211service.com
Hvordan AI endrer kunnskapsarbeid: MITs Thomas Malone
Med hjelp fra de riktige AI-algoritmene kan organisasjoner utvikle seg til superhjerner som er smartere enn deres individuelle medlemmer.
24. januar 2019
Thomas Malone er professor i ledelse ved MITs Sloan School of Management, grunnlegger og direktør for MIT Center for Collective Intelligence, og forfatter av 2018-boken Superminds: The Surprising Power of People and Computers Thinking Together . Boken utforsker de ulike måtene grupper av mennesker tar beslutninger på, og hvordan nye former for kunstig intelligens, spesielt maskinlæring, kan hjelpe. Malone spår at kunstig intelligens, robotikk og automatisering vil ødelegge mange jobber – inkludert de til høykvalifiserte kunnskapsarbeidere – samtidig som de skaper nye. Ved å investere i de riktige typene AI, sier han, kan organisasjoner bidra til å holde arbeidere produktive og glade – og sørge for at superhjernene våre faktisk er smartere enn våre vanlige sinn.
Denne episoden er sponset av Citrix, selskapet som driver den digitale transformasjonen i organisasjoner av alle størrelser. I andre halvdel av showet forklarer Citrixs globale teknologisjef Christian Reilly hvorfor maskinlæring nå er en kraftmultiplikator som gjør alle typer forbruker- og bedriftsapplikasjoner mer nyttige.
Business Lab er vert for Elizabeth Bramson-Boudreau, administrerende direktør og utgiver av MIT Technology Review. Showet er produsert av Wade Roush, med redaksjonell hjelp fra Mindy Blodgett. Musikk av Merlean, fra Epidemic Sound.
Vis notater og lenker
MIT Center for Collective Intelligence
Superminds: The Surprising Power of People and Computers Thinking Together
Full transkripsjon
Elizabeth Bramson-Boudreau: Fra MIT Technology Review heter jeg Elizabeth Bramson-Boudreau, og dette er Business Lab, showet som hjelper bedriftsledere å forstå nye teknologier som kommer ut av laboratoriet og inn på markedet. Denne episoden er brakt til deg av Citrix, selskapet som driver den digitale transformasjonen i organisasjoner av alle størrelser. Senere i showet vil vi høre fra den globale teknologisjefen til Citrix, Christian Reilly.
Men først skal vi snakke med Tom Malone. Tom er en av de smarteste menneskene jeg kjenner som studerer hvordan organisasjoner tenker og hvordan datamaskiner og mennesker som jobber sammen kan tenke mer intelligent.
Tom er professor i ledelse ved M.I.T. Sloan School of Management. Tom er også grunnlegger og direktør for M.I.T. Senter for kollektiv etterretning. Tilbake i 1998 var han en av de første lærde som anerkjente fremveksten av e-lancing eller det vi nå kaller Gig Economy. I 2018 publiserte Tom en stor bok kalt Superminds som ser på de forskjellige måtene folk tar beslutninger sammen på og hvordan nye former for kunstig intelligens, spesielt maskinlæring, kan hjelpe.
Her på Technology Review er vi spesielt interessert i hvordan A.I. nå inn i kunnskapsarbeidets verden. Vi har dekket måten robotikk og automatisering gjør det vanskeligere på noen måter for lavtlønnede, lavt dyktige arbeidere å holde på jobber. Men i disse dager er det også tegn på at A.I. vil endre måten høyere kvalifiserte kunnskapsarbeidere også gjør jobben sin på. Det betyr ikke at vi alle vil bli overlistet av datamaskiner. Men det betyr at vi må tenke mer over hvordan organisasjoner kan ta i bruk de riktige typene A.I. for å holde arbeidere produktive og glade, og hva de kan gjøre for å sikre at våre superhoder faktisk er smartere enn våre vanlige sinn. Mitt møte med Tom Malone var en sjanse til å snakke om noen detaljer. Så her er chatten vår.
Så det er fantastisk å se deg igjen Tom.
Tom Malone: Flott å være her.
Elizabeth: Så vi skal snakke om boken du har skrevet og om ideene du har lagt frem i boken din. Det kalles Superminds og det argumenterer for at en gruppe mennesker på en eller annen måte kan være bevisste og intelligens noen ganger faktisk mer intelligent enn noen av individene i gruppen. Du argumenterer også for at datamaskiner kan gjøre disse superhodene enda smartere.
Så først, kanskje fortell oss hva som fikk deg til å begynne å tenke i de baner og var det et øyeblikk da du tenkte: Hei, det er nok her til at jeg kanskje burde se på en bok, og du vet egentlig bare fortell oss hva som førte deg til det stedet.
Tom: Faktisk er det et veldig spesifikt øyeblikk i 2005. Rett etter at min forrige bok The Future of Work ble utgitt i 2004, talte jeg på en konferanse i Palo Alto på Stanford og to av de andre foredragsholderne var Esther Dyson, den velkjente datamaskinen industrianalytiker og investor, og Vernor Vinge, den kjente science fiction-forfatteren som blant annet bidro til å popularisere singularitetsbegrepet.
Så vi tre gikk ut og spiste middag etter å ha talt på konferansen den dagen. Og vi snakker om Vernors siste bok som han akkurat skulle avslutte den gangen, og snakket om ting han var interessert i, og Vernor snakket om det han kalte overmenneskelig intelligens, noe som mennesker og datamaskiner og ting som at. Og vi hadde en veldig interessant samtale. Jeg snakket om hva jeg skulle gjøre og hadde tenkt på hva jeg ville gjøre videre etter forrige bok. Og ved slutten av den middagen hadde jeg en uvanlig følelse, som ikke var at jeg hadde bestemt meg for hva jeg skulle gjøre videre; følelsen jeg hadde var at jeg endelig hadde innrømmet for meg selv hva jeg skulle gjøre videre.
Og så på den tiden kalte jeg det overmenneskelig databehandling eller overmenneskelig intelligens. Senere tenkte jeg at et bedre ord for det var kollektiv intelligens. Og jeg brukte det uttrykket en stund, inkludert fortsatt navnet på forskningssenteret ved MIT som jeg leder. Og så i løpet av å skrive boken min, som var en slags oppsummering av de siste 10 eller 15 årene med tenkning om dette emnet, innså jeg at på noen måter en enda bedre betegnelse for den tingen i stedet for kollektiv intelligens eller kollektivt intelligente systemer, en bedre betegnelse for det var superminds.
Elizabeth: Hva var det du så i verden på den tiden som gjorde det på en måte klart at det var her du måtte gå.
Tom: Så på en eller annen måte da jeg skrev The Future of Work tenkte jeg på å se meg rundt i verden og si hva organisasjoner gjør i dag, og hva slags logiske utvidelser er de neste skrittene de kan ta i retningen de er. dro allerede. Mer desentralisering var en av tingene jeg nevnte eller understreker sterkere i den boken. Og fra mitt synspunkt er en av de veldig fine tingene med kollektiv intelligens som en måte å ramme alt dette på, at den ikke sier noe om hva som er neste. Det sier hva som er endepunktet, og hvordan er vi på vei i den retningen. Så på en eller annen måte, selv om folk vanligvis ikke tenker på det på denne måten, er grunnen til å ha en organisasjon i utgangspunktet slik at en gruppe mennesker kan gjøre ting bedre sammen. Og ofte betyr det mer intelligent enn de kunne gjort dem hvis de bare jobbet helt alene. Så på en eller annen måte er endepunktet perfekt kollektiv intelligens.
Og faktisk i boken min snakker jeg om det som en nyttig måte å tenke på. Hvis du tenker på hvordan bedriften min kunne være smartere, er en nyttig ting å gjøre å tenke på hva vi ville gjort hvis vi var perfekt intelligente. Hvis vi tok hensyn til alt kjent når vi tok hver eneste avgjørelse. Selvfølgelig i de fleste virkelige tilfeller kan du ikke begynne å gjøre det, eller i det minste kan du ikke gjøre det helt, men du kan begynne å gjøre det. Du kan tenke hvor langt vi kan gå mot å være perfekt intelligente. Så i den forstand var det ikke så mye å se seg rundt på verden og si at dette er den neste store tingen på grunn av X. Det var å se på verden og si hvordan kan vi tenke på virkelig lang sikt her og deretter bruke det som en måte å projisere den neste lille stunden på.
Elizabeth: Så boken Superminds ble tydelig skrevet med bedriftsledere, folk som lytter til dette, i tankene som publikum. Så hva er de viktigste tingene du håper de vil ta bort enten fra å lese boken forhåpentligvis eller fra denne diskusjonen om boken?
Tom: Så etter mitt syn er ikke bokens viktigste bidrag et enkelt faktum eller en metode du kan bruke. Jeg tror det viktigste bidraget, i hvert fall jeg håper det viktigste bidraget, er en ny måte å se verden på. Det er en måte å se på verden på hvor du kan se superminner rundt deg, ikke bare andre selskaper, men markeder og samfunn og demokratier og alle disse slags ting rundt oss hele tiden. Spesielt som bedriftsleder tror jeg det betyr at du kan og bør tenke på din egen organisasjon som en slags supermind. Det er en ting. Det er en enhet. Det er en intelligent enhet. Og så er et åpenbart spørsmål, hvordan kan jeg gjøre organisasjonen min smartere. Og så gir boken flere måter å tenke på. Man tenker på de forskjellige kognitive prosessene som ethvert superminne eller en hvilken som helst intelligent enhet trenger å gjøre, som å tenke på hva slags beslutninger organisasjonen min trenger å ta, mitt organisatoriske supersinn. Hva må den bestemme. Hva må det føles om verden for å ta disse avgjørelsene. Hva må den huske om fortiden for å ta disse avgjørelsene godt. Så hvert av disse spørsmålene fører deg til en haug med andre muligheter. Mange som du kanskje aldri har tenkt på før.
Elizabeth: Når organisasjoner bestemmer seg for at de vil bli smartere ved å få inn mer databehandling eller mer A.I., hva ser du på som de enkle problemene for dem å bruke denne smartheten til, denne ekstra smartheten til, og hvilke er de vanskelige?
Tom: En slags lett problem i en viss forstand tror jeg er den typen problemer du kan løse med det jeg kaller hyperkobling. Vi har snakket mye om AI i verden nylig og til og med i dette intervjuet så langt. Jeg tror at en like om ikke viktigere ting som datamaskiner kan gjøre, er å skape hyperkobling, å koble folk til andre mennesker og ofte til datamaskiner også, i skalaer og på rike nye måter som aldri var mulig før. Så dette har vi allerede sett. Internett er kanskje det beste eksemplet på en teknologi for å skape hyper-tilkobling og alle tingene som er bygget på den. Sosiale nettverk, Google-søk, alle slike ting. Og jeg tror at ingen ny type dramatisk vanskelige teknologiske ting må skje for at vi skal kunne bruke hyperkobling på mange mange nye måter.
Når vi beveger oss inn i området kunstig intelligens i motsetning til hyperkobling, er stedene hvor AI kan hjelpe ofte de hvor du har nok data som kan fanges opp i maskinlesbar form til å lære og bruke algoritmer til å gjøre ting som enten folk gjorde før eller kanskje folk aldri kunne gjort det før. Så, for eksempel, en funksjon, forretningsfunksjon der dette ofte er lett er i salg. Det er enkelt å måle effekten av salg. Noen selger mer enn andre, og vi har dollarmål for det. Det er vanskeligere å måle salgsinngangen, men du kan også sikkert telle ting som hvor mange kundeanrop du ringer og hvor ofte møter du dem og sånt, og hvis du gjør det på nettet, hva sier du . Så det er mye å lære, mye som dagens maskinlæringssystemer kan lære om ting om salgseffektivitet og så videre. Når det gjelder salg, er det vanskeligere å generere handlinger som kan påvirke resultatene. Så selv om en datamaskin kan telle hvor mange ganger du henvender deg til en salgsprospekt, kan en datamaskin ikke lett finne ut hva du skal si i begynnelsen av møtet om helgen og barna dine.
Så det er fortsatt behov for folk der, men datamaskiner kan gjøre mye av analysen for å hjelpe hele prosessen med å bli mer effektiv i mange tilfeller. Jeg antar at de vanskeligste delene vil være der det er vanskelig å måle innganger og utganger. Så når du designer et nytt programvareprodukt eller en ny bil eller noe, er det ikke åpenbart hvordan du en gang skal måle utgangene eller inngangene.
Elizabeth: Hvordan tror du bedriftsledere kan tenke på å investere i en AI eller maskinlæring, til å skifte fra å se det som kostnadskutt, så å fjerne arbeidere eller gjøre arbeiderne du har mer effektive, og mer om å styrke kreativiteten, få arbeiderne til å føle mer selvaktualiserte og lykkeligere, for at de skal beholdes og derfor mer produktive, et cetera?
Tom: Nei, jeg synes det er et godt spørsmål. Spørsmålet om hvordan kan vi flytte vekten. Jeg tror på en viss måte svaret er bare ved å gjøre det. Med andre ord av forskjellige grunner, som jeg ikke er sikker på at jeg forstår, har vi dette store fokuset på AI spesielt at det kommer til å gjøre ting som folk pleide å gjøre og deretter sette folk uten jobb. Og når du prøver å utvikle AI-applikasjoner eller bruke AI i selskaper, er det mange som tenker på det på den måten. Det er den slags tankesett vi bringer til problemet. Men det kreves absolutt ikke av økonomi. I virksomheten er det faktisk to måter å tjene mer penger på. Den ene er å redusere kostnadene. Den andre er å skape mer verdi og kunne selge det for mer. Så jeg tror vi har vært altfor fokusert på AI-applikasjoner for kostnadskutt og ikke på langt nær fokusert nok på AI-applikasjoner for verdiskaping. Faktisk, selv fra et økonomisk synspunkt, mistenker jeg at det er der den virkelige muligheten er. Du kan bare tjene så mye penger ved å kutte kostnader, men det er på en måte ingen grense for hvor mye penger du kan tjene hvis du er i stand til å gjøre noe nytt som folk vil ha som ikke en gang kunne gjøres før. Det er mye mer spennende i mange tilfeller økonomisk.
Elizabeth: Jeg tror det som er interessant med det – jeg tror du har helt rett. Og jeg tror at når det kommer til budsjettering er det alltid veldig klart hva kostnaden er, men det er alltid mye vanskeligere å finne ut hva som er den potensielle fordelen, for du vet egentlig ikke. Så jeg tror nok det er derfor, en del av det, og jeg tror vi ofte er begrenset av vår egen kreativitet i så måte.
Tom: I mitt hode er det nøkkelen. Det er vår egen fantasi våre egne tankesett eller våre egne verdensbilder som er den virkelige grensen her. Til en viss grad har vi kanskje en mulighet, kanskje til og med en forpliktelse til å hjelpe verden med å bevege seg mot en tankegang som er mer produktiv, mer åpen for disse nye mulighetene. Men hvis du bruker tiden din på å tenke på hvordan du lager AI-applikasjoner som vil skape jobber, for å bruke dem trenger du flere folk til å gjøre nye ting, du vil tenke på noen av dem. Og jeg synes vi burde bruke mye mer tid på det
Elizabeth: Jeg ser for meg at du skrev denne boken i en tid da valget i 2016 var i gang og kanskje til og med i de første månedene av presidentskapet til Donald Trump. Og jeg tror det var en tid da vi akkurat begynte å forstå hvordan visse typer superhjerner som Facebook kan produsere utfall som kanskje ikke ensartet forstås som gode. Så er du like optimistisk med tanke på superhjern som du var da du begynte å skrive boken?
Tom: Så du har rett i at jeg skrev boken min under kampanjen og rett etter valget i 2016. Spørsmålet ditt er om jeg er mer optimistisk nå enn eller mindre optimistisk nå enn da jeg skrev boken. Jeg tror aldri jeg har trodd at superminds alltid gjorde gode ting. Verden og verdenshistorien er full av superminner, hvorav noen er smarte og noen er dumme, noen er gode og noen er onde. Nazi-Tyskland for eksempel ville være et eksempel mange ville velge som et superminne som var, i det minste mens det eksisterte, på mange måter veldig intelligent. Den oppnådde mål veldig effektivt. Men mange mennesker vil si at målene den oppnådde var onde og måten den gjorde dem på var ond.
Så jeg tror ikke det jeg har aldri tenkt og jeg tror ikke at superminner alltid er gode. Da jeg skrev boken prøvde jeg med vilje å understreke de positive mulighetene, men jeg trodde ikke de alltid ville skje. Og interessant nok akkurat den gangen boken kom ut i mai 2013, endret tidsånden seg i verden. Inntil omtrent den gangen var folk alle begeistret over hvor bra Facebook og Google og alle disse tingene er. Og akkurat på den tiden skjedde Facebook Cambridge Analytica-skandalen, og liksom verden snakket plutselig om alle de negative mulighetene. Så når jeg snakker om boken nå gjør jeg et poeng av å understreke nær begynnelsen at datamaskiner kan gjøre superhjernen smartere, men de kan også gjøre superhjernene dummere. Som når falske nyheter påvirker velgerne i et demokrati. Det er ofte et eksempel der datamaskinene gjør demokratiet dummere. Og det jeg egentlig tror vi må gjøre er å tenke på hvordan man bruker disse teknologiene klokt på måter som har de beste sjansene for å skape gode resultater. Hvis du ønsker å gjøre det, synes jeg likevel det er veldig nyttig å snakke om hvilke gode muligheter vi bør strebe etter.
Elizabeth: Tom, du har snakket om hvordan kunstig intelligens og maskinlæring i fremtiden kan eliminere noen gamle jobber, men også kan skape nye jobber. Hva skjer i overgangstiden? Det kan være ganske mange mennesker som er påvirket av den overgangen. Hvordan bør vi forberede oss på det? Og hvordan skal det føles og se ut når vi er i det?
Tom: Et veldig viktig spørsmål, for selv om jeg på sikt er veldig optimistisk på at det skapes nok nye arbeidsplasser til å gi arbeid til så mange som ønsker å jobbe, tror jeg det er en overgangsperiode vi må bekymre oss for. Og det er ikke nødvendigvis positivt for alle. Det vil være enkelte personer hvis gamle jobber forsvinner og som av ulike årsaker enten ikke kan eller ikke vil gjøre de nye jobbene som er ledige. Så det er verdt å bekymre seg litt for hvordan vi klarer det som samfunn. Og det er flere muligheter for hvordan man gjør det. Den ene er å bruke teknologi for å gjøre en bedre jobb med å matche, slik at folk matcher jobbene. Hvis du må gjøre det ved å banke på dører, er det mye dyrere enn hvis du bare legger inn CV-en din på LinkedIn eller hva som helst, og det blir automatisk matchet. En annen viktigere, sannsynligvis, måte er å trene folk til å gjøre de nye tingene som må gjøres. En av de interessante mulighetene her er å bruke teknologiens evner for å la treningen skje på mye mer fleksible måter. I stedet for å måtte sitte i et klasserom åtte timer om dagen og lære noe av en professor foran i rommet, er det nå, som det er åpenbart for alle, nå mulig for deg å gjøre mye av den læringen hjemme eller hjemme. sitter på din nåværende arbeidsplass på en pause eller hva som helst, tjener online på alle mulige måter.
Jeg tror det til og med har muligheter for nye typer læreplasser der du ikke bare kan lære i en klasse, men du kan delta i arbeid på en måte som er litt overflødig med annet arbeid som pågår. Så i mange av de nye typene beslutningstaking som er muliggjort av denne teknologien, vil du ha mer enn én persons mening. Ikke bare én lege som setter en diagnose, men kanskje fem personer gir en diagnose. Og noen av disse menneskene trenger ikke å være fullverdige, legitimerte leger. Kanskje de kan bli medisinstudenter. Eller i andre domener vet du at hvis du prøver å forutsi om konkurrenten kommer til å lansere et nytt produkt i en bestemt kategori innen en bestemt dato, kanskje du ikke trenger å ha verdens beste markedsforskere som gjør disse spådommene. Kanskje du kan ha MBA-studenter eller folk som ønsker å være MBA-studenter som gjør disse spådommene. Og hvis de gjør en god jobb med å forutsi, etablerer de sin egen legitimasjon. Og selv om de ikke gjør det, legger de fortsatt til flere datapunkter til gjennomsnittene, slik at de gir spådommene, og de har bidratt med litt verdi og lært hvordan de gjør det underveis.
Elizabeth: Tom, jeg vil takke deg for at du tok deg tid med oss i dag. Dette er en fascinerende samtale. Det er alltid interessant å snakke med deg om det siste arbeidet ditt. Og nok en gang takk for at du er her og deler ideene dine med oss.
Tom: Takk. Det er min glede.
****
Elizabeth: Dette er siste episode av en tredelt miniserie om fremtiden til kunnskapsarbeid produsert med sponsing fra Citrix. Selskapet bruker skyserverteknologi for å sikre at kunnskapsarbeidere har tilgang til appene og dataene de trenger uansett hvor de befinner seg på en gitt dag. Når du administrerer så mange applikasjoner og så mye data, viser det seg at du kan bruke AI på noen interessante måter for å få det hele til å passe sammen bedre, og til og med gjøre livet mer tilfredsstillende og produktivt for kunnskapsarbeiderne dine. Nylig hadde jeg en sjanse til å sette meg ned og snakke med Citrixs globale teknologisjef Christian Reilly, og jeg startet med å spørre ham hva Citrix gjør for å bygge mer intelligens inn i måten de leverer applikasjoner til arbeidere på.
Christian Reilly: Så jeg tror at kjernen av det er endringen i landskapet for selve applikasjonene. Jeg mener måten vi tenker på applikasjoner på er veldig annerledes i dag enn for 20 25 år siden, og jeg tror en stor del av det er måten vi faktisk har tenkt på hva applikasjonen prøver å gjøre. Og med det mener jeg du vet at vi historisk sett har hatt massevis av store komplekse bedriftsapplikasjoner som har vært veldig funksjonsbaserte. Du vet at de tar en hel forretningsfunksjon, og de tjener alt dette, fra si ordre til kontanter som et godt eksempel på en applikasjon som typisk ville ha gjort det i historisk forstand. Ettersom vi så fremveksten av skytjenester, slik vi så fremveksten av mobile enheter og mobilapplikasjoner, har vi sett programmer endre seg til det jeg vil si er en mer prosessspesifikk måte. Så individuelle applikasjoner blir mye mindre og gir faktisk en slags undergruppe av forretningsprosesser og en undergruppe av forretningsresultat. Så selvfølgelig eksisterer de store applikasjonene fortsatt, men de mindre blir mye mer populære i måten vi samhandler på. Så hvis du setter det sammen og tenker på tradisjonelle applikasjoner som har vært komplekse, har de vært vanskelige å bruke. Det har vært mange forskjellige versjoner av dem av mange forskjellige grunner. Og vi har denne tilstrømningen av de mindre, lettere og mer smidige applikasjonene. Jeg tror det vi faktisk har funnet ut er at det er en interessant sammenstilling mellom produktivitet og utfordringen med disse eksisterende applikasjonene, og de smarte menneskene har virkelig begynt å tenke på maskinlæring på måter som virkelig utfordrer måten vi får arbeidet gjort på.
Så fra et veldig enkelt perspektiv vil jeg gi ett eksempel hvor vi kanskje er en organisasjon som ansetter 20 000 mennesker. Og vi har et system som lar folk be om fri. Så historisk sett er det vi har måttet gjøre å gå inn i søknaden, be om fri, og så må noen andre godkjenne den. Men nå med maskinlæring kan vi faktisk forstå hei du vet at du går inn i denne applikasjonen hver onsdag for å sjekke om du har fri i teamet ditt. Hva om vi kunne forstå det og hva om vi bare kunne gi deg en enkel mekanisme for å si hei du vet, i stedet for at du gjør dette hver onsdag, skal jeg se på måten du bruker den forretningsprosessen på, og jeg kommer til å lære av det, og jeg skal gi deg en annen måte å gjøre dette på, som til slutt gir et bedre resultat for deg fordi det er raskere. Det endrer ikke oppmerksomheten din fra det du gjorde. Og jeg kan faktisk forstå hva det er du har tenkt å gjøre. Og min maskinlæring, eller i dette tilfellet, en kunstig intelligens-tilnærming, ville faktisk forstå hva du gjør i systemet og gi deg en annen måte å jobbe på.
Elizabeth: Så det jeg tror det du beskriver, Christian, er denne ideen om at AI og maskinlæring kanskje ikke bare har intelligens for å gjøre gode analyser av ting som skjer innenfor plattformen, men også spiller en rolle i måten applikasjonene og operativsystemer er designet i utgangspunktet.
Kristen: Ja absolutt. Jeg mener at det som er veldig interessant, en enorm trend vi ser, er, og du vet, kanskje jeg burde gå litt tilbake og snakke om at du kjenner de første årene med kunstig intelligens, AI. Det er ikke et nytt konsept. Det har eksistert siden 1950-tallet. Men det som er veldig interessant, og jeg tror er kraftmultiplikatoren, er det faktum at vi nå er i stand til å utnytte maskinlæringsmodeller og -funksjoner som skytjenester selv. Så inngangsbarrieren for å implementere maskinlæring blir faktisk lavere og lavere. Bokstavelig talt uke etter uke måned etter måned. Så det som er interessant fra det perspektivet er at ikke bare nye applikasjoner som er utviklet som har iboende kunstig intelligens og maskinlæringsevner, men tradisjonelle applikasjoner som vi faktisk kan ettermontere det samme konseptet til, og til slutt gi større forretningsfordeler, større forretningsresultater. Så jeg tror absolutt, slik vi designer applikasjoner nå, vil alt ha kunstig intelligens innebygd. Enten det er en smart-TV eller en hjemmeenhet, en ny bærbar datamaskin, en ny telefon, vil alle ha en form for maskinlæring eller AI-evne. Men det som virkelig er interessant er at sett med skytjenester nå eksisterer for å ta virkelig komplekse problemer og gjøre dem relativt enkle. Så det totale kapasitetssettet vi har er mye større, og anvendeligheten til disse egenskapene er mye bredere. Og jeg tror det blir veldig interessant av hvordan vi kan oppnå ekte forretningsfordeler, ikke bare for nye applikasjoner, men i tradisjonell virksomhet.
Elizabeth: Det er en fortelling der ute som de fleste av oss hører, om hvordan AI og maskinlæring vil gå langt mot kostnadskutt. Så, avskjedige arbeidere, lede folk til å jobbe mer effektivt. Hva er fortellingen som illustrerer dette konseptet om at AI og maskinlæring faktisk er positivt og gjør måten vi jobber på i fremtiden til en morsommere og mer utviklende opplevelse?
Kristen: Vel, jeg tror vi kollektivt har bekymret oss for slutten på arbeidet med automatisering i århundrer. Det er faktisk et kjent eksempel i Storbritannia på dronning Elizabeth I som nektet patent på en på en automatisk strikkemaskin fordi hun var bekymret for effekten av automatisering på damene på den tiden som strikket for å leve. Og til slutt var hun ganske villig til ikke å underholde patentet, men kunne ikke stoppe automatiseringen og mange organisasjoner kjøpte disse strikkemaskinene, og over en periode vokste antallet strikkejobber faktisk eksponentielt. Så det har vært ganske interessant å følge. Det er en rekke andre eksempler som ligner på det. Og jeg tror vi er på samme slags tidspunkt nå når vi snakker om truslene fra AI. Selvfølgelig er det en trussel tror jeg for noen jobber. Se på tradisjonelle jobber som kanskje liker callsentre eller kontaktsentre som relativt enkelt kan utvides med noe av den kunstige intelligensen til maskinlæring.
Så jeg tror det definitivt vil være et punkt hvor noen jobber går tapt på grunn av automatisering, til maskinlæring. Men jeg tror måten å se det på egentlig er, hvordan kan vi faktisk bruke dette på en moralsk korrekt måte som gjør oss i stand til å eliminere noen av de virkelig møysommelige oppgavene som folk gjør, enten det er en legetime eller du vet til og med en frisørtime, eller godkjenne en timeliste. Dette er ikke verdiøkende ting for oss som mennesker. Så jeg tror at jo mer vi faktisk kan bruke maskinlæring, kan vi bruke digitale assistenter og virtuelle assistenter for å faktisk håndtere ting som er repeterende som ikke tilfører mye verdi. Jeg tror vi faktisk kan frigjøre tid, vi kan frigjøre hjernekraft, vi kan frigjøre ressurser slik at folk kan være mer kreative, så i stedet for å være bekymret for teorien mellom kunstig generell intelligens og robotene som kommer til å ta over verden, la oss fokus på den kunstige smale intelligensen, tingene vi ser hver dag når vi bruker Siri, eller vi bruker Cortana, eller vi bruker Google Assistant, eller vi har en anbefaling fra Amazon, eller vi ser mer og mer av denne teknologien bygges inn i forretningsapplikasjoner som virkelig tærer på de arbeidskrevende arbeidskrevende og repeterende oppgavene. Jeg tror vi fokuserer på det. Vi frigjør litt intellektuell kapital slik at folk kan være mer kreative, for å komme seg vekk fra hverdagens slit. Det er der jeg tror vi kan tilføre mest verdi, og kanskje vi ikke burde være like bekymret for at robotene kommer til å ta over vår verden, for hei, etter min mening, vil det sannsynligvis aldri skje.
Elizabeth: Flott. Vel, det er en lettelse. Christian, takk. Dette har vært fantastisk. Det har vært fantastisk å høre fra deg om disse problemene og å lære mer om Citrix.
Kristen: Vel, takk.
Elizabeth: Det var alt for denne episoden av Business Lab. Jeg er verten din, Elizabeth Bramson-Boudreau. Jeg er administrerende direktør og utgiver av MIT Technology Review. Vi ble grunnlagt i 1899 ved Massachusetts Institute of Technology. Du kan finne oss på trykk, på nettet, på dusinvis av live-arrangementer hvert år, og nå i lydform. For mer informasjon om oss, sjekk ut nettstedet vårt på technologyreview.com.
Dette programmet er tilgjengelig uansett hvor du får podcastene dine. Hvis du likte denne episoden, håper vi du tar deg tid til å vurdere og anmelde oss på Apple Podcasts. Business Lab er en produksjon av MIT Technology Review. Produsenten for denne episoden er Wade Roush med redaksjonell hjelp fra Mindy Blodgett. Takk til vår sponsor Citrix, selskapet som skaper menneskersentriske løsninger for en bedre måte å jobbe på. Takk for at dere hørte på. Vi kommer snart tilbake med vår neste episode.