در واقع، این‌‌‌ یک چالش اساسی در توسعه یادگیری ماشینی به ‌‌‌حساب می‌‌‌آید، چراکه وجود اهداف و کارکردهای گوناگون باعث می‌شود تا به فن‌‌‌های آموزشی متفاوتی نیاز باشد. به‌‌‌طور کلی، سه نوع یادگیری در یادگیری ماشینی وجود دارد: یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویت‌‌‌شده. در یادگیری تحت نظارت، هوش مصنوعی خاصی تولید می‌شود که دست‌‌‌ به ‌‌‌کارهایی مانند کشف هالی‌‌‌سین می‌‌‌زند. در پروژه هالی‌‌‌سین، محققان خواستند آنتی‌‌‌بیوتیک‌‌‌های جدیدی را شناسایی کنند و به این منظور از یک بانک اطلاعاتی بزرگ مربوط به دو‌هزار مولکول برای آموزش دادن به مدلی استفاده کردند که ساختار مولکولی را به‌‌‌عنوان ورودی مورد استفاده قرار داد. خروجی‌‌‌اش هم شد اثربخشی آنتی‌‌‌بیوتیک جدیدی که هوش مصنوعی به آن دست‌‌‌ یافت. این نمونه‌‌‌ای بود از یادگیری تحت نظارت انسان، چراکه در اینجا مجموعه اطلاعات مرتبط با ساختارهای مولکولی توسط محققان در اختیار هوش مصنوعی قرار گرفت.

به ‌‌‌طور کلی، محققان از تکنیک‌‌‌های یادگیری تحت نظارت برای اهداف مختلفی همچون تشخیص تصاویر استفاده می‌کنند و برای این کار در ابتدا یکسری تصاویر از قبل نام‌گذاری شده را به هوش مصنوعی آموزش می‌دهند و ارتباط بین آن تصاویر و برچسب‌‌‌هایی را که به آن داده می‌شود مشخص می‌کنند. مثلا همراه با نشان دادن تصاویر گربه‌‌‌های مختلف، عنوان «گربه» را هم به آن اضافه می‌کنند و در اینجا هوش مصنوعی می‌تواند با برقراری ارتباط بین تصاویر و برچسب‌‌‌ها تصاویر جدید را نیز به‌‌‌درستی شناسایی کند و این همان قابلیت پیش‌بینی خروجی‌‌‌ها از طریق آموزش دادن ورودی‌‌‌ها با یادگیری تحت نظارت است. در یادگیری بدون نظارت اما تمام مجموعه اطلاعات به‌‌‌طور کامل در اختیار هوش مصنوعی قرار داده نمی‌شود، بلکه تنها عصاره و شاکله اصلی دیتای موردنیاز ارائه می‌شود و این خود هوش مصنوعی است که از طریق اینترنت و دستیابی به انبوهی از اطلاعات دیجیتالی بقیه دیتای موردنیازش را استخراج می‌کند. امروزه بازاریابان به حجم عظیمی از اطلاعات مشتریان دسترسی دارند، زیست‌شناسان یک بانک اطلاعاتی غنی در مورد دی‌ان‌ای در اختیار دارند و بانکداران نیز اطلاعات کاملی از معاملات و مبادلات مالی مشتریانشان در دست دارند. بنابراین اگر یک بازاریاب بخواهد مشتریان مورد نظرش را بهتر و دقیق‌‌‌تر بشناسد یا یک بانکدار بخواهد معاملات مشکوک مشتریانش را ردیابی کند می‌تواند از طریق یادگیری بدون نظارت هوش مصنوعی به خواسته‌‌‌اش برسد.  

در واقع، یادگیری بدون نظارت این امکان را به هوش مصنوعی می‌دهد تا خودش و بدون محدود بودن به خروجی خاصی اقدام به شناسایی الگوهایی خاص یا غیرعادی کند و در این مسیر فقط به ورودی مورد نظر خودش توجه دارد. در این نوع یادگیری تاکید زیادی بر روی تشخیص و سنجش مشابهت‌‌‌های موجود بین دیتای مختلف وجود دارد. به ‌‌‌عنوان ‌‌‌مثال، سرویس‌‌‌های ارائه‌‌‌دهنده خدمات ویدئویی از الگوریتم‌‌‌هایی استفاده می‌کنند که قادرند مشتریانی با عادات و سلایق مشابهی برای تماشای ویدئوهایی خاص را دسته‌‌‌بندی کنند و پس‌‌‌ از آن بر اساس اولویت‌‌‌ها و علاقه‌‌‌مندی‌‌‌هایشان، تماشای یکسری ویدئوهای دیگر را نیز به آنها پیشنهاد دهند. در اینجا به این دلیل که تمرکز هوش مصنوعی بر روی ورودی و نه خروجی است، این امکان به وجود می‌‌‌آید تا پیش‌بینی درست و دقیقی از واکنش بینندگان ویدئوها صورت پذیرد. این همان کاری است که انسان‌‌‌ها قادر به انجامش نیستند، چراکه تمرکز و توجه انسان به‌‌‌طور ناخواسته به سمت خروجی و نتایج منحرف می‌شود. با این ‌‌‌همه، باید دانست که هم در یادگیری تحت نظارت و هم در یادگیری بدون نظارت عمده تمرکز هوش مصنوعی بر روی استفاده مجموعه‌‌‌ای از داده‌‌‌ها و اطلاعات برای انجام وظایفی خاص مانند کشف روندها، تشخیص تصاویر و پیش‌بینی کردن است.

اما محققان به فراسوی تحلیل داده‌‌‌ها توسط هوش مصنوعی می‌‌‌نگرند و می‌‌‌کوشند تا هوش مصنوعی را به‌‌‌گونه‌‌‌ای آموزش دهند که بتواند در محیط‌‌‌های پویا و متفاوت قادر به عمل باشد. همین‌‌‌جاست که سومین نوع یادگیری ماشینی یعنی یادگیری تقویت‌‌‌شده موضوعیت پیدا می‌کند.  در یادگیری تقویت‌‌‌شده، هوش مصنوعی نقشی ایستا ندارد و فقط اقدام به شناسایی روابط موجود در درون دیتا نمی‌‌‌کند بلکه یک «عامل» در یک محیط کنترل‌‌‌شده است که تمام واکنش‌‌‌ها نسبت به فعالیت‌‌‌هایش را ضبط کرده و با دقت آنها را زیر نظر می‌گیرد. در واقع، فلسفه وجودی یادگیری تقویت‌‌‌شده از آنجا سرچشمه می‌گیرد که هدایت هوش مصنوعی برای خودآموزی در یک محیط مصنوعی و تحت کنترل به‌‌‌تنهایی نمی‌تواند به کسب بهترین عملکرد ممکن منتهی شود و در این میان به بازخوردگیری نیز نیاز هست.

از طریق همین بازخوردگیری است که هوش مصنوعی می‌‌‌فهمد روش‌های مورد استفاده‌‌‌اش تا چه حد موفقیت‌‌‌آمیز و موثر بوده‌‌‌اند. خوشبختانه هوش مصنوعی این قابلیت را دارد تا طی چند ساعت یا نهایتا چند روز، هزاران بار و حتی میلیون‌‌‌ها بار به خودش آموزش دهد و در قبال عملکردش بازخورد دریافت کند و در این میان واقعیت را کشف کرده و موثرترین و بهترین تصمیمات را بگیرد.

نقش انسان در یادگیری ماشینی تقویت‌‌‌شده عبارت است از تعریف یکسری شبیه‌‌‌سازی‌‌‌ها و سیستم‌های پاداش‌‌‌دهی که به‌‌‌عنوان مبنای یادگیری و خودآموزی هوش مصنوعی عمل می‌کنند و عملکرد نهایی هوش مصنوعی را به میزان زیادی بهبود می‌‌‌بخشند.

با گسترش روزافزون یادگیری ماشینی و عمیق‌‌‌تر شدن این روند شرایط به‌‌‌گونه‌‌‌ای در حال رقم خوردن است که کاربردهای جدیدی برای هوش مصنوعی تعریف ‌‌‌شده و می‌شود. امروزه از هوش مصنوعی برای تسهیل و کنترل بهینه سم‌‌‌پاشی در مزارع، شناسایی آفات و بیماری‌‌‌های محصولات زراعی و پیش‌بینی میزان برداشت محصول استفاده می‌شود. در علم پزشکی نیز هوش مصنوعی به ما کمک می‌کند تا داروهای جدیدی را کشف کنیم و کاربردهای جدیدی را برای داروهای موجود بیابیم و شناسایی و پیش‌بینی بیماری‌‌‌هایی را که ممکن است در آینده گریبان افراد را بگیرد به شکل بهتری انجام دهیم. به‌‌‌ عنوان ‌‌‌مثال، هوش مصنوعی این توان را دارد تا بسیار بهتر و زودتر از انسان علائم اولیه سرطان پستان را تشخیص دهد و با آنالیز شاخص‌‌‌های رادیولوژی خیلی زود به کمک کسانی بشتابد که ممکن است در آینده گرفتار این بیماری شوند. در دنیای مالی و بانکداری نیز هوش مصنوعی می‌تواند بسیار کمک‌‌‌کننده و اثربخش باشد، به‌‌‌طوری که این قابلیت را دارد تا فرآیندهایی مانند تایید یا رد درخواست‌‌‌های وام، ادغام شرکت‌ها در هم، اعلام به‌‌‌موقع ورشکستگی و انجام انواع معاملات و مبادلات مالی را به‌‌‌خوبی بر عهده بگیرد.

پژوهش دیگری  پی برد که ۹۵‌درصد از نوجوانان آمریکایی داشتن شغلی در بزرگسالی که از آن لذت ببرند را به شدت مهم یا بسیار مهم دانستند. داشتن شغلی رضایت‌‌‌بخش، بیش از هر اولویت دیگری رده‌‌‌بندی شده است؛ حتی مهم‌تر از کسب پول و کمک به نیازمندان. برای متخصصان و حرفه‌‌‌ای‌‌‌ترین فعالان بازار کار، شغل ماهیتی شبیه به مذهب گرفته است؛ از طریق آن به جز کسب درآمد، راهی برای کسب هویت، معنا، هدفمندی و ارتباط با جهان پیدا می‌‌‌کنند.

دِرک تامپسون، روزنامه‌‌‌نگار این پدیده را شبیه به بسیاری از ایسم‌‌‌ها و ایدئولوژی‌‌‌های دیگر ورکیسم (workism) نام نهاده است. یک ورکیست همان‌طور به دنبال معنای زندگی در کار می‌‌‌گردد که یک فرد مذهبی از دین و باورهایش.

 به نظر تامپسون، ارزش و ماهیت کار در طول قرن بیستم به تدریج تکامل یافته و تبدیل به ابزاری برای خودشناسی و هستی‌‌‌شناسی شده است. شاید نیز بتوان آن را نوعی اعتیاد به کار تعریف کرد.

بررسی‌‌‌های من نشان از شرایط مختلفی در ماهیت کار در عصر جاری دارد. به عنوان مثال، با آنکه ورکیسم در ایالات متحده پررنگ‌‌‌تر است، در سایر نقاط جهان نیز می‌توان آن را دید. ورکیسم همچنین در کشورهای ثروتمندتر رواج بیشتری دارد؛ هرچند در جوامع کم‌‌‌بهره‌‌‌تر نیز رد پایش مشاهده می‌شود.

سومین ویژگی شاخص ورکیسم، رواج گسترده‌‌‌تر آن در نسل‌‌‌های جدید  (مانند نسل من) است. چنین نگاه معناداری به کار، دست‌‌‌کم در بین پدربزرگ‌‌‌ها و مادربزرگ‌‌‌هایمان بسیار کمرنگ‌‌‌تر بوده است.

ایدئولوژی مدرن ورکیسم دو هدف متمایز برای مشاغل نام می‌‌‌برد؛ یکی پول و دیگری رضایت درونی. این اهداف همواره با یکدیگر انطباق ندارند و با این حال انتظار داریم که مشاغل‌‌‌مان هر دو را به ارمغان آورد. لازم است مختصری درباره تاریخچه خانواده خودم بگویم تا شناخت بیشتری از من به دست آورید. مادربزرگم ۳۰سال یک کافی‌‌‌شاپ را اداره می‌‌‌کرد و با این حال، همواره آن را فقط شغلی برای کسب درآمد می‌‌‌دانست. مادرم که اصالتا ایتالیایی بود و پس از ازدواج به آمریکا مهاجرت کرد، تحصیلات روان‌شناسی داشت. او نیز شغل مشاوره خود را فقط راهی برای امرار معاش می‌‌‌دانست. پدرم تنها کسی بود که از شغل خود هویت گرفته بود. او نیز روان‌شناس بود و شغل را راهی برای انجام وظیفه اجتماعی تلقی می‌‌‌کرد. می‌‌‌خواست تا زمانی که نام مراجعانش را به یاد می‌‌‌آورد، به درمان روانی آنها بپردازد. حتی در دوران فراگیری کرونا نیز هر زمان که فرصت می‌‌‌کرد، به دفتر کارش می‌‌‌رفت.

نام خودم سیمون است و من نیز معتاد به کار هستم. دست‌‌‌کم هنوز در حال ترک و بهبود هستم. در طول زندگی، رویای شغل‌‌‌های زیادی را در سر پرورانده‌‌‌ام. می‌‌‌خواستم روزنامه‌‌‌نگار شوم، یا طراح، وکیل، دیپلمات، شاعر و بازیکن تیم بیس‌‌‌بال جاینتز سن‌‌‌فرانسیسکو. انگار در طول دوران کاری‌‌‌ام دنبال شغلی می‌‌‌گشتم که مانند یک نیمه گمشده باشد؛ شغلی که نه فقط برای پرداخت مخارج باشد بلکه مرا تکمیل کند یا تجلی شخصیت و هویت واقعی‌‌‌ام باشد.

البته قرار نیست این کتاب تبدیل به زندگی‌‌‌نامه و کتاب خاطراتم شود. می‌‌‌خواهم به بررسی این موضوع بپردازم که چرا کار تا این اندازه برای من و بسیاری از افراد دیگر، بخش اصلی هویت شده است. من با بیش از صد شاغل (از وکلای شرکتی در منهتن گرفته تا راهنمایان کایاک‌‌‌سواری در آلاسکا، از والدین خانه‌‌‌دار در کپنهاگ تا کارگران رستوران‌‌‌های فست‌‌‌فود در کالیفرنیا) به مصاحبه پرداختم تا ۹ فردی را انتخاب کنم که فصل‌‌‌های نه‌‌‌گانه این کتاب تمرکز بیشتری بر زندگی و روایت‌‌‌های آنها دارد. تصمیم گرفتم که تمرکز خود را بر روایت‌‌‌های کارکنان اداری ایالات متحده (موسوم به یقه‌‌‌سفیدها) بگذارم. ترجیح کارکنان اداری به کارکنان فنی و عملیاتی به دو دلیل بود:

نخست: ایالات متحده در میانه یک روند گسترده ملی است که برخلاف روندهای تاریخی و البته تصورات منطقی است. در طول تاریخ، ثروت همبستگی منفی با میزان ساعات کاری افراد داشته است. شما هر قدر که ثروت بیشتری داشتید، ساعات کمتری کار می‌‌‌کردید و دلیلش هم آزادی اقتصادی شما برای تصمیم‌گیری بود. اما در نیم قرن گذشته، برخی از پردرآمدترین شاغلان عامل بیشترین افزایش‌‌‌ها در ساعات کاری بوده‌‌‌اند. به عبارت دیگر، همان آمریکایی‌‌‌هایی که می‌توانند کمترین ساعات کاری ممکن را داشته باشند، بیش از همیشه کار می‌‌‌کنند.

دومین دلیلی که بر شاغلان یقه‌‌‌سفید تمرکز کردم، این بود که آنها به احتمال بیشتری به دنبال معنا و هویت در کار خود می‌‌‌گردند. این پدیده را می‌توان در وضعیت سایر افراد پردرآمد سطح جهان هم مشاهده کرد. از سوئد تا کره جنوبی، ثروتمندترین و تحصیل‌‌‌کرده‌‌‌ترین افراد، بیش از بقیه شغل خود را به عنوان منبع معنا نگاه می‌‌‌کنند. در حقیقت، ثروتمندترین و تحصیل‌‌‌کرده‌‌‌ترین افراد، دوبرابر کم‌‌‌درآمدترین شاغلان و افراد بدون مدرک دانشگاهی به دنبال معنای شغل هستند. شاید یکی از دلایل بسیار این پدیده، این باشد که شاغلان پردرآمد احتمال کمتری برای برخورداری از منابع معنایی دیگر (مانند مذهبی مدون) در زندگی‌‌‌شان دارند.

البته در همین زمان که فرهنگ حرفه‌‌‌ای، شغل را مانند هسته و محوری تلقی می‌‌‌کند که سایر جنبه‌‌‌های زندگی پیرامون آن می‌‌‌چرخند، اکثر شاغلان با آن هویت‌‌‌سازی نمی‌‌‌کنند. آنها فقط کار می‌‌‌کنند تا زنده بمانند. حمزه تسکیم، آشپزی که ۱۸ سال در یک رستوران پاکستانی کار کرده است، به من گفت: «کسانی که عاشق شغل خود هستند، خوشبختند. من فقط کار می‌‌‌کنم که زندگی بگذرانم.» در ایالات متحده، افراد اندکی در مقابل فرهنگ ورکیسم مصون هستند. تقریبا تمام افرادی که با آنها مصاحبه کردم، فارغ از سطح و طبقه اجتماعی‌‌‌شان، از فشار زندگی در کشوری سخن گفتند که ارزش فرد و شغل او ارتباط تنگاتنگی با یکدیگر دارد. در اینجا، سرمایه‌‌‌داری نه فقط یک نظام اقتصادی بلکه یک فلسفه اجتماعی شده است. این فلسفه می‌‌‌گوید افراد به‌‌‌اندازه خروجی‌‌‌ها و دستاوردها(ی‌اقتصادی‌‌‌شان) ارزش دارند. در ایالات متحده، بهره‌‌‌وری فراتر از یک مقیاس و ابزار سنجش است؛ بهره‌‌‌وری تبدیل به خیر اخلاقی شده است.

حالا تصور کنید این بیمارستان «دستیار پزشکی» منحصر به ‌‌‌فردی دارد که به ‌‌‌جای اینکه با ابزار و روش‌‌‌های سنتی تعلیم‌‌‌ دیده باشد، مجموعه عظیمی از کتاب‌‌‌های پزشکی، مقالات و نمونه‌‌‌های موردی را به خوردش داده‌‌‌اند. این دستیار می‌تواند با عکس رادیولوژی و تاریخچه پزشکی بیمار (که پزشک آن را در اختیارش می‌‌‌گذارد) بلافاصله فهرستی از بیماری‌‌‌های احتمالی، روش‌‌‌های درمان پیشنهادی و حتی ملاحظات مخصوص هر بیمار را پیشنهاد دهد. همچنین این دستیار می‌تواند به ناهنجاری‌‌‌های جزئی تاکید کند که ممکن است از چشم انسان دور بماند یا شرایط خاصی که ممکن است پزشک در لحظه به آن فکر نکند.

دستیار پزشکی این مثال یک ابزار هوش مصنوعی مولد است که از پایگاه داده وسیعی از منابع پزشکی استفاده می‌‌‌کند تا پیشنهادهای تخصصی بدهد. اما تکنولوژی هوش مصنوعی مولد صرفا مختص شاخه پزشکی نیست و می‌تواند در حوزه‌‌‌های متعددی به کار رود تا بر اساس مقادیر کلان داده مطالب، ایده و راه‌‌‌حل جدید پیشنهاد دهد. بر همین اساس، این قابلیت را دارد که فعالیت‌‌‌های حرفه‌‌‌ای را متحول کند. یافته‌‌‌های اخیر مکنزی نشان می‌‌‌دهد که ممکن است تا سال ۲۰۳۰، سی‌درصد از فعالیت‌‌‌های اقتصاد ایالات‌‌‌متحده آمریکا به‌‌‌صورت خودکار انجام شود؛ رقمی که پیش از ظهور هوش مصنوعی مولد ۲۱‌درصد بود. حال معنای این اتفاق برای متخصصان قدیمی‌‌‌تری که چند دهه از عمرشان را صرف کسب مهارت در حوزه خاصی کرده‌‌‌اند چیست؟

مطالعه‌‌‌ای در خصوص تاثیر هوش مصنوعی بر آینده فضای کار در اتحادیه اروپا و آمریکا، توضیح می‌‌‌دهد که کارکنان قدیمی‌‌‌تر بیش از همه در معرض هوش مصنوعی قرار دارند؛ چون هوش مصنوعی وظایفی را انجام می‌‌‌دهد که متعلق به مشاغلی است که شامل سطح بالایی از دانش و تجربه می‌‌‌شود. از آن گذشته، با اینکه تکنولوژی جدید آتیه‌‌‌دار است، می‌تواند مرعوب‌‌‌کننده باشد؛ به‌‌‌خصوص برای آنهایی که هنوز نتوانسته‌‌‌اند خودشان را با آن وفق دهند. نسل‌‌‌های قدیمی‌‌‌تر به اندازه نسل‌‌‌های جدیدتر علاقه ندارند سوار بر موج تکنولوژی شوند. به‌‌‌عنوان نمونه احتمال اینکه بزرگسالان زیر ۳۰سالی که درباره چت جی‌‌‌پی‌‌‌تی شنیده‌‌‌اند برای سرگرمی از این چت بات استفاده کنند، بسیار بیشتر از بزرگ‌‌‌سالان ۵۰سال به بالاست (۳۱درصد در مقابل ۱۶درصد).

با این ‌‌‌حال، حرفه‌‌‌ای‌‌‌های ارشدی که در حوزه تکنولوژی مهارتی ندارند، همچنان می‌توانند در این دنیای تحت‌تاثیر هوش مصنوعی سکان را به دست بگیرند و عالی عمل کنند. هوش مصنوعی برای جایگزینی نیامده، برای تکمیل آمده. شما می‌توانید از آن بهره ببرید تا تخصصتان را اهرم کنید، بینش عمیق‌‌‌تری به دست بیاورید و دیدگاه منحصربه‌‌‌فردی عرضه کنید که فقط با سال‌ها تجربه حاصل می‌‌‌شود. درست است که هوش مصنوعی قدرتمند است، اما نمی‌تواند آن ‌‌‌همه تجربه‌‌‌ای را که شما در طول سال‌ها مواجهه و تعامل مستقیم به دست آورده‌‌‌اید تقلید یا واقعا درک کند. به‌‌‌علاوه، سیستم‌‌‌های هوش مصنوعی جدید غالبا رابط کاربری آسانی دارند. گذشت آن دورانی که مجبور بودید زبان‌‌‌های برنامه‌‌‌نویسی پیچیده‌‌‌ای را یاد بگیرید. حالا می‌توانید به همان سادگی که از تلفن هوشمندتان استفاده می‌‌‌کنید، به ابزارهای تازه دسترسی داشته باشید.

پس زمان آن رسیده که ببینیم کارکنان قدیمی‌‌‌تر چگونه می‌توانند تکنولوژی را بپذیرند و در عصر هوش مصنوعی مولد شکوفا شوند.

 فرصت را مغتنم بشمار

هوش مصنوعی مولد می‌تواند در حوزه‌‌‌های زیادی سریع‌‌‌تر از اغلب متخصصان باتجربه راه‌‌‌حل ارائه دهد. چگونه؟ مشابه همان دستیاری که اطلاعات کتاب‌‌‌های پزشکی را می‌‌‌بلعید، حالا هوش مصنوعی می‌تواند الگوهای موجود در مقادیر انبوه داده  (متن، کد، تصور، موسیقی، فیلم) را تشخیص دهد و تجزیه‌‌‌ و تحلیل کند و بعد، از آن الگوها برای تولید محتوای اورجینال استفاده کند. این قابلیت در خیلی از حرفه‌‌‌ها مفید است.

 به‌‌‌عنوان نمونه، هوش مصنوعی مولد می‌تواند براساس پارامترهایی همچون مقیاس طرح، درک محیط و هدف، طرح‌‌‌های تازه‌‌‌ای به معماران پیشنهاد دهد و بعد معماران این طرح‌‌‌ها را اصلاح و کامل کنند. می‌تواند بر اساس مد، تم‌‌‌های محبوب یا جنس خاصی، الگو و پارچه و طرح کلی پوشاک جدیدی پیشنهاد دهد که بعد طراحان مد آنها را اصلاح کنند تا به طرح خود برسند.

تولید ایده اولیه کمپین، شعار تبلیغاتی یا حتی محتوای تصویری هم با هوش مصنوعی ممکن است و بازاریابان می‌توانند براساس طبقه هدف و پیام برند، پیشنهادهای هوش مصنوعی را تعدیل و تنظیم کنند. این روزها شرکت‌های بازاریابی برای سرعت بخشیدن به تحول توسعه کمپین تبلیغاتی، تولید خلاق، آگاهی و توصیه‌‌‌های متنوع به هوش مصنوعی مولد تکیه می‌‌‌کنند. طراحان گرافیک می‌توانند با دریافت ماکت‌‌‌های طرح اولیه در وقت صرفه‌‌‌جویی کنند.

اگر چند دهه سابقه کار داشته باشید، دیدگاه منحصر به ‌‌‌فردی به کارتان اضافه می‌‌‌کنید. برای سمت‌‌‌های شغلی که مستلزم تصمیم‌گیری‌‌‌های پیچیده است، ‌‌‌تجربه بسیار ارزشمند است؛ چون ممکن است ارزیابی‌‌‌های صرفا الگوریتمی ریسک‌‌‌ها یا پیشنهاد‌‌‌هایی را نادیده بگیرند که فقط افراد باتجربه می‌توانند آنها را تشخیص دهند و شاید برای مواجهه با تغییرات فاحش ناگهانی در داده (مانند رخداد فاجعه) آماده نباشند. تخصص شما این امکان را برایتان فراهم می‌‌‌کند که از داده، تفسیر مبتنی بر متن داشته باشید. شما به قوانین کسب‌‌‌وکار، استراتژی، اصول اخلاقی و سوابق موضوعی آگاهید و می‌توانید ارزیابی کنید که راه‌‌‌حل پیشنهادی مطابق استانداردهای خریدار است یا نه. هوش مصنوعی نمی‌تواند روابط پیچیده سهامداری را مدیریت کند. تجربه و دیدگاه منحصربه‌‌‌فرد شما حیاتی است. از تمام محسناتی که شما برای نقشتان به ارمغان می‌‌‌آورید فهرستی تهیه کنید و به فرصت‌‌‌هایی فکر کنید که این محسنات می‌توانند برایتان به ارمغان بیاورند. از شانس استفاده از تکنولوژی بهره ببرید تا وقتتان را آزاد کنید و روی فرصت‌‌‌های جدید تمرکز کنید.

اهداف یادگیری تعیین کنید

حالا که متوجه شده‌‌‌اید هوش مصنوعی می‌تواند چه فایده‌‌‌ای برای شغلتان داشته باشد، می‌توانید با اعمال آن در کار به مسیر خود ادامه دهید. بهترین راه برای درک اینکه سمت شغلی شما چگونه می‌تواند با تکنولوژی متحول شود، تعیین اهداف دست‌‌‌یافتنی و مشخص است. این چهار ناحیه را در اولویت قرار دهید:

  با دانش‌‌‌پایه شروع کنید. مفاهیم ابتدایی هوش مصنوعی و بستر تاریخی‌‌‌اش را یاد بگیرید. می‌توانید با دوره‌‌‌ هوش مصنوعی برای همه (AI for everyone) شروع کنید یا نگاهی به کانال هوش مصنوعی تد (TED) بیندازید تا از بعضی از ویدئوهایش ایده بگیرید.

  از موارد کاربرد روزمره آن در صنعت کاری خودتان یاد بگیرید. درک کنید که هوش مصنوعی مولد چگونه می‌تواند مدل کسب‌‌‌وکار، عملیات و استراتژی را در حوزه شما تحت‌تاثیر قرار دهد. کلمات کلیدی حوزه کاری خود را در اینترنت جست‌‌‌‌‌‌وجو کنید (برای مثال منابع انسانی و هوش مصنوعی مولد یا سرمایه‌گذاری و هوش مصنوعی مولد) تا جدیدترین گزارش‌‌‌ها و نشریات را پیدا کنید و بخوانید.

  درباره محدودیت‌‌‌های اخلاقی، ایمنی و مشکلات امنیتی تحقیق کنید تا بدانید هوش مصنوعی مولد چه کارهایی را نمی‌تواند انجام دهد و نگرانی‌‌‌های اخلاقی را همچون امنیت داده، سوگیری هوش مصنوعی، خطاهای ادراکی و محتوای تولیدی که با محتوای تولیدی توسط انسان اشتباه گرفته می‌‌‌شود بشناسید.

  جریان‌‌‌های در حال ظهور و آینده اپلیکیشن‌‌‌های هوش مصنوعی مولد را کندوکاو کنید تا خود را برای آینده آماده کنید.

 تمرین تعیین‌‌‌کننده است

بهترین راه برای درک تکنولوژی استفاده از آن است. طبق نظرسنجی جهانی مکنزی در حوزه هوش مصنوعی نسل‌‌‌های جوان‌‌‌تر بیشتر با هوش مصنوعی مولد سروکار دارند: ۵۱‌درصد از متولدین بین سال‌‌‌های ۱۹۸۱ تا ۱۹۹۶ مرتبا از این ابزار استفاده می‌‌‌کنند و ۳۶‌درصد حداقل یک‌‌‌بار آن را امتحان کرده‌‌‌اند.

در مقابل تنها ۴۴‌درصد از کسانی که سال ۱۹۶۴ یا پیش از آن به دنیا آمده‌‌‌اند مرتب از این ابزارها استفاده می‌‌‌کنند و ۳۰‌درصد تابه‌‌‌حال با آن سروکار نداشته‌‌‌اند. فقط ۱۴‌درصد از جوان‌‌‌ترین نسل شاغل در محیط کار تجربه کار با هوش مصنوعی مولد را نداشتند یا چیزی درباره‌‌‌اش نمی‌‌‌دانستند.

این عدد برای آنهایی که بین سال‌‌‌های ۱۹۶۵ تا ۱۹۸۰ به دنیا آمده‌‌‌اند تا ۲۰‌درصد بالا می‌‌‌رود و برای آنهایی که قبل از ۱۹۶۴ به دنیا آمده‌‌‌اند به ۲۷‌درصد می‌‌‌رسد. توجه به این نکته هم جالب است که‌درصد قابل ‌‌‌توجهی از هر نسلی «خارج از کار» هم مرتبا از هوش مصنوعی مولد استفاده می‌‌‌کنند

(۲۴‌درصد در نسل جوان‌‌‌تر و ۲۱‌درصد در نسل‌‌‌های قدیمی‌‌‌تر). بهترین راه آغاز کار با هوش مصنوعی مولد هم دقیقا همین است که فرصت‌‌‌های تعامل بیرون از کار را مغتنم بشمارید. فعال و پویا باشید و هوش مصنوعی را در زندگی شخصی و پروژه‌‌‌هایتان وارد کنید.  به‌‌‌این‌‌‌ترتیب تکنولوژی را از پرده ابهام درمی‌‌‌آورید و فرصت یادگیری را به خود می‌‌‌دهید که بالطبع به اعتمادبه‌‌‌نفس بیشتر برای استفاده آن در محیط کار منجر می‌‌‌شود. به‌‌‌ عنوان‌‌‌ مثال من با طراحی عکس پرسنلی برای خودم با فرآیند تولید عکس آشنا شدم. مجبور بودم برای رویدادهای گوناگونی عکسم را بفرستم و هیچ عکس جدیدی نداشتم. اصلا هم دلم نمی‌‌‌خواست دنبال آتلیه عکاسی حرفه‌‌‌ای بگردم و وقت بگیرم و تیپ بزنم و به استودیو بروم؛ پس سروکله زدن با هوش مصنوعی برای من کاربرد داشت. من از ۲ ابزار استفاده کردم: secta.ai و Try it on AI . عکس و سلفی‌های متفاوتی به آنها دادم و خروجی‌‌‌های متفاوتی گرفتم. متوجه شدم که هوش مصنوعی چقدر خلاق است. به خروجی‌‌‌هایی که هیچ شباهتی به من نداشت خندیدم و دیدم که چگونه گاهی دچار خطای شناختی می‌‌‌شود (سه بازو برایم می‌‌‌گذاشت). در نهایت ۱۰‌درصد خروجی‌‌‌ها آن‌‌‌قدر خوب بود که بتوانم با اعتمادبه‌‌‌نفس از آن استفاده کنم.

ابزارهای هوش مصنوعی جدید را که برای کارهای روزانه، سرگرمی و علاقه‌‌‌مندی‌‌‌هایتان کاربرد دارند در گوگل جست‌‌‌وجو کنید. افراد خلاق می‌توانند از DALL-E برای تولید آثار هنری منحصربه‌‌‌فرد استفاده کنند و آنهایی که به دکوراسیون داخلی علاقه‌‌‌مند هستند می‌توانند برای طراحی نقشه جانمایی و پیش‌بینی مشکل آفات بر اساس داده محلی از ابزارهای تصویرسازی استفاده کنند.

اپلیکیشن‌‌‌های مجهز به هوش مصنوعی می‌توانند بر اساس توانایی‌‌‌های فردی شما برنامه ورزشی شخصی‌سازی شده ارائه کنند. سفری در پیش دارید؟ از برنامه planners استفاده کنید تا بر اساس تمایلاتتان برنامه سفر بچینید. ابزارهای هوش مصنوعی وجود دارند که بر اساس وضعیت آب‌‌‌وهوا، مناسبت و موجودی کمد لباستان درباره تلفیق لباس‌‌‌ها به شما کمک می‌‌‌کنند و حتی ابزارهایی وجود دارند که می‌توانند به شما کمک کنند بر اساس مواد اولیه موجود در خانه غذاهای جدیدی تهیه کنید.

در نهایت، با چت‌‌‌بات‌‌‌های هوش مصنوعی تعامل کنید. در حین ارزیابی طرز کار این تکنولوژی، از دستوراتی استفاده کنید تا موضوعی را که اطلاعات بسیاری درباره‌‌‌اش دارید مرور کنید یا باورهایی را به چالش بکشید. به ‌‌‌عنوان ‌‌‌مثال، من از چت جی‌‌‌پی‌‌‌تی خواستم بین دو عقیده متفاوت درباره موضوع نسل‌‌‌کشی ارمنی‌‌‌ها که متعلق به دوران نوجوانی من بود گفت‌‌‌وگویی را شبیه‌‌‌سازی کند.

 واضح بود که نتیجه نهایی فاقد بخش بسیار زیادی از بینشی بود که من داشتم. استفاده از هوش مصنوعی مولد در محیط کار هم دقیقا به همین صورت است: نکات موثق و معتبری وجود دارد. اما فقط با تجربه‌‌‌ای که دارید می‌توانید به نتیجه مطلوب دست پیدا کنید. همچنین متوجه خواهید شد که حتی ممکن است گزاره‌‌‌هایی را از خودش دربیاورد.

پیش از استفاده از هر ابزاری حتما سیاست‌‌‌های حفظ حریم خصوصی‌‌‌شان را کنترل کنید (مثلا من قبل از بارگذاری تصاویر خودم برای ساخت عکس پرسنلی این کار را کردم). با این کار مطمئن شدم که اطلاعات شخصی ذخیره نمی‌‌‌شود یا بدون رضایت من مورد استفاده قرار نمی‌گیرد. به‌‌‌خصوص درباره اپلیکیشن‌‌‌های رایگان باید بیشتر مراقب باشید و حواستان به این مساله باشد؛ چون ممکن است معنایش این باشد که هزینه استفاده از اپلیکیشن را به‌‌‌جای پول با اطلاعات حساس خودتان پرداخت می‌‌‌کنید و کنترل آن اطلاعات از دستتان خارج می‌‌‌شود.

 شبکه ارتباطی‌‌‌تان را اهرم کنید

یادگیری از دیدگاه‌‌‌های متفاوت درک شما از اینکه چه چیزهایی با تکنولوژی شدنی است را افزایش می‌‌‌دهد. از شبکه‌‌‌تان استفاده کنید تا خودتان را به چالش بکشید، سریع‌‌‌تر یاد بگیرید و درباره ‌‌‌نظرهای جدیدی بحث کنید.

از محل کارتان شروع کنید. کارورزی فرصت شبکه‌‌‌سازی ارزشمندی را فراهم می‌‌‌کند تا با همکاران جوان‌‌‌تر ارتباط برقرار کنید. جفت شدن با همکاران تازه‌‌‌کار فرصت یادگیری متقابل را فراهم می‌‌‌کند. کارکنان جوان‌‌‌تر می‌توانند مهارت‌‌‌های فنی را به شما نشان دهند و شما تجربه و دانشتان از صنعت را با آنها به اشتراک می‌‌‌گذارید.

روش دیگر شبکه‌‌‌سازی، تماس با همکاران سابق است. معاشرت و گفت‌‌‌وگو درباره تاثیر هوش مصنوعی مولد بر کار کسانی که قبلا با آنها کار می‌‌‌کردید همیشه روشنگر و آگاهی‌‌‌بخش است؛ چرا که ممکن است آنها رویکرد متفاوتی نسبت به این تکنولوژی اتخاذ کرده باشند یا در سازمانشان روش‌‌‌های دیگری شایع باشد.

اگر شرکت در کنفرانس‌‌‌های دانشگاهی برای عموم آزاد باشد و فرصتش را داشته باشید، شرکت در آن کنفرانس‌‌‌ها بهترین زمان برای تعامل با گروه فارغ‌‌‌التحصیلان دانشگاهی است. باید با گروه‌‌‌های حرفه‌‌‌ای خارجی هم ارتباط برقرار کنید تا با افراد جدیدی آشنا شوید.

در رخدادهایی همچون کنفرانس‌‌‌های شغلی محل زندگی‌‌‌تان شرکت کنید و با افرادی در حوزه خودتان آشنا شوید. یا می‌توانید مجازی این کار را انجام دهید. به گروه‌‌‌های لینکدین ملحق شوید، در گفت‌‌‌وگوها شرکت کنید، مقالات را به اشتراک بگذارید و با دیگران ارتباط بگیرید. ما در عصر فرصت‌‌‌های تازه هستیم. هوش مصنوعی مولد به‌‌‌عنوان دستیار مجازی جدیدتان آمده که به شما کمک می‌‌‌کند مهارت‌‌‌هایتان را تقویت کنید و به نتایجی دست‌‌‌ یابید که هرگز فکر نمی‌‌‌کردید ممکن باشد. ترکیب سرمایه تجربه شما به‌‌‌عنوان یک نیروی کار قدیمی‌‌‌تر با قدرت هوش مصنوعی مولد تیم شکست‌‌‌ناپذیری می‌‌‌سازد.

هنوز‌‌‌ آغازین روزهای هوش مصنوعی مولد است: اگر فرصت‌‌‌ها و محدودیت‌‌‌هایش را درک کنید و مهارت‌‌‌هایتان را در حوزه خود افزایش دهید همچنان می‌توانید جلودار باشید. آینده متعلق به کسانی است که مادام‌‌‌العمر در حال یادگیری باشند. الآن بهترین وقت آن است که با آغوش باز وارد فصل بعدی زندگی شوید.

با این‌‌‌ همه، باید دانست که بی‌‌‌گدار به آب زدن در دنیای هوش مصنوعی مولد و جایگزین‌‌‌ کردن عجولانه و کورکورانه کارکنان با ماشین‌‌‌ها و هوش مصنوعی مولد می‌تواند پیامدهای اجتماعی و اقتصادی و صنعتی ناگواری را برای جامعه به‌‌‌صورت عام و برای شرکت‌ها و سازمان‌ها به‌‌‌صورت خاص در پی داشته باشد. برای پرهیز از این وضعیت ناخواسته و نامطلوب، لازم است که رهبران سازمان‌ها و شرکت‌ها قبل از هر اقدامی در این ‌‌‌خصوص، سوالات متعددی را از خود پرسیده و به آنها پاسخ‌‌‌های دقیق و قانع‌‌‌کننده‌‌‌ای بدهند.

در ادامه به چهار سوال بسیار مهم و کلیدی در زمینه جایگزین ‌‌‌کردن افراد با ماشین‌‌‌ها و هوش مصنوعی اشاره خواهد شد که رهبران سازمان‌ها و شرکت‌ها قبل از اتخاذ تصمیم‌‌‌های نهایی در این زمینه باید برای آنها پاسخ‌‌‌های دقیقی پیدا کنند.

سوال اول: مدت ‌‌‌زمان موردنیاز برای انجام کارها بدون استفاده از هوش مصنوعی چقدر است؟

اگر قرار باشد کارهایی تکراری و یکنواخت و وقت‌‌‌گیر که انجام آنها نیازمند دقت و حوصله زیادی است در یک شرکت انجام شود جایگزین‌‌‌کردن افراد با هوش مصنوعی گزینه معقول و مناسبی خواهد بود. به ‌‌‌عنوان ‌‌‌مثال، کارهایی مانند نوشتن گزارش‌‌‌های روزانه و دوره‌‌‌ای یا طراحی وب‌سایت یا اپلیکیشن که کارهایی زمان‌بر و یکنواخت به‌‌‌حساب می‌‌‌آیند را می‌توان و باید به هوش مصنوعی مولد سپرد. اما اگر بخش عمده‌‌‌ای از کارهایی که در شرکت انجام می‌شود کارهایی است که به‌‌‌سرعت انجام می‌شود و انجام آنها به ظرافت زیاد و وقت کم‌‌‌ نیاز دارد دلیلی برای سپردن آنها به هوش مصنوعی وجود ندارد.

سوال دوم: دستمزد پرداختی به کارکنان در قبال انجام کارهایی که می‌توان آنها را به هوش مصنوعی سپرد چقدر است؟

موضوع دستمزدهای پرداختی به کارکنان نیز یکی دیگر از موضوعات کلیدی و تعیین‌‌‌کننده در مسیر سپردن کارها به هوش مصنوعی و ماشین‌‌‌ها به‌‌‌حساب می‌‌‌آید. اگر دستمزدهای پرداختی به کارکنان یک شرکت در قبال انجام یکسری ‌‌‌کارها بسیار بالا و هنگفت باشد، توجیه خوبی وجود دارد که فرآیند جایگزین ‌‌‌کردن افراد با هوش مصنوعی را جدی‌‌‌تر دنبال کرد و از این طریق بر میزان بهره‌‌‌وری شرکت‌ها و سازمان‌ها افزود. بر اساس نتایج تحقیق اخیر موسسه مکنزی، میزان اثرگذاری مثبت به‌‌‌کارگیری هوش مصنوعی بر سطح بهره‌‌‌وری اقتصاد جهانی در هر سال به ۴.۴تریلیون دلار رسیده است. اما اگر قرار باشد هوش مصنوعی گران‌قیمت و پرهزینه را جایگزین کارکنانی کرد که با دستمزدهای پایین در شرکت‌ها و سازمان‌ها مشغول به کار هستند این جایگزینی چندان منطقی و معقول نخواهد بود و کمک چندانی به بهبود بهره‌‌‌وری سازمانی نخواهد داشت.

سوال سوم: هوش مصنوعی تا چه حد قادر به انجام درست و دقیق کارهاست؟

یکی دیگر از موضوعاتی که قبل از هر گونه تصمیم‌گیری و اقدام برای جایگزین‌‌‌ کردن انسان‌‌‌ها با هوش مصنوعی باید به آن توجه ویژه‌‌‌ای داشت، به میزان توانایی و قابلیت‌‌‌های هوش مصنوعی برای انجام کارهای مهم و کلیدی مربوط می‌شود. واقعیت این است که هوش مصنوعی اگرچه دارای قابلیت‌‌‌ها و توانمندی‌‌‌های فوق‌‌‌العاده‌‌‌ای است و می‌تواند کارهایی را انجام دهد که انجام آنها از عهده انسان‌‌‌ها خارج است، اما از انجام برخی کارها و فرآیندها ناتوان است یا نمی‌تواند آنها را به‌‌‌خوبی انسان‌‌‌ها انجام دهد. بنابراین باید به طور دقیق دانست که ماشین‌‌‌ها و هوش مصنوعی در انجام کدام کارها توانمند و بهتر از انسان‌‌‌ها و در انجام کدام کارها ناتوان و ضعیف‌‌‌تر از انسان‌‌‌ها عمل می‌کنند.

سوال چهارم: آیا هوش مصنوعی به‌‌‌تنهایی قادر به انجام صفر تا صد کارهاست یا اینکه بخشی از کارهایی که به هوش مصنوعی سپرده می‌شود باید توسط انسان کنترل و تکمیل شود؟

بسیاری از وظایفی که هم اکنون انجام‌‌‌ دادن آنها به هوش مصنوعی سپرده شده، به‌‌‌گونه‌‌‌ای هستند که انجام تمام مراحل کار از عهده ماشین‌‌‌ها و هوش مصنوعی برنمی‌‌‌آید و در برخی مراحل، به‌‌‌ویژه مراحل نهایی و حساس کار به دخالت و مشارکت انسان‌‌‌ها نیاز است.

در این میان لازم است که رهبران سازمان‌ها قبل از تصمیم‌گیری در زمینه جایگزین‌‌‌ کردن انسان‌‌‌ها با هوش مصنوعی سبک‌‌‌وسنگین کنند و ببینند که سپردن برخی مراحل کار به هوش مصنوعی تا چه حد توجیه‌‌‌پذیر است.

اگر قرار باشد بسیاری از مراحل یک کار همچنان بر عهده انسان‌‌‌ها باشد و فقط انجام چند مرحله ساده و محدود به هوش مصنوعی سپرده شود اصرار بر جایگزین‌‌‌کردن افراد با ماشین‌‌‌ها چندان توجیه‌‌‌پذیر و منطقی نخواهد بود.

به ‌‌‌هر حال، آینده هوش مصنوعی در حال حرکت به سمتی است که در آن، ماشین‌‌‌ها و هوش مصنوعی مولد می‌توانند به دنبال سرویس‌‌‌هایی باشند که در اختیار کاربران قرار می‌گیرد تا از آنها یاد بگیرند و بفهمند که هر کاربری دارای چه علاقه‌‌‌مندی‌‌‌ها و نیازهایی است. در مراحل بعدی ارتباط با آن کاربر همان چیزی را تولید و در اختیار او قرار می‌دهد که باب میل اوست و به این ترتیب است که می‌توان در آینده‌‌‌ای نزدیک دنیایی را تصور کرد که در آن رفتار و انتخاب‌‌‌های انسان تحت‌تاثیر ورودی و پیشنهادهایی است که توسط هوش مصنوعی تولید شده‌‌‌اند. در چنین وضعیتی، انسان‌‌‌ها نیز بیشتر احساس راحتی و آرامش می‌کنند، چراکه همان چیزی به آنها پیشنهاد می‌شود و در اختیارشان قرار می‌گیرد که برایشان ایده‌‌‌آل و مطلوب است و مطابق با ویژگی‌‌‌هایی مانند سن و جنسیت و علایق شخصی‌‌‌شان تنظیم‌‌‌ شده‌‌‌اند. چه ‌‌‌بهتر که این فرآیند فراهم ‌‌‌ساختن چیزهای مطلوب به‌‌‌گونه‌‌‌ای برنامه‌‌‌ریزی و اجرا شود که در قبال چیزهای زیان‌‌‌بار و خطرناک برای انسان و انسانیت موضع منفی و بازدارنده داشته باشد. این وظیفه محققان، شرکت‌ها، دولت‌‌‌ها و البته جامعه مدنی است که در این زمینه فعال باشند و هوش مصنوعی یادگیرنده و مولد را به مسیر درست و مناسبی هدایت کنند.

 هوش مصنوعی در جذب و استخدام

یکی از بهترین کاربردها برای هوش مصنوعی در مدیریت منابع انسانی، موضوع جذب و استخدام است. هوش مصنوعی با تجزیه و تحلیل دقیق رزومه‌‌‌ها و تطبیق آنها با شناسنامه شغلی، آنها را برای مصاحبه اولویت‌‌‌بندی می‌کند و به مدیران کمک می‌کند گزینه‌‌‌های مناسب‌‌‌تری را پیدا کنند. نرم‌‌‌افزار استخدام همه‌‌‌کاره‌Workable، یک مثال واقعی برای این منظور است که نه‌تنها رزومه‌‌‌ها را تحلیل و برای مصاحبه اولویت‌‌‌بندی می‌کند، بلکه از داده‌‌‌های به دست آمده برای جمع‌‌‌آوری لیستی از افراد مناسب از لینکدین و سایر منابع آنلاین استفاده می‌کند تا آنها را به موقعیت‌‌‌های خالی سازمان جذب کند.

هتل‌‌‌های زنجیره‌‌‌ای هیلتون یکی از اولین شرکت‌های استفاده‌کننده از هوش مصنوعی در فرآیند استخدام هستند. این شرکت از سال ۲۰۱۴ استفاده از هوش مصنوعی را برای ارزیابی گزینه‌‌‌های استخدامی، غربالگری آنها و مصاحبه با داوطلبان شغلی برای کارکنان مراکز تماس و نقش‌‌‌های پشتیبانی آغاز کرد و به تدریج آن را توسعه داد. نتایج کاربرد این فناوری موجب شد میانگین زمان صرف شده بین مصاحبه اولیه تا زمان جذب از ۴۲ روز به ۵ روز کاهش یابد.

شرکت بریتانیایی-هلندی یونیلیور هم سامانه HireVue را به کار گرفت تا با استفاده از پردازش ویدئویی حالات چهره، زبان بدن و کلمات کلیدی مشخص کند کدام کاندیداهای شغلی به احتمال زیاد در شرکت موفق هستند. شرکت یونیلیور این برنامه را برای شرکت‌های خود در چند کشور اجرا کرده است. نتایج این برنامه، بیش از ۵۰‌هزار ساعت صرفه‌‌‌جویی در غربالگری رزومه‌‌‌ها و کاهش ۷۵ درصدی زمان استخدام در سال است.

 هوش مصنوعی در حفظ و نگهداشت کارکنان

هوش مصنوعی با توجه به داده‌‌‌های دریافتی از هر کارمند و مقایسه با داده‌‌‌های مرجع بانک اطلاعاتی، کمک شایانی در حفظ و نگهداشت کارکنان می‌کند و این موضوعی است که برای هر مدیر کسب و کار مهم است. هوش مصنوعی با استفاده از الگوریتم‌‌‌ها و تکنیک‌‌‌های یادگیری ماشینی، داده‌‌‌هایی همچون کیفیت عملکرد کارکنان، رضایت شغلی، نحوه حضور و توانمندی‌‌‌ها را تحلیل کرده و به مدیران منابع انسانی کمک می‌کند تصمیمات اثربخش‌‌‌تری بگیرند. از جمله موارد کاربرد هوش مصنوعی در این بخش، عبارتند از:

  میزان رضایت شغلی هر فرد را تخمین می‌‌‌زند و اینکه کارمند تا چه میزان از کار و شغلش احساس رضایت دارد؟

  اینکه احتمالا این کارمند چه زمانی درخواست افزایش حقوق یا ارتقای شغلی خواهد داشت؟

  در صورت ادامه روند فعلی، چه زمانی استعفا می‌دهد و سازمان را ترک می‌کند؟

  کدام یک از کارکنان و با چه احتمالی در معرض خستگی مزمن و فرسودگی شغلی هستند؟

از سوی دیگر هوش مصنوعی کمک می‌کند رفتارهای ناهنجار یا نامناسب کارکنان را تشخیص بدهیم. این موارد شامل تشخیص سوءاستفاده از منابع در اختیار، رفتارهای تحریک‌‌‌‌کننده یا هر نوع رفتار ناشایست دیگر است. با تشخیص زمان‌‌‌های وقوع این رفتارها، مدیران منابع انسانی می‌توانند اقدامات پیشگیرانه‌‌‌ای را در نظر بگیرند.

 هوش مصنوعی در ارزیابی عملکرد

ارزیابی عملکرد کارکنان یکی از مهم‌ترین نظام‌‌‌ها یا سیستم‌های حوزه مدیریت منابع انسانی است که اهمیت خاصی دارد. در همین خصوص هوش مصنوعی از طریق رصد عملکرد کارکنان و ذخیره‌‌‌سازی داده‌‌‌های عملکردی هر فرد به مدیران کمک می‌کند تا عملکرد کارکنان را در طول سال و فاصله بین هر دو ارزیابی، داشته باشند. این سیستم شاخص‌‌‌هایی را که برایش تعریف شده است، مانند وظایف تکمیل شده، دقت در کار، برخورد با مشتری، نحوه حضور در شرکت، رعایت مقررات اداری، میزان مشارکت در پروژه‌های مشترک و... را در نظر می‌گیرد و در زمان ارزیابی بر اساس این شاخص‌‌‌ها و داده‌‌‌های دریافتی، عملکرد فرد شاغل را تحلیل و امتیاز ارزیابی او را تعیین می‌کند و نقاط قوت و زمینه‌‌‌های نیازمند بهبود را مشخص می‌کند.

 هوش مصنوعی و پرسنل جدید

کارمندان تازه‌وارد با استفاده از هوش مصنوعی می‌توانند فرآیند اجتماعی شدن در محیط کاری جدید را سریع‌‌‌تر و راحت‌‌‌تر طی کنند. برای مثال، زمانی که یک کارمند جدید به شرکت اضافه می‌شود، هوش مصنوعی در قالب یک چت‌‌‌بات در گوشی موبایل یا برنامه نصب شده در لپ تاپ، او را به سمت فرم‌‌‌ها و سامانه‌‌‌های موردنیاز راهنمایی می‌کند، با سیاست‌‌‌های کاری و مقررات اداری شرکت آشنا کرده و حتی جلسات آموزشی اولیه را جهت آشنایی با شرح وظایف و اجتماعی کردن فرد برگزار می‌کند. به این ترتیب، فرد جدید الورود احساس استرس کمتری می‌کند و بهتر و سریع‌‌‌تر می‌تواند موقعیت خودش را در شرکت پیدا کند و به بهره‌‌‌وری لازم برسد.

 هوش مصنوعی و جدا شدن کارکنان

ترک کار و جدا شدن نیروی انسانی از شرکت نیز دغدغه‌‌‌ها و نگرانی‌های خود را دارد و معمولا با چالش‌‌‌هایی همراه است. هنگامی که یک کارمند در فرآیند جدا شدن از مجموعه قرار می‌گیرد، هوش مصنوعی می‌تواند مواردی همچون مصاحبه ترک کار، تکمیل فرم مربوطه، استرداد اموال سازمانی و تسویه حساب را برنامه‌‌‌ریزی و مدیریت کند و خروج مطمئن را برای هر دو طرف تضمین کند. نتیجه اینکه هوش مصنوعی ابزاری تحول‌‌‌آفرین در حوزه مدیریت منابع انسانی است. برخلاف منابع انسانی، هوش مصنوعی هرگز خسته نمی‌شود. خدمات با کیفیت یکسان ارائه می‌دهد، سوگیری ناخودآگاه ندارد، ضمن اینکه با عهده‌‌‌دار شدن بخشی از وظایف و مسوولیت‌‌‌های منابع انسانی، قسمتی از وقت مدیر و متخصصان را آزاد می‌کند تا بر روی مسائل استراتژیک منابع انسانی تمرکز کنند؛ جایی که قابلیت‌‌‌های منحصربه‌‌‌فرد انسان، حقیقتا موردنیاز است.

 به ‌‌‌عنوان ‌‌‌مثال، تا چندی پیش امکان تشخیص دقیق اشیا برای پیشرفته‌‌‌ترین ماشین‌‌‌های هوش مصنوعی وجود نداشت، حال‌‌‌آنکه یک بچه خردسال می‌تواند به‌‌‌راحتی تصاویر را تشخیص داده و نسبت به آنها واکنش نشان دهد. در گذشته، طراحان سیستم‌‌‌های هوش مصنوعی می‌‌‌کوشیدند تا مثلا با نشان دادن تصاویر گربه‌‌‌ها و همچنین تعریف ویژگی‌‌‌هایی مانند گوش‌‌‌های نوک‌‌‌تیز، داشتن چهار پا و بدن کشیده اقدام به تعریف و به تصویر کشیدن گربه برای هوش مصنوعی کنند. اما مشکل اینجا بود که گربه‌‌‌ها که همیشه در حالت ایستا و ثابت قرار ندارند و به‌‌‌طور پیوسته حرکت می‌‌‌کنند، خشمگین می‌‌‌شوند، می‌‌‌دوند و رنگ‌‌‌ها و اندازه‌‌‌های بسیار متنوعی نیز دارند و همین تفاوت‌‌‌هاست که موجب سردرگمی ماشین‌‌‌ها در تشخیص دقیق گربه‌‌‌ها می‌شود. بر این اساس، روش سنتی فرموله کردن مدل‌‌‌های خاص و پس ‌‌‌از آن، همسان کردن این مدل‌‌‌ها با ورودی‌‌‌های بسیار متنوع نمی‌تواند اثربخش و قابل ‌‌‌اجرا باشد.

در نتیجه، چنین سیستم‌‌‌های غیرانعطاف‌‌‌پذیری فقط به درد نقش‌‌‌آفرینی در حوزه‌‌‌هایی می‌‌‌خوردند که انجامشان به رمزگذاری قواعد خاص و سپس رمزگشایی از آن نیاز داشت. متاسفانه در دهه‌‌‌های ۱۹۸۰ و ۱۹۹۰ روند پیشرفت هوش مصنوعی بسیار کند و ناامیدکننده بود و به همین دلیل هم از آن دوران با عنوان «زمستان هوش مصنوعی» یاد می‌شود. در اواخر دهه ۱۹۹۰ اما یک اتفاق بزرگ و تاثیرگذار در دنیای هوش مصنوعی افتاد، اتفاقی در قلب آن. در آن زمان هوش مصنوعی وارد انجام دادن کارهایی شد که نیازمند طراحی و اجرای راه‌‌‌حل‌‌‌های مسائل پیچیده بود. در آن دوره محققان دریافتند که برای جهش هوش مصنوعی به روش جدیدی نیاز است که با استفاده از آن بتوان به ماشین‌‌‌ها امکان یادگیری خودکار بدهند؛ یعنی اینکه ماشین‌‌‌ها بتوانند خودشان اقدام به یادگیری کنند و به‌‌‌جای اینکه منتظر کدهای ورودی تهیه‌‌‌شده توسط انسان باشند خودشان دست به یادگیری بزنند. در نتیجه همین تفویض فرایند یادگیری از انسان به ماشین بود که روند یادگیری ماشینی شتاب بیشتری پیدا کرد و برنامه‌‌‌هایی برای هوش‌ مصنوعی ساخته شد که می‌توانستند از تجربیات بیاموزند و به معنای واقعی کلمه یادگیری داشته باشند.

هوش مصنوعی مدرن

پیشرفت‌‌‌های بزرگ خیلی زود از راه رسیدند. در دهه نخست قرن ۲۱ پیشرفت‌‌‌های صورت گرفته در زمینه تشخیص اشیا باعث شد تا برنامه‌‌‌نویسان بتوانند هوش مصنوعی قدرتمندی را توسعه دهند که می‌توانست با یادگیری از یکسری تصاویر به‌‌‌طور دقیق اشیا را تشخیص دهد؛ بدون اینکه برای کار نیازی به کدگذاری و کدگشایی داشته باشد.

در هوش مصنوعی پیشرفته‌‌‌ای که توانست آنتی باکتری هالی‌‌‌سین را شناسایی کند نیز از همین فرآیند یادگیری ماشینی استفاده ‌‌‌شده بود؛ جایی که محققان MIT یک الگوریتم یادگیری ماشینی پیشرفته را طراحی کردند که می‌توانست ویژگی‌‌‌های آنتی باکتریال مولکول‌‌‌ها را «پیش‌بینی» کند و برای ایجاد این توانایی به آن الگوریتم از مجموعه داده‌‌‌های مربوط به ۲‌هزار مولکول مختلف بهره بردند. نتیجه این کار چیزی شد که تا پیش از آن نه از عهده هیچ انسانی و نه هیچ الگوریتم سنتی و کلاسیکی برنیامده بود. بنابراین در این حالت الگوریتم یادگیری ماشینی مدل جدیدی را بر مبنای دیتای موجود توسعه داد که قادر به شناسایی و درک روابطی بود که از دید انسان به دورمانده بود و تابع قاعده و قانون مشخصی هم نبود. همان‌طور که پیش‌‌‌ از این نیز گفته شد، این هوش مصنوعی مدرن برای یادگیری خود به قواعد و روابط از پیش تعریف‌‌‌شده توسط انسان نیازی ندارد که رابطه علت و معلولی خاصی برای آن تعریف شود. به‌‌‌عنوان‌‌‌مثال هوش مصنوعی مدرن این توانایی را دارد که متقاضیان شغلی دارای بالاترین شانس را از بین انبوهی از افراد برگزیند و علاوه بر این، بر مبنای بازخوردهایی که از دنیای واقعی می‌گیرد می‌تواند هم نتایج را پیش‌بینی کند و ابهامات موجود را به‌‌‌درستی مورد تجزیه‌‌‌ و تحلیل قرار دهد. درواقع، الگوریتم‌‌‌های یادگیری ماشینی به‌‌‌مانند الگوریتم‌‌‌های کلاسیک از یکسری مراحل عبور می‌‌‌کنند. با این تفاوت که این مراحل به‌‌‌طور مستقیم به نتایجی خاص منتهی نمی‌‌‌شوند، بلکه هدف از عبور از این مراحل آن است که کیفیت نتایج احتمالی از قبل‌سنجیده شود و یادگیری معناداری در این میان حاصل آید.

به‌‌‌طور کلی، هر چه شبکه‌‌‌های عصبی مورد استفاده هوش مصنوعی دیتای بیشتری را دریافت کنند و از لایه‌‌‌های شبکه‌‌‌ای بیشتری برخوردار باشند به شکل بهتری قادر خواهند بود تا روابط موجود را کشف کنند.  به همین دلیل هم هست که در یادگیری عمیق امروز از شبکه‌‌‌های عصبی دارای چند لایه (حدود ده لایه) استفاده می‌شود. بااین‌‌‌حال باید دانست که شبکه‌‌‌های عصبی بسیار منبع محور هستند و اجرای فرآیندهایشان به قدرت محاسباتی بالا و الگوریتم‌‌‌های پیچیده‌‌‌ای نیاز دارد که بتوانند حجم عظیمی از داده‌‌‌ها را تحلیل کنند و تطبیق دهند.

درواقع هوش مصنوعی نمی‌تواند مثل انسان آموزش ببیند و سپس آموخته‌‌‌هایش را به مرحله اجرا درآورد، بلکه می‌‌‌کوشد تا تلاش‌‌‌هایش را در دو مرحله متمرکز کند: آموزش دیدن و استنتاج. در مرحله آموزش، الگوریتم‌‌‌های سنجش و بهبود کیفیت هوش مصنوعی به کار می‌‌‌افتند و عملکرد مدل‌‌‌های موجود را برای دستیابی به نتایج مطلوب مورد ارزیابی قرار می‌‌‌دهند که در مورد هالی‌‌‌سین این مرحله در قالب شناسایی روابط بین ساختارهای مولکولی و اثربخشی آنتی‌‌‌بیوتیک بر مبنای دیتای آموزشی انجام شد. در مرحله استنتاج نیز محققان از هوش مصنوعی خواستند تا آنتی‌‌‌بیوتیک‌‌‌هایی را شناسایی کند که بر اساس پیش‌بینی‌‌‌های صورت گرفته در مرحله آموزش دارای اثر آنتی‌‌‌بیوتیکی بالایی بودند. در اینجا هوش مصنوعی با استدلال‌‌‌هایی شبیه به استدلال انسانی اقدام به نتیجه‌‌‌گیری نکرد بلکه این نتیجه‌‌‌گیری را با به‌‌‌کارگیری همان مدلی انجام داد که خودش توسعه داده بود.

 مشاور عزیز،

حدود دو سال است که در واحد پشتیبانی یک شرکت ارائه‌‌‌دهنده اینترنت کار می‌‌‌کنم. محیط کار، همکارها و کاری که انجام می‌‌‌دهیم را عاشقانه دوست دارم.

یک هفته‌‌‌ای هست که ارتقا گرفته‌‌‌ام و سرپرست واحد شده‌‌‌ام. تا روال اداری طی شود و رسما کار جدیدم را شروع کنم دو هفته وقت دارم. دوست داشتم در این دو هفته، درباره مدیریت تیم‌‌‌ها مطالعه کنم تا مدیر تاثیرگذاری باشم.  حالا که نقش پررنگ‌‌‌تری دارم، چطور می‌توانم در موفقیت سازمان و تیمم نقش داشته باشم؟  چطور در محیط کارم تاثیرگذار باشم؟ چه کنم تا همه از من به عنوان عامل تغییر مثبت یاد کنند

پاسخ: دوست عزیز، همه ما دوست داریم در جهان حرفه‌‌‌ای، اثری مثبت از خود به جا بگذاریم. گرچه ممکن است تاثیرگذاری در محیط کار، خیلی سخت و طاقت‌‌‌فرسا به نظر برسد اما بد نیست بدانی که لازم نیست یک حرکت خیلی بزرگ انجام دهی تا در محیط کارت تاثیرگذار باشی.

در ادامه، روش‌های ایجاد تغییر معنادار در محیط کار و ایفای نقش در موفقیت سازمان را، صرف نظر از جایگاه و رده، برایت توضیح خواهم داد. یکسری اطلاعات و استراتژی‌‌‌های کاربردی وجود دارد که دانستن آنها، به تو و سایر کارمندها در هر سطحی، انگیزه و قدرت می‌دهد تا سفر حرفه‌‌‌ای خود را به شکلی هدفمند طی کنید.  تاثیرگذاری در محیط کار، تنها محدود به موفقیت فردی نیست بلکه به معنای ایجاد یک فرهنگ مشارکتی و حمایتی ا‌‌‌ست تا همه شانس موفقیت داشته باشند.

اما چرا تاثیرگذاری در محیط کار مهم است؟ چند دلیل وجود دارد، از جمله رضایت فردی، رشد حرفه‌‌‌ای، مشارکت و روحیه تیمی، رضایت و وفاداری مشتری و موفقیت تیمی. به طور کلی، تاثیرگذاری در محیط کار، نه تنها به نفع توست بلکه یک تاثیر دومینویی ایجاد می‌کند و به بقیه افراد نیز سرایت می‌کند.

روش‌های تاثیرگذاری در محیط کار از این قرارند:

۱- خودجوش باش. به جای اینکه صبر کنی تا به تو دستور یا وظیفه‌‌‌ای دهند، خودت دست به کار شو و هر جا نیاز به کمک هست، آن را شناسایی کن و پیشنهاد کمک بده. این نشان می‌دهد که تو مشتاقی برای محیط کارت، سنگ تمام بگذاری. به دنبال فرصت‌‌‌هایی بگرد تا مثلا روال‌‌‌ها را بهبود بخشی. راه‌حل ارائه کن یا مسوولیت‌‌‌های اضافی بپذیر.

۲- روابط مثبت را تقویت کن. ایجاد روابط مثبت با همکارها، بالادستی‌‌‌ها و کارکنان رده‌‌‌پایین، بسیار مهم است. مودب، حمایتگر و مشارکتی باش. وقتی به کمک نیاز دارند، پیشنهاد کمک کن و به سلامت آنها علاقه خالصانه نشان بده. روابط قدرتمند باعث ایجاد هماهنگی در محیط کار، بهبود کار تیمی و تقویت روحیه می‌‌‌شود.

۳- دید خود را مثبت کن. مثبت‌‌‌نگر باش و با چالش‌‌‌ها خوش‌بینانه برخورد کن. رویکرد تو می‌تواند روی محیط کار، تاثیر بگذارد و در دیگران انگیزه ایجاد کند. در مواجهه با شکست‌‌‌ها، برگشت‌‌‌پذیری از خود نشان بده. این روحیه می‌تواند توانایی حل مساله را ارتقا دهد.

۴- مسوولیت کارهایت را بپذیر. برای پیشرفت تلاش کن. به موفقیت‌‌‌هایت افتخار کن. مسوولیت اقداماتت را بپذیر. کارها را در مهلت مقرر و با کیفیت انجام بده. همچنین باید مسوولیت اشتباهاتت را بپذیری و از آنها درس بگیری. به این ترتیب، همواره به دیگران نشان خواهی داد که فردی قابل اعتماد و حرفه‌‌‌ای هستی.

۵- از دیگران حمایت کن. هر کجا لازم بود به همکارها کمک کن. دانش و تخصص خود را با آنها به اشتراک بگذار تا برای رشد و موفقیت، توانمند شوند. کمک‌‌‌های اعضای تیمت را ببین و از آنها قدردانی کن. به ایده‌‌‌هایشان گوش کن، آنها را به پیشرفت حرفه‌‌‌ای تشویق کن و دستاوردهایشان را جشن بگیر.

۶- راه‌حل پیشنهاد بده. به جای تمرکز صرف بر مشکلات، سعی کن بخشی از راه‌حل باشی. وقتی با چالشی مواجه می‌‌‌شوی، آمادگی داشته باش که راه‌حل و پیشنهادهایی ارائه دهی. این آمادگی و خودجوشی، نشان‌‌‌دهنده مهارت حل مساله و تعهدت در یافتن راه‌حل است.

۷- نماینده تغییر باش. تغییر مثبت را با آغوش باز بپذیر. به جای مقاومت در برابر تغییر، دلایلش را درک کن و به دیگران نیز در فرآیند ‌گذار کمک کن. اگر پذیرای تغییر باشی، در ایجاد فرهنگ نوآوری و تطبیق‌‌‌پذیری نقش خواهی داشت.

۸- در بحران‌ها مثبت بمان. طی شرایط بحرانی، رویکرد مثبت خود را حفظ کن و منشأ انگیزه باش. به همکارها قوت قلب بده و به حفظ روحیه آنها کمک کن. این در دیگران نیز انگیزه ایجاد می‌کند که تمرکز و برگشت‌‌‌پذیری خود را حفظ کنند.

به یاد داشته باش که ایجاد تاثیر در محیط کار، یک تلاش مستمر، و نیازمند تعهد مداوم و اشتیاق خالصانه تو برای ایجاد نقش مثبت است. حالا می‌‌‌خواهم چند نمونه از تاثیرات مثبت در محیط کار را برایت مثال بزنم.

مثلا می‌توانی یک فرآیند کاری جدید را پیدا و اعمال کنی که هم کارها راحت‌‌‌تر پیش بروند، هم خطاها کمتر شود و هم کارآمدی افزایش یابد. به این ترتیب، در زمان و هزینه‌‌‌های سازمان صرفه‌‌‌جویی خواهد شد. یا مثلا می‌توانی به کارکنان رده‌‌‌پایین‌‌‌تر آموزش دهی و دانش و تخصصت را در اختیارشان بگذاری تا آنها هم بتوانند مهارت‌های خود را توسعه دهند و پیشرفت کنند. می‌توانی خدمات مشتری استثنایی ارائه کنی و برای حل سریع و موثر مشکلات مشتری‌‌‌ها، سنگ تمام بگذاری. این نه تنها باعث بهبود رضایت مشتری و وفاداری‌‌‌شان می‌شود بلکه وجهه تیمت را نیز مثبت می‌کند.

اگر ایده یا ابتکار جدیدی داری که می‌تواند تاثیر مثبت در تیم ایجاد کند، آن را مطرح کن.

این می‌تواند یک قابلیت جدید در محصول یا بهبود یک فرآیند یا راه‌حل یک مشکل باشد که منجر به افزایش بازدهی یا رضایتمندی مشتریان شود.

می‌توانی با تشویق افراد به همکاری، ارتباطات آزاد و حمایتگری، در ایجاد یک فرهنگ مثبت سهیم باشی. و توصیه آخرم این است که ریسک کنی، اما حساب‌‌‌شده! از منطقه امنت بیرون بیا و در شرایط مناسب، ریسک کن.

مثلا رویکردهای جدید را به آزمون و خطا بگذار یا پرچم تغییر را به دست بگیر. پذیرش ریسک‌‌‌های حساب‌‌‌شده، به موفقیت‌‌‌های بزرگ و تاثیرات بزرگ‌تر منجر خواهد شد.

بیش از ۳۰ سال است که نقش‌‌‌های در حال تغییر فناوری دیجیتال در شرکت‌ها بررسی می‌‌‌شوند. پیش از این، فناوری عمدتا بهره‌‌‌وری شرکت‌ها را تقویت می‌‌‌کرد. ولی هوش مصنوعی نسلی جدید را آغاز می‌کند که خلاقیت را نیز شعله‌‌‌ور می‌کند. این امر، کاری که شرکت‌ها انجام می‌دهند، نحوه مشارکت کارکنان و جایی که آنها مزیت رقابتی پیدا می‌کنند را تغییر می‌دهد.

نسخه‌‌‌های اولیه هوش مصنوعی مولد، مانند چت‌‌‌ جی‌‌‌‌‌‌پی‌‌‌تی و گوگل بارد، استعدادهای خود در شاعری را نشان داده‌‌‌اند. آنها همچنین با خلاقیت‌‌‌هایی مانند دال‌ای تو (Dall-E۲)  و میدجورنی(Midjourney) به قلمرو هنر نیز وارد شده‌‌‌اند. همان‌طور که در چت جی‌‌‌‌پی‌‌‌تی و آی‌‌‌بی‌‌‌ام واتسون ایکس(IBM Watsonx) دیده می‌شود، قابلیت‌‌‌های هوش مصنوعی مولد به نوشتن کدهای کامپیوتری گسترش یافته که به صرفه‌‌‌جویی ۵۰درصدی در زمان می‌‌‌انجامد. این سیستم‌ها حتی تست‌‌‌های اولیه در زمینه‌‌‌هایی مانند حقوق، تجارت و پزشکی را نیز پشت سر گذاشته‌‌‌اند. به گفته بیل گیتس، «عصر هوش مصنوعی آغاز شده است.» اما مسیرها مشخص نیست. آنچه ما را هیجان‌زده (و نگران می‌کند) چیزی نیست که پیش از این به نمایش درآمده، بلکه چیزی است که اگر آن را جدی نگیریم می‌تواند در سه تا پنج سال آینده رخ دهد.

هوش مصنوعی مولد صرفا به دلیل پذیرفته شدن سریع، رشد بالقوه تولید ناخالص داخلی، یا اختلالات احتمالی در جامعه، صنایع و اشتغال، تحول‌‌‌آفرین نیست. یعنی موضوع، قرار دادن انسان‌های هوشمند در برابر ماشین‌‌‌های قدرتمند نیست. بلکه مقایسه افزایش بهره‌‌‌وری و خلاقیت بین انسانی که به تنهایی کار می‌کند با انسانی است که‌‌‌ ماشین‌‌‌ها را به کار می‌گیرد. با این حال، رهبران ارشد - در شرکت‌ها و دولت‌‌‌ها - نمی‌توانند و نباید صرفا هوش مصنوعی مولد را در رویه‌‌‌های سازمانی و اجتماعی منسوخ قرار دهند. آنها باید از «گرفتاری‌‌‌های ناشی از هوش مصنوعی مولد»، یعنی چالش‌‌‌ها یا مشکلات احتمالی که ممکن است در طول پذیرش، اجرا و استفاده از هوش مصنوعی مولد به وجود بیاید دوری کنند.

گرفتاری‌‌‌های ناشی از اتوماسیون: این باور که هوش مصنوعی می‌تواند یا باید جایگزین همه وظایف انسانی شود، منجر به بیکاری احتمالی می‌شود و ارزش خلاقیت و شهود انسان را ناچیز می‌نماید. مطمئنا می‌توانیم به ترجمه ماشینی سریع‌‌‌تر زبان‌‌‌ها تکیه کنیم، اما آیا این ارزش از دست دادن علاقه انسان به زیبایی و ظرافت مطالعات زبان‌شناسی را دارد؟ اعتصابات هالیوود نشان داد به دلیل سرعت تاثیر اتوماسیون بر مشاغل کارکنانی که از مهارت‌‌‌های خاص برخوردارند، کم‌‌‌کاری پنهان ساختاریافته‌‌‌ای در جریان است. آیا این نیز ارزش دارد؟

گرفتاری‌‌‌های ناشی از الگوریتم: اتکای بیش از حد به تصمیم‌گیری الگوریتمی بدون در نظر گرفتن محدودیت‌ها یا سوگیری‌‌‌های احتمالی آن می‌تواند منجر به نتایج ناقص یا مسائل اخلاقی شود. خدمات مالی بخشی است که تاکنون بر اساس الگوریتم‌‌‌ها کار کرده است (به عنوان مثال در مورد رمزنگاری، مراقبت‌‌‌های بهداشتی آینده همراه با بیوتکنولوژی و پزشکی شخصی و ژن و سلول درمانی نمونه تمام‌عیاری به شمار می‌رود). برای اطمینان از هدایت الگوریتم‌‌‌ها به گونه‌ای که سبب بروز نوآوری شوند، چه مسیری برقرار شده است؟

گرفتاری‌‌‌های ناشی از تجزیه و تحلیل: پیش‌‌‌فرض این است که تجزیه و تحلیل هوش مصنوعی همیشه بینش کاملی را ارائه می‌دهد و احتمال سوء تعبیر یا تاکید بیش از حد بر داده‌‌‌های خاص را نادیده می‌گیرد. بله، ما می‌توانیم توصیه‌‌‌های فوری شخصی‌‌‌سازی‌شده‌‌‌ای در مورد اینکه چه فیلم‌‌‌هایی را بعدا در نتفلیکس تماشا کنیم، چه آهنگ‌‌‌هایی را در اسپاتیفای گوش کنیم یا چه چیزی را از آمازون بخریم دریافت کنیم. اما، اگر به طور کامل زمینه و محدودیت‌های نحوه رسیدن الگوریتم‌‌‌ها به نتایج را درک نکنیم، به طور فزاینده‌‌‌ای تحت‌تاثیر تجزیه و تحلیل جعبه سیاه (مفهومی انتزاعی که به ابزار، سامانه یا جسمی گفته می‌شود که فقط به صورت تابع تبدیل و ورودی و خروجی‌‌‌هایش قابل مشاهده ‌‌‌است و هیچ‌گونه اطلاعی از عملکرد و درون آن در اختیار کاربر نیست و عملکرد آن غیرشفاف است) قرار می‌‌‌گیریم و توانایی خود برای پرسشگری درباره توصیه‌ها را از دست خواهیم داد.

گرفتاری‌‌‌های ناشی از اصالت: از دست دادن تماس انسانی یا همدلی در فرآیندهایی که توسط هوش مصنوعی با اتوماسیون انجام می‌‌‌شوند، می‌تواند تجربه کاربر را کاهش دهد یا پیامدهای غیرقابل پیش‌بینی دیگری ایجاد کند. در حالی که می‌توان تعاملات خدمات مشتری را با افزونه‌‌‌های چت جی‌‌‌پی‌‌‌تی برای بسیاری از توصیه‌‌‌ها، مانند سفر، امور مالی شخصی، املاک، مراقبت‌‌‌های بهداشتی، آموزش و سایر موارد افزایش داد، اما باید پیامدهای آنها را برای تعاملات اجتماعی و حرفه‌‌‌ای درک کنیم.

گرفتاری‌‌‌های ناشی از همسویی: چالش همسوسازی سیستم‌های هوش مصنوعی با ارزش‌‌‌های انسانی و هنجارهای اجتماعی، در صورتی که مورد توجه قرار نگیرد می‌تواند به مناقشات اخلاقی بینجامد. آیا سیستم‌هایی که ایجاد می‌‌‌کنیم تمرکز ثروت برای شماری معدود را به بهای ایجاد هزینه‌‌‌ برای تعداد زیادی از مردم تداوم نمی‌‌‌بخشد؟ آیا سیستم‌های هوش مصنوعی که ایجاد می‌‌‌کنیم شکاف دیجیتالی را تشدید می‌کند؟ یا هوش مصنوعی مولد می‌تواند به عنوان ابزاری بزرگ برای ایجاد برابری به کار گرفته شود و در هر کجای دنیا به افراد امکان ‌‌‌دهد با استفاده از ابزارهای مدرن ارزش‌‌‌آفرینی در دست خود که همواره به سیستم رایانش ابری در حال گسترش هوش مصنوعی متصل‌‌‌اند (اشاره به گوشی‌‌‌های هوشمند)، به موفقیت دست یابند؟

هوش مصنوعی مولد یک فناوری تخصصی مانند چاپ سه‌بعدی یا بلاک‌چین نیست، بلکه به فناوری‌‌‌های همه‌منظوره مانند موتور بخار یا برق شبیه است. چنین فناوری‌‌‌هایی باعث دگرگونی‌‌‌های سریع اجتماعی و صنعتی شدند و هوش مصنوعی مولد، با مقیاس، گستره و سرعت بی‌‌‌نظیر خود، آماده انجام همین کار است. ما بی‌آنکه برای درک فرصت‌‌‌ها و مشکلات بالقوه فرصتی داشته باشیم، در معرض گرفتار شدن در دام‌‌‌های شناسایی شده قرار داریم. برخی از این دام‌‌‌ها افراد و برخی دیگر شرکت‌ها یا جامعه را درگیر می‌کنند. ما نباید موج هوش مصنوعی مولد را متوقف کنیم، بلکه باید مسیری را انتخاب کنیم که اثرات نامطلوب را به حداقل برساند. عاقلانه است به یاد داشته باشیم که در سطح جهانی، همه این سفر را با سرعت یا جهت یکسان آغاز نخواهند کرد.

 در سال ۱۹۵۰، آلن تورینگ، ریاضیدان مشهور که استاد مسلم شکستن کدها لقب گرفته بود در مقاله‌‌‌ای با عنوان «ماشین‌‌‌های محاسبه و هوش» به این پرسش پاسخ داد. آنچه تورینگ در این مقاله بیان کرد این بود که هوش ماشین‌‌‌ها یک مکانیزم نیست، بلکه ماشین‌‌‌ها خودشان «تجلی هوش» محسوب می‌‌‌شوند. تورینگ برای این استدلال خود در آن مقاله توضیح قانع‌‌‌کننده‌‌‌ای ارائه داده است: «هنگامی‌‌‌که زندگی درونی موجودات مختلف برای ما ناشناخته است، تنها وسیله‌‌‌ای که می‌توانیم با استفاده از آن اقدام به سنجش و اندازه‌‌‌گیری هوش آن موجودات کنیم، رفتار آن‌‌‌هاست. پس ما می‌توانیم با اجرای«بازی تقلید» به این نتیجه برسیم که اگر یک ماشین بتواند آن‌‌‌قدر کارآمد عمل کند که مشاهده‌‌‌گران نتوانند رفتار آن ماشین را از رفتار انسان تشخیص دهند، آنگاه می‌توان به آن ماشین لقب باهوش داد.»

و این‌‌‌چنین بود که «تست تورینگ» متولد شد. بسیاری از کسانی که دست به تفسیر تست تورینگ زده‌‌‌اند، روبات‌‌‌هایی را تصور کرده‌‌‌اند که از نظر هوش بر انسان‌‌‌ها پیشی خواهند گرفت. درواقع، تست تورینگ برای سنجش عملکرد ماشین‌‌‌های هوشمند در فعالیت‌‌‌هایی مانند بازی کاملا دقیق و مفید بوده است. علاوه بر این، تست تورینگ به‌‌‌گونه‌‌‌ای طراحی‌‌‌ شده که با استفاده از آن می‌توان عملکرد انسان‌‌‌گونه ماشین‌‌‌ها را مورد سنجش قرار داد و این یعنی اینکه تمرکز تست تورینگ نه روی فرآیندها بلکه روی عملکردهاست. امروزه ژنراتورهایی مانند GPT-۳ جزو مصادیق هوش مصنوعی به‌‌‌حساب می‌‌‌آیند، چراکه متن‌‌‌هایی را تولید می‌‌‌کنند که انسان‌‌‌ها قادر به تولیدشان هستند. در سال ۱۹۵۶، جان مک‌‌‌کارتی، دانشمند برجسته علوم کامپیوتر تعریف پیشرفته‌‌‌تری از هوش مصنوعی ارائه داد. به عقیده او هوش مصنوعی شامل ماشین‌‌‌هایی می‌شود که می‌توانند کارهایی را انجام دهند که انجام آنها جزو مشخصات هوش انسانی است. به‌‌‌طورکلی، تعریف آلن تورینگ و جان مک کارتی از هوش مصنوعی که جزو بهترین و دقیق‌‌‌ترین تعاریف ارائه ‌‌‌شده برای این پدیده به‌‌‌حساب می‌‌‌آید، باعث شده تا توجه ما در تعریف هوش‌مصنوعی از ابعاد فلسفی و شناختی و عصب‌‌‌شناسی به عملکرد و رفتار تغییر پیدا کند.

ماشین‌‌‌هایی که طی نیم‌‌‌قرن اخیر طراحی‌‌‌شده‌‌‌اند، تا حد زیادی در نشان دادن چنین هوشی ناکام بوده‌‌‌اند. اما آنچه در دهه اخیر اتفاق افتاده موجب طراحی ماشین‌‌‌هایی شده که درجات بالاتری از هوش را از خود بروز داده‌‌‌اند. برنامه‌‌‌های کامپیوتری سنتی، فقط قادر به نظم دهی به حجم زیادی از دیتا و انجام محاسبات پیچیده بودند اما نمی‌توانستند کارهایی مانند تشخیص تصاویر مربوط به اشیای ساده یا تطبیق‌‌‌پذیری با ورودی‌‌‌های مبهم و ناشناخته را انجام دهند. این نقیصه در دهه اخیر و با ظهور نسل جدید هوش مصنوعی برطرف شده، به‌‌‌طوری‌‌‌ که ماشین‌‌‌های جدید توانسته‌‌‌اند در این زمینه‌‌‌ها با هوش انسان برابری کنند یا حتی از انسان پیشی بگیرند.

به ‌‌‌عنوان ‌‌‌مثال، «آلفازیرو» را در نظر بگیرید: برنامه‌‌‌های کلاسیک بازی شطرنج که در دهه‌‌‌های گذشته ساخته شدند فقط به تجربیات انسان متکی بودند و بر اساس بازی انسان توسعه پیداکرده بودند. مبنای برنامه‌‌‌نویسی آنها کدهایی بود که از حرکت‌‌‌های شطرنج‌‌‌بازان گرفته‌‌‌ شده بود. آلفازیرو اما مهارت‌‌‌هایش را از طریق میلیون‌‌‌ها بازی کردن با خودش توسعه داده و توانسته از دل بازی‌‌‌هایی که با خودش کرده الگوهای گوناگونی را کشف کند. بلوک‌‌‌های تشکیل‌‌‌دهنده این «تکنیک‌‌‌های یادگیری» الگوریتم‌‌‌ها هستند؛ یعنی مراحلی برای ترجمه ورودی‌‌‌هایی مانند قواعد بازی شطرنج یا سنجش کیفیت حرکت مهره‌‌‌ها به خروجی‌‌‌های قابل تکراری مانند برنده شدن در بازی شطرنج. به عبارت بهتر الگوریتم‌‌‌های یادگیری ماشینی برخلاف الگوریتم‌‌‌های کلاسیک می‌توانند با بهبود دادن نتایج مبهم و کلی برآمده از ورودی‌‌‌ها نتایج دقیق‌‌‌تری را تولید کنند و این توانایی فوق‌‌‌العاده سرمنشأ پیشرفت‌‌‌های بزرگی در زمینه نقش‌‌‌آفرینی جدی‌‌‌تر هوش مصنوعی شده و خواهد شد.

یکی از جدیدترین نوآوری‌‌‌های دنیای هوش مصنوعی برنامه‌‌‌ای است به نام «آلفاداگفایت»(AlphaDogfight) که در قالب برنامه DARPA در حال اجراست. آلفاداگفایت یک برنامه خلبان جنگنده مبتنی بر هوش مصنوعی است که این توانایی را دارد تا در حین جنگ‌‌‌های هوایی دست به مانورهای خارق‌‌‌العاده‌‌‌ای بزند که انجامش از عهده زبده‌‌‌ترین خلبان‌‌‌ها نیز برنمی‌‌‌آید. بر این اساس چنین به نظر می‌رسد که هوش مصنوعی تاثیر شگرف و تعیین‌‌‌کننده‌‌‌ای بر آینده جنگ‌‌‌های هوایی و همچنین آینده پروازهای غیرنظامی داشته باشد.

این نوآوری و بسیاری دیگر از پیشرفت‌‌‌هایی که در زمینه نقش‌‌‌آفرینی هوش مصنوعی در حال شکل گرفتن است به آن معناست که روند جایگزین شدن روبات‌‌‌ها و ماشین‌‌‌ها در بسیاری از حوزه‌‌‌هایی که تا پیش‌‌‌ از این در انحصار انسان‌‌‌ها قرار داشت در حال سرعت گرفتن و گسترده‌‌‌تر شدن است. همه این تحولات بزرگ به‌‌‌ نوبه خود یکسری دگرگونی‌‌‌های اجتماعی، فرهنگی و سیاسی را به دنبال خواهد داشت که لازمه شناخت بهتر این دگرگونی‌‌‌هاست.

امروزه، رابطه دوسویه و مفیدی بین هوش مصنوعی و موتورهای جست‌‌‌وجوی اینترنتی شکل‌‌‌گرفته است، به‌‌‌نحوی‌‌‌ که ماشین‌‌‌ها و هوش مصنوعی می‌توانند سوالاتشان را از موتورهای جست‌‌‌وجو بپرسند و دیتای موردنیازشان را از این طریق تامین کنند.

موتورهای جست‌‌‌وجو نیز از هوش مصنوعی برای پاسخگویی بهینه به درخواست‌‌‌های جست‌‌‌وجوی کاربران خود کمک می‌‌‌گیرند و در این میان، انسان نیز ترجیح داده تا بخشی از تفکرش را به تکنولوژی تفویض کند و با کمک قدرت سرشار هوش مصنوعی بیشتر و دقیق‌‌‌تر فکر کند. با این ‌‌‌همه باید دانست که اطلاعات به‌‌‌خودی‌‌‌خود دارای خاصیت خود توضیحی نیستند بلکه کاملا متکی به موقعیت‌‌‌ها هستند و برای تبدیل‌‌‌شدن به یک‌‌‌ چیز مفید باید اطلاعات را از دریچه فرهنگ و تاریخ درک کرد. به ‌‌‌هر حال، با انفجار بزرگ اطلاعات آنلاین، ما در حال روی آوردن به برنامه‌‌‌های نرم‌‌‌افزاری پیشرفته‌‌‌ای هستیم که به ما کمک می‌‌‌کنند اطلاعات موجود را طبقه‌‌‌بندی کنیم، دست به پالایش اطلاعات بزنیم و آنها را بر مبنای الگوهای موجود مورد ارزیابی و سنجش قرار دهیم. در این میان، ظهور و گسترش روزافزون هوش مصنوعی موجب شکل‌‌‌گیری انقلابی بی‌‌‌سابقه و بزرگ در تاریخ بشر شده که پیامدهای آن تمام ارکان زندگی ما را فراگرفته و خواهد گرفت و موجب خواهد شد نقشی که ذهن ما به‌‌‌طور سنتی برای شکل‌‌‌دهی، تنظیم و ارزیابی انتخاب‌‌‌ها و اعمالمان ایفا می‌‌‌کرده دستخوش تغییر و تحول شده و ایفای این نقش به میزان زیادی به ماشین‌‌‌ها واگذار شود.