making sense - 2. Janvāris 2017 [ieraksti | vēsture | ko es lasu | par mani]
gedymin

[   par mani   ]
[   arhīvs   ]

2. Janvāris 2017

[2. Jan 2017|17:30]
[Tags|]

Izlasīju grāmatiņu par to, kā roboti un AI apdraud darbavietas. Galīgi nepārliecinoši.

Pirmkārt, šobrīd nav pat konsistenta viedokļa par to, kas tieši tiek apdraudēts. "Fabrikas strādnieki?" Tādi mūsdienās bagātajās tikpat kā neeksistē, globalizācija un automatizācija tos jau ir padarījušas par mazskaitlīgu vienību. Ciktāl AI pamatā apdraud vidusšķiras darbus, par to vajag runāt, bet nevajag novest līdz patronizējošam viedoklim, ka no automatizācijas tālāk cietīs working class. Paši grāmatas piemēri ir konsistenti ar šo - piemēram, tiek minēts, ka robotizēti viesmīļi tuvākajā laikā netaisās parādīties, un bez smago auto šoferiem arī neiztiks, kaut vai juridisku iemeslu dēļ vajadzēs vienmēr kādu būtu auto kabīnē, pat ja viņš tieši nevadīs auto. (Es to neizdomāju - abi piemēri ir burtiski paņemti no grāmatas, ka sludina AI ekonomisko apokalipsi.)

Otrkārt, tā vietā radīs jaunus darbus, tieši tāpat kā datorizācija jau ir tos radījusi. Piemēram, Excel vispārpieejamība radīja darbu "datu analītiķis mazā-un-vidējā uzņēmumā". Ja hipotētiskajā nākotnē datu analīzes tehnisko daļu pārņems AI, tāpat tur klāt vajadzēs cilvēku, kurš uzdos "īstos" jautājumus un interpretēs rezultātus. (Cilvēku īpašā gudrība nekur nepazudīs - tā ir zināšanās par to, kas ir tiešām svarīgs, common sense, kas AI nepiemīt.)

Treškārt, ja reiz working class darbi tiek tik skaļi pieminēti, kāpēc nerunāt par pozitīvajiem efektiem, piemēram, vairāk brīvā laika un mazāk wage slavery darot cilvēka necienīgus konveijera darbus? Nav noslēpums, ka sabiedrība šobrīd spiež cilvēkus strādāt pārāk daudz. Ir muļķīgi, ka pat ļoti bagātā valstī nepietiekama strādāšana draud beigties ar nonākšanu uz ielas.

Ceturtkārt, "dators ir labāks par cilvēku jomā X" vēl nenozīmē "dators tiek lietots cilvēka vietā, lai veiktu X". Tīri akadēmiski, jau kopš astoņdesmitajiem ekspertu sistēmas esot labākas par ārstiem diagnožu noteikšanā. Vai tās plaši lieto? Nē. Problēmas ir legālas (nav pieejas pagātnes pacientu datiem ētisku liegumu dēļ), procesuālas (dati nav pieejami pareizā formātā) un sociālas (ārstiem nav zināšanu par mašīnmācīšanos un viņi tai neuzticas). Diagnozes noteikšana praksē esot mazāka svarīga problēma, nekā varētu likties (dzīve nav Dr. House).

Gain distribution un inequality problēmas ir politiskas, nevis tehnoloģiskas.

Ciktāl mašīnmācīšanās apdraud klasisko zinātni, tā jau ir pavisam cita problēma. Zinātnieki darbu tāpēc nezaudēs (vismaz ne 10-20 gadu īstermiņā), sliktākajā gadījumā tiks degradēta praktizējošu zinātnieku izpratne par to, ka zinātne ir ne tik daudz spēja atbildēt uz jautājumiem, kā spēja saprast.
saite9 nospiedumu|atstāt nospiedumu

navigation
[ viewing | 2. Janvāris 2017 ]
[ go | Iepriekšējā diena|Nākošā diena ]