Het gesprek over kunstmatige intelligentie en automatisering lijkt gedomineerd door ofwel doemdenkers die bang zijn dat robots alle mensen in het personeelsbestand zullen verdringen, of optimisten die denken dat er niets nieuws onder de zon is. Maar MIT Sloan-professor Erik Brynjolfsson en zijn collega's zeggen dat het debat een andere toon moet krijgen.

Nieuw onderzoek toont aan dat specifieke taken binnen banen, in plaats van hele beroepen zelf, zal in de nabije toekomst worden vervangen door automatisering, waarbij sommige banen zwaarder worden getroffen dan andere.

"Onze bevindingen suggereren dat er een verschuiving nodig is in het debat over de effecten van AI:weg van de gemeenschappelijke focus op volledige automatisering van volledige banen en alomtegenwoordige beroepsvervanging naar het opnieuw ontwerpen van banen en het opnieuw ontwerpen van bedrijfspraktijken, schrijven de onderzoekers in een artikel dat in mei is gepubliceerd in de American Economic Association Papers and Proceedings. Het werk is van Brynjolfsson, professor Tom Mitchell van de afdeling machine learning van Carnegie Mellon University, en Daniël Rots, een promovendus en onderzoeker bij het MIT Initiative on the Digital Economy.

"Ondanks wat Hollywood zegt, we zijn ver verwijderd van kunstmatige algemene intelligentie. Dat is AI die alles kan wat een mens kan, "Zei Brynjolfsson. "Daar hebben we niets mee. We zullen niet voor decennia, tenzij er een geweldige doorbraak is."

Wat we wel hebben zijn krachtige smalle AI-systemen, Brynjolfsson zei:die in staat zijn om bepaalde, specifieke problemen op menselijk of bovenmenselijk niveau van nauwkeurigheid, meestal met behulp van diepe neurale netwerken. Die technologieën zijn bedreven in taken met voorspellende analyses, spraak- en beeldherkenning, en natuurlijke taalverwerking, onder andere.

"Maar dat is niet alles - het zijn enkele dingen, " zei hij. "Dat roept de voor de hand liggende vraag op:wat zijn de taken die deze geweldige AI goed kan doen, en wat zijn de taken die ze niet kunnen doen?"

Om die vragen te beantwoorden, de onderzoekers ontwikkelden een rubriek met 23 vragen om te bepalen of een taak geschikt is voor machine learning. Hoe hoog of laag de score van een taak op de rubriek is, geeft aan hoe vatbaar deze kan zijn voor automatisering en machine learning, aldus Brynjolfsson. Hij en Tom Mitchell publiceerden de originele rubriek in het tijdschrift Wetenschap in december, 2017.

"Elke manager zou deze rubriek kunnen nemen, en als ze eraan denken om machine learning [op een taak] toe te passen, zou deze rubriek hen enige begeleiding moeten geven, "zei hij. "Er zijn er veel, veel taken die geschikt zijn voor machine learning, en de meeste bedrijven hebben nog maar net de oppervlakte bekrast."

De onderzoekers wilden het idee verder uitdiepen. Aangezien een baan slechts een bundel van verschillende taken is, het is ook mogelijk om de rubriek te gebruiken om de geschiktheid van hele beroepen voor machine learning te meten. Met behulp van gegevens van het federale Bureau of Labor Statistics, dat is precies wat ze deden - voor elk van de meer dan 900 verschillende beroepen in de Amerikaanse economie, van economen en CEO's tot vrachtwagenchauffeurs en onderwijzers.

"Automatiseringstechnologieën zijn van oudsher de belangrijkste aanjager van verhoogde industriële productiviteit. Ze hebben ook de werkgelegenheid en de loonstructuur systematisch verstoord, ', schrijven de onderzoekers. 'Echter, onze analyse suggereert dat machine learning heel andere delen van het personeelsbestand zal beïnvloeden dan eerdere automatiseringsgolven … Machine learning-technologie kan veel banen in de economie transformeren, maar volledige automatisering zal minder belangrijk zijn dan de re-engineering van processen en de reorganisatie van taken."

radiologen, bijvoorbeeld, 26 verschillende taken hebben die bij hun werk horen, aldus Brynjolfsson. Het lezen van medische beelden is een taak die zeer geschikt is voor machinaal leren, met computers die beter beginnen te worden in beeldherkenning dan mensen. Maar interpersoonlijke vaardigheden, zoals het overbrengen van medische informatie aan een patiënt, worden niet zo gemakkelijk of effectief uitgevoerd door machines, hij zei.

"Bij bijna elk beroep er zijn tenminste enkele taken die kunnen worden beïnvloed, maar er zijn ook veel taken in elk beroep die dat niet doen. Dat gezegd hebbende, sommige beroepen hebben relatief meer taken die waarschijnlijk worden beïnvloed door machinaal leren", zei Brynjolfsson, opmerkend dat een baan als een conciërge zou kunnen zijn, en wordt, meestal vervangen door services op basis van machine learning van bedrijven als Google. Banen zoals massagetherapeuten, die niet veel potentieel hebben voor machine learning, waarschijnlijk het minst worden getroffen, volgens de studie.

De onderzoekers adviseerden te kijken naar de taken binnen elk beroep die een groot potentieel hebben om te worden geautomatiseerd door machine learning, ze te scheiden van de taken die dat niet doen, en het reorganiseren van de baan om aan die ontwikkelingen te voldoen. Machine learning kan de taken uitvoeren waarvoor het ideaal is, zij schrijven, terwijl menselijke arbeid zou kunnen worden vrijgemaakt om meer van de activiteiten te doen waarvoor machine learning niet geschikt is, met een netto-effect van verhoogde winstgevendheid.

Dat wil niet zeggen dat nieuwe ontwikkelingen op het gebied van machine learning in de toekomst geen grotere impact kunnen hebben op banen en de economie, schrijven de onderzoekers. "Om in de toekomst te kunnen voldoen aan de evoluerende stand van de techniek in ML, moet de rubriek dienovereenkomstig worden bijgewerkt, " zij schrijven.