当前位置: 首页 > 科技观察

与人工智能打交道需要克服哪些障碍

时间:2023-03-15 19:24:14 科技观察

如今,在职学习面临挑战。复杂的分析、人工智能和机器人突然涌入工作场所的各个方面,从根本上颠覆了这种古老的有效学习方式。随着技术越来越多地使工作自动化,每年有数万人离开或找到工作,数亿人必须学习新的技能和工作方式。但有更广泛的证据表明,部署智能机器的公司可能会阻碍这一关键的学习渠道:我和我的同事发现,AI剥夺了新手的学习机会,剥夺了老手的实践机会,迫使他们同时掌握新方法和旧方法,使他们不知所措。那么,员工可以学习使用这些机器工作吗?之前的一些观察来自从事具有挑战性的传统实践的学习者,这不是重点,并且对他们的结果有很高的容忍度。我将这种广泛而非正式的过程称为“隐性学习”。学习障碍我已经确定了获得触发隐性学习所需技能的四个一般障碍。1.新手正在失去“学习优势”在任何工作中,培训员工都会产生成本并降低质量,因为新手速度慢且容易出错。引入智能机器的组织通常通过让受训人员减少对风险和复杂部分的参与,将其作为一种管理策略进行管理。结果,受训者被剥夺了扩大能力范围和在有限帮助下从错误中成长的机会——学习新技能的必要条件。投资银行业务也是如此。纽约大学的CallenAnthony在一家投资银行发现,合伙人使用算法协助公司进行并购和解读估值,使得初级分析师和高级合伙人的距离越来越远。初级分析师的任务只是从系统中提取原始报告(在网上收集感兴趣的公司的财务数据)并将它们传递给高级合作伙伴进行分析。这种分工的隐含逻辑是什么?首先,降低初级员工在复杂的面向客户的工作中犯错的风险;其次,通过最大限度地提高高级合伙人的效率:他们向初级员工解释工作的时间越少,他们就越能专注于更高层次的分析。这样做在短期内提高了效率,但剥夺了初级分析师挑战复杂工作的机会,使他们更难理解整个估值过程,并削弱了公司未来这样做的能力。2.专家与工作疏远有时,智能机器夹在受训者和工作之间,有时又阻碍专家从事重要的实际工作。在机器人手术中,外科医生在大部分手术过程中看不到患者的身体或机器人,因此无法直接评估和管理关键方面。例如,在传统手术中,外科医生会敏锐地意识到设备和仪器如何接触患者的身体并相应地进行调整。但在机器人手术中,外科医生必须依靠其他人让他们知道机器人手臂是否撞到了病人的头部,或者清洁臂是否即将更换仪器。这对学习有双重影响:外科医生无法磨练完全理解自己工作所需的技能,他们必须通过他人获得这些新技能。3.学习者必须掌握新旧方法。机器人手术使用一套全新的技能和技术来达到传统手术试图达到的效果。它承诺更高的精度和更好的人体工程学,并直接纳入课程,要求居民在传统方法的同时学习机器人技术。但是课程没有给他们足够的时间让他们同时做这两件事,这往往会导致最糟糕的结果:两者都不精通。我把这种难度称为方法重载(methodologicaloverload)。4.标准学习方法被默认接受为有效。数十年的研究和传统让实习生遵循“看一个,做一个,教一个”的方法。但正如我们所见,它不适合机器人手术。尽管如此,依赖老派学习方法的压力很大,“越轨者”很少:手术培训研究、标准程序、政策和资深外科医生都在继续强调传统学习方法,即使它显然不适用到机器人手术。鉴于上述偷偷摸摸学习的障碍,偷偷摸摸的学习者绕过或违反规则以获得他们需要的指导和经验也就不足为奇了。大约100年前,社会学家罗伯特·默顿(RobertMerton)观察到,当合法手段不再有效地实现有价值的目标时,就会出现非同寻常的手段。专业知识也是如此(也许是最终的职业目标)。考虑到我所描述的障碍,应该理解人们通过其他方式学习关键技能。这些方法普遍灵活有效,但往往会给个人和组织带来代价:隐性学习者可能会受到惩罚,比如失去实践机会或地位,或者造成浪费甚至伤害。但是人们仍然一次又一次地冒险,因为他们的学习方法在合规方法失败时起作用。不分青红皂白地模仿这些非常措施肯定是错误的,但它们确实有组织方面值得学习的东西。1.持续学习随着智能技术越来越强大,隐性学习也在飞速发展。随着时间的推移会出现新的形式,提供新的体验。谨慎是必不可少的。隐蔽学习者通常意识到他们所做的事情是不寻常的,他们可能会因此受到惩罚。(想象一下,如果一位外科住院医师公开表示他或她想与技术最差的主治医师一起工作。)中层管理人员通常对这些做法视而不见,因为只要偷偷摸摸的学习者不公开承认它们,它们就可能有效。当观察者,尤其是高级管理人员宣布他们想要研究员工如何通过违反规则获得技能时,学习者及其管理人员可能不愿意分享经验。更好的解决方案是引入一个中立的第三方,可以确保严格匿名并比较不同情况下的做法。我的举报人开始认识我并信任我,他们意识到我在许多工作组和设施中观察过工作,因此他们相信他们的身份会受到保护。这对于让他们说出真相至关重要。2.调整你发现的秘密学习实践以适应构建组织、工作和技术。组织对智能机器的配置往往停留在让个别专家控制工作的层面,减少对受训人员的依赖。机器人手术系统允许高级外科医生在较少的帮助下进行手术,他们确实做到了。投资银行系统允许高级合伙人将初级分析师排除在复杂的估值工作之外,他们也这样做了。所有利益相关者都应该坚持认为组织、技术和工作设计可以提高生产力并加强OJL。例如,在洛杉矶警察局,这意味着改变巡逻人员的激励机制、重新设计PredPol用户界面、创建新角色以连接警官和软件工程师,以及建立一个由警方发起的最佳实践案例的注释库。3.让智能机器成为解决方案的一部分AI可以在学习者遇到困难时为其提供帮助,为充当导师的专家提供培训,巧妙地在两个群体之间架起桥梁。例如,JuhoKim在博士期间构建了ToolScape和Lecture-Scape。麻省理工学院的学生为教学视频众包注释,并为以前停下来寻找注释的用户提供澄清和机会。他称之为学习者采购。在硬件方面,增强现实系统开始将专家指导和注释引入工作流程。现有应用程序使用平板电脑或智能眼镜来添加实时工作指导。预计很快就会有更复杂的智能系统。例如,这样的系统可以将工厂模型焊工的视频片段叠加在学徒焊工的视野上,显示工作是如何完成的,记录学徒进行比较的尝试,并根据需要将学徒与模型焊工联系起来.这些领域不断壮大的工程师社区大多集中在正规培训上,而更深层次的危机是OJL。我们需要在OJL上重新分配精力。几千年来,技术进步推动了工作流程的重新设计,学徒从导师那里获得了必要的新技能。但正如我们所见,智能机器现在正以提高生产力的名义迫使我们断开学徒与导师的联系,以及导师与工作的联系。组织经常不经意地选择生产力而不是员工敬业度,因此在工作中学习变得越来越困难。然而,隐秘的学习者正在寻找有风险的、开箱即用的学习方法。想要在智能机器世界中竞争的组织应该密切关注这些“窃听者”。他们的行动可以让我们深入了解未来的专家、学徒和智能机器如何在他们一起工作和学习时最好地完成工作。