三思派来源

Gartner预测2019丨人工智能与未来工作

随着人工智能技术应用到标准化、重复性的机械自动化过程,银行和保险等行业的后勤工作岗位不仅在数量上逐渐减少,而且在形式上也在发生改变。“半人马智能”(即人机合作智能)在软件编程等核心工作领域逐渐兴起。它将人工智能与人类能力相结合,形成一种共生关系,推动生产率的显著提升。出于对人工智能可能造成的大规模失业以及所带来对监控行为的担忧,业界日益兴起关于组织部署人工智能方式和原因的激烈的伦理性讨论。员工希望得到商业巨头及负责人作出“AI-for-good”(人工智能向善)的承诺和保证。尽管从短期来看,人工智能替代人类工作的趋势有所加剧,但越来越多证据表明,人工智能通过创造新的就业岗位和改善当前岗位现状从而大幅提升生产率。 本文由机器之心经授权转载自三思派(ID:Science-Pie),未经授权禁止二次转载。


➤ 到2020年,20%的从事后勤工作的银行员工在执行非例行性工作时将依靠人工智能

➤到2023年,人工智能将与人类程序员结合,创造出能够承担50%传统程序员工作任务的“半人马智能”(即人机合作)工作模式——效率达到单个程序员独自工作效率的两倍。

➤到2020年,在“AI-for-good”项目的企业中,员工留存率将提升20%,同时数据分析行业的就业人员数量将提升50%。

➤到2021年,70%的企业将整合人工智能技术提高员工生产率,这将促使其中10%的企业将“数字骚扰政策”纳入工作场所规章之中。

➤在2020年,人工智能将实现工作机会数量的净增长,虽然会淘汰180万个就业岗位,但同时也会创造230万个新的就业岗位。


到2020年,20%的从事后勤工作的银行员工在执行非例行性工作时将依靠人工智能


金融机构操作型员工的主要工作是执行标准化、重复性的工作任务。但非例行性的后勤工作对企业的经济影响和商业价值更大。与此同时,人工智能技术有助于提高工作人员处理金融机构后勤非常规性任务的能力。这对需要人工干预的复杂工作(例如财务合同审查和交易发起)大有裨益,因为人工智能可减少失误并对下一步行动提出建议。 

机器学习(ML)和自然语言处理(NLP)等人工智能技术接管了越来越多的非例行性任务并实现相关工作自动化。使用人工智能技术提高后勤工作效率将有助于提升员工工作量和提高员工(和客户)满意度。 

人工智能在银行例行业务及其价值链方面的应用取得了极大的成功。在某些情况下,这会导致以缩减非必要职员为目的的裁员。这一事实使人们担心后勤岗位将很快被机器取代。事实上,银行机构后勤岗位的减少大都源于机器人流程自动化(RPA)。例如,据某新闻网站报道,南非的莱利银行预计将用软件机器人取代3000个工作岗位。 

然而,也有很多非例行性后勤工作将从人工智能应用中获益。具体例子包括财务合同审查和交易形成:两者本质上都需要人工参与,但人工智能的普及能极大地提高工作效率。使用机器人程序和RPA可减少工作失误并去除冗余环节,从而提升后勤工作的价值。摩根大通的合同智能(COIN)项目成功应用了NLP、大数据、机器人技术和云基础设施,以此减少批发合同中贷款业务条款的错误。 

银行对人工智能工具的应用也有所增加。使用预测工具便是一个例子,相关领域的专家对工具的依赖度正变得越来越高。随着此类工具慢慢渗透所有银行价值链活动,业务人员将经常需要依靠人工智能来提升工作效率和他们在企业和组织中的经济价值。 

在银行业应用人工智能技术方面,预测认为,人类应主动控制人工智能工具,将其作为银行工作的辅助。尽管预测结果较为乐观,人们对这个行业的工作机会产生了高度的不安全感,对这个高收入、高学历的行业就业保障不尽如人意。

到2023年,人工智能将与人类程序员结合,创造出能够承担50%传统程序员工作任务的“半人马智能”(即人机合作)工作模式——效率达到单个程序员独自工作效率的两倍。

数字经济的发展不断推动着软件需求增长。开发、改进、修复和监测这些系统的软件工程师的工作效率有限,且面临着与日俱增的工作压力——即不断满足日益增长的软件需求。 

计算能力极大地推动了基于机器学习人工智能的应用发展。机器学习专门处理异常检测,传递推荐的观点并预测行为和结果。反过来,基于机器学习的功能又有助于满足对软件工程人才和生产能力的需求。 

人工智能将为传统软件工程活动提供四个关键领域的支持:

➤ 系统开发

➤ 迭代需求

异常检测

➤ 预测性和规范性监测 


表1. 人工智能将如何自动完成软件开发的苦差事 

任务

成果

系统开发

实现重复代码、软件移植和软件测试等开发任务的程序化。

迭代需求

取代应用程序中基于规则的传统逻辑,为可推动软件迭代的自主学习模型提供支持。

异常检测

识别功能缺陷并自动排查故障。

预测性和规范性监测

实现监测以主动发现潜在故障和瓶颈,并推动实施解决方案,以避免打破例行程序。

此类编程活动将越来越多地由人类软件工程师和人工智能组成的“人机合作”模式完成,以应对工程需求量的增长。这些“人机合作”将通过人类工程师和基于人工智能的机器的合作运作。 

人机合作关系将存在多种形式,例如:

➤ 过渡——由软件工程师划分人与机器的软件工作任务,并确定两者之间的过渡工作。

➤ 协作——由软件工程师对已确认的工作任务进行分类,不断向机器传输常规问题的解决方案,并将非常规性任务交由工程师解决。

➤ 启发——企业利用人工智能发展软件工程技能和人才。

➤ 创新——机器的能力将进一步提升,从而满足已知的软件工程需求。其结果将呈现给软件工程师,以完成机器无法完成的工作,创新者和合作者共同取得更加重要和成熟的商业成果。 

企业将利用“人机合作”模式满足日益增长的复杂软件和生产能力的需求。随着人工智能对大量例行工作或重复性任务实现自动化处理,软件工程将更具创造性,取得令人满意的成果。软件工程将有机会参与架构设计、协作和创新,为日益复杂的新商业成果提供支持。

到2020年,在“AI-for-good”项目的企业中,员工留存率将提升20%,同时数据分析行业的就业人员数量将提升50%。 

数据科学人工智能技能需求庞大,而相关人才仍然短缺。高德纳公司相关分析结果显示,仅在美国,就有超过23.6万个数据和分析职位空缺,同比增长43%。超过一半的职位空缺需要半年以上的时间填补。据麦肯锡估计,到2024年,美国将有25万个数据科学职位空缺。同样的,欧盟委员会一份2015年报告估计,专业数据人员和专业分析员的职位空缺率达77%,且预计需求量还将增加160%。

教育经费的增加和薪酬待遇的提高是应对这种劳动力短缺的典型措施。不过,当前正出现了一个新的机遇,让抓住机会的企业可以脱颖而出,从而吸引并留住数据和人工智能人才。这个机遇就是“Data-for-good”(数据向善)项目,以及衍生而来的“AI-for-good”(人工智能向善)。 

数据和分析通常用于提升业务绩效、完善客户服务和提高运营效率。在公共部门和非营利性组织中,数据和分析可能用于衡量项目和服务的影响力,或用于确保资金使用的透明化。然而,这些组织的数据和分析发展滞后,而私营部门的成熟度更高,通常能吸引更多人才。“数据、人工智能向善”的项目使私营组织能够向具有社会影响力的项目提供数据、技能和技术等方面的支持。项目覆盖范围广泛,包括:利用人工智能算法识别贫民中的领导者以改善HIV教育的成果;面部识别用于打击贩卖人口;自动图像标记帮助拯救野生动物;或在飓风或洪水等灾难发生后利用人工智能进行针对性救援。 

“数据和人工智能向善”运动使企业领导者能够利用、调整企业文化,使其成为吸引员工的决定性竞争优势。例如,将慈善事业作为工作核心的文化表达了企业奉献全社会的承诺。显然,这对员工和领导者的重要程度可能因地区而异,但“数据向善”应用显然是一项全球性运动。刚毕业的大学生在选择就业单位和企业时越来越重视社会责任因素。高德纳公司和马里兰大学研究发现,女性学生学习数据和分析的首要原因之一,是希望为公司和世界做出贡献。美世咨询公司2018年的全球人才趋势调查表明,最优秀的员工选择具有强烈目标感的公司工作的可能性要高出三倍。但7600名调查对象中,只有13%表示自己工作的企业因“目标导向使命”而具有差异化优势。 

CEO和CIO们都明白实现数字化目标需要更新企业文化。通过支持“数据和人工智能向善”的运动,他们可同时向员工和就业市场发出强烈的文化调整信号。上榜《财富》杂志“2018年50个最佳回馈社会企业”的50家美国上市公司中,有46家允许员工带薪休假做志愿者。围绕数据和人工智能向善的倡议也有助于促进规范道德行为的社会氛围。这一点如今变得越来越重要,因为在过去的一年中,对数据科学人工智能有意及无意的滥用率都有所上升。 

截至2018年,拥有“数据向善”项目的分析和商业智能(BI)供应商比例达到三分之一,且数量持续增加。部分供应商已开始实施用于特定目标的专属项目,如消灭疟疾、癌症研究和联合国可持续发展目标,而其它供应商则选择与Data Kind等集团合作。供应商当前正着手制定捐赠项目和志愿服务时间表,并推动部分项目基金的建立。 

许多专业人工智能数据分析服务公司都开展了“数据向善”的应用项目。它们要求员工每年必须花费部分精力用在巩固社区居民关系的项目上,并在招聘数据分析人工智能专家方面取得了竞争优势。这些项目还可进一步提升员工在新技术和新兴数据领域的专业知识(例如,利用图像识别和通话记录减少贩卖人口的犯罪率或对濒危物种进行分析)。

到2021年,70%的企业将整合人工智能技术提高员工生产率,这将促使其中10%的企业将“数字骚扰政策”纳入工作场所规章之中。

数字化工作场所的引领者正在积极部署虚拟助手等基于人工智能的技术、亚马逊Alexa等“智能音箱”,或其他基于NLP的会话系统和机器人,以协助员工完成工作任务并提高工作量。 

但据高德纳称,许多人工智能技术已经达到预期过热的顶峰。因此,在未来的几年里,它们无法再满足公司管理层和员工的热切期望。例如,智能机器人和NLP需要5到10年的时间才能达到成熟期。支持客户个人助理功能的无线音响(智能音响)、机器人技术中的机器学习和虚拟助手则需要2-5年的额外时间。这一事实将使得技术无法很好地运用到工作场所中,部分人员会因此拒用这项技术。 

在消费技术领域,大部分客户在与人工智能客服对话中显得礼貌得体,但也有顾客出于娱乐或恶意的目的,以侮辱性语言测试人工智能客服的回应。如果未对人工智能进行测试设定,那么人工智能客服可能记忆并模仿用户的网络欺凌行为,从而导致数字骚扰事件。部分数字骚扰是显而易见的,因此相对容易被发现和喊停,但侮辱性语言有时可能比较隐晦,难以察觉。当侮辱被恭维用语掩盖时,即使是人类也很难听出其中讽刺和挖苦的含义。 

许多企业将不会在工作场所出现数字骚扰的问题,它们也无需在工作规定中新添任何内容,用于规定员工与人工智能客服以及其它机器人进行互动的步骤和过程。但部分人工智能的运用将产生意想不到的后果。2016年,推特即时通讯人工智能Tay给微软带来了一次灾难性的经历,整个人工智能市场都能从此案例上汲取教训。许多关于此次灾难性实验的新闻报道称,该通讯机器人学到了推特用户“种族主义、否认大屠杀、性别歧视”等内容并进行了应用。 

人工智能技术初期的表现令人失望。由于人工智能未能以有效方式对人们进行回馈,人们大感失望,并口头侮辱人工智能系统的案例和玩笑比比皆是。由于人工智能系统采用了新型互动方式,可能对此类侮辱性的话语采取不恰当的举措,即对这些话语进行重复,并在与其他人工智能系统和人类对话时进一步使用传播。这将导致人们对人工智能技术更加失望,给人们带来更加糟糕的体验。 

同样,当人们听到他人辱骂人工智能系统时,开始会认为这种行为可以被接受。1961年一项著名的社会心理学实验——波波玩偶实验,证明儿童能迅速模仿成年人身体攻击和口头谩骂等行为。在发现有人经常粗暴的对待人工智能技术后,久而久之,员工也会认为这种行为是可被接受的。最近的一些实验也表明,随着人们对人工智能技术的态度愈发恶劣,其对待身边人类的态度也将变得恶劣起来。例如,Kate Darling在麻省理工学院媒体实验室进行了一项研究,其中研究者借助一台会说话的玩具恐龙机器人证明了这种行为的存在。 

针对由于人工智能技术不成熟带来的侮辱性行为的滚雪球效应,以及员工不良行为和侮辱性语言现象的日益频繁所导致的工作环境状况堪忧。员工参与度、斗志和生产率都会因此而受到影响。这些恶习还会渗透到员工与客户之间的互动中,从而影响公司品牌和声誉。

在2020年,人工智能将实现工作机会数量的净增长,虽然会淘汰180万个就业岗位,但同时也会创造230万个新的就业岗位。 

2020年将是人工智能行业发展的关键一年:相比在2019年创造的工作,人工智能将在这一年淘汰更多工作(主要为制造类工作岗位)。而自2020年开始,人工智能创造就业岗位的局面将出现积极逆转,到2025年工作岗位净增长数量将达到200万。 

人工智能影响就业岗位变化的数量因行业而异:医疗保健、公共部门及教育行业的就业需求将持续增长;而制造业将受到最严重的冲击。 

高德纳对于人工智能对就业的积极影响充满信心。而促使实现净工作岗位增加的主要因素是人工智能技术的加强——人类与人工智能结合,两者相辅相成。人工智能在全球范围内对就业的影响尚处于初级阶段。 

我们能自信地预测到2025年为止的就业动态变化趋势,但2025年后我们很难预测新出现的行业和工作岗位,正如我们之前也很难预测智能手机、社交网络以及广告技术。然而可以肯定的是,与人工智能相关的就业岗位将自2020年起稳步增长。此外,研究结果表明,在2021年,人工智能的加强将产生2.9万亿美元的商业价值,并减少62亿小时的员工工作量,提升生产率。从长远来看,人工智能将降低人工成本在总收入的占比。然而,这一收入的部分将持续转化为新工作,尽管这些岗位与那些被淘汰的岗位相比工作性质远远不同,但工资水平却更上一个台阶。 

关于人工智能对失业和就业的影响,绝非三言两语可以说清道明。所有行业都将不同程度上获得省力省时的效益。仅有少数行业将面临整体失业的状况;一些行业在几年内就会面临工作岗位净减少;而大多数行业压根不会遇到这种状况。 

如今,各行各业的公司均已开始推行人工智能。供应商迅速抓住这一契机,在其现有产品中引入新的人工智能功能。资本投资导致了人工智能创业企业如雨后春笋般涌现。人工智能的大力发展是一个新现象,但人工智能本身并非如此。人工智能的效用早已在异常检测、网络安全、证券交易、医疗诊断、客户满意度、DNA序列划分及其他诸多领域得到有效证明。尽管人工智能的应用范围十分广泛,但大多数关于失业的危言耸听的谣言都混淆了人工智能与自动化。在过去200年的时间里,自动化一直在推动生产率以及资本和劳动报酬的显著提升。 

不幸的是,关于自动化的争论掩盖了人工智能的最大效益,即人类利用人工智能实施决策的行为日益增多。个性化购物公司StichFix就是人类与人工智能合作共存的一个实例。Stitch Fix运用人工智能缩小市场上大量商品的选择范围,以适应客户的偏好,并将最终的商品选择和个人风格设定的权限留给了人类设计师。通过此举,Stitch Fix为65位数据科学家,以及数千名设计师创造了工作机会。公司在2016财年实现7.3亿美元的收入。据《财富》杂志报告,Stitch Fix在2017年进行的首次公开募股(IPO)价值达到30至40亿美元。 

人工智能对工作就业的影响每一年都不相同。高德纳公司研究表明,在2018年,人工智能将带来价值2000亿美元的新收入以及76.8万个新岗位。此外,同年,全球范围内的工作时长也将减少28亿小时。在大多数情况下,人工智能的省时和高效意味着工作效率的提升。尽管工作量减少并非总意味着失业,但2018年仍将有94.3万个工作岗位被淘汰。失业主要发生在需要中等技能的工作中,以须接受“在职”培训的工作为代表。低级别和低技能要求的工作会面临一定的冲击,但情况最终会逐渐好转。 

人工智能导致员工流失是一个新的现实问题。人工智能最终将淘汰数百万的中级和低级职位。但同时,人工智能又将在各个层级创造数百万的新职位,不仅限于高技能要求和管理层职位,还包括新的入门级和低技能要求工作。 

去年对预测进行的分析得到了持续的人工智能投资支持,这些投资主要集中于“自动化”而非“生产率”,因此导致了失业形式的裁员。而这在短期内仍是大势所趋,然而到了2020年人工智能创造的就业岗位数量将超过淘汰的数量。正如本文显示,关于人工智能对其他行业(如银行业)和工作岗位(软件开发师)等方面影响的分析中表明这一趋势仍是主流。同时,这还将引发相关的道德争论,并促进人工智能应用于造福人类——例如如何应对失业和工作类型改变及其对个人、组织和社会的影响。

本文由上海市科学学研究所科技发展研究中心助理研究员张宇飞,实习生许杨博文根据Gartner相关报告编译。文章观点不代表主办机构观点。

本文由机器之心经授权转载自三思派(ID:Science-Pie),未经授权禁止二次转载。

原文链接:https://mp.weixin.qq.com/s/mI9e1kqEbeycbrCsxMXB8Q

产业趋势就业
1
相关数据
亚马逊机构

亚马逊(英语:Amazon.com Inc.,NASDAQ:AMZN)是一家总部位于美国西雅图的跨国电子商务企业,业务起始于线上书店,不久之后商品走向多元化。目前是全球最大的互联网线上零售商之一,也是美国《财富》杂志2016年评选的全球最大500家公司的排行榜中的第44名。

https://www.amazon.com/
相关技术
微软机构

微软是美国一家跨国计算机科技公司,以研发、制造、授权和提供广泛的计算机软件服务为主。总部位于美国华盛顿州的雷德蒙德,最为著名和畅销的产品为Microsoft Windows操作系统和Microsoft Office办公室软件,以及Xbox的游戏业务。微软是美国《财富》杂志2015年评选的世界500强企业排行榜中的第95名。

https://www.microsoft.com/en-us/about
数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

相关分析技术

相关分析就是对总体中确实具有联系的标志进行分析,其主体是对总体中具有因果关系标志的分析。它是描述客观事物相互间关系的密切程度并用适当的统计指标表示出来的过程。在一段时期内出生率随经济水平上升而上升,这说明两指标间是正相关关系;而在另一时期,随着经济水平进一步发展,出现出生率下降的现象,两指标间就是负相关关系。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

异常检测技术

在数据挖掘中,异常检测(英语:anomaly detection)对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。 通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。 异常也被称为离群值、新奇、噪声、偏差和例外。

商业智能技术

商业智能(Business Intelligence,BI),又称商业智慧或商务智能,指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

暂无评论
暂无评论~