新机会学习工作机会 - 假人

你可以找到不止一篇文章，讨论机器学习及其相关技术将会造成的工作损失。机器人已经执行了许多用来雇佣人类的任务，并且随着时间的推移，这种用法将会增加。你们也必须考虑到这些新的使用如何可能让你或亲人成为一份工作。有些作者甚至说，未来可能会出现一种学习新技能可能无法保证工作的情景。

<！事实上，决定机器学习将如何影响工作环境是困难的，正如人们很难看到工业革命将把人们带到大众化的道路上为普通消费者生产商品。就像这些工人需要找到新的工作一样，那么今天面临失业的机会就不得不找到新的工作。

为机器工作

将来你会发现自己在一台机器上工作是完全可能的。事实上，你可能已经为一台机器工作，而不知道它。一些公司已经使用机器学习来分析业务流程并使其更高效。例如，Hitachi目前在中层管理中使用这样的设置。

在这种情况下，人工智能实际上是根据对工作流程的分析来发布工作订单，就像人类中层经理可能做的那样。不同之处在于人工智能实际上比人工智能提高了8％。在另一个案例中，亚马逊在机器学习专家之间进行竞赛，以确定公司是否能够更好地使用机器学习来处理员工授权流程。同样重要的是要弄清楚如何取代中层管理人员，并削减一些繁文节。

然而，一个工作机会也出现了。人工智能下的工作人员执行人工智能告诉他们做的任务，但他们可以使用自己的经验和创造力来决定如何执行任务。 AI分析人类工作者使用的过程并衡量所取得的成果。任何成功的流程都会被添加到技术数据库中，这些技术可以被用来完成任务。换句话说，人类正在教授AI新技术，使工作环境更加高效。

使用机器

人们已经定期使用机器 - 他们可能没有意识到这一点。例如，当您与智能手机通话并且能够识别您所说的内容时，您正在使用一台机器来实现预期的目标。大多数人认识到，随着智能手机提供的语音交互随着时间的推移而改善 - 使用越多，识别语音就越好。随着学习者算法调整得更好，在识别你的声音和获得期望的结果时变得更有效率。这一趋势将持续下去。然而，机器学习可能以各种方式使用，而这些方式可能不会发生在你身上。当您将相机对准拍摄对象并且相机可以在脸部周围放置一个盒子（以帮助定位照片）时，您会看到机器学习的结果。相机正在帮助您以更高的效率执行拍照的工作。

声明性语言（如SQL（结构化查询语言））的使用也将变得更加明显，因为机器学习将使得进步成为可能。在某些方面，声明性语言只是让你描述你想要的而不是如何获得它。但是，SQL仍然需要计算机科学家，数据科学家，数据库管理员或其他专业人员才能使用。未来的语言不会有这个限制。最终，训练有素的人完成一项特定的任务，只需告诉机器人助手该做什么，机器人助手会发现做到这一点的方法。人类会用创造力来发现要做什么;细节（

如何

）将成为机器的领域。

修复机器在技术可以做任何事情之前，它必须执行一个实际的任务，以吸引人们的注意力并使人们受益，使人们想要拥有自己的技术。技术是什么并不重要。最终，这项技术将会打破。让技术去做一些有用的事情是现在最重要的考虑因素，任何关于这项技术最终将做什么的梦想的顶点都会延伸到未来，所以修复技术等世俗的事情仍然会落在人们的肩上。即使人类不直接参与物理修复，人类的智能也会指导修复操作。你在网上阅读的一些文章可能会让你相信自我修复的机器人已经成为现实。例如，国际空间站机器人Dextre和Canadarm对一台故障摄像机进行了维修。这些故事没有说的是一个人决定如何执行这个任务，并指导机器人做体力劳动。自动修复是不可能的今天可用的算法。创建新的机器学习任务机器学习算法不具有创造性，这意味着人类必须提供改进机器学习的创造力。即使构建其他算法的算法也只能提高算法达到的结果的效率和准确性 - 它们不能创建执行新类型任务的算法。人类必须提供必要的输入来定义这些任务以及开始解决这些任务所需的过程。

你可能认为只有机器学习的专家才会创造新的机器学习任务。不过，关于日立中间经理的故事应该告诉你，事情会有所不同。是的，专家将帮助确定如何解决任务的基础，但实际创建任务将来自最了解特定行业的人员。日立的故事可以作为理解未来将会看到各行各业对机器学习情景作出贡献的基础，而特定的教育甚至可能无助于定义新的任务。

设计新的机器学习环境

目前，设计新的机器学习环境是研究和开发公司的领域。一群训练有素的专家必须为新的环境创造参数。例如，NASA需要机器人去探索火星。在这种情况下，NASA依靠麻省理工学院和东北部的人员的技能来完成这项任务。鉴于机器人将需要自主执行任务，机器学习算法将变得相当复杂，并且包括几个级别的问题解决。最终，有人可以足够详细地描述问题，以便专门的程序可以使用适当的语言创建必要的算法。换句话说，普通人最终会根据他们想要的想法开始创造新的机器学习环境。与创造机器学习任务一样，创造未来环境的人将是他们特定工艺方面的专家，而不是计算机科学家或数据科学家。