Τεχνητή Νοημοσύνη: Πλήττει την εργασιακή πραγματικότητα ή χτίζει τα επαγγέλματα του μέλλοντος;

Διάχυτος παραμένει ο φόβος ότι η Τεχνητή Νοημοσύνη θα αντικαταστήσεις πολλές θέσεις εργασίας και δυστυχώς αυτό είναι πλέον μία απτή πραγματικότητα, με συγκεκριμένες δουλειές να είναι πιο πιθανό να εξαλειφθούν.

Το πώς αυτή η διασικασία θα γίνει, πότε και με ποιον τρόπο θα προετοιμαστούμε, αποτελούν πληροφορίες τις οποίες δεν κατανοούμε πλήρως, καθώς η ίδια η Τεχνητή Νοημοσύνη αποτελεί ένα συνεχώς εξελισσόμενο κομμάτι της τεχνολογίας.

Πώς λειτουργεί η Τεχνητή Νοημοσύνη

Ο μηχανισμός της Τεχνητής Νοημοσύνης είναι ακόμα κάπως ασαφής, ακόμα και για τους ειδικούς. Ωστόσο, γνωρίζουμε ένα σημαντικό πράγμα: ότι μαθαίνει.

Όπως οι άνθρωποι μαθαίνουν από την εμπειρία, τα μοντέλα Τεχνητής Νοημοσύνης μαθαίνουν από τα δεδομένα. Ένα μοντέλο ΑΙ με περιορισμένα δεδομένα είναι σαν ένα μικρό παιδί. Αντίθετα, ένα μοντέλο με πλήθος δεδομένων είναι σαν ένας έμπειρος ενήλικας, αναφέρει δημοσίευμα του World Economic Forum.

Και ένα παράδοξο…

Τι είναι πιο δύσκολο: να οδηγείς αυτοκίνητο ή να γράφεις κώδικα; Οι περισσότεροι θα έλεγαν ότι ο προγραμματισμός είναι κάτι πιο δύσκολο. Ωστόσο, στον τομέα της Τεχνητής Νοημοσύνης, φαίνεται να ισχύει το αντίθετο.

Τα μεγάλα γλωσσικά μοντέλα (LLM) είναι σχετικά νέα. Πριν από το ChatGPT, λίγοι συνέδεαν την Τεχνητή Νοημοσύνη με τα chatbots. Η εποχή των LLM ξεκίνησε γύρω στο 2013-2014 με δίκτυα όπως το word2vec. Η αυτόνομη οδήγηση, από την άλλη πλευρά, ξεκίνησε τη δεκαετία του 1980. Το 1987, η ομάδα του Ernst Dickmanns κατάφερε ένα φορτηγάκι Mercedes-Benz να οδηγηθεί αυτόνομα με ταχύτητα 96 km/h σε έναν γερμανικό αυτοκινητόδρομο χρησιμοποιώντας υπολογιστική όραση.

Παρά το τεράστιο προβάδισμα, τα αυτόνομα οχήματα εξακολουθούν να υστερούν σε σχέση με τα LLM. Ενώ το ChatGPT λειτουργεί αξιόπιστα σε αμέτρητα σενάρια, οι οδηγοί Τεχνητής Νοημοσύνης παραμένουν ασταθείς.

Γιατί όμως; Εταιρείες όπως η Tesla και η Waymo έχουν επενδύσει δισεκατομμύρια. Ωστόσο, αν μια νέα εταιρεία ήθελε να εισέλθει στον χώρο – ακόμη και με λαμπρούς μηχανικούς και απεριόριστη χρηματοδότηση – θα χρειαζόταν ακόμα χιλιάδες ώρες ποικίλων δεδομένων οδήγησης. Ορισμένοι τύποι ατυχημάτων είναι τόσο σπάνιοι που είναι σχεδόν αδύνατο να εκπαιδευτεί κανείς για αυτούς.

Ορισμένοι κλάδοι «πνίγονται» σε χρήσιμα δεδομένα από τα οποία μπορεί να μάθει η Τεχνητή Νοημοσύνη. Άλλοι; Δουλεύουν με απομεινάρια.

Εν τω μεταξύ, τα LLM εκπαιδεύονται σε ολόκληρο το διαδίκτυο – ένα πλούσιο σε δεδομένα πεδίο δράσης. Ως εκ τούτου, η ΑΙ είναι πιο πιθανό να αντικαταστήσει τους προγραμματιστές παρά τους οδηγούς, όχι επειδή η προγραμματισμός είναι ευκολότερος, αλλά επειδή τα δεδομένα είναι πιο εύκολο να βρεθούν.

Ορισμένοι κλάδοι «πνίγονται» σε χρήσιμα δεδομένα από τα οποία μπορεί να μάθει η Τεχνητή Νοημοσύνη. Άλλοι; Δουλεύουν με απομεινάρια. Οι αριθμοί είναι αρκετά αυστηροί. Οι κλάδοι με πλήθος καλών δεδομένων θα μπορούσαν να έχουν ποσοστά υιοθέτησης της ΑΙ γύρω στο 60-70%. Εν τω μεταξύ, οι κλάδοι χωρίς πολλά δεδομένα μπορεί να δυσκολεύονται με λιγότερο από 25%.

Ποιες θέσεις εργασίας πλήττονται περισσότερο

• Η ανάπτυξη λογισμικού δέχεται σφοδρό πλήγμα. Το GitHub φιλοξενεί πάνω από 420 εκατομμύρια αποθετήρια – εκατομμύρια παραδείγματα για τον τρόπο επίλυσης προβλημάτων προγραμματισμού. Εργαλεία όπως το GitHub Copilot μελετούν όλο αυτόν τον κώδικα και μαθαίνουν να γράφουν προγράμματα ανεξάρτητα. Τα τρία τέταρτα των προγραμματιστών χρησιμοποιούν πλέον βοηθούς Τεχνητής Νοημοσύνης.
• Η υποστήριξη πελατών είναι ένας άλλος τομέας που έχει πληγεί σοβαρά. Είναι ώριμος για αυτοματοποίηση με AI λόγω της αφθονίας δεδομένων. Η IBM σημειώνει ότι η AI χρησιμοποιεί δεδομένα κλήσεων, email και άλλες περιπτώσεις εξυπηρέτησης για να βελτιώσει τις απαντήσεις και να μειώσει το κόστος κατά 23,5%.
• Ο χρηματοοικονομικός τομέας χρησιμοποιεί επίσης σε μεγάλο βαθμό τη μηχανική μάθηση στις αλγοριθμικές συναλλαγές, με τις συναλλαγές υψηλής συχνότητας να αντιπροσωπεύουν περίπου το 70% του όγκου της αμερικανικής αγοράς μετοχών, αξιοποιώντας τεράστια δεδομένα αγοράς και συναλλαγών για προβλέψεις.

Πού η ΑΙ καθυστερεί να εισέλθει

• Η υιοθέτηση της Τεχνητής Νοημοσύνης στον τομέα της υγειονομικής περίθαλψης καθυστερεί λόγω της έλλειψης δημόσιων δεδομένων. Λιγότερο από το 10% των χειρουργικών δεδομένων είναι προσβάσιμα στο κοινό, λόγω των περιορισμών του HIPAA και των κατακερματισμένων πηγών. Τα δεδομένα των ασθενών είναι διάσπαρτα σε διάφορα νοσοκομεία, ασφαλιστικές εταιρείες και κλινικές. Η ΑΙ δεν μπορεί να μάθει αποτελεσματικά όταν οι πληροφορίες είναι κλειδωμένες σε χιλιάδες διαφορετικά σημεία.
• Ο κατασκευαστικός τομέας είναι ίσως ο πιο ανθεκτικός στην Τεχνητή Νοημοσύνη. Όχι επειδή η κατασκευή σπιτιών είναι μία εξαιρετικά δύσκολη επιστήμη, αλλά επειδή ο τομέας αυτός δεν τηρεί σχεδόν καθόλου ψηφιακά αρχεία. Κάθε έργο είναι διαφορετικό, η τεκμηρίωση είναι ελλιπής και δεν υπάρχει τυποποιημένος τρόπος για να παρακολουθείται τι λειτουργεί και τι όχι.
• Το δυναμικό της Τεχνητής Νοημοσύνης στον τομέα της εκπαίδευσης περιορίζεται από τους νόμους περί προστασίας της ιδιωτικής ζωής των μαθητών. Το Υπουργείο Παιδείας των ΗΠΑ σημειώνει ότι ο νόμος FERPA περιορίζει τη συλλογή και την ανταλλαγή δεδομένων, περιορίζοντας τη χρήση των δεδομένων των μαθητών από την ΑΙ.

Σε απάντηση σε αυτές τις ελλείψεις δεδομένων, ορισμένοι κλάδοι καταφεύγουν σε παρεμβατικά μέτρα. Τα νοσοκομεία εγκαθιστούν ολοκληρωμένα συστήματα βιντεοπαρακολούθησης στις χειρουργικές αίθουσες, υποτίθεται για την εκπαίδευση χειρουργικών συστημάτων Τεχνητής Νοημοσύνης, αλλά αυτό δημιουργεί μια άνευ προηγουμένου επιτήρηση των ιατρικών επαγγελματιών. Συστήματα επιτήρησης εξετάσεων που βασίζονται στην ΑΙ και παρακολουθούν τις κινήσεις των ματιών, τις εκφράσεις του προσώπου και τα μοτίβα πληκτρολόγησης των φοιτητών βρίσκονται υπό ανάπτυξη, εγείροντας ανησυχίες για συστήματα παρακολούθησης που ενδέχεται να υπερβούν κατά πολύ τον αρχικό τους σκοπό.

Η «εικόνα» της οικονομίας

Σύμφωνα με το World Economic Forum, η μεταμόρφωση της Τεχνητής Νοημοσύνης δεν επηρεάζει όλα τα τμήματα της οικονομίας με τον ίδιο τρόπο. Σε τομείς με πλούσια δεδομένα, παρατηρούμε αυτό που οι οικονομολόγοι αποκαλούν «δημιουργική καταστροφή» με ιλιγγιώδη ταχύτητα. Οι παλιές θέσεις εργασίας εξαφανίζονται σχεδόν εν μία νυκτί, ενώ δημιουργούνται νέες, οι οποίες όμως συχνά απαιτούν εντελώς διαφορετικές δεξιότητες και τείνουν να συγκεντρώνονται σε τεχνολογικά κέντρα. Ένα κέντρο εξυπηρέτησης πελατών που κάποτε απασχολούσε 500 άτομα μπορεί να μετατραπεί σε 50 ειδικούς εποπτείας Τεχνητής Νοημοσύνης που εργάζονται από ένα μόνο σημείο.

Προβλέπεται ότι 92 εκατομμύρια θέσεις εργασίας θα αντικατασταθούν έως το 2030, ενώ θα δημιουργηθούν 170 εκατομμύρια νέες. Ωστόσο, δεν πρόκειται για άμεσες ανταλλαγές.

Οι βιομηχανίες με λίγα δεδομένα εκπαίδευσης της ΑΙ αντιμετωπίζουν μια εντελώς διαφορετική πρόκληση. Πρέπει να ψηφιοποιηθούν για να παραμείνουν ανταγωνιστικές, αλλά αυτό δημιουργεί καθημερινές τριβές μεταξύ της τεχνολογίας αιχμής και των καθιερωμένων πρακτικών. Ο μετασχηματισμός συμβαίνει πιο αργά, αλλά είναι πιο βαθύς, αναδιαρθρώνοντας ολόκληρα τμήματα αντί να αντικαθιστά απλώς μεμονωμένους ρόλους.

Σίγουρα, εμφανίζονται νέες θέσεις εργασίας, αλλά δεν είναι ανταλλαγές ένα προς ένα. Προβλέπεται ότι 92 εκατομμύρια θέσεις εργασίας θα αντικατασταθούν έως το 2030, ενώ θα δημιουργηθούν 170 εκατομμύρια νέες. Ωστόσο, δεν πρόκειται για άμεσες ανταλλαγές που πραγματοποιούνται στις ίδιες τοποθεσίες με τα ίδια άτομα. Η πραγματική πρόκληση δεν αφορά μόνο τον αριθμό των θέσεων εργασίας, αλλά και το χάσμα μεταξύ του «μέρους» όπου εξαφανίζονται οι θέσεις εργασίας και του «μέρους» όπου επανέρχονται, μεταξύ των δεξιοτήτων που διαθέτουν οι εργαζόμενοι και των δεξιοτήτων που απαιτούν οι νέες θέσεις.

Πώς θα επιβιώσουμε;

Για όσους αναζητούν εργασία, το βασικό συμπέρασμα είναι ότι τα όρια μεταξύ των κλάδων γίνονται όλο και πιο ασαφή, ενώ οι κατηγορίες θέσεων εργασίας αποκρυσταλλώνονται. Αντί να εστιάζετε αποκλειστικά στις παραδοσιακές σταδιοδρομίες, αναζητήστε ρόλους που γεφυρώνουν διαφορετικούς τομείς – θέσεις που συνδυάζουν την ανθρώπινη κρίση με τις δυνατότητες της Τεχνητής Νοημοσύνης ή που μεταφράζουν τις τεχνικές απαιτήσεις σε επιχειρηματικές ανάγκες.

Αναδιαμορφώστε το απόθεμα δεξιοτήτων σας με βάση την προσαρμοστικότητα, όχι μόνο την εξειδίκευση. Αντί να απαριθμήσετε όσα έχετε κάνει, προσδιορίστε πώς μαθαίνετε, πώς επιλύετε προβλήματα και πώς εργάζεστε με νέα συστήματα. Οι εργοδότες εκτιμούν όλο και περισσότερο τα άτομα που μπορούν να αντιμετωπίσουν την αβεβαιότητα και να ενσωματώσουν νέα εργαλεία στις υπάρχουσες ροές εργασίας. Η ικανότητά σας να υιοθετήσετε με επιτυχία την τελευταία σημαντική αλλαγή στον χώρο εργασίας σας μπορεί να έχει μεγαλύτερη σημασία από την επάρκειά σας στη χρήση συγκεκριμένου λογισμικού.

Εντοπίστε τα σημεία τριβής, τονίζει το δημοσίευμα. Κάθε επαγγελματικός χώρος που εφαρμόζει την Τεχνητή Νοημοσύνη αντιμετωπίζει την ίδια πρόκληση: πώς να κάνει την προηγμένη τεχνολογία να λειτουργήσει μέσα σε περίπλοκα ανθρώπινα συστήματα. Αναζητήστε ρόλους υπεύθυνους για τη διαχείριση, την εκπαίδευση ή τη βελτιστοποίηση διαδικασιών σε εταιρείες που υιοθετούν την ΑΙ. Αυτές οι θέσεις συχνά δεν απαιτούν βαθιά τεχνική γνώση, αλλά χρειάζονται άτομα που κατανοούν πώς λειτουργούν στην πράξη οι οργανισμοί, όταν η θεωρία συναντά την πράξη.