Miesiąc: maj 2022

Prawdopodobnie w przyszłości pojazdy samojezdne przyniosą więcej korzyści, niż możemy sobie teraz wyobrazić. Oto niektóre z kluczowych korzyści, których możemy się spodziewać:

•  Większe bezpieczeństwo na ulicach: Według najnowszych statystyk co roku na całym świecie w wypadkach samochodowych ginie od 1,2 do 1,4 miliona ludzi. Martwienie się o pijanych kierowców i kierowców rozproszonych przez telefony komórkowe nie będzie już problemem dla autonomicznych samochodów. Dzięki komputerom samochodu monitorującym otoczenie ulice będą bezpieczniejsze nie tylko dla pasażerów tego samochodu, ale także dla pieszych, rowerzystów oraz innych kierowców i pasażerów.

•  Zmniejszone wydatki szpitalne: Przy mniejszej liczbie wypadków samochodowych zauważymy również zmniejszenie wydatków szpitalnych w wyniku zmniejszenia liczby urazów spowodowanych tymi wypadkami. W samych Stanach Zjednoczonych całkowity koszt związany z wypadkami drogowymi w 2012 r. Wyniósł 212 mld USD.

•  Zwiększona produktywność: ponieważ samochód będzie odpowiedzialny za wszystkie obowiązki związane z prowadzeniem pojazdu i nawigacją, wszyscy w samochodzie mogą pracować, bawić się lub uczyć podczas podróży. Wpłynie to na firmy, których pracownicy zyskają czas stracony wcześniej na dojazdy, a także na osoby, które mogą cieszyć się spędzaniem czasu między celami.

•  Szybsza dystrybucja dla firm: dzięki systemom nawigacyjnym, które mogą określać najszybsze trasy i obliczać aktualizacje po drodze, dostawy mogą być realizowane bardziej efektywnie, pozytywnie wpływając na poszczególne firmy i ogólną ekonomię.

•  Większa efektywność ruchu: ponieważ samochody autonomiczne nie będą miały niewłaściwych nawyków kierowania przez ludźi, będzie lepszy przepływ ruchu i mniejsze zatłoczenie. Dodatkową zaletą tego będzie to, że policjanci nie będą musieli koncentrować się prawie tak bardzo na wypadkach, incydentach lub biletach związanych z ruchem, pozostawiając im więcej czasu na inne ważne kwestie związane z egzekwowaniem prawa.

•  Mniej problemów z parkowaniem: ponieważ usługi prowadzenia samochodu bez kierowcy będą w stanie odbierać i wysadzać pasażerów, działając przez całą dobę, potrzebnych będzie mniej parkingów, co pozwoli na wykorzystanie większej ilości miejsca do innych celów, takich jak budynki komercyjne i mieszkalne. W wielu krajach duża ilość miejsca jest przeznaczona na parkingi. Na przykład, zgodnie z obecnymi szacunkami, w Stanach Zjednoczonych jest prawie 2 miliardy miejsc parkingowych.

•  Tańsze opcje mobilności: korzystanie z usług samochodowych umożliwiających samodzielną jazdę sprawi, że ludzie będą mogli łatwiej dotrzeć do celu, ponieważ mniej osób będzie musiało posiadać lub wynająć samochód, eliminując w ten sposób konieczność płacenia za ubezpieczenie samochodu, paliwo lub naprawy. Już teraz szacuje się, że taksówki z własnym napędem byłyby o około 60 procent tańsze niż obecne opłaty za taksówki, ponieważ nie byliby potrzebni kierowcy taksówek.

•  Mniej negatywnych oddziaływań na środowisko: wiele samojezdnych samochodów będzie zasilanych odnawialnymi źródłami energii lub elektrycznością, co spowoduje emisję mniejszej ilości gazów szkodliwych dla klimatu i zdrowia, takich jak dwutlenek węgla i tlenek azotu. Ponadto, ponieważ samochody z własnym napędem zawsze będą jechać z punktu A do punktu B, korzystając z najbardziej wydajnej możliwej trasy, będą one wymagały mniej paliwa (bez względu na rodzaj używanego paliwa) niż ludzie, co zmniejszy ogólne zużycie energii .

To tylko kilka przykładów pozytywnych zmian, których możemy spodziewać się, gdy samochody samobieżne staną się bardziej widoczne i dostępne.

W tej części przyjrzymy się ogólnemu mechanizmowi podejmowania racjonalnych decyzji. Notacja ta jest często nazywana diagramem wpływów, ale użyjemy bardziej opisowego terminu sieć decyzyjna. Sieci decyzyjne łączą sieci bayesowskie z dodatkowymi typami węzłów dla działań i narzędzi. Jako przykład posługujemy się problemem wyboru lokalizacji lotniska

Wśród wszystkich najnowszych osiągnięć sztucznej inteligencji jedną z technologii, które mają największy wpływ na nasze codzienne życie, gospodarkę i całe społeczeństwo, są samochody samojezdne. Czy wiesz, czym jest pojazd autonomiczny? Pojazdy autonomiczne mogą obejmować samochody, a także statki i samoloty. Pojazdy te, zwane także samochodami bez kierowcy, samochodami samobieżnymi lub samochodami zautomatyzowanymi, są tworzone w taki sposób, aby mogły jeździć z jednego miejsca do drugiego bez udziału operatora. Obecnie wszystkie samochody, które oferują pewną formę zdolności do samodzielnej jazdy, wciąż polegają na ludziach, którzy mogą w razie potrzeby przejąć kierownicę. Jednak w przyszłości samochody autonomiczne prawdopodobnie nie będą nawet miały kierownic, co sprawi, że pasażerowie każdego pojazdu staną się pasażerami, co da im mnóstwo czasu na robienie tego, co chcą podczas jazdy. Chociaż może być trudno wyobrazić sobie “prowadzenie” bez konieczności kontrolowania samochodu, ten pomysł jest na dobrej drodze, aby stać się rzeczywistością, a wraz z nim będzie miał ogromne implikacje dla naszego codziennego życia.

Gdy w tej dziedzinie występuje niepewność, musimy również wziąć pod uwagę strukturę preferencji między loteriami i zrozumieć wynikające z nich właściwości funkcji użyteczności, a nie tylko funkcji wartości. Matematyka tego problemu może stać się dość skomplikowana, więc przedstawiamy tylko jeden z głównych wyników, aby dać przedsmak tego, co można zrobić. Podstawowe pojęcie niezależności użyteczności rozszerza niezależność preferencji na loterie: zestaw atrybutów X jest użytecznością niezależną od zestawu atrybutów Y, jeśli preferencje między loteriami dotyczące atrybutów w X są niezależne od poszczególnych wartości atrybutów w Y. Zbiór atrybutów jest wzajemnie niezależny od użyteczności (MUI), jeśli każdy z jego podzbiorów jest niezależny od pozostałych atrybutów. Ponownie, rozsądne wydaje się zaproponowanie, aby atrybuty lotniska to MUI. MUI sugeruje, że zachowanie agenta można opisać za pomocą funkcji multiplikatywnej użyteczności (Keeney, 1974). Ogólną postać multiplikatywnej funkcji użyteczności najlepiej widać, analizując przypadek trzech atrybutów. Dla zwięzłości używamy Ui do oznaczenia Ui(xi):

U = k₁U₁+k₂U₂+k₃U₃+k₁k₂U₁U₂+k₂k₃U₂U₃+k₃k₁U₃U₁+k₁k₂k₃U₁U₂U₃ :

Chociaż nie wygląda to na bardzo proste, zawiera tylko trzy funkcje narzędziowe o pojedynczym atrybucie i trzy stałe. Ogólnie rzecz biorąc, problem n-atrybutów wykazujący MUI może być modelowany przy użyciu n narzędzi jednoatrybutowych i n stałych. Każda z funkcji użytkowych o pojedynczym atrybucie może być rozwijana niezależnie od innych atrybutów, a ta kombinacja zagwarantuje wygenerowanie poprawnych ogólnych preferencji. Dodatkowe założenia są wymagane, aby uzyskać czysto addytywną funkcję użyteczności.

Wraz z rozwojem technologii AI i automatyzacji siły roboczej oraz wszyscy ludzcy pracownicy, którzy zostaną w wyniku tego wysiedleni, idea uniwersalnego dochodu podstawowego była naprawdę gorącym tematem. Ta kwestia podzieliła opinie ekspertów na całym świecie i wyrażono wiele obaw związanych z wdrożeniem tej praktyki, w tym największe wyzwanie, na które stać rządy. Ekonomiści szacują, że dla kraju wielkości Stanów Zjednoczonych, aby zapłacić każdemu obywatelowi podstawową sumę 10 000 USD rocznie, należałoby podnieść podatki o prawie 10 procent. Dodatkowo, gdyby 20 procent ludzkiej siły roboczej straciło pracę przez automatyzacja, rządy utracą również równowartość dochodu podlegającego opodatkowaniu od tych pracowników. Technologie sztucznej inteligencji mogą jednak również pomóc samym rządom działać wydajniej, oszczędzając im pieniądze na kosztach administracyjnych. Ostatnim problemem jest to, że siła robocza mogłaby być jeszcze bardziej dotknięta szkodą, oferując uniwersalny dochód podstawowy, ponieważ może to stanowić mniejszą zachętę dla ludzi do wejścia na siłę roboczą lub przyjmowania mniej pożądanych miejsc pracy. W 2016 r. wyborcy w Szwajcarii odrzucili propozycję powszechnego dochodu podstawowego, który popiera mniej niż 25 procent wyborców. Według BBC kluczową troską w tym kraju były otwarte granice i obawa, że cudzoziemcy mogą zalać kraj w poszukiwaniu wolnych pieniędzy. Inną potencjalną opcją dla rządów starających się złagodzić wyzwania związane ze zmianami na rynku pracy są znane jako ujemny dochód podatkowy. Zasadniczo oznaczałoby to, że rząd ustanowi pewien dopuszczalny poziom dochodów i zaoferuje tylko tym, którzy zarabiają mniej niż tę kwotę, to, czego będą potrzebować, aby spełnić kryterium dochodu podstawowego. Modele ujemnego dochodu podatkowego rozwiązują niektóre wyzwania związane z powszechnym dochodem podstawowym, ponieważ tylko obywatele zarabiający mniej niż określoną kwotę kwalifikowaliby się do otrzymania pomocy, powodując mniejsze obciążenie finansowe dla rządów. Zarówno uniwersalny model dochodu podstawowego, jak i model ujemnego dochodu podatkowego mają zalety i wady, które należy wziąć pod uwagę. Każda z nich stanowi zmianę sposobu, w jaki rządy krajów działałyby wśród nowych technologii. Mokka twierdzi, że same społeczeństwa będą musiały się zmienić na więcej niż jeden sposób, stwierdzając: “W jakiś sposób musimy być w stanie zwołać zarówno automatyzację poniżających zadań, jak i wziąć pod uwagę chęć pracy, która teraz energetyzuje politykę, jak żaden inny pomysł . ” Wskazuje również, że praca ma cel dla państwa i osób, które będą musiały zostać ponownie zdefiniowane, ponieważ technologie zmienią sposób, w jaki działamy, mówiąc: “Mówiąc metaforycznie, dochód podstawowy nie jest aplikacją do ratowania społeczeństwa przemysłowego, ale może być początkiem nowego systemu operacyjnego dla społeczeństwa postindustrialnego. “

Zwolennicy uniwersalnego dochodu podstawowego są przekonani, że pomoże ono jednostkom dostosować się do realiów zmian, które pojawiają się w nowej gospodarce. Twierdzą także, że otworzy to drzwi dla przedsiębiorców, co jeszcze bardziej zwiększy gospodarkę. Jednak nadal istnieje wielu przeciwników tych praktyk ,zaniepokojonych finansową opłacalnością UBI i jego potencjalnym szkodliwym wpływem na gospodarkę, negatywnie wpływając na gotowość osób do pracy. Ponieważ osoby po obu stronach tej kwestii mają mocne poglądy, a także fakt, że wszelkie istniejące programy są nadal w fazie testów, może upłynąć wiele lat, zanim zobaczymy w pełni program UBI.

Zacznijmy od przypadku deterministycznego. Zauważyliśmy, że dla środowisk deterministycznych agent ma funkcję wartości, którą zapisujemy tutaj jako V(x₁,…,x_n); celem jest zwięzłe przedstawienie tej funkcji. Podstawową prawidłowością, która pojawia się w deterministycznych strukturach preferencji, jest niezależność preferencji. Dwa atrybuty X1 i X2 są preferencyjnie niezależne od trzeciego atrybutu X3, jeśli preferencja między wynikami <x₁,x₂x₃> i <x’₁ , x’₂ , x’₃> nie zależy od konkretnej wartości x₃ atrybutu X3. Wracając do przykładu z lotniska, gdzie mamy do rozważenia (między innymi) Ciszę, Oszczędność i Bezpieczeństwo, można zasugerować, że Cisza i Oszczędność są preferencyjnie niezależne od Bezpieczeństwa. Na przykład, jeśli wolimy wynik z 20 000 osób przebywających na torze lotu i koszt budowy wynoszący 4 miliardy dolarów od wyniku z 70 000 osób przebywających na torze lotu i kosztem 3,7 miliarda dolarów, gdy poziom bezpieczeństwa wynosi 0,006 zgonów na miliard pasażerów mil w obu przypadkach mielibyśmy takie same preferencje, gdy poziom bezpieczeństwa wynosi 0,012 lub 0,003; ta sama niezależność zachowałaby preferencje między każdą inną parą wartości Ciszy i Oszczędności. Oczywiste jest również, że Oszczędność i Bezpieczeństwo są preferencyjnie niezależne od Ciszy i że Cisza i Bezpieczeństwo są preferencyjnie niezależne od Oszczędności. Mówimy, że zbiór atrybutów fQuietness;Frugality; Safetyg wykazuje wzajemną preferencyjną niezależność (MPI). MPI mówi, że chociaż każdy atrybut może być ważny, nie wpływa to na sposób, w jaki jeden z nich wymienia inne atrybuty ze sobą. Wzajemna preferencyjna niezależność to skomplikowana nazwa, ale prowadzi ona do prostej postaci funkcji wartości agenta: Jeśli atrybuty X₁,…,X_n są wzajemnie preferencyjnie niezależne, to preferencje agenta mogą być reprezentowane przez funkcję wartości

gdzie każde V_i odnosi się tylko do atrybutu X_i. Na przykład może być tak, że decyzję na lotnisku można podjąć za pomocą funkcji wartości V(spokój; oszczędność; bezpieczeństwo) = spokój x 10⁴+oszczędność+bezpieczeństwo x 10¹² .

Funkcja wartości tego typu nazywana jest addytywną funkcją wartości. Funkcje addytywne są niezwykle naturalnym sposobem na opisanie preferencji agenta i sprawdzają się w wielu rzeczywistych sytuacjach. W przypadku n atrybutów ocena funkcji wartości addytywnej wymaga oceny n oddzielnych jednowymiarowych funkcji wartości zamiast jednej funkcji n-wymiarowej; zazwyczaj oznacza to wykładnicze zmniejszenie liczby potrzebnych eksperymentów dotyczących preferencji. Nawet jeśli MPI nie jest ściśle przestrzegane, co może mieć miejsce w przypadku skrajnych wartości atrybutów, funkcja wartości addytywnej może nadal zapewniać dobre przybliżenie preferencji agenta. Jest to szczególnie ważne, gdy naruszenia MPI występują w częściach zakresów atrybutów, które w praktyce są mało prawdopodobne. Aby lepiej zrozumieć MPI, warto przyjrzeć się przypadkom, w których się nie sprawdza. Załóżmy, że jesteś na średniowiecznym targu, rozważając zakup psów myśliwskich, kurczaków i wiklinowych klatek dla kurczaków. Psy myśliwskie są bardzo cenne, ale jeśli nie masz wystarczającej liczby klatek dla kurczaków, psy zjedzą kurczaki; w związku z tym kompromis między psami a kurczakami zależy w dużej mierze od liczby klatek, a MPI jest naruszone. Istnienie tego rodzaju interakcji między różnymi atrybutami znacznie utrudnia ocenę ogólnej funkcji wartości.

Ponieważ eksperci biorą pod uwagę problem wielu miejsc pracy, które nieuchronnie zostaną utracone przez automatyzację, jednym z możliwych rozwiązań, które jest często dyskutowane, jest opcja Universal Basic Income (UBI). W przeciwieństwie do obecnych modeli opieki społecznej, które wymagają od odbiorców udowodnienia, że aktywnie poszukują pracy, model ten zapewniłby taką samą kwotę wszystkim obywatelom, bez względu na zatrudnienie lub sytuację finansową, bez żadnych zobowiązań. Omawiając kwestię powszechnego dochodu podstawowego, często pojawia się problem, ponieważ wielu polityków, którzy wydają opinie w tej sprawie, nie zawsze ma jasne zrozumienie, jak drastycznie wprowadzenie automatyzacji i sztucznej inteligencji zmieni pracę. rynek. Z tego powodu trudno im wyobrazić sobie liczbę osób, które mogą nagle stracić pracę. Obecnie idea powszechnego dochodu podstawowego jest ściśle związana z pracą, więc generuje gorące argumenty polityczne ze wszystkich stron. Osobiście uważam, że pewna forma dotacji rządowych prawdopodobnie będzie musiała zostać zaoferowana tym, którzy pozostaną bez pracy w nadchodzących latach. Prawdopodobnie jednak zajmie wiele prób i udoskonaleń, aby zbudować model, który naprawdę działa dla wszystkich. UBI jest już testowane w takich krajach, jak Finlandia, Kanada i Kenia, jako sposób na pomoc osobom i społeczeństwom w dostosowaniu się do nowej gospodarki cyfrowej, w której automatyzacja przejmuje kontrolę, a zatrudnienie maleje. W Finlandii program zapewnia ponad 560 euro (około 661 USD) miesięcznie na uczestnika. Ten podstawowy dochód pozwala osobom zatrudnionym w niepełnym wymiarze czasu pracy, a nawet realizować własne pomysły biznesowe, dając im podstawową kwotę na zakup niezbędnych artykułów. Ponadto kwota ta jest dystrybuowana niezależnie od tego, czy odbiorcy działają, czy nie. Program w Finlandii działał od kilku miesięcy z udziałem około 2000 uczestników w wieku od 25 do 58 lat. Niektórzy otrzymujący dochód stwierdzili, że odczuwają mniej stresu i są bardziej skłonni do szukania pracować lub wypróbować własne pomysły biznesowe. Jeden z odbiorców, Juha Järvinen, powiedział The Economist, że program pozwolił mu podjąć więcej pracy w niepełnym wymiarze godzin, co wcześniej kosztowałoby jego rodzinę świadczenia socjalne. Fiński program pilotażowy jest pierwszym tego rodzaju programem w Europie. Został wprowadzony jako sposób na rozwiązanie problemu bezrobocia w Finlandii, który wynosi około 10 procent. Podobny program został ogłoszony w Ontario w Kanadzie. Ten program testowy został wprowadzony przez lidera prowincji, premier Kathleen Wynne, aby sprostać wyzwaniom współczesnej gospodarki. Program da tysiące dolarów rocznie 4000 mieszkańców w wieku od 18 do 64 lat, niezależnie od tego, czy są w związku małżeńskim, samotnym, zatrudnionym czy bezrobotnym. Inne programy UBI obejmują program obsługiwany przez GiveDirectly, organizację non-profit, która umożliwia dawcom wysyłanie pieniędzy bezpośrednio do tych, którzy ich potrzebują w Kenii. Ponadto grupa o nazwie Y Combinator w Oakland w Kalifornii rozpoczęła testowy projekt badawczy na początku 2017 r., Przekazując 2000 dolarów miesięcznie na 100 rodzin. Test ma trwać od sześciu miesięcy do roku.

Korzyści z uniwersalnego dochodu podstawowego

Chociaż programy pilotażowe są całkiem nowe, niektóre wczesne badania wykazały, że ci, którzy otrzymali dochód podstawowy, zmniejszyli koszty opieki zdrowotnej, rzadziej kupowali alkohol lub tytoń i pracowali więcej. Mniej było przypadków przemocy domowej i poprawy opieki nad dziećmi, a także innych pozytywnych zjawisk. Według niektórych ekspertów tego rodzaju programy mogą w rzeczywistości zaoszczędzić pieniądze rządów, argumentując, że wygórowane kwoty uprzednio wydane na programy społeczne dla bezdomnych byłyby rozsądniej wydawane na inwestowanie w uniwersalny dochód podstawowy, który byłby przekazywany bezpośrednio każdemu obywatelowi, niezależnie od ich okoliczności. Teorię leżącą u podstaw tego pomysłu poparł eksperyment przeprowadzony w Londynie w 2009 r. Każdemu z 13 bezdomnych przyznano zryczałtowaną kwotę 3000 funtów (około 4500 USD), które chcieli wydać bez żadnych zobowiązań. Rok później 11 z 13 osób nie było już bezdomnych. Niektórzy eksperci twierdzą, że potwierdza to argument, że biorąc pod uwagę okazję, większość osób wykorzysta przekazane im pieniądze, aby poprawić swoją sytuację.

Zwolennicy UBI twierdzą, że boom technologiczny wypiera wielu pracowników, a podstawowy podział dochodów pomógłby jednostkom i społeczeństwu dostosować się do nowej gospodarki. Podczas Światowego Szczytu Rządowego w Dubaju Elon Musk z Tesli wyjaśnił, że sztuczna inteligencja, automatyzacja i przesiedlenia miejsc pracy będą oznaczały, że wiele osób na całym świecie będzie potrzebować podstawowego dochodu od swoich rządów, aby przeżyć. W rzeczywistości istnieje wielu wielkich zwolenników UBI w branży technologicznej Doliny Krzemowej, w tym Mark Zuckerberg na Facebooku. Założyciel eBay, Pierre Omidyar, ogłosił, że jego sieć Omidyar przekaże GiveDirectly około 500 000 $ na rzecz podstawowego dochodu dla 6000 ludzi w Kenii w ciągu najbliższych 12 lat. Jeden z badaczy w Finlandii, Roope Mokka, twierdzi, że wielu z branży technologicznej otwarcie popiera UBI, ponieważ chronią oni własne firmy. Mokka twierdzi, że wśród gigantów technologicznych Doliny Krzemowej istnieje obawa, że w przyszłości postępy AI doprowadzą do większego bogactwa, które będzie w rękach inwestorów i przedsiębiorców. To z kolei oznaczać będzie brak przeciętnych klientów, którzy mogą sobie pozwolić na zakup swoich produktów. Jednak UBI zapobiegłoby temu problemowi, oddając pieniądze w ręce wszystkich konsumentów. Aby dowiedzieć się więcej o uniwersalnym dochodzie podstawowym, możesz przejrzeć artykuły na stronie www.basicincome.org/, która zawiera wgląd w najciekawsze wiadomości związane z tym tematem.

Załóżmy, że mamy n atrybutów, z których każdy ma d różnych możliwych wartości. Aby określić kompletną funkcję użyteczności U(x₁,…,x_n), potrzebujemy wartości dⁿ w najgorszym przypadku. Teoria użyteczności wieloatrybutowej ma na celu zidentyfikowanie dodatkowej struktury w ludzkich preferencjach, abyśmy nie musieli określić wszystkie wartości dⁿ indywidualnie. Po zidentyfikowaniu pewnej prawidłowości w zachowaniu preferencji, wyprowadzamy twierdzenia o reprezentacji, aby pokazać, że agent z pewnym rodzajem  struktury preferencji ma funkcję użyteczności 

gdzie F jest (mamy nadzieję) prostą funkcją, taką jak dodawanie. Zwróć uwagę na podobieństwo do użycia sieci bayesowskich do rozkładu łącznego prawdopodobieństwa kilku zmiennych losowych. Jako przykład załóżmy, że każde x_i jest kwotą pieniędzy agenta w określonej walucie: dolarach, euro, markach, lirach itp. Funkcje f_i mogłyby wtedy przeliczyć każdą kwotę na wspólną walutę, a F byłoby wtedy po prostu dodawaniem .

Jedno z najczęściej zadawanych pytań to sposób, w jaki przedsiębiorcy i małe firmy mogą zacząć wykorzystywać sztuczną inteligencję w projektach, nad którymi obecnie pracują. Duże firmy technologiczne, takie jak Google, Facebook, Amazon, Microsoft, IBM i Baidu, są w stanie zatrudnić jednych z najlepszych inżynierów AI na świecie. Jednak reszta z nas nadal ma wiele możliwości współpracy z wykwalifikowanymi specjalistami AI, zatrudniając tych, którzy oferują swoje usługi jako freelancerzy. Praktyka zatrudniania freelancerów staje się coraz bardziej popularna i gorąco polecam ją małym firmom i startupom, ponieważ pozwala ona na szybki dostęp do wysokiej jakości talentów z całego świata w bardziej elastyczny sposób. W rzeczywistości szacuje się, że do 50 procent siły roboczej w USA będzie składać się z freelancerów do 2020 roku. Zanim zatrudnisz kogoś jako freelancer, ważne jest, aby stworzyć jasny opis tego, co musisz zrobić, a także z jaką osobą chcesz pracować. Istnieje wiele stron freelancer, z których możesz skorzystać, aby znaleźć wykwalifikowanych kandydatów, ale zdecydowanie moim ulubionym jest Upwork, do którego można uzyskać dostęp na stronie www.upwork.com. Upwork jest obecnie największą platformą dla freelancerów na świecie i zgodnie ze statystykami freelancerzy na swojej stronie oferują ponad 3500 różnych rodzajów umiejętności i zarabiają ponad 1 miliard dolarów rocznie. Możesz znaleźć freelancerów ze wszystkimi specjalnościami, w tym badaczy danych, ekspertów w dziedzinie uczenia maszynowego i inżynierów dogłębnego uczenia się, którzy mogą być zatrudnieni przy projektach jednorazowych lub trwających. Zdolność do pracy z technologiami sztucznej inteligencji lub z nimi jest w rzeczywistości jedną z najbardziej poszukiwanych umiejętności w Upwork. Kwartalny Indeks Umiejętności umieścił robotykę jako najszybciej rozwijającą się umiejętność Upwork, z głębokim uczeniem się na ósmej pozycji, a przetwarzaniem języka naturalnego i uczeniem maszynowym w pierwszej dwudziestce. Każda z tych umiejętności bezpośrednio odnosi się do sztucznej inteligencji, pokazując, jak popularna staje się ta technologia. Według Stephane Kasriel, CEO firmy Upwork, sztuczna inteligencja stwarza niesamowite możliwości dla firm, które zatrudniają talenty za pośrednictwem witryn takich jak Upwork, stwierdzając: “O wiele łatwiej jest zobaczyć, kiedy znikają zadania, niż przewidzieć miejsca pracy, które zostaną utworzone, ale nasze dane wyraźnie pokazują, że firmy wykorzystują sztuczną inteligencję i że stwarza to ogromne możliwości “.

Załóżmy, że teren lotniska S1 kosztuje mniej, generuje mniej hałasu i jest bezpieczniejszy niż teren S2. Nie zawahałoby się odrzucić S2. Mówimy wtedy, że istnieje ścisła dominacja S1 nad S2. Ogólnie rzecz biorąc, jeśli opcja ma niższą wartość we wszystkich atrybutach niż jakaś inna opcja, nie trzeba jej dalej rozważać. Ścisła dominacja jest często bardzo przydatna w zawężaniu pola wyboru do prawdziwych rywali, chociaż rzadko daje unikalny wybór. Rysunek (a) przedstawia schematyczny diagram dla przypadku z dwoma atrybutami.

To dobrze w przypadku deterministycznym, w którym wartości atrybutów są na pewno znane. A co z ogólnym przypadkiem, w którym wyniki są niepewne? Można skonstruować bezpośredni analog ścisłej dominacji, w której pomimo niepewności wszystkie możliwe konkretne wyniki dla S1 ściśle dominują nad wszystkimi możliwymi wynikami dla S2. (Patrz rysunek (b))

Oczywiście będzie to prawdopodobnie zdarzać się nawet rzadziej niż w przypadku deterministycznym. Na szczęście istnieje bardziej przydatne uogólnienie zwane dominacją stochastyczną, która występuje bardzo często w rzeczywistych problemach. Dominację stochastyczną najłatwiej zrozumieć w kontekście pojedynczego atrybutu. Załóżmy, że wierzymy, że koszt umieszczenia lotniska w S₁ jest równomiernie rozłożony między 2,8 miliarda a 4,8 miliarda USD, a koszt w S₂ jest równomiernie rozłożony między 3 miliardami a 5,2 miliarda USD. Zdefiniuj atrybut Oszczędność jako koszt ujemny. Rysunek (a) pokazuje rozkłady oszczędności miejsc S₁ i S₂. Następnie, mając tylko informację, że oszczędniejszy wybór jest lepszy (wszystkie inne czynniki są równe), możemy powiedzieć, że S₁ stochastycznie dominuje nad S₂ (tj. S₂ można odrzucić). Należy zauważyć, że nie wynika to z porównania oczekiwanych kosztów. Na przykład, gdybyśmy wiedzieli, że koszt S₁ wynosi dokładnie 3,8 miliarda dolarów, nie bylibyśmy w stanie podjąć decyzji bez dodatkowych informacji o użyteczności pieniędzy. (Może wydawać się dziwne, że więcej informacji na temat kosztu S1 może sprawić, że agent będzie mniej zdolny do podjęcia decyzji. Paradoks rozwiązuje się, zauważając, że przy braku dokładnych informacji o kosztach decyzja jest łatwiejsza do podjęcia, ale jest bardziej prawdopodobne, że będzie błędna .) Dokładny związek między rozkładami atrybutów potrzebnymi do ustalenia dominacji stochastycznej najlepiej widać, badając rozkłady skumulowane, pokazane na rysunku (b). Jeśli rozkład skumulowany dla S₁ jest zawsze na prawo od rozkładu skumulowanego dla S₂, to, mówiąc stochastycznie, S₁ jest tańszy niż S₂. Formalnie, jeśli dwa działania A₁ i A₂ prowadzą do rozkładów prawdopodobieństwa p1(x) i p2(x) na atrybucie X, to A₁ stochastycznie dominuje A₂ na X, jeśli

Znaczenie tej definicji dla wyboru optymalnych decyzji wynika z następującej własności: jeśli A₁ stochastycznie dominuje nad A₂, to dla dowolnej monotonicznie nie malejącej funkcji użyteczności U(x), oczekiwana użyteczność A₁ jest co najmniej tak wysoka, jak oczekiwana użyteczność A2 . Aby zobaczyć, dlaczego tak jest, rozważmy dwie oczekiwane narzędzia, ∫p₁(x)U(x)dx i ∫p2(x)U(x)dx. Początkowo nie jest oczywiste, dlaczego pierwsza całka jest większa niż druga, biorąc pod uwagę, że warunek dominacji stochastycznej ma całkę p₁, która jest mniejsza niż całka p₂.

Jednak zamiast myśleć o całce przez x, pomyśl o całce przez y, skumulowanym prawdopodobieństwie, jak pokazano na rysunku (b).

Dla dowolnej wartości y, odpowiadająca jej wartość x (a zatem U(x)) jest większa dla S₁ niż dla S₂; więc jeśli scałkujemy większą ilość w całym zakresie y, otrzymamy większy wynik. Formalnie jest to po prostu podstawienie y=P₁(x) w całce za wartość oczekiwaną S₁ i y=P₂(x) w całce dla  S₂. Z tego podstawienia, mamy dy= d/dx (P₁(x))dx=p₁(x)dx dla S₁ i dy=p₂(x)dx dla S₂, stąd

Ta nierówność pozwala nam preferować A₁ do A₂ w problemie jednoatrybutowym. Mówiąc bardziej ogólnie, jeśli działanie jest stochastycznie zdominowane przez inne działanie dotyczące wszystkich atrybutów w problemie wieloatrybutowym, można je odrzucić. Warunek dominacji stochastycznej może wydawać się raczej techniczny i być może nie tak łatwy do oceny bez rozległych obliczeń prawdopodobieństwa. W rzeczywistości w wielu przypadkach można to bardzo łatwo rozstrzygnąć. Na przykład, czy wolisz paść głową na beton z 3 milimetrów czy 3 metrów? Zakładając, że wybrałeś 3 milimetry – dobry wybór! Dlaczego jest to koniecznie lepsza decyzja? Istnieje duża niepewność co do stopnia szkód, które poniesiesz w obu przypadkach; ale dla dowolnego poziomu obrażeń prawdopodobieństwo, że poniesiesz co najmniej ten poziom obrażeń, jest wyższe, gdy spadniesz z 3 metrów niż z 3 milimetrów. Innymi słowy, 3 milimetry stochastycznie dominują 3 metry w atrybucie Bezpieczeństwo. Ten rodzaj rozumowania jest dla ludzi drugą naturą; to tak oczywiste, że nawet o tym nie myślimy. Stochastyczna dominacja obfituje również w problem lotniska. Załóżmy na przykład, że koszt transportu budowlanego zależy od odległości do dostawcy. Sam koszt jest niepewny, ale im większa odległość, tym większy koszt. Jeśli S₁ jest bliżej niż S₂, to S₁ zdominuje S₂ pod względem oszczędności. Chociaż nie będziemy ich tutaj przedstawiać, istnieją algorytmy propagowania tego rodzaju informacji jakościowych wśród zmiennych niepewnych w jakościowych sieciach probabilistycznych, umożliwiające systemowi podejmowanie racjonalnych decyzji opartych na dominacji stochastycznej, bez użycia wartości liczbowych.