕见的专家经验。 为了开始利用这些新功能，组织需要查看其AI预算。 为了充分利用这些系统和脑力劳动者，他们需要重新考虑专家和机器的相互作用。 随着当今的MO系统补充普通工人的能力，明天的系统将把知识工人的效率提高到以前无法实现的普遍完善的高度