Ученые описывают текущие и будущие последствия для рабочей силы

Директор MIT IDE и профессор школы менеджмента Sloan Эрик Бриньолфссон и профессор Том Митчелл из Университета Карнеги-Меллона опубликовали новую статью в журнале Science, в которой описываются возможности и текущие ограничения машинного обучения. и что это значит для рабочей силы и экономики.

Вот их вступительное резюме:

Цифровые компьютеры изменили работу почти во всех секторах экономики за последние несколько десятилетий. Сейчас мы находимся в начале еще более масштабной и быстрой трансформации благодаря недавним достижениям в области машинного обучения (ML), которое способно ускорить темпы самой автоматизации.

Однако, хотя очевидно, что машинное обучение является «технологией общего назначения», как паровой двигатель и электричество, порождающее множество дополнительных инноваций и возможностей, нет единого мнения о задачах, в которых системы машинного обучения лучше всего, и, следовательно, мало соглашение о конкретных ожидаемых воздействиях на рабочую силу и на экономику в целом. Мы обсуждаем то, что, по нашему мнению, является ключевыми последствиями для персонала, опираясь на нашу рубрику того, что текущее поколение систем машинного обучения может и не может делать.

Хотя части многих заданий могут быть «подходящими для ML» (SML), другие задачи в рамках этих же заданий не соответствуют критериям ML; следовательно, влияние на занятость более сложное, чем простая история замены и замещения, которую некоторые подчеркивают. Хотя экономические эффекты ML сегодня относительно ограничены, и мы не сталкиваемся с неизбежным «концом работы», как иногда провозглашается, последствия для экономики и рабочей силы в будущем очень серьезны.

Они также заключают, что:

По мере того как машины автоматизируют некоторые задачи, относящиеся к SML в конкретном задании или процессе, остальные задачи, не относящиеся к SML, могут стать более ценными. В других случаях машины расширят возможности человека и сделают возможными совершенно новые продукты, услуги и процессы.

Следовательно, чистое влияние на спрос на рабочую силу, даже в случае частично автоматизированных рабочих мест, может быть как отрицательным, так и положительным. Хотя более широкие экономические эффекты могут быть сложными, спрос на рабочую силу с большей вероятностью упадет для задач, которые являются близкими заменителями возможностей машинного обучения, тогда как он с большей вероятностью будет увеличиваться для задач, которые являются дополнительными для этих систем.

Каждый раз, когда система машинного обучения преодолевает порог, когда она становится более рентабельной, чем люди, при выполнении задачи, стремящиеся к максимальной прибыли предприниматели и менеджеры будут все больше стремиться заменить людей машинами. Это может иметь последствия для всей экономики, повышая производительность, снижая цены, меняя спрос на рабочую силу и реструктурируя отрасли.

Прочтите статью полностью здесь.

21 предмет для определения пригодности для машинного обучения (SML) можно найти здесь.