Miesiąc: maj 2022

Ponieważ wprowadzenie technologii sztucznej inteligencji przyniesie ogromne zmiany na rynkach pracy w przyszłości, konieczne jest rozpoczęcie rozwijania umiejętności, które zwiększą wartość twojego CV. Mając to na uwadze, opracowano listę umiejętności, które będą najcenniejsze w nadchodzących latach. Chociaż nie ma gwarancji, że umiejętności te zapewnią ci pracę na własną rękę, uczynią cię bardziej atrakcyjnym kandydatem dla pracodawców, jednocześnie podnosząc jakość życia osobistego i relacji. Poniższy fragment zawiera opis 24 umiejętności

Umiejętności ludzi na przyszłość

1. Samoświadomość i samoocena: W dzisiejszym szybko zmieniającym się i złożonym świecie samoświadomość jest niezwykle cenna, ponieważ pomaga ludziom rozpoznać ich pełny potencjał i obszary, które mogą wymagać poprawy. Może także pomóc ludziom rozpoznać i zaakceptować ich wyjątkowość, co może zwiększyć poczucie własnej wartości i motywację do nauki. Ta umiejętność jest szczególnie cenna dla przedsiębiorców i freelancerów.

2. Inteligencja emocjonalna: Według jednej wspólnej definicji inteligencja emocjonalna to zdolność do bycia świadomym i wyrażania emocji. Historycznie pokazywanie lub mówienie o emocjach było kiedyś postrzegane jako oznaka słabości w wielu kulturach, ale w ostatnich latach coraz więcej profesjonalistów zaczyna odkrywać zalety inteligencji emocjonalnej. Osobiście uważam, że dopiero zaczynamy odkrywać moc tej umiejętności.

3. Inteligencja społeczna: Ta umiejętność dotyczy sposobu interakcji z innymi osobami w różnych sytuacjach. Polega na podstawowym zrozumieniu myśli i opinii innych osób.

4. Inteligencja interpersonalna: sposoby komunikowania się i utrzymywania kontaktów towarzyskich z naszą bliską rodziną i przyjaciółmi mogą w rzeczywistości pomóc nam w prowadzeniu bardziej zrównoważonego życia oraz w lepszym samopoczuciu i szczęściu. To z kolei pozwala nam włożyć większy wysiłek w twoją pracę.

5. Empatia i aktywne słuchanie: Utrzymanie głębokiego zrozumienia sposobu, w jaki ludzie doświadczają rzeczy, pomoże nam iść do przodu w biznesie i życiu osobistym.

6. Elastyczność kulturowa: jest to umiejętność szybkiego dostosowania się do nowych kultur i nowych sposobów pracy i życia. Wykracza to poza kulturowe zrozumienie, pozwalając ludziom być elastycznym, gdy napotykają różne systemy przekonań i wartości kulturowe.

7. Wytrwałość i pasja: Wiele osób dąży do szybkich poprawek i natychmiastowej satysfakcji, dlatego ważne jest nauczanie cierpliwości dla długoterminowej satysfakcji. Jednym ze sposobów nauczenia się tej umiejętności jest dzielenie się inspirującymi wzorami do naśladowania i studiami przypadków osób, które odniosły sukces, zwłaszcza gdy podane przykłady w jakiś sposób odnoszą się do tego, czego uczą się uczniowie.

8. Koncentracja na dobru wspólnym: Uznanie wartości wspólnego dobra, zamiast koncentrować się na indywidualnych potrzebach i potrzebach, może pomóc ludziom współpracować.

9. Uważność i medytacja: Istnieje niezliczona ilość badań wskazujących na korzyści płynące z tych praktyk, a coraz więcej historii osiągających dobre wyniki w różnych branżach (sport, biznes, finanse i inne) odnajduje sukces dzięki uważności i medytacji.

10. Trening fizyczny: Utrzymanie równowagi fizycznej może pomóc ci cieszyć się jasnością, koncentracją umysłową i ogólnie zdrowszym życiem. Gdy ludzie zaczną spędzać więcej czasu przed ekranem, ruch fizyczny stanie się jeszcze bardziej istotny.

11. Opowiadanie historii: Opowiadanie historii jest jednym z najbardziej naturalnych sposobów komunikowania się ludzi poprzez wspólne zrozumienie. Tysiące lat temu opowiadanie historii było podstawową formą komunikacji, a ta sama forma jest dziś nadal bardzo pomocna. Historie to potężne narzędzia do wywoływania emocji i rozumienia złożonych sytuacji.

Umiejętności biznesowe na przyszłość

12. Rozwiązywanie problemów: Ta umiejętność jest ważniejsza niż kiedykolwiek ze względu na szybkość innowacji technologicznych i zmieniający się sposób prowadzenia działalności przez ludzi. Umiejętności rozwiązywania problemów mogą pomóc ludziom zrozumieć współpracowników, środowiska, a nawet narzędzia i maszyny, z którymi wchodzą w interakcje.

13. Kreatywność: łatwo przeoczyć tę prostą umiejętność, ale będzie to kluczowa część wielu rynków kariery w przyszłości. W miarę wprowadzania coraz większej liczby technologii w biznesie i edukacji coraz ważniejsze będzie wykorzystywanie kreatywności przez ludzi w celu opracowania unikalnych i innowacyjnych sposobów wdrażania tej technologii.

14. Adaptowalność do nowych technologii: Idąc naprzód, ludzie chętni i zdolni do dostosowania się do nowych technologii oraz możliwości, jakie dają, będą mieli najlepszą orientację na sukces, podczas gdy ci, którzy opierają się nowym technologiom, prawdopodobnie będą opóźnieni na zewnątrz. Podczas gdy uniwersytety powinny uczyć studentów, jak być proaktywnym w zakresie nowych technologii, powinni oni również przeznaczyć środki na szkolenie nauczycieli w zakresie kreatywnych sposobów wykorzystania technologii w klasie.

15. Postawa przedsiębiorcza: W ciągu najbliższych 5-10 lat postępy w robotyce i maszynach prawdopodobnie zmienią rodzaje miejsc pracy dostępnych na rynku pracy. Ludzie, którzy mają silne umiejętności przedsiębiorcze i wiedzą, jak szukać porady w odpowiednich miejscach, będą mogli doświadczyć korzyści płynących z tych zmian.

16. Sprzedaż i marketing: Bardziej niż kiedykolwiek wcześniej ludzie tworzą firmy skoncentrowane na swoich pasjach. Aby to zadziałało, muszą zrozumieć podstawy technik sprzedaży i marketingu, w tym jak komunikować, co mogą zaoferować i jak pozyskiwać nowych klientów.

17. Analiza danych: Według Clive Humby “Dane są ropą XXI wieku”. W miarę, jak coraz więcej rzeczy ulega cyfryzacji, analiza danych staje się coraz ważniejszą umiejętnością.

18. Umiejętności prezentacji: Jedną z ważnych umiejętności biznesowych, która prawdopodobnie nie zmieni się w przyszłości, jest umiejętność mówienia i przedstawiania się różnym grupom ludzi. Ci, którzy potrafią opanować tę umiejętność, często znajdują się na stanowiskach kierowniczych, zarówno przy mniejszych projektach, jak i większych zespołach.

19. Inteligencja środowiskowa: gdy ludzie zaczną zastanawiać się nad wartością ochrony zasobów w miarę upływu czasu, ważne będzie, aby zrozumieli, w jaki sposób technologia może to umożliwić. Znalezienie wartości w naszych wspólnych zasobach powinno być umiejętnością, której uczą się wcześnie i często.

20. Myślenie na dużą skalę: gdy świat staje się coraz bardziej połączony, zdolność myślenia i analizowania dużych bytów staje się niezbędna. Podczas gdy ważne jest, aby móc wziąć pod uwagę drobne szczegóły projektu, ogólne myślenie, że uwzględnienie złożoności i powiązanych elementów będzie cenne i powinno być mocno podkreślane w świecie edukacji.

21. Rachunkowość i zarządzanie pieniędzmi: podstawowe zasady rachunkowości mogą nie tylko pomóc ludziom w ich życiu osobistym, ale także pomóc im zrozumieć złożoność założenia, prowadzenia lub uczestnictwa w firmie.

22. Możliwość odłączenia: Choć może się wydawać, że obejmuje to umiejętności biznesowe, należy wziąć pod uwagę fakt, że coraz trudniej jest znaleźć miejsca, w których obecnie nie ma połączeń z Internetem. Ludzie, którzy są w stanie odłączyć się od swoich urządzeń i nawiązać bardziej intymne połączenia z innymi, odczują większą radość i mniej stresu niż osoby uzależnione od swoich urządzeń.

23. Dostrzeganie trendów: W szybko zmieniającym się świecie umiejętność rozpoznawania sygnałów potencjalnych możliwości w przyszłości jest niezwykle pomocna. Ta umiejętność jest dostępna nie tylko dla ludzi wszystkich środowisk, ale może także pomóc przedsiębiorcom w korzystaniu z przedsięwzięć biznesowych, po prostu poprzez nauczenie się, jak dostrzec trendy i podjąć działania we właściwym czasie.

24. Myślenie projektowe i myślenie projektowe: W przyszłości będziemy mieć produkty i usługi, których nawet dziś nie jesteśmy w stanie sobie wyobrazić. Myślenie projektowe to podejście skoncentrowane na rozwiązaniu, w którym można znaleźć pożądane rozwiązania złożonych problemów. Jest to umiejętność, której każdy może się nauczyć i będzie coraz cenniejsza w przyszłości.

Oprócz pomocy w znalezieniu lub utrzymaniu pracy, umiejętności wymienione powyżej są szczególnie przydatne, jeśli jesteś zainteresowany rozwojem własnego biznesu w przyszłości. Dodamy także dodatkowe umiejętności, które będą ważne w przyszłości. Są one podzielone na cztery różne sekcje: •  Umiejętności techniczne związane z AI i Blockchain: umiejętności techniczne związane z głębokim uczeniem się, uczeniem maszynowym, robotyką i przetwarzaniem danych będą bardzo poszukiwane w ciągu następnych kilku lat. Będzie także rosło zapotrzebowanie na inżynierów pracujących w branży motoryzacyjnej i programistów, którzy mogą wykonywać operacje kryptowalut i blockchain.

•  Umiejętności w zakresie inteligencji społecznej: zauważymy również wzrost zapotrzebowania na umiejętności związane z pomaganiem innym, w tym doradztwem, przekwalifikowaniem i coachingiem. Empatia i inteligencja emocjonalna staną się w przyszłości cenniejszymi umiejętnościami zawodowymi.

•  Nastawienie kreatywności: obejmuje to umiejętność tworzenia czegoś od podstaw, oprócz umiejętności związanych z projektowaniem. Kreatywne nastawienie może pomóc w osobistym brandingu i profesjonalnej autopromocji, które są niezbędne dla osób, które chcą się wyróżnić i zostać zauważonymi na zatłoczonym rynku pracy.

•  Uczenie się, jak się uczyć: ta kategoria obejmuje umiejętności takie jak samoświadomość i zdolność uczenia się czegoś w szybszym tempie niż inne, oprócz “oduczania” złych nawyków lub przestarzałych praktyk. Instytut Future of Life zidentyfikował dwa szczególnie interesujące przykłady takich umiejętności. Pierwszy znany jest jako obliczeniowe rozumienie, które odnosi się do umiejętności rozumienia pracy maszynowej i ludzkiej. Druga, kontekstualna inteligencja, odnosi się do zdolności czerpania znaczenia z otaczających kultur, jednostek i środowisk biznesowych oraz ze społeczeństwa jako całości.

Które z tych umiejętności chciałbyś poprawić? Wybierz swój top trzy i zobowiązują się je rozwijać w ciągu najbliższych 12 miesięcy.

Podejmowanie decyzji w dziedzinie polityki publicznej wiąże się z wysoką stawką, zarówno w zakresie pieniędzy, jak i życia. Na przykład, podejmując decyzję, na jaki poziom szkodliwych emisji zezwolić z elektrowni, decydenci polityczni muszą rozważyć zapobieganie śmierci i niepełnosprawności z korzyścią dla mocy i ekonomicznym obciążeniem ograniczania emisji. Wybór lokalizacji pod nowe lotnisko wymaga rozważenia zakłóceń spowodowanych budową; koszt ziemi; odległość od ośrodków ludności; hałas operacji lotniczych; kwestie bezpieczeństwa wynikające z lokalnej topografii i warunków pogodowych; i tak dalej. Problemy takie jak te, w których wyniki charakteryzują się dwoma lub więcej atrybutami, są rozwiązywane przez wieloatrybutową teorię użyteczności. W istocie jest to teoria porównywania jabłek do pomarańczy. Niech atrybuty będą X=X₁, … ,X_n i niech x=<x₁,…,x_n>  będzie pełnym wektorem przypisań, gdzie każdy xi jest albo wartością numeryczną, albo wartością dyskretną z założonym uporządkowaniem wartości. Analiza jest łatwiejsza, jeśli zorganizujemy ją tak, aby wyższe wartości atrybutu zawsze odpowiadały wyższym użytecznościom: użyteczności wzrastają monotonicznie. Oznacza to, że nie możemy użyć, powiedzmy, liczby zgonów d jako atrybutu; musielibyśmy użyć -d. Oznacza to również, że nie możemy użyć temperatury pokojowej, t, jako atrybutu. Jeśli funkcja użyteczności dla temperatury ma szczyt przy 70 F i spada monotonicznie po obu stronach, wtedy możemy podzielić ten atrybut na dwie części. Moglibyśmy użyć t – 70, aby zmierzyć, czy pomieszczenie jest wystarczająco ciepłe, a 70-t, aby zmierzyć, czy jest wystarczająco chłodno; oba te atrybuty będą monotonicznie wzrastać, aż osiągną swoją maksymalną wartość użytkową na poziomie 0; od tego momentu krzywa użyteczności jest płaska, co oznacza, że ​​nie będzie już „wystarczająco ciepło” powyżej 70^oF, ani więcej „wystarczająco fajne” poniżej 70^oF. Atrybutami w problemie lotniska mogą być:

• Przepustowość mierzona liczbą lotów dziennie;
• Bezpieczeństwo mierzone minus oczekiwaną liczbą zgonów rocznie;
• Cisza mierzona minusem liczby osób żyjących pod torem lotu;
• Oszczędność mierzona ujemnym kosztem budowy.

Zaczynamy od zbadania przypadków, w których decyzje można podejmować bez łączenia wartości atrybutów w jedną wartość użytkową. Następnie przyjrzymy się przypadkom, w których użyteczność kombinacji atrybutów można określić bardzo zwięźle.

Jeśli interesują Cię niektóre techniczne aspekty sztucznej inteligencji, istnieje liczba fantastycznych możliwości zatrudnienia już dostępnych. Rozwój technologii AI jest obecnie najważniejszym priorytetem dla większości wiodących firm, które poszukują utalentowanych pracowników AI. Oto niektóre z tytułów pracy związanych z AI, które są obecnie najbardziej poszukiwane na portalach poszukujących pracy: naukowcy danych, inżynierowie oprogramowania, naukowcy, eksperci uczący się od maszyn i eksperci dogłębnego uczenia się. Możesz dowiedzieć się o tych tematach poprzez szereg różnych kursów online. Większość tych kursów, po ich ukończeniu, zazwyczaj oferuje albo dyplom lub certyfikat, który może dodać akredytację do twojego CV, lub odznakę, którą można zaprezentować na swoim profilu LinkedIn. Będzie jednak jeszcze większe zapotrzebowanie na specjalistów, którzy rozumieją ogólne zasady działania sztucznej inteligencji, a także na to, jak pomóc firmom i osobom prywatnym w stosowaniu tych technologii z korzyścią dla przedsiębiorstw i społeczeństwa. Poniżej znajdują się niektóre z najciekawszych przykładów tego rodzaju miejsc pracy, które moim zdaniem będą poszukiwane w przyszłości:

•  AI Chatbot Designer: profesjonalista, który wie, jak zaprojektować chatboty oparte na sztucznej inteligencji, które mogą zaspokoić podstawowe potrzeby obsługi klienta i zapewnić pozytywne wrażenia użytkownika.

•  AI Digital Marketing Expert: ktoś, kto rozumie, jak wykorzystać różne narzędzia marketingu cyfrowego i mediów społecznościowych, które wykorzystują AI do tworzenia skuteczniejszych strategii marketingowych.

•  Konsultant ds. Strategii Biznesowej AI: ekspert, który analizuje firmę i rekomenduje sposoby, w jakie firma może budować usługi i produkty AI za pomocą narzędzi takich jak IBM Watson, Microsoft Azure lub Amazon Web Services. Chociaż opracowanie wewnętrznych narzędzi AI może być pomocne, można również zakupić istniejące rozwiązania od znanych dostawców, takich jak te wymienione powyżej.

•  Konsultant ds. Strategii AI dla sektora publicznego: ekspert, który może zidentyfikować potencjalne wyzwania, które pojawią się w związku z wprowadzeniem AI w społeczeństwie i może rozwiązać problemy poprzez szkolenie AI. Jest to ważna rola w pomaganiu społeczeństwu w zapoznaniu się i korzystaniu z nowych technologii sztucznej inteligencji. Ten rodzaj profesjonalistów może również służyć osobom, które utraciły pracę, do sztucznej inteligencji i automatyzacji, łącząc osoby z odpowiednimi programami przekwalifikowania, aby pomóc im uzyskać nowe rodzaje zatrudnienia.

•  Doradca lub trener uzależnienia od Technologii: wykwalifikowany doradca lub trener, który rozumie i wie, jak leczyć, emocjonalne i fizyczne skutki szybkiego wzrostu AI oraz problemy, które mogą wynikać z nadużywania. Wraz z rosnącą obecnością technologii AI w naszym codziennym życiu, użytkownicy mogą uzależnić się od niektórych z tych produktów. Ponadto niektóre osoby mogą cierpieć z powodu negatywnych konsekwencji emocjonalnych z powodu nadmiernego polegania na sztucznej inteligencji kosztem normalnych interakcji społecznych i relacji z ludźmi.

•  Trener kreatywności: wyszkolony profesjonalista z doświadczeniem w pomaganiu innym w rozwijaniu umiejętności opartych na ludziach, w tym inteligencji społecznej i emocjonalnej oraz kreatywności. Jest to ważna rola, która ponieważ nie może być wypełniona robotami, będzie miała dla ludzi dużą wartość dla przyszłości.

Powyższa lista zawiera tylko kilka miejsc pracy, które według mnie będą miały wysoki popyt w miarę wzrostu AI. Będzie też mnóstwo nowych karier, których nawet nie jesteśmy w stanie sobie wyobrazić, które się pojawią z nowymi wyzwaniami i możliwości stworzonych przez technologie AI. Oprócz wymienionych powyżej istnieje również kilka interesujących ofert pracy związanych z AI, które są już publikowane na stronach internetowych z ofertami pracy. Poniższa lista została zebrana ze strony Glassdoor i każda z nich wymaga kombinacji umiejętności związanych z AI i dodatkowych zestawów umiejętności:

•  Dziennikarze AI: Reporterzy, którzy są w stanie pisać artykuły o AI dla głównych serwisów informacyjnych.

•  AI Adwokaci: prawnicy zajmujący się własnością intelektualną i sprawami technicznymi związanymi z AI.

•  Techniczni dyrektorzy sprzedaży AI: sprzedawcy, którzy są w stanie zrozumieć i sprzedawać produkty oparte na sztucznej inteligencji konsumentom.

•  Projektanci interfejsu użytkownika AI: programiści, którzy mogą zastosować sztuczną inteligencję do interfejsów klienta, aby poprawić swoje doświadczenia.

•  Menedżerowie marketingu AI: profesjonaliści, którzy budują świadomość w firmach dostarczających produkty i usługi związane z AI

Ponieważ sztuczna inteligencja będzie miała wpływ na tak wiele modeli biznesowych, prawdopodobnie zobaczymy całą gamę podobnych opisów stanowisk dla znanych ról, które będą zawierać elementy AI, tworząc różnorodne nowe możliwości kariery. Jak wspomniano wcześniej, być może najważniejszą umiejętnością w przyszłości będzie umiejętność zrozumienia złożonych sposobów, w jaki sztuczna inteligencja zmieni biznes i społeczeństwo. Takie zrozumienie będzie cenne na wiele sposobów, aby pomóc firmom i osobom prywatnym w przejściu do tego nowego sposobu życia.

Zakładanie firmy w erze AI

Ludzie często marzą o założeniu własnej firmy, być może wyobrażając sobie, że jest to sposób na bycie własnym szefem, poczucie spełnienia zawodowego lub osiągnięcie sukcesu finansowego. Jednak założenie firmy może oznaczać także stawienie czoła wyzwaniom, których nie ma wielu przeciętnych ludzi gotowy do obsługi. Powstają trudne pytania, takie jak: Gdzie znajdę klientów W jaki sposób zapłacę moje wydatki? Co jeśli zawiodę? Jednym z głównych wyzwań, przed którymi stoją przedsiębiorcy, jest brak wiedzy na temat tego, czego potrzeba, aby odnieść sukces w biznesie. Uważam, że należy tego nauczyć od najmłodszych lat, a także tego, jak rozpoznać i wykorzystać mocne i słabe strony osobiste. Jak wspomniano wcześniej w tym rozdziale, zgodnie z ostatnim raportem McKinsey, do roku 2030 może potrzebować od 400 do 800 milionów ludzi zamiany zawodów, co z pewnością stworzy duże wyzwania w naszym społeczeństwie. Niektóre z tych osób mogą chcieć po prostu znaleźć nowe miejsce pracy, ale dla wielu bardziej pomocne może być założenie własnej firmy. Wcześniejsze metody zatrudniania pracowników potrzebnych do założenia nowej firmy często mogą być kosztowne w dzisiejszym świecie. Tradycyjnie większość nowych firm zatrudniałaby pełnoetatowych pracowników, którzy zajmowaliby się sprzedażą, marketingiem, obsługą klienta, projektowaniem graficznym i administracją. Jednak rozpoczynając dziś działalność od zera, może być trudno wygenerować środki niezbędne do wsparcia tego rodzaju infrastruktury bez pomocy zewnętrznych inwestorów lub dotacji rządowych. Jednym z potencjalnych rozwiązań tego problemu byłoby zastosowanie nowego modelu, wykorzystującego zarówno moc narzędzi sztucznej inteligencji, jak i talent outsourcingowy, w celu uruchomienia działalności. Na poniższym rysunku możesz zobaczyć różnice między starymi wzorcami budowania firmy a nowymi metodami dostępnymi w erze sztucznej inteligencji. Nowe podejście, połączenie korzystania z usług AI świadczonych przez duże firmy technologiczne i outsourcingowi talenty w postaci freelancerów oferują znaczne oszczędności kosztów i ogromny wzrost wydajności i wydajności. Ponadto ta metoda zapewnia bardziej elastyczną strukturę, którą można zmienić lub zatrzymać w dowolnym momencie, a także niezależność od lokalizacji. Oto kilka sposobów wykorzystania usług AI i outsourcingu talentów podczas zakładania firmy:

•  Usługi AI: duże firmy technologiczne, takie jak IBM, Google i Amazon, oferują usługi AI oparte na chmurze, które pozwalają w zasadzie “kupować” AI od nich. Obecnie możesz korzystać z tego rodzaju usług sztucznej inteligencji, aby pomóc w takich badaniach rynku, cyfrowej automatyzacji marketingu, a nawet podstawowych zadaniach pomocy administracyjnej. Można je również wykorzystać, aby pomóc Ci zbudować własne dostosowane chatboty. Są to nieocenione narzędzia, które mogą pomóc Twojej firmie w obsłudze podstawowych funkcji obsługi klienta, jednocześnie zmniejszając lub nawet eliminując potrzebę zatrudniania personelu.

•  Talent niezależny: Istnieje wiele niezależnych witryn, w których można publikować oferty pracy w różnych dziedzinach. Na przykład za pomocą tych platform można znaleźć grafików, asystentów administracyjnych, a nawet programistów sztucznej inteligencji, którzy mogą pomóc Ci osiągnąć więcej niż sam. Pomoc w zatrudnieniu w ten sposób pozwala uniknąć wszystkich kosztów ogólnych związanych z tradycyjnym zatrudnieniem, takich jak powierzchnia biurowa, świadczenia i czas urlopu. Gdy więcej osób skorzysta z tego modelu, prawdopodobnie będziemy świadkami wzrostu liczby jednoosobowych firm, które są lepiej przygotowane do dostosowania do zmieniającego się środowiska technologicznego naszego świata. Nie oznacza to, że nikt nie powinien zatrudniać pracowników w tradycyjny sposób, ale raczej zachęcić przedsiębiorców do rozważenia nowych modeli, które zawierają AI i talent wolny strzelec, ponieważ modele te są zwykle bardziej odpowiednie dla obecnego klimatu technologicznego. Dla każdej małej firmy zasadnicze znaczenie będzie miało zbadanie rodzajów zadań, do których można zastosować sztuczną inteligencję. W rozdziale 8 omówimy niektóre usługi związane ze sztuczną inteligencją świadczone przez duże firmy technologiczne, chociaż w tej książce jest więcej niż możemy dyskutować.

Teoria decyzji jest teorią normatywną: opisuje, jak powinien działać racjonalny podmiot. Z drugiej strony, teoria opisowa opisuje, jak rzeczywiści agenci – na przykład ludzie – naprawdę działają. Zastosowanie teorii ekonomii znacznie by się poprawiło, gdyby te dwie rzeczy były zbieżne, ale wydaje się, że istnieją pewne eksperymentalne dowody, że jest inaczej. Dowody sugerują, że ludzie są „przewidywalnie irracjonalni” . Najbardziej znanym problemem jest paradoks Allais (Allais, 1953). Ludzie mają do wyboru loterie A i B, a następnie C i D, które mają następujące nagrody:

A : 80% szansy na 4000 $ C : 20% szansy na 4000 $

B : 100% szansy na 3000 $ D : 25% szansy na 3000 $

Większość ludzi konsekwentnie woli B nad A (wzięcie pewnej rzeczy) i C nad D (przyjęcie wyższej EMV). Analiza normatywna nie zgadza się! Najłatwiej możemy to zobaczyć, jeśli użyjemy swobody wynikającej z równania , aby ustawić U($0) = 0. W takim przypadku B ≻ A implikuje, że U(3000$) > 0:8U(4000$), podczas gdy C ≻ D implikuje dokładnie odwrotnie. Innymi słowy, nie istnieje funkcja użyteczności, która byłaby spójna z tymi wyborami. Jednym z wyjaśnień pozornie irracjonalnych preferencji jest efekt pewności : ludzie są silnie przyciągani do pewnych korzyści. Może tak być z kilku powodów. Po pierwsze, ludzie mogą preferować zmniejszenie obciążenia obliczeniowego; wybierając określone wyniki, nie muszą obliczać z prawdopodobieństwami. Ale efekt utrzymuje się nawet wtedy, gdy obliczenia są bardzo łatwe. Po drugie, ludzie mogą nie ufać zasadności przedstawionych prawdopodobieństw. Ufam, że rzut monetą wynosi w przybliżeniu 50/50, jeśli mam kontrolę nad monetą i rzutem, ale mogę nie ufać wynikowi, jeśli rzut zostanie wykonany przez kogoś, kto ma żywotny interes w wyniku. W obliczu nieufności może lepiej postawić na pewną rzecz. Po trzecie, ludzie mogą odpowiadać za swój stan emocjonalny i stan finansowy. Ludzie wiedzą, że żałowaliby, gdyby zrezygnowali z pewnej nagrody (B) za 80% szansy na wyższą nagrodę, a następnie przegrali. Innymi słowy, jeśli zostanie wybrane A, istnieje 20% szansa, że ​​nie dostaniesz żadnych pieniędzy i poczujesz się jak kompletny idiota, co jest gorsze niż po prostu brak pieniędzy. Być może więc ludzie, którzy wybierają B nad A i C nad D, nie są irracjonalni; są gotowi oddać 200 dolarów EMV, aby uniknąć 20% szansy na poczucie się jak idiota. Pokrewnym problemem jest paradoks Ellsberga. Tutaj nagrody są ustalone, ale prawdopodobieństwo jest ograniczone. Twoja wypłata będzie zależeć od koloru kuli wybranej z urny. Powiedziano ci, że urna zawiera 1/3 czerwonych kul i 2/3 czarnych lub żółtych kul, ale nie wiesz, ile czarnych, a ile żółtych. Ponownie zostaniesz zapytany, czy wolisz loterię A czy B; a następnie C lub D:

A: 100 dolarów za czerwoną kulę C: 100 dolarów za czerwoną lub żółtą kulę

B : 100 $ za czarną bilę D : 100 $ za czarną lub żółtą bilę :

Powinno być jasne, że jeśli uważasz, że jest więcej bil czerwonych niż czarnych, powinieneś preferować A od B i C od D; jeśli uważasz, że jest mniej czerwieni niż czerni, powinieneś preferować coś przeciwnego. Okazuje się jednak, że większość ludzi woli A nad B, a także D nad C, mimo że nie istnieje stan świata, dla którego byłoby to racjonalne. Wydaje się, że ludzie mają niejednoznaczną awersję: A daje 1/3 szansy na wygraną, podczas gdy B może wynosić od 0 do 2/3. Podobnie, D daje ci 2/3 szansy, podczas gdy C może wynosić od 1/3 do 3/3. Większość ludzi wybiera znane prawdopodobieństwo, a nie nieznane niewiadome. Jeszcze innym problemem jest to, że dokładne sformułowanie problemu decyzyjnego może mieć duży wpływ na wybory agenta; nazywa się to efektem kadrowania. Eksperymenty pokazują, że ludzie lubią procedury medyczne opisane jako mające „90% wskaźnik przeżycia” około dwa razy więcej niż te opisane jako mające „10% śmiertelność”, mimo że te dwa stwierdzenia oznaczają dokładnie to samo. Ta rozbieżność w ocenie została znaleziona w wielu eksperymentach i jest prawie taka sama, niezależnie od tego, czy badani to pacjenci w klinice, statystycznie wyrafinowani studenci szkół biznesu, czy doświadczeni lekarze. Ludzie czują się bardziej komfortowo przy dokonywaniu względnych ocen użyteczności niż absolutnych. Być może nie mam pojęcia, jak bardzo smakowałyby mi różne wina oferowane przez restaurację. Restauracja korzysta z tego, oferując butelkę za 200 USD, której nikt nie kupi, ale która podważa oszacowanie wartości wszystkich win przez klienta, przez co butelka za 55 USD wydaje się okazją. Nazywa się to efektem zakotwiczenia.  Jeśli informatorzy nalegają na sprzeczne osądy preferencji, nie ma nic, co zautomatyzowani agenci mogą zrobić, aby zachować zgodność z nimi. Na szczęście osądy preferencji dokonywane przez ludzi są często otwarte na rewizję w świetle dalszych rozważań. Paradoksy takie jak

paradoksy Allaisa i Ellsberga są znacznie zredukowane (ale nie wyeliminowane), jeśli wybory zostaną lepiej wyjaśnione. Keeney i Raiffa w pracy w Harvard Business School nad oceną użyteczności pieniądza stwierdzili, co następuje:

Podmioty mają tendencję do zbytniego unikania ryzyka w przypadku małych i dlatego… dopasowane funkcje użyteczności wykazują niedopuszczalnie wysokie premie za ryzyko w przypadku loterii o dużej rozpiętości. .. Większość badanych potrafi jednak pogodzić swoje niekonsekwencje i poczuć, że nauczyli się ważnej lekcji na temat tego, jak chcą się zachowywać. W rezultacie niektóre podmioty rezygnują z ubezpieczenia od kolizji samochodowych i wykupują dłuższe ubezpieczenie na życie.

Dowody na ludzką irracjonalność są również kwestionowane przez badaczy z dziedziny psychologii ewolucyjnej, którzy zwracają uwagę na fakt, że mechanizmy decyzyjne naszego mózgu nie ewoluowały, aby rozwiązywać zadania tekstowe z prawdopodobieństwami i nagrodami podanymi jako liczby dziesiętne. Przyznajmy, dla celów argumentacji, że mózg ma wbudowane neuronowe mechanizmy obliczeniowe z prawdopodobieństwami i narzędziami lub czymś funkcjonalnie równoważnym. Jeśli tak, wymagane dane wejściowe zostałyby uzyskane poprzez zgromadzone doświadczenie wyników i nagród, a nie poprzez językową prezentację wartości liczbowych. Nie jest oczywiste, że możemy uzyskać bezpośredni dostęp do wbudowanych w mózg mechanizmów neuronowych, przedstawiając problemy decyzyjne w formie językowej/numerycznej. Sam fakt, że różne sformułowania tego samego problemu decyzyjnego prowadzą do różnych wyborów, sugeruje, że sam problem decyzyjny nie przechodzi. Zachęceni tą obserwacją psychologowie próbowali przedstawiać problemy związane z niepewnym rozumowaniem i podejmowaniem decyzji w „ewolucyjnie odpowiednich” formach; na przykład, zamiast powiedzieć „90% przeżywalności”, eksperymentator może pokazać 100 animacji z operacji, w których pacjent umiera w 10 z nich, a przeżywa w 90. Przy tak postawionych problemach decyzyjnych zachowanie ludzi wydaje się być znacznie bliżej normy racjonalności.

Eksperci uważają, że sztuczna inteligencja, automatyzacja i robotyka przyniosą znaczący wzrost wydajności i wydajności, umożliwiając wytwarzanie i dostarczanie produktów i usług szybciej niż kiedykolwiek wcześniej. To z kolei stworzy fantastyczne możliwości dla firm wiodących w dziedzinie tych technologii. W swojej książce ,futurysta Thomas Frey podkreśla interesującą koncepcję znaną jako prawo możliwości wykładniczych, mówiąc: “Dzięki automatyzacji każdy wykładniczy spadek wysiłku tworzy równy i przeciwny wykładniczy wzrost możliwości. ” Zasadniczo oznacza to że gdy wykonanie zadania zajmuje mniej czasu, możemy wykonać ogólnie większą liczbę zadań. Wielu wiodących ekspertów AI na świecie wierzy, że sztuczna inteligencja pomoże i poprawi jakość pracy ludzi na całym świecie. Manoj Saxena, pierwszy dyrektor generalny Watson firmy IBM, ujmuje to następująco: “Istnieje 1,3 miliarda globalnych pracowników, których zadania zostaną znacznie poprawione i ulepszone dzięki sztucznej inteligencji”. Osobiście zgadzam się z poglądami Saxeny, ale wierzę również, że istnieje ogromna luka w wiedzy, którą trzeba będzie rozwiązać, aby ludzie mogli zrozumieć korzyści i zastosowania sztucznej inteligencji w ich przepływach pracy. To jeden z głównych powodów, dla których zmotywowałem się do napisania tej książki. Biorąc pod uwagę wiele procesów biznesowych, które AI może poprawić, łatwo wyobrazić sobie, jak AI będzie w stanie znacznie zwiększyć wydajność. W jednym badaniu przeprowadzonym przez Accenture stwierdzono, że w niektórych krajach, w tym w Finlandii, Szwecji i Stanach Zjednoczonych, wydajność pracy może wzrosnąć o 35-37 procent do roku 2035 z powodu tych technologii. To samo badanie wykazało, że narzędzia sztucznej inteligencji mogą podwoić PKB 12 krajów rozwiniętych do roku 2035. Stwierdzono również, że istnieją trzy kanały, dzięki którym sztuczna inteligencja może prowadzić do wzrostu:

•  Inteligentna automatyzacja: ponieważ narzędzia AI są zdolne do samouczenia się i mogą automatyzować nawet złożone zadania fizyczne, mogą one prowadzić do wyższego poziomu wydajności produkcji.

•  Automatyzacja kapitału pracowniczego: AI może pomóc pracownikom skoncentrować się na wykonywaniu tylko zadań, które najlepiej wykonują.

•  Dyfuzja innowacji: AI ma potencjał do napędzania innowacji w przód

Kiedy AI jest używane do automatyzacji powtarzających się zadań lub zadań wymagających dużej ilości danych, tworzy możliwości dla pracowników ludzkich, którzy mogą skoncentrować się na zadaniach, które tylko oni mogą wykonać, wykorzystując jak największy potencjał zarówno AI, jak i zasobów ludzkich. Chociaż rozwój AI jest czasem przedstawiany negatywnie w mediach, tego rodzaju badania mogą pomóc w podkreśleniu wielu potencjalnych korzyści, jakie możemy uzyskać z ich zastosowań. Aby uzyskać największe korzyści ekonomiczne z AI, kluczowe będzie dla nas dzielenie się wiedzą i spostrzeżeniami w całym naszym społeczeństwie. Budowa centrów badawczo-rozwojowych AI w każdym większym mieście może dodatkowo ułatwić zastosowanie AI w różnych branżach, przynosząc jednocześnie korzyści małym firmom i przedsiębiorcom. Im bardziej nasze społeczeństwo jest otwarte na dzielenie się informacjami na temat sztucznej inteligencji, tym bardziej cały świat skorzysta na jego wzroście i rozwoju.

Racjonalnym sposobem wyboru najlepszego działania a* , jest maksymalizacja oczekiwanej użyteczności:

Jeśli poprawnie obliczyliśmy oczekiwaną użyteczność zgodnie z naszym modelem prawdopodobieństwa i jeśli model prawdopodobieństwa poprawnie odzwierciedla procesy stochastyczne, które generują wyniki, to średnio otrzymamy oczekiwaną użyteczność, jeśli cały proces zostanie powtórzony wiele razy . W rzeczywistości jednak nasz model zwykle nadmiernie upraszcza rzeczywistą sytuację, ponieważ albo nie wiemy wystarczająco dużo (np. przy podejmowaniu złożonej decyzji inwestycyjnej), albo dlatego, że obliczenie rzeczywistej oczekiwanej użyteczności jest zbyt trudne (np. podczas wykonywania ruchu w tryktraku, należy wziąć pod uwagę wszystkie możliwe przyszłe rzuty kośćmi). W takim przypadku naprawdę pracujemy z oszacowaniami  rzeczywistej oczekiwanej użyteczności. Być może uprzejmie założymy, że szacunki są bezstronne — to znaczy, że oczekiwana wartość błędu wynosi zero. W takim przypadku nadal wydaje się rozsądne, aby wybrać akcję o najwyższej oszacowanej użyteczności i oczekiwać, że akcja zostanie przeciętnie otrzymana, gdy akcja jest wykonywana. Niestety rzeczywisty wynik będzie zwykle znacznie gorszy niż szacowaliśmy, mimo że szacunki były obiektywne! Aby zobaczyć dlaczego, rozważmy problem decyzyjny, w którym istnieje k wyborów, z których każdy ma prawdziwą oszacowaną użyteczność równą 0. Załóżmy, że błąd w każdym oszacowaniu użyteczności jest niezależny i ma jednostkowy rozkład normalny – to jest gaussowski ze średnią zerową a odchylenie standardowe 1, pokazane jako pogrubiona krzywa na rysunku . Teraz, kiedy faktycznie zaczniemy generować szacunki, niektóre błędy będą ujemne (pesymistyczne), a inne dodatnie (optymistyczne). Ponieważ wybieramy działanie o najwyższej ocenie użyteczności, faworyzujemy zbyt optymistyczne szacunki i to jest źródłem błędu. Łatwo jest obliczyć rozkład maksimum oszacowań k, a tym samym określić ilościowo zakres naszego rozczarowania. (To obliczenie jest szczególnym przypadkiem obliczania statystyki rzędów, rozkładu dowolnego określonego uszeregowanego elementu próbki.) Załóżmy, że każde oszacowanie Xi ma funkcję gęstości prawdopodobieństwa f(x) i skumulowany rozkład F(x). Teraz niech X będzie największym oszacowaniem, tj. max{X₁,…,X_k}. Wtedy skumulowany rozkład dla X* to

Funkcja gęstości prawdopodobieństwa jest pochodną funkcji rozkładu skumulowanego, więc gęstość dla X* , maksimum k oszacowań, wynosi

Te gęstości są pokazane dla różnych wartości k na rysunku 15.3 dla przypadku, w którym f(x) jest jednostką normalną.

Dla k=3 gęstość dla X ma średnią około 0,85, więc średnie rozczarowanie wyniesie około 85% odchylenia standardowego w szacunkach użyteczności. Przy większej liczbie wyborów, bardziej prawdopodobne jest pojawienie się skrajnie optymistycznych szacunków: dla k=30 rozczarowanie będzie około dwukrotnością odchylenia standardowego w szacunkach. Ta tendencja do zbyt wysokiej szacowanej oczekiwanej użyteczności najlepszego wyboru nazywana jest przekleństwem optymalizatora . Dręczy nawet najbardziej doświadczonych analityków decyzyjnych i statystyków. Poważne przejawy obejmują przekonanie, że nowy, ekscytujący lek, który wyleczył 80% pacjentów w badaniu, wyleczy 80% pacjentów (został wybrany spośród tysięcy kandydatów na leki) lub że fundusz powierniczy reklamowany jako przynoszący ponadprzeciętne zyski nadal je mieć (został wybrany do wyświetlenia w reklamie spośród k=dziesiątek funduszy w całym portfelu firmy). Może się nawet zdarzyć, że to, co wydaje się być najlepszym wyborem, może nie być najlepszym wyborem, jeśli rozbieżność w ocenie użyteczności jest duża: lek, który wyleczył 9 na 10 pacjentów i został wybrany spośród tysięcy wypróbowanych, jest prawdopodobnie gorszy niż ten, który wyleczył 800 z 1000. Klątwa optymalizatora pojawia się wszędzie z powodu wszechobecności procesów selekcji maksymalizujących użyteczność, więc przyjmowanie oszacowań użyteczności według wartości nominalnej jest złym pomysłem. Możemy uniknąć klątwy dzięki podejściu bayesowskiemu, które wykorzystuje jawny model prawdopodobieństwa błędu w oszacowaniach użyteczności. Biorąc pod uwagę ten model i wcześniejszy opis tego, czego możemy racjonalnie oczekiwać od użyteczności, traktujemy oszacowanie użyteczności jako dowód i obliczamy rozkład a posteriori dla prawdziwej użyteczności, stosując regułę Bayesa.

Ponieważ technologie, które omawialiśmy, wciąż się rozwijają i rozszerzają, są stosowane w nowy i innowacyjny sposób, prawdopodobnie powstanie wiele miejsc pracy i możliwości biznesowych trudnych do przewidzenia z góry. Chociaż te nowe technologie niewątpliwie przyniosą wiele zmian w naszej sile roboczej, nie wszystkie z nich będą negatywne. Technologie sztucznej inteligencji stworzą również wiele nowych możliwości dla ludzkich pracowników do podejmowania różnego rodzaju zadań i zadań. Według Johna Koetsiera, dziennikarza i analityka technicznego, 13 poniższych dziedzin będzie oferować nowe miejsca pracy i możliwości innowacji w przyszłości. W każdym z tych obszarów częściej zatrudniony jest przede wszystkim personel ludzki niż delegowany do zautomatyzowanych usług. Te 13 pól to:

•  Sztuczna inteligencja

•  Rzeczywistość rozszerzona lub mieszana

•  Wirtualna rzeczywistość

•  Drony

•  Robotyka i automatyzacja

•  Genomika

•  Interfejsy mózg-maszyna

•  Data Science

•  Blockchain

•  Internet przedmiotów

•  Nanotechnologia i inteligencja roju

•  Obliczenia kwantowe

•  Druk 3D

Ponadto badanie przeprowadzone przez Forrester Research szacuje, że w ciągu najbliższych 10 lat w samych Stanach Zjednoczonych powstanie około 15 milionów nowych miejsc pracy, bezpośrednio w wyniku sztucznej inteligencji i automatyzacji. Odpowiada to dziś 10 procentom amerykańskiej siły roboczej. Jednym z sektorów, który będzie nadal generował liczne możliwości, jest opieka zdrowotna. Technologia nie tylko stworzy nowe aplikacje i narzędzia pomocne w praktyce medycznej, ale prawdopodobnie spowoduje to również potrzebę dodatkowych rodzajów leczenia objawów wynikających z uzależnienia od aplikacji i urządzeń technologicznych. Objawami tymi mogą być na przykład brak umiejętności interpersonalnych wynikających z nadużywania urządzeń lub środowisk rzeczywistości wirtualnej, dlatego zalecam moderację przy wdrażaniu nowych technologii. Ze względu na wymagania Porozumienia klimatycznego z Paryża wiele krajów wkrótce będzie musiało podjąć wymierne działania w celu wdrożenia technologii energii odnawialnej. Stworzy to znaczące możliwości zatrudnienia w produkcji, budowie i instalacji produktów spełniających te potrzeby. Jedno z badań wykazało, że samo to może stworzyć do 10 milionów nowych miejsc pracy w dziedzinie energii wiatrowej, energii słonecznej i efektywności energetycznej. Ponadto każda dziedzina związana z tak zwanymi “miękkimi umiejętnościami ludzkimi”, w tym inteligencja emocjonalna, kreatywność i umiejętności społeczne, będzie miała wyższą wartość na rynku pracy w przyszłości, zapewniając osobom posiadającym te umiejętności nowe i interesujące opcje pracy

 

Teoria użyteczności ma swoje korzenie w ekonomii, a ekonomia dostarcza jednego oczywistego kandydata na miarę użyteczności: pieniądza (a dokładniej, całkowitych aktywów netto agenta). Niemal powszechna wymienialność pieniądza na wszelkiego rodzaju dobra i usługi sugeruje, że pieniądz odgrywa znaczącą rolę w funkcjach użyteczności człowieka. Zwykle będzie tak, że agent woli więcej pieniędzy niż mniej, przy wszystkich innych rzeczach bez zmian. Mówimy, że agent wykazuje monotonną preferencję do większej ilości pieniędzy. Nie oznacza to, że pieniądz zachowuje się jak funkcja użyteczności, ponieważ nie mówi nic o preferencjach między loteriami z pieniędzmi. Załóżmy, że triumfowałeś nad innymi konkurentami w telewizyjnym teleturnieju. Gospodarz oferuje teraz wybór: albo możesz odebrać nagrodę w wysokości 1 000 000 $, albo postawić ją na jeden rzut monetą. Jeśli moneta wypadnie rewersem, nie otrzymasz nic, ale jeśli wypadnie reszek, otrzymasz 2 500 000 $. Jeśli jesteś jak większość ludzi, odrzuciłbyś hazard i zgarnął milion. Czy zachowujesz się irracjonalnie? Zakładając, że moneta jest uczciwa, oczekiwana wartość pieniężna (EMV) hazardu wynosi 1/2 (0 USD) + 1/2 (2 500 000 USD) = 1 250 000 USD, czyli więcej niż pierwotny 1 000 000 USD. Ale to niekoniecznie oznacza, że ​​akceptacja hazardu jest lepszą decyzją. Załóżmy, że używamy S_n do oznaczenia stanu posiadania całkowitego bogactwa $n i że twoje obecne bogactwo wynosi k $. Oczekiwana użyteczność obu czynności przyjęcia i odrzucenia hazardu to:

Aby określić, co zrobić, musimy przypisać narzędzia do stanów wynikowych. Użyteczność nie jest wprost proporcjonalna do wartości pieniężnej, ponieważ użyteczność pierwszego miliona jest bardzo wysoka (tak mówią), podczas gdy użyteczność dodatkowego miliona jest mniejsza. Załóżmy, że przypisujesz użyteczność 5 do swojego obecnego statusu finansowego (S_k), 9 do stanu S_k+2;500;000, a 8 do stanu S_k+1;000;000. Wtedy racjonalnym działaniem byłoby odrzucenie, ponieważ oczekiwana użyteczność akceptacji wynosi tylko 7 (mniej niż 8 dla odmowy). Z drugiej strony miliarder najprawdopodobniej miałby funkcję użyteczności, która jest lokalnie liniowa w zakresie kilku milionów więcej, a zatem zaakceptowałby ryzyko. W pionierskim badaniu rzeczywistych funkcji użyteczności Grayson (1960) odkrył, że użyteczność pieniądza była prawie dokładnie proporcjonalna do logarytmu wierzchowca. (Pomysł ten został po raz pierwszy zasugerowany przez Bernoulliego). Jedną szczególną krzywą użyteczności, dla pewnego pana Bearda, pokazano na rysunku (a).

Dane uzyskane dla preferencji pana Bearda są zgodne z funkcją użyteczności

U(S_k+n) = -263:31+22:09log(n+150;000)

dla zakresu od n = – 150 000 $ do n = 800  000$. Nie powinniśmy zakładać, że jest to ostateczna funkcja użyteczności dla wartości pieniężnej, ale prawdopodobnie większość ludzi ma funkcję użyteczności wklęsłą dla pozytywnego bogactwa. Zadłużanie się jest złe, ale preferencje między różnymi poziomami zadłużenia mogą wskazywać na odwrócenie wklęsłości związanej z pozytywnym bogactwem. Na przykład ktoś, kto ma już 10 000 000 dolarów długu, może zgodzić się na grę na uczciwą monetę z zyskiem 10 000 000 w przypadku orła i stratą w wysokości 20 000 000 w przypadku reszka. Daje to krzywą w kształcie litery S pokazaną na rysunku (b).

Jeśli ograniczymy naszą uwagę do dodatniej części krzywych, gdzie nachylenie maleje, to dla każdej loterii L użyteczność zmierzenia się z tą loterią jest mniejsza niż użyteczność otrzymania oczekiwanej wartości pieniężnej loterii jako pewna rzecz:

U(L) <U(_SEMV(L)) :

Oznacza to, że agenci z krzywymi w tym kształcie mają awersję do ryzyka: wolą pewne rzeczy, których wypłata jest mniejsza niż oczekiwana wartość pieniężna zakładu. Z drugiej strony, w „rozpaczliwym” regionie na ogół ujemnym bogactwem na rysunku (b), zachowanie to poszukiwanie ryzyka. Wartość, jaką agent zaakceptuje zamiast loterii, nazywana jest ekwiwalentem pewności loterii. Badania wykazały, że większość ludzi zaakceptuje około 400 USD zamiast zakładu, który daje 1000 USD w połowie czasu, a 0 USD w drugiej połowie — to znaczy, że odpowiednik loterii wynosi 400 USD, podczas gdy EMV wynosi 500 USD. Różnica między EMV loterii a jej ekwiwalentem pewności nazywana jest składką ubezpieczeniową. Awersja do ryzyka jest podstawą branży ubezpieczeniowej, ponieważ oznacza to, że składki ubezpieczeniowe są dodatnie. Ludzie woleliby zapłacić niewielką składkę ubezpieczeniową, niż postawić cenę swojego domu na wypadek pożaru. Z punktu widzenia firmy ubezpieczeniowej cena domu jest bardzo niska w porównaniu z całkowitymi rezerwami firmy. Oznacza to, że krzywa użyteczności ubezpieczyciela jest w przybliżeniu liniowa na tak małym regionie, a hazard prawie nic nie kosztuje firmę. Zauważ, że w przypadku niewielkich zmian bogactwa w stosunku do obecnego bogactwa, prawie każda krzywa będzie w przybliżeniu liniowa. Mówi się, że agent, który ma krzywą liniową, jest neutralny pod względem ryzyka. W przypadku zakładów na małe sumy oczekujemy zatem neutralności ryzyka. W pewnym sensie uzasadnia to uproszczoną procedurę, która proponowała małe zakłady do oceny prawdopodobieństw i uzasadnienia aksjomatów prawdopodobieństwa

Jak omówiliśmy w innych sekcjach, istnieje wiele miejsc pracy, które prawdopodobnie zostaną w przyszłości zastąpione technologiami sztucznej inteligencji. Jednak wciąż istnieje wiele kategorii prac, które nie nadają się do wykonywania przez roboty. Badanie przeprowadzone przez Oxford Martin School podzieliło zadania, które rzadziej zostaną zastąpione robotami, na trzy podstawowe kategorie, które wymieniono poniżej z przykładami: 1. Zadania wymagające praktycznej manipulacji

•  Chirurdzy jamy ustnej

•  Makijażyści

•  Kręgarze

•  Strażacy

2. Zadania wymagające kreatywności

•  Choreografowie

•  Kuratorzy

•  Dyrektorzy artystyczni

3. Oferty pracy wymagające postrzegania społecznego

•  Pracownicy zdrowia psychicznego

•  Duchowieństwo

•  Pielęgniarki

•  Trenerzy i skauci

W każdej z kategorii znajduje się również szereg innych umiejętności i zawodów, które nie zostały tutaj wymienione. To badanie jest tylko jednym przykładem analizy rodzajów zadań, które trudno byłoby zastąpić robotami. Na podstawie własnych obserwacji zidentyfikowałem kilka dodatkowych czynników, które utrudniają automatyzację niektórych zadań, do których należą:

1. Zadania, które nie angażują dużych ilości danych: Żadne z zadań wymienionych w trzech powyższych kategoriach nie zajmuje się analizą lub zbieraniem dużych ilości danych. W przeciwieństwie do tego, weź pod uwagę rodzaj pracy wykonywanej przez kogoś w sektorze finansowym, w którym liczby i trendy są dużą częścią codziennych zadań. Oczywiście nie oznacza to, że wszystkie miejsca pracy w dziedzinie takiej jak finanse zostaną utracone przez technologie AI; po prostu łatwiej będzie je wymienić niż te, które nie zajmują się danymi. Ponadto wdrożenie narzędzi AI gromadzących i analizujących dane może tworzyć nowe rodzaje zadań, które jeszcze nie istnieją.

2. Praca oparta na kontaktach międzyludzkich: Każde z wyżej wymienionych zadań wymaga pewnego stopnia komunikacji interpersonalnej. To zawsze będzie obszar, w którym ludzie będą lepsi od systemów AI. Z tego powodu rozwijanie silnych umiejętności komunikacyjnych prawdopodobnie podniesie twoją wartość na rynkach pracy dla tego rodzaju zawodów w przyszłości.

3. Zadania, które mają minimalną liczbę powtórzeń lub rutynę: ponieważ powtarzalne zadania są jedną z rzeczy, które wyróżniają się w robotach, zadania, które różnią się znacznie z dnia na dzień, rzadziej mogą zostać zastąpione przez technologie AI.

4. Zadania trudne do nauczenia się poprzez prostą obserwację: narzędzia AI polegają na monitorach i kamerach w celu gromadzenia danych i uczenia się. Dlatego zadania wymagające wysokiego poziomu intuicji lub elastyczności będą trudniejsze do zastąpienia. Poświęć chwilę na rozważenie tych czterech czynników, zastanawiając się nad kilkoma zawodami i miejscem, w którym mogą wylądować na skalę prac, które są łatwiejsze lub trudniejsze do zastąpienia narzędziami AI. Im częściej powtórzysz to ćwiczenie, tym lepiej będziesz w stanie zrozumieć umiejętności i rynki pracy, które będą się dobrze rozwijać w przyszłości. Również zadania wymagające planowania lub myślenia między domenami są słabe nadaje się dla robotów i dlatego powinien być bardziej aktywnie promowany przez uniwersytety i inne instytucje edukacyjne. {115} Ponadto prace, które z natury są nieprzewidywalne, są zwykle trudniejsze do wykonania przez roboty. Sugeruję wszystkim, aby zastanowili się, w jaki sposób sztuczna inteligencja mogłaby być wykorzystana, aby poprawić przepływ pracy. Obejmuje to kształcenie się na temat potencjalnych zastosowań sztucznej inteligencji i testowanie różnych rozwiązań opartych na sztucznej inteligencji. Możesz również chcieć zbadać inne nowe technologie i sposoby, w jakie mogłyby one pomóc w pracy, takie jak drukowanie 3D, nanotechnologia, obliczenia kwantowe, blockchain, biotechnologia, Internet przedmiotów, rzeczywistość wirtualna i rzeczywistość rozszerzona.

Jeśli chcemy zbudować system decyzyjno-teoretyczny, który pomoże człowiekowi podejmować decyzje lub działać w jego imieniu, musimy najpierw ustalić, jaka jest funkcja użyteczności człowieka. Proces ten, często nazywany wywoływaniem preferencji, obejmuje przedstawianie wyborów człowiekowi i wykorzystywanie zaobserwowanych preferencji do określenia podstawowej funkcji użyteczności. Equation mówi, że nie ma skali bezwzględnej dla mediów, niemniej jednak pomocne jest ustalenie pewnej skali, w której media mogą być rejestrowane i porównywane dla konkretnego problemu. Skalę można ustalić, ustalając użyteczność dowolnych dwóch konkretnych wyników, tak jak ustalamy skalę temperatury, ustalając temperaturę zamarzania i wrzenia wody. Zazwyczaj ustalamy użyteczność „najlepszej możliwej nagrody” na U(S) = u_т i „najgorszej możliwej katastrofy” na U(S) = u_Ʇ. (Oba te wartości powinny być skończone). Znormalizowane narzędzia używają skali z u_Ʇ = 0 i u_т = 1. Przy takiej skali kibic z Anglii może przypisać przydatność 1 do zwycięstwa Anglii w mistrzostwach świata i przydatność 0 do Anglii, która nie zakwalifikuje się. Mając skalę użyteczności między u_т a u_Ʇ, możemy ocenić użyteczność dowolnej konkretnej nagrody S, prosząc agenta o wybranie między S a standardową loterią [p.u_Ʇ; (1- p);u_Ʇ]. Prawdopodobieństwo p jest korygowane, dopóki agent nie będzie obojętny między S a standardową loterią. Zakładając znormalizowane użyteczności, użyteczność S jest dana przez p. Po wykonaniu tej czynności dla każdej nagrody określane są narzędzia dla wszystkich loterii obejmujących te nagrody. Załóżmy, na przykład, że chcemy wiedzieć, jak bardzo nasz fan Anglii ceni wynik Anglii, która dotarła do półfinału, a następnie przegrała. Porównujemy ten wynik do standardowej loterii z prawdopodobieństwem p wygrania trofeum i prawdopodobieństwem 1􀀀 p haniebnej porażki. Jeśli jest obojętność przy p=0:3, to 0,3 jest wartością dotarcia do półfinału, a następnie przegranej. W przypadku problemów medycznych, transportowych, środowiskowych i innych problemów decyzyjnych stawką jest życie ludzi. (Tak, są rzeczy ważniejsze niż losy Anglii w Pucharze Świata.) W takich przypadkach, u? to wartość przypisana do natychmiastowej śmierci (lub w najgorszych przypadkach wielu zgonów). Chociaż nikt nie czuje się komfortowo, doceniając ludzkie życie, faktem jest, że w sprawach życia i śmierci zawsze dokonuje się kompromisów. Samoloty są poddawane gruntownemu remontowi w odstępach czasu, a nie po każdej podróży. Samochody są produkowane w taki sposób, aby równoważyć koszty ze wskaźnikiem przeżycia wypadków. Tolerujemy poziom zanieczyszczenia powietrza, który zabija cztery miliony ludzi rocznie.

Paradoksalnie odmowa nadania życiu wartości pieniężnej może oznaczać, że życie jest niedowartościowane. Ross Shachter opisuje agencję rządową, która zleciła badanie dotyczące usuwania azbestu ze szkół. Analitycy decyzyjni przeprowadzający badanie przyjęli określoną wartość w dolarach za życie dziecka w wieku szkolnym i argumentowali, że racjonalnym wyborem przy tym założeniu jest usunięcie azbestu. Agencja, moralnie oburzona ideą ustalania wartości życia, od razu odrzuciła raport. Następnie zrezygnował z usuwania azbestu – domyślnie zapewniając niższą wartość życia dziecka niż przypisywana przez analityków. Obecnie kilka agencji rządu USA, w tym Agencja Ochrony Środowiska, Agencja ds. Żywności i Leków oraz Departament Transportu, wykorzystuje wartość statystycznego życia do określenia kosztów i korzyści regulacji i interwencji. Typowe wartości w 2019 roku to około 10 milionów dolarów. Podjęto pewne próby ustalenia wartości, jaką ludzie przywiązują do własnego życia. Jedną z powszechnych „waluty” używaną w analizie medycznej i bezpieczeństwa jest mikromort, czyli jedna na milion szansy na śmierć. Jeśli zapytasz ludzi, ile zapłaciliby, aby uniknąć ryzyka – na przykład, aby uniknąć gry w rosyjską ruletkę z rewolwerem z milionem luf – odpowiedzą z bardzo dużymi liczbami, być może dziesiątkami tysięcy dolarów, ale ich rzeczywiste zachowanie odzwierciedla znacznie niższą wartość pieniężną mikromorta. Na przykład w Wielkiej Brytanii jazda samochodem przez 230 mil wiąże się z ryzykiem jednego mikromorta. W ciągu całego życia Twojego samochodu – powiedzmy, 92 000 mil – to 400 mikromortów. Wydaje się, że ludzie są gotowi zapłacić około 12 000 dolarów więcej za bezpieczniejszy samochód, który zmniejsza o połowę ryzyko śmierci. Tak więc ich akcja kupna samochodów mówi, że mają wartość 60 USD za mikromort. Szereg badań potwierdziło wartość w tym zakresie dla wielu osób i rodzajów ryzyka. Jednak agencje rządowe, takie jak Departament Transportu USA, zwykle ustalają niższą liczbę; wydadzą tylko około 6 dolarów na naprawy dróg na spodziewane uratowane życie. Oczywiście te obliczenia dotyczą tylko niewielkich ryzyk. Większość ludzi nie zgodzi się na samobójstwo, nawet za 60 milionów dolarów. Inną miarą jest QALY, czyli rok życia skorygowany o jakość. Pacjenci są skłonni zaakceptować krótszą średnią długość życia, aby uniknąć niepełnosprawności. Na przykład, chorym na nerki średnio jest obojętne, czy przeżyją dwa lata na dializie, a jeden rok w pełnym zdrowiu.