انسان، هوش مصنوعی و رقابت شغلی

خبر یزد - ایسنا / پیش‌بینی جایگزینی انسان با هوش مصنوعی در آینده، نگرانی فزاینده‌ای را برای کارکنان بسیاری از حوزه‌ها به همراه داشته است. پرداختن به جزئیات این موضوع و ارائه راهبردهای موثر برای آن می‌تواند کمک بزرگی برای عبور از نگرانی باشد.
حجم گسترده‌ای از حوزه‌ها شامل موسیقی، ادبیات و صنعت وجود دارد که می‌توان گفت نشان می‌دهند هوش مصنوعی قرار است به نحوی جایگزین ما انسان‌ها شود.
بازار
جایگزینی انسان با هوش مصنوعی، نگران‌کننده است و بسیاری از افراد در دانشگاه‌ها و موسسات پژوهشی دیگر به آن فکر می‌کنند. جایگزینی شغلی، بخشی از آینده هوش مصنوعی و در واقع، بخش بزرگی از آن است اما در نهایت می‌تواند فراتر از آن باشد.
پیشتر نیز گزارش شده بود هوش مصنوعی در حال حاضر به اندازه‌ای قویاست که می‌تواند جایگزین انسان در میلیون‌ها شغل شود. براساس آن گزارش، تنها چیزی که مانع از اخراج‌های گسترده شده، این است که هیچ مدیرعاملی نمی‌خواهد اولین کسی باشد که با طوفان انتقادهای حاصل از این عمل مواجه شود.
چرا هوش مصنوعی هنوز جایگزین نیروی کار نشده است؟
«مارلین وی»(Marlynn Wei) روانپزشک و نویسنده در مجله «Psychology Today» نوشت: بسیاری از جوانان برای داشتن همراهی به هوش مصنوعی روی می‌آورند. تقریباً 75 درصد از نوجوانان، همراهان هوش مصنوعی مانند «Character.AI» و «Replika» را امتحان کرده‌اند. از هر سه نوجوان یک نفر این تعاملات را رضایت‌بخش یا حتی رضایت‌بخش‌تر از تعامل با دوستان واقعی می‌داند. با وجود این، از هر سه نفر یک نفر نیز گزارش داده که از چیزی که یک همراه هوش مصنوعی گفته است، احساس ناراحتی می‌کند.
این فقط یک نمونه است. هشدار جایگزینی نیروی کار، توجه زیادی را به خود جلب کرده است اما گزارش‌های بسیاری از این نوع اتفاقات در راه رسیدن هستند.
از هر سه نوجوان یک نفر تعامل با هوش مصنوعی را رضایت‌بخش یا حتی رضایت‌بخش‌تر از تعامل با دوستان واقعی می‌داند. با وجود این، از هر سه نفر یک نفر نیز گزارش داده که از چیزی که یک همراه هوش مصنوعی گفته است، احساس ناراحتی می‌کند.از نشستی که طی اجلاس ماه سپتامبر «تخیل در عمل» در «دانشگاه استنفورد»(Stanford University) برگزار شد، می‌توانیم اطلاعاتی را به دست بیاوریم. این گروه خاص شامل «الکساندر سندی پنتلند»(Alexander Sandy Pentland) بود که از «دیی یانگ»(Diyi Yang) دانشیار دانشگاه استنفورد و «لورا شکت»(Laura Shact) رئیس موسسه «دیلویت ای‌آی»(Deloitte AI) درباره سناریویی که اکنون در آن قرار داریم، سوالاتی پرسید.
پنتلند سوالاتی را در زمینه هوش مصنوعی اخلاقی پرسید. او پرسید: چطور کارهایی را انجام می‌دهید که به خودتان مربوط نباشند؟ چطور کارهایی را انجام می‌دهید که باعث شکایت از شما نشوند؟ و یکی از سخت‌ترین کارها این است که چطور کاری کنید هوش مصنوعی واقعاً بفهمد چه می‌خواهید.
یانگ درباره وظیفه فهمیدن این موضوع که چه چیزی را باید پیرامون هوش مصنوعی به دانش‌آموزان بگوییم، صحبت کرد و پیشنهاد داد که راه‌های کلیدی را برای تقویت فعالیت‌های انسانی پیدا کنیم. همچنین، او درباره تحقیقات گسترده پیرامون نیروی کار و عدم تطابق بین آنچه هوش مصنوعی اغلب انجام می‌دهد و آنچه مردم عموماً به آن نیاز دارند صحبت کرد.
نکته‌ مطرح‌شده توسط یانگ برای کسی که با هر نوع مدل GPT کار کرده و از نمایش طولانی و چندصفحه‌ای متن‌ها کلافه شده است، بسیار قانع‌کننده بود. یانگ خاطرنشان کرد که مردم نمی‌خواهند 1000 کلمه درباره چیزی ببینند. آنها یک توضیح کوتاه و شاید یک تصویر یا ویدیو می‌خواهند که نکته را آشکار سازد، نه یک صفحه پر از متن.
به نظر نمی‌رسد که هوش مصنوعی با صرف نظر از نیت آن، همیشه در هماهنگ‌سازی خوب عمل کند. این ویژگی هوش مصنوعی، این بار را بر دوش انسان می‌گذارد که بفهمد چگونه هوش مصنوعی را برای انجام دادن یک کار تنظیم کند.
شکت با اشاره به کارهایی که توسط اینفلوئنسرها و مدیران انسانی انجام می‌شوند و ظهور هوش مصنوعی را هدایت می‌کنند، نکاتی را اضافه کرد که پیرامون نقش‌ها، مشاغل و تأثیر انسان هستند. او گفت: دیدن این که چه چیزی واقعاً ماندگار می‌شود، بسیار جالب است. مردم چگونه از هوش مصنوعی برای زمینه‌سازی استفاده می‌کنند؟ کافی نیست که فقط بگوییم فناوری را داریم، بلکه مردم واقعاً به راهنمایی‌های بسیار مشخصی درباره این نیاز دارند که هوش مصنوعی چگونه قرار است به همه خدمت کند. سپس، یک انتظار بسیار آشکار را درباره نحوه استفاده از آن دارند.
پنتلند گفت: به نظر نمی‌رسد که هوش مصنوعی با صرف نظر از نیت آن، همیشه در هماهنگ‌سازی خوب عمل کند. این ویژگی هوش مصنوعی، این بار را بر دوش انسان می‌گذارد که بفهمد چگونه هوش مصنوعی را برای انجام دادن یک کار تنظیم کند.
یانگ درباره ساختار هوش مصنوعی و ارتباط آن با هم‌ترازی، نکاتی برای گفتن داشت. او گفت: فکر می‌کنم امروز الگوی مورد استفاده ما این است که این نوع تنظیم دقیق تحت نظارت را در اختیار داریم یا این نوع یادگیری را از ترجیحات انسانی با نوعی پاداش به دست می‌آوریم. بیشتر این تنظیمات کاملاً محلی یا سطح بالا هستند. بنابراین، شما یک قطعه بسیار کوتاه را به آنها می‌دهید و سپس، برای اعمال هماهنگی ورودی و خروجی تلاش می‌کنید. این کار در واقع تا حدودی با این موضوع در تضاد است. اگر یک کار طولی داشته باشید که طیف گسترده‌ای از تعاملات در آن وجود دارد، دریافت پاداش و سیگنال‌های درست بسیار دشوار خواهد بود. من فکر می‌کنم این بخشی از دلیلی است که مدل‌های هوش مصنوعی، قصد انسان را درک نمی‌کنند زیرا به عقیده من، بیشتر یادگیری در حال حاضر در سطح محلی رخ می‌دهد.
پنتلند درباره نوسانات بسیاری از این سیستم‌ها صحبت کرد. او گفت: بخش‌های متفاوتی وجود دارد که در برخی از آنها می‌بینید تعداد زیادی از عوامل دور هم جمع می‌شوند و با خرابی‌های ناگهانی، جهش‌های ناگهانی و انواع اتفاقات غیرخطی دیوانه‌وار روبه‌رو می‌شوید. به نظر می‌رسد برای خودکارسازی بخش‌های بزرگی از شرکت باید درکی را از آنچه قرار است اتفاق بیفتد و آنچه قرار است افراد انجام دهند، داشته باشید و این نسبت به محتوا بسیار حساس است اما یک چالش واقعی برای مدل‌های زبانی بزرگ به شمار می‌رود.
ما فرض می‌کنیم که یک طرح کلی وجود دارد و عامل‌هایی را برای تقلید از آن می‌سازیم اما در واقع، عامل‌ها و انسان‌ها بسیار متفاوت عمل می‌کنند.شکت درباره کاربرد نقشه‌های فرآیند کار صحبت کرد. او گفت: ما نقشه‌های بسیار بزرگی برای فرآیند داریم. فرآیند چیست؟ چگونه فرآیند را تنظیم می‌کنید؟ بیرون کشیدن آن نقشه‌ها که می‌توانند بسیار آکادمیک به نظر برسند، بسیار جالب شده است زیرا در حال حاضر وقتی به این فکر می‌کنید که عوامل چگونه باید کار را به عهده بگیرند، در واقع طرحی از کار دارید و این که کجا می‌توان خودکارسازی را انجام داد و کجا می‌توان نیروی انسانی را در گردش کار تقویت کرد.
یانگ دیدگاه متفاوتی را مطرح کرد. او گفت: فکر می‌کنم ما فرض می‌کنیم که یک طرح کلی وجود دارد، یک گردش کار وجود دارد و سپس، عامل‌هایی را برای تقلید از آن می‌سازیم اما در واقع، عامل‌ها و انسان‌ها بسیار متفاوت عمل می‌کنند. بنابراین، ما اخیراً در حال تحلیل نحوه انجام وظیفه توسط عامل‌های هوش مصنوعی و نحوه انجام وظیفه توسط انسان‌ها بوده‌ایم. بنابراین، انسان‌ها از ابزارهای رابط کاربری بسیار متنوعی استفاده می‌کنند. انسان‌ها دوست دارند بررسی‌های رفت و برگشتی را انجام دهند. در مقابل، عامل‌ها این کار را تنها با یک بار عبور انجام می‌دهند.
یانگ به خلاقیت نیز اشاره کرد. وی افزود: انسان‌ها خلاق هستند. کارکنان به روش خودشان بسیار خلاق هستند. بسیاری از وظایف و واگذاری‌ها نوظهور هستند؛ به این معنا که ما واقعاً نمی‌دانیم چگونه آنها را پیش‌بینی کنیم. بنابراین، فکر می‌کنم به جای این نوع روش تجویزی برای ساختن عوامل هوش مصنوعی باید بسیار توصیفی باشد. واقعاً باید به این موضوع توجه کنید که اگر دسترسی به هوش مصنوعی را به افراد بدهید، چگونه از آن برای انواع کارها استفاده خواهند کرد؟
پنتلند درباره تجربه اخیر خود در بحث پیرامون موضوع جایگزینی شغلی با مدیران نیز صحبت کرد. او گفت: من با رئیس یک سازمان بزرگ صحبت می‌کردم و از او شنیدم: «ما همه این فناوری‌های هوش مصنوعی را می‌بینیم که کد تولید می‌کنند. پس آیا به آنها نیاز داریم؟» اگر این منطق را در مرحله بعدی پیش ببریم، چه اتفاقی برای بسیاری از مشاغل رخ خواهد داد؟ چه اتفاقی برای شرکتی رخ خواهد داد که حدود 10 هزار یا 100 هزار نفر نیرو داشته و حالا قرار است کوچک شود.
شکت گفت: من فکر می‌کنم چیزی که در حال حاضر برای سازمان‌ها می‌بینیم، تغییر در استخدام در سطوح پایین‌تر است که می‌تواند نوعی اقدام موقت باشد. چیزی که سازمان‌ها می‌توانند به آن توجه کنند، اهرم‌های استخدامی‌شان است. وقتی برخی از این کاهش‌ها را آغاز می‌کنند، به نظر کوته‌بینانه می‌آید. شما به همه تجربیات نیاز دارید.
یانگ گفت: بسیاری از مشاغل پردرآمد و مهارت‌های برتر امروزی، تحلیل اطلاعات و داده‌ها هستند. من فکر می‌کنم سواد هوش مصنوعی همان چیزی است که باید درباره آن فکر کنیم.