Praca
YOSSI SHEFFI
Dyrektor MIT Center for Transportation and Logistics
Wraz z pojawieniem się nowych technologii w zakresie automatyzacji i sztucznej inteligencji osoby, zespoły i organizacje będą potrzebować nowych narzędzi, aby zwiększyć swoją produktywność. Narzędzia te muszą umożliwiać pracownikom, zespołom i menedżerom współpracę zarówno ze sobą, jak i z technologią. Rozważania nad rolą ludzi w przepływie pracy pozwalają wyodrębnić cztery kategorie narzędzi, które pomogą specjalistom identyfikować, analizować i zalecać kierunki działań w globalnej sieci powiązanych ze sobą łańcuchów dostaw.
Cykle uczenia się, czyli współpraca między ludźmi a sztuczną inteligencją
Narzędzia, których ludzie będą potrzebować do pracy z maszynami, będą zależały od roli, jaką człowiek będzie w przyszłości odgrywał w gospodarce, oraz od tego, w jaki sposób narzędzia te będą mogły poprawić jego współpracę ze sztuczną inteligencją i automatyką. W artykule zamieszczonym w czasopiśmie „Harvard Business Review” dwaj dyrektorzy z firmy Accenture opisują pięć zasad, które mogą pomóc firmom zoptymalizować współpracę człowieka ze sztuczną inteligencją. Zasady te są następujące: przeprojektowanie procesów biznesowych, wspieranie eksperymentowania w zespołach, aktywne kierowanie strategią sztucznej inteligencji, odpowiedzialne gromadzenie danych oraz przeorganizowanie pracy w celu włączenia do niej sztucznej inteligencji i stymulowania umiejętności pracowników.
Aby przystąpić do wdrażania opisanych zasad, należy najpierw przeanalizować przepływ działań w firmie. Różni eksperci opracowali modele teoretyczne koncentrujące się na ludziach i organizacjach w celu poprawy efektywności procesów. Wiele z tych scenariuszy zawiera powtarzającą się sekwencję kroków ─ czyli cykl ─ która obejmuje zbieranie danych na temat sytuacji, opracowywanie planów, podejmowanie działań oraz gromadzenie informacji dotyczących wyników.
W kontekście sztucznej inteligencji i automatyki ważne jest pytanie o to, jaką rolę powinni odgrywać ludzie i maszyny w cyklach kontrolowanego uczenia się. Na przykład człowiek może być w pełni zaangażowany w cykl, kiedy musi wykonać jeden lub więcej podstawowych kroków za każdym razem, gdy wykonywane jest określone zadanie. Na drugim krańcu znajduje się maszyna, która jest w stanie automatycznie przetwarzać większość kroków rutynowych zadań i tylko w wyjątkowych – anomalnych lub złożonych – przypadkach wymaga udziału człowieka. Taki proces może być wykonywany przez 24 godziny na dobę 7 dni w tygodniu dla większości działań i obsługiwać zaledwie ich część w godzinach pracy człowieka.
W jeszcze bardziej zaawansowanych przykładach automatyzacji człowiek mógłby jedynie obserwować cykle uczenia się na panelu nawigacyjnym i je analizować, a ingerować w proces wyłącznie w momencie wystąpienia problemu. Udział człowieka może także mieć miejsce tylko na wyższym poziomie, na przykład w przypadku projektowania w pełni autonomicznych systemów, które pracują w sposób ciągły i wymagają jedynie sporadycznych ingerencji podczas działania.
Światło w czarnej skrzynce sztucznej inteligencji
Wiele systemów uczenia maszynowego działa jak nieprzeniknione czarne skrzynki: dostarcza odpowiedzi bez żadnego wyjaśnienia, dlaczego oprogramowanie wybrało tę akurat odpowiedź. Brak argumentacji ze strony sztucznej inteligencji stanowi barierę zarówno dla wdrożenia, jak i dla skutecznego wykorzystania systemów uczenia głębokiego, ponieważ wyjaśnienie odgrywa trzy kluczowe funkcje w każdym procesie decyzyjnym. Po pierwsze, potrzebne są powody, aby przekonać interesariuszy, że odpowiedź sztucznej inteligencji jest właściwa. Po drugie, niezbędna jest argumentacja, aby sprawdzić lub zweryfikować odpowiedź sztucznej inteligencji: czy AI nie używa budzącej wątpliwości logiki lub danych? Po trzecie, wyjaśnienie jest przydatne, ponieważ ludzie, aby móc uczyć się od sztucznej inteligencji, potrzebują nie tylko odpowiedzi, ale także jej uzasadnienia.
Aby rozwiązać problem czarnej skrzynki sztucznej inteligencji, naukowcy i inżynierowie pracują nad nową klasą systemów uczenia maszynowego, znaną jako wyjaśnialna sztuczna inteligencja (XAI). Systemy uczenia maszynowego XAI generują odpowiedzi, ale również wyjaśnienia. Badania nad wyjaśnialną sztuczną inteligencją przyniosły zmiany w samym modelu uczenia maszynowego, a także analizę psychologiczną mającą na celu ustalenie, jakiego rodzaju wyjaśnienia ludzie potrzebowaliby lub oczekiwaliby, aby jak najlepiej wykorzystać system.
Cyfrowe bliźniaki w zarządzaniu i symulacji
Ponieważ środowisko biznesowe, łańcuchy dostaw i technologia stają się coraz bardziej złożone, ludzie potrzebują więcej narzędzi, które pozwolą im zrozumieć istniejący system oraz bezpiecznie eksperymentować z proponowanymi decyzjami, taktykami i strategiami. Cyfrowy bliźniak jest technologią, która wszystko to umożliwia. Stanowi dokładną, realistyczną cyfrową replikę fizycznego przedmiotu, procesu lub systemu, np. urządzenia, środka transportu, fabryki, magazynu, firmy, a nawet całego łańcucha dostaw. Jest to jednak coś więcej niż tylko wirtualne odzwierciedlenie zasobu, ponieważ dany zasób jest połączony ze swoim cyfrowym odwzorowaniem, aby mogło ono być na bieżąco aktualizowane zgodnie z rzeczywistymi warunkami.
Cyfrowy bliźniak to technologia, która wykorzystuje rodzaj uczenia maszynowego znany jako uczenie przez wzmacnianie, które opiera się na metodzie prób i błędów
Cyfrowe bliźniaki mogą posłużyć do wizualizowania i monitorowania wydajności fizycznego systemu. Są one również wykorzystywane do szkolenia pracowników w zakresie podstawowych czynności i rozwiązywania problemów. Firmy mogą tworzyć wiele kopii cyfrowego bliźniaka w celu symulowania i porównywania skutków zmienności, różnych scenariuszy, sytuacji awaryjnych lub proponowanych zmian w przedmiocie bądź w sposobie jego użytkowania.
Technologia ta umożliwia również wykorzystanie rodzaju uczenia maszynowego znanego jako uczenie przez wzmacnianie, które opiera się na metodzie prób i błędów. Sztuczna inteligencja próbuje różnych działań i jest „nagradzana” lub „karana” w zależności od uzyskanych wyników. Kopie cyfrowego bliźniaka mogą zapewnić symulowane realistyczne środowisko do celów takiego uczenia.
Lepsze interfejsy i narzędzia do współpracy
Interfejsy człowiek – maszyna są istotnym elementem współpracy ludzi i robotów. Postępy w dziedzinie bardzo szybkich, energooszczędnych i tanich komputerów mobilnych, wyświetlaczy i kamer umożliwiają tworzenie nowych interfejsów komputerowych, które tworzą scenariusze rzeczywistości rozszerzonej (AR) i wirtualnej (VR).
W przypadku rzeczywistości rozszerzonej użytkownik zakłada inteligentne okulary, a urządzenie mobilne generuje dane cyfrowe i nakłada je na jego pole widzenia. System AR wizualnie łączy przedmiot fizyczny i powiązane z nim dane cyfrowe na dwa sposoby. W pierwszym AR nakłada dane cyfrowe na fizyczne otoczenie użytkownika, np. osoba może widzieć rzeczywistą maszynę i nałożone na nią trendy wydajności, komunikaty o błędach, instrukcje obsługi, programy itp. W drugim sposobie wiele systemów AR rejestruje fizyczną przestrzeń i przedmioty (np. lokalizację produktów lub ich ilość w pojemnikach) oraz wykonywane czynności (np. podnoszenie przedmiotu lub wykonywanie zadania konserwacyjnego). Te dwa aspekty rzeczywistości rozszerzonej zapewniają synchronizację fizycznego przedmiotu i jego cyfrowego bliźniaka.
W przypadku rzeczywistości rozszerzonej użytkownik zakłada inteligentne okulary, a urządzenie mobilne generuje dane cyfrowe i nakłada je na jego pole widzenia
Natomiast rzeczywistość wirtualna w pełni zastępuje rzeczywiste pole widzenia użytkownika widokiem wygenerowanego przez komputer cyfrowego świata. Technologia ta kreuje całkowicie sztuczny świat lub za pomocą kopii cyfrowego bliźniaka tworzy immersyjne symulacje wykorzystywane w inżynierii, szkoleniach, obsłudze klienta i badaniu hipotez. Wirtualna rzeczywistość wspiera również pracę zdalną i teleobecność poprzez wyświetlacze, które przesyłają na żywo dane z kamery z odległego miejsca. Innym zastosowaniem jest wirtualna rzeczywistość wielu użytkowników, która może zapewnić funkcjonalność współpracy fizycznie oddalonym od siebie pracownikom i rozmówcom. Takie wirtualne interfejsy mogą być przydatne w kontekście globalnego łańcucha dostaw lub w miejscach pracy, w których zgromadzenie wszystkich ekspertów lub interesariuszy w jednym miejscu jest zbyt kosztowne lub czasochłonne.
Demokratyzacja narzędzi
Podstawowym trendem w informatyce i zaawansowanych technologiach jest „pozbywanie się kwalifikacji”, które ma miejsce w automatyzacji i systemach opartych na sztucznej inteligencji, dzięki czemu coraz więcej aspektów wykorzystywania tych technologii jest dostępnych dla szerszego grona osób. W ten sposób automatyzacja i sztuczna inteligencja umożliwią pracownikom przejście na pracę wspomaganą oprogramowaniem, na którą w przyszłości będzie większe zapotrzebowanie.
Jedna z kategorii tych łatwych w użyciu narzędzi ma na celu pomóc pracownikom w tworzeniu własnych zautomatyzowanych procesów bez konieczności pisania kodu programu. Pracownik wykonuje rutynowe zadanie na komputerze, podczas gdy narzędzie rejestruje sekwencję kroków. Narzędzie jest następnie w stanie stworzyć zrobotyzowany proces, który powtarza te kroki dla przyszłych instancji tego samego zadania.
Inna kategoria obejmuje tak zwane platformy programistyczne low-code i no-code. Wykorzystują one narzędzia do projektowania graficznego oraz zestawy gotowych szablonów i modułów, umożliwiając osobom niebędącym programistami tworzenie oprogramowania, aplikacji mobilnych i stron internetowych bez konieczności nauki języka programowania. Platformy do tworzenia kodu mogą wykorzystywać uczenie maszynowe i uczyć się na ogromnej ilości istniejącego oprogramowania.
Generatywna sztuczna inteligencja natomiast może tworzyć kod na podstawie prostego opisu tekstowego tego, co ten kod powinien robić. Dzięki tym systemom osoby niebędące programistami mogą napisać, jakiego działania oczekują, a sztuczna inteligencja stworzy kod pasujący do tego opisu.
Podczas gdy generatywna sztuczna inteligencja może obniżyć poziom umiejętności niezbędny do tworzenia oprogramowania, pozbawiając możliwości pracy programistów, przyniesie korzyści ekspertom w danej dziedzinie, którzy będą mogli samodzielnie tworzyć specjalistyczne oprogramowanie. W 2021 roku firma konsultingowa Gartner przewidywała, że do 2024 roku aż 80% produktów i usług technologicznych będzie opracowywanych przez specjalistów spoza branży IT. Możliwe jest zatem, że sformułowanie „85 milionów miejsc pracy utraconych, 97 milionów miejsc pracy zyskanych” (podsumowujące wpływ automatyzacji na zatrudnienie) mówi więcej o tym, co ludzie będą robili w pracy, niż o tym, czy będą mieli pracę.
Przypisy
- Wilson, H. James, and Paul R. Daugherty. 2019. Collaborative Intelligence: Humans and AI Are Joining Forces. Harvard Business Review. 4 kwietnia, 2019.
- Turek, Matt. 2018. Explainable Artificial Intelligence. Darpa.mil. 2018.
- Gartner Says the Majority of Technology Products and Services Will Be Built by Professionals Outside of IT by 2024. n.d. Gartner.
Dr Yossi Sheffi jest wykładowcą inżynierii systemów w Massachusetts Institute of Technology (MIT) w USA, gdzie pełni funkcję dyrektora MIT Center for Transportation and Logistics.
Na podstawie: Yossi Sheffi, The Magic Conveyor Belt: Supply Chains, A.I., and the Future of Work, publicado por MIT CTL Media, copyright 2023.