چرا هوش مصنوعی ابزار مطمئنی برای افزایش بهره وری و بازدهی نیست؟

زمانی که فروشگاه ها هوش مصنوعی را برای افزایش کارایی استفاده می کنند ، آیا کارکنان آن ها مهارت کافی را برای استفاده موثر از این فناوری ها دارند؟ پریت ویراج چادوری به بررسی دفتر ثبت اختراع و علامت تجاری آمریکا برای مطالعه موردی اشاره کرده است. کارفرمایان با در نظر گرفتن و فکر کردن در مورد عصر پرسرعت هوش مصنوعی ، با افزایش بهره وری این ابزار ها مشعوف می شوند اگرچه کارگران ، زمان باقی مانده قبل از این که R2-D2 شغل آن ها را بگیرد را محاسبه می کنند.

 

 

 

جاکوس باگین و محققان برآورد کرده اند که در آینده ، 50 درصد همه کارها که امروزه توسط انسان انجام می شوند را می توان توسط یادگیری ماشینی و هوش مصنوعی انجام داد. این موضوع توسط پریتویراج چادوری استادیار دانشکده کسب و کار هاروارد مطرح شده است. به طور کلی ، این را می توان به یک افزایش قابل توجه در بهره وری جهانی تا 1 درصد یا بیشتر ترجمه کرد. با این حال مدت ها قبل روبات ها جایگزین کارگرها شده اند با این حال ، کارگران از ابزار های مبتنی بر AI برای انجام کار استفاده می کنند به خصوص توسط رادیولوژیست هایی که از این ابزارها برای تفسیر اشعه ایکس استفاده کرده و وکلا از یادگیری ماشینی برای بررسی پرونده های قدیمی استفاده می کنند. در صورتی که تجربه گذشته فردی به طور کامل در جهان فناوری قدیمی تر باشد و ناگهان یک ابزار یادگیری ماشینی ظهور کند ، آن ها بهره وری خود را از دست می دهند. چادوری متوجه شد که تحقیقات ناقص در مورد مهارت های مورد نیاز کارگران برای استفاده از ابزارهای هوش مصنوعی به وعده کامل آنها وجود دارد. و این یک بخش کلیدی از اطلاعات است که فروشگاه های اینترنتی در نظر دارند سرمایه گذاری کنند ، تخمین های شرکت مشاور 35 تریلیون دلار به فناوری شناختی در ایالات متحده تا سال 2035 خواهد رسید. فقط اضافه کردن ابزارهای AI به طور خودکار افزایش بهره وری را نمی دهد.

چادوری می گوید که همه ابزارها می توانند در پیش بینی خوب باشند با این حال در صورتی که به طور مناسب استفاده نشوند ، هیچ ارزشی در سرمایه گذاری این ابزارها وجود نخواهد داشت. چادوری قصد دارد این شکاف را برای افراد مختلف تکمیل کند: شواهد تجربی درباره همکاری میان سرمایه انسانی و یادگیری ماشین. مقاله ای که توسط ایوان استار و راجگری آگاروال از دانشگاه مریلند نوشته شده است، نشان می دهد که شرکت ها باید به دقت در مورد مهارت هایی که باید برای استخدام یا آموزش کارمندان در نظر بگیرند ، بیشتر فکر کنند. چادوری کار خود را صرف تحقیق در مورد سرمایه انسانی ، داخل شرکت هایی مانند مایکروسافت ، Infosys و McKinsey برای تجزیه و تحلیل کارآمدترین دانشمندان کرده است. چند سال پیش ، او شروع به نگاه کردن به دفتر ثبت اختراعات و علامت تجاری ایالات متحده (USPTO) کرد ، که از شیوه های ابتکاری در اطراف کارکنانی که از راه دور کار می کردند استفاده می کردند. چودوری می گوید: "من دفتر ثبت اختراعات ایالات متحده را جالب توجه می دانم." "این نه تنها یک سازمان بزرگ با بیش از 10000 نفر است ، بلکه یک سازمان است که سیستم نوآوری را شکل می دهد. آنچه آنها برای کل اقتصاد ایالات متحده مهم هستند. "

در طی نوشتن یک مدرک کسب و کار در دانشگاه هاروارد در مورد اداره ثبت اختراعات ، او کشف کرد که این سازمان یک برنامه جدید یادگیری ماشین را به نام Sigma-AI به منظور کاهش زمان لازم برای بررسی پرونده های ثبت اختراع اجرا کرده است. امتحان کنندگان ثبت اختراع می توانند از Sigma-AI برای اطمینان از اینکه برنامه ها ایده های واقعا رؤیایی را پیشنهاد می دهند ، و نه طرح ها و تکنیک های قبلا در سایر پتنت های شناخته شده به عنوان هنر قبلی استفاده می کنند. چودوری می گوید: "این به معنی جستجو از طریق صدها هزار اسناد است."این دفتر با هدف ارائه حداقل پاسخ اولیه به متقاضیان ظرف 10 ماه است. با افزایش تقاضای ثبت اختراع در حدود پنجاه سال ، تقریبا 20 درصد ، در حال حاضر یک میلیون و نیمی از برنامه های کاربردی وجود دارد که در نتیجه تاخیر های شش ماه یا بیشتر طول می کشد. در گذشته ، کارکنان از یک ابزار جستوجوی بولی مانند گوگل برای شناسایی هنر پیشین استفاده کرده اند. چادوری می گوید ابزار یادگیری ماشین به طور خودکار این فرآیند را خودکار می کند. "سند به این ابزار تحویل داده می شود، و سپس آن را از آنچه فکر می کند ، اسناد مربوطه برای یک امتحان در نظر گرفته خواهد شد."

 

 آیا یک پیش زمینه در خصوص علم کامپیوتر لازم است؟

چادوری و محققان علاقه مند به یافتن این موضوع بوده اند که آیا داشتن سابقه در زمینه علوم کامپیوتر و مهندسی موجب بهبود توانایی کارگران برای استفاده از ابزارهای مبتنی بر هوش مصنوعی برای پر بازده کردن آن ها می شود یا خیر. محققان به منظور اطمینان از اینکه میزان تجربه قبلی کار در دفتر نتایج را تحمل نخواهند کرد ، محققان "امتحان کنندگان ثبت اختراع" را استخدام می کنند که کاملا شفاف می باشند: دانشجویان MBA از HBS. برای آزمایش ، آنها به هر یک از 221 دانش آموز تقاضای ثبت اختراع را با پنج ادعا نسبتا مبهم که برای هنر پیشین وجود داشت ، به ثبت رساندند. نیمی از دانش آموزان به طور تصادفی برای استفاده از ابزار جستجوی بولین و نیمی از استفاده از ابزار یادگیری ماشین اختصاص داده شدند.

علاوه بر این ، آنها نیمی از دسترسی هر گروه به مشاوره تخصصی را برای کمک به آنها در جستجوی سوالات خود ارائه دادند. این توصیه ، به میزان قابل توجهی برای محققان ، برای دانش آموزان واجد پاسخ مناسب بود. چادوری می گوید: "بدون مشاوره ، هیچ کس گلوله نقره ای نمی گیرد - مهم نیست که آیا از یادگیری بولین یا ماشین استفاده می کنید." "این اعتبار سنجی از تجربه انسانی یک امتحان واقعی ثبت اختراع است که از سالهای تجربه تشکیل شده است." یک گچ برای انسانیت. محققان دریافتند که برای کسانی که این توصیه را دریافت کرده اند ، بهره وری کارکنان بسته به پیشینه آنها افزایش یافته یا کاهش یافته است. کسانی که تجربه CS & E دارند با ابزار یادگیری ماشین بهتر عمل می کنند ، در حالی که کسانی که بدون CS & E تجربه می کنند با ابزار Boolean بهتر عمل می کنند.

برای این آزمایش ، محققان به این نکته توجه نکردند که ابزار بهتر است؛ با این حال ، چودوری چنین می گوید: واقعیت این است که بسیاری از فروشگاه های خرید آنلاین در حال پیشبرد فن آوری AI هستند ، امیدوارند که این افزایش بهره وری را بهبود بخشد. با این حال ، چادوری می گوید: "در اکثریت قریب به اتفاق ، آن ها توسط افرادی بدون تجربه ی دانش کامپیوتر استفاده خواهند شد." این به همان معنی است که فردی با پس زمینه علوم انسانی می تواند از ماکرو در اکسل استفاده کند؛ آنها ممکن است در نهایت آن را تشخیص دهند ، اما به عنوان یک فرد با پس زمینه در آمار ، کارایی نخواهد داشت. اگر شرکت ها برای کمبود تجربه دانش کامپیوتر در کارکنان جبران نکنند ، آنها خطر شکست تکنولوژی هایی را که برای بهبود عملیات خود اتخاذ کرده اند ، ریسک می کنند. چودوری می گوید: "اگر تجربه گذشته کسی در دنیا از فن آوری قدیمی برخوردار باشد ، ناگهان یک ابزار یادگیری ماشین بر آنها متمرکز است ، آنها حتی اگر ابزار ابزار خوبی باشند ، کارآمدتر خواهند بود." این بدان معنا نیست که شرکت ها لزوما باید دانشمندان کامپیوتر را استخدام کنند. ممکن است که با آموزش های گسترده ، کارکنانی بدون چنین زمینه ای بتوانند به راحتی از ابزارهای یادگیری ماشین استفاده کنند. چادوری درحال آماده شدن برای انجام یک آزمایش بلندپروازانه در این سقوط با 1000 موضوع آماده است ، به افرادی که بدون CS & E تجربه تمرین در دست دارند برای دیدن اینکه آیا توانایی آنها را بهبود می بخشد. چادوری می گوید این افراد در مرحله دوم ، روند رشد را تجربه کرده و شکاف بهره وری پایین تر می شود.

به اشتراک بگذارید