Для автоматизации с помощью традиционного программного обеспечения задача должна быть "рутинной", то есть включать предсказуемые шаги, которые выполняются в определенной последовательности. Рутинные задачи выполняются многократно, в предсказуемой среде. Например, набор текста - это рутина. Так же как вязание и другие простые производственные задачи, которые включают значительное количество повторяющихся действий. Программное обеспечение было объединено с оборудованием, взаимодействующим с физическим миром, для автоматизации различных рутинных задач, именно так, как задумывал Жаккард, и современное оборудование с числовым программным управлением, такое как принтеры или токарные станки с компьютерным управлением, регулярно выполняет эту задачу. Программное обеспечение также является неотъемлемой частью робототехники, широко используемой для автоматизации производства.
Но лишь небольшая часть человеческих задач является по-настоящему рутинной. Большинство вещей, которые делают представители нашего вида, связаны с решением некоторого количества проблем . Мы справляемся с новыми ситуациями или вызовами, придумывая решения, используя аналогии на основе прошлого опыта и знаний. Мы используем гибкость, когда соответствующая среда постоянно меняется. Мы в значительной степени полагаемся на социальное взаимодействие, такое как общение и объяснение или просто товарищество, которым пользуются многие коллеги и клиенты в процессе экономических операций. В совокупности мы являемся довольно творческим видом.
Обслуживание клиентов, например, требует сочетания социальных навыков и навыков решения проблем. Существуют десятки тысяч проблем, с которыми может столкнуться клиент, некоторые из них редки или совершенно уникальны. Относительно легко помочь клиенту, который опоздал на рейс и хотел бы сесть на следующий свободный самолет. Но что делать, если путешественник оказался не в том аэропорту или ему нужно лететь в другой пункт назначения?
Современные подходы ИИ используются для расширения автоматизации более широкого круга рутинных задач, таких как обслуживание банковских служащих. Автоматизация до появления ИИ - например, использование банкоматов - была широко распространена к 1990-м годам, при этом основное внимание уделялось простым задачам, таким как выдача наличных. Депонирование чеков было автоматизировано лишь частично. Банкоматы принимали вклады, а технология распознавания магнитных чернильных символов использовалась для сортировки чеков в соответствии с их банковским кодом и номером банковского счета. Но люди по-прежнему были необходимы для выполнения других рутинных задач, таких как распознавание почерка, организация счетов и контроль овердрафтов. Благодаря последним достижениям в области инструментов распознавания почерка и принятия решений на основе искусственного интеллекта, чеки теперь могут обрабатываться без участия человека.
Более того, амбиции ИИ заключаются в том, чтобы распространить автоматизацию на нестандартные задачи, включая обслуживание клиентов, подготовку налогов и даже финансовые консультации. Многие из задач, связанных с этими услугами, предсказуемы и могут быть прямолинейно автоматизированы. Например, информация из ведомостей о заработной плате и налогах (например, форма W-2 в США) может быть отсканирована и автоматически введена в соответствующие поля для расчета налоговых обязательств, или соответствующая информация о депозитах и остатках может быть предоставлена клиенту банка по адресу . В последнее время искусственный интеллект начал решать и более сложные задачи. Сложное программное обеспечение для подготовки налоговых документов может запрашивать пользователей о расходах или статьях, которые выглядят подозрительно, а клиентам могут быть предложены голосовые меню для классификации их проблемы (даже если это часто работает несовершенно, перекладывает часть работы на пользователей и вызывает более длительные задержки, пока клиенты ждут человека, чтобы предоставить необходимую помощь).
В роботизированной автоматизации процессов (RPA), например, программное обеспечение выполняет задачи после наблюдения за действиями человека в графическом пользовательском интерфейсе приложения. RPA-боты сегодня применяются в банковской сфере, при принятии кредитных решений, в электронной коммерции и в различных функциях поддержки программного обеспечения. Яркими примерами являются автоматизированные системы распознавания голоса и чат-боты, которые учатся на практике удаленной ИТ-поддержки. Многие эксперты считают, что подобная автоматизация распространится на множество задач, которые в настоящее время выполняются "белыми воротничками". Журналист New York Times Кевин Руз резюмирует потенциал RPA следующим образом: "Последние достижения в области ИИ и машинного обучения позволили создать алгоритмы, способные превзойти врачей, юристов и банкиров в некоторых видах их работы. И по мере того, как боты учатся выполнять более ценные задачи, они поднимаются по корпоративной лестнице".
Предположительно, мы все станем бенефициарами этих впечатляющих новых возможностей. Нынешние руководители компаний Amazon, Facebook, Google и Microsoft утверждают, что ИИ благотворно изменит технологии в ближайшие десятилетия. Как сказал Кай-Фу Ли, бывший президент Google China: "Как и большинство технологий, ИИ в конечном итоге окажет больше положительного, чем отрицательного влияния на наше общество".
Однако факты не полностью подтверждают эти высокие обещания. Хотя разговоры об интеллектуальных машинах ведутся уже два десятилетия, эти технологии начали распространяться только после 2015 года. Взлет заметен по количеству средств, которые компании тратят на деятельность, связанную с ИИ, и по числу объявлений о вакансиях для работников со специальными навыками в области ИИ (включая машинное обучение, машинное зрение, глубокое обучение, распознавание образов, обработку естественного языка, нейронные сети, машины опорных векторов и латентный семантический анализ).
Отслеживая этот неизгладимый след, мы видим, что инвестиции в ИИ и наем специалистов по ИИ концентрируются в организациях, которые полагаются на задачи, которые могут быть выполнены с помощью этих технологий, такие как актуарные и бухгалтерские функции, анализ закупок и закупок, а также различные другие канцелярские работы, связанные с распознаванием образов, вычислениями и базовым распознаванием речи. Однако эти же организации существенно снижают общий уровень найма - например, сокращают объявления о вакансиях на всевозможные другие должности.
Действительно, факты свидетельствуют о том, что до сих пор ИИ был направлен преимущественно на автоматизацию. Более того, несмотря на заявления о том, что ИИ и RPA распространяются на нерутинные, более высококвалифицированные задачи, большая часть бремени автоматизации с помощью ИИ до сих пор ложилась на менее образованных работников, которые уже оказались в невыгодном положении из-за более ранних форм цифровой автоматизации. Также нет никаких доказательств того, что низкоквалифицированные работники выигрывают от применения ИИ, хотя очевидно, что люди, управляющие этими компаниями, видят определенную выгоду для себя и своих акционеров.
Обнадеживает то, что ИИ, похоже, не продвинулся настолько, чтобы создать массовую безработицу. Как и промышленные роботы, нынешние технологии пока могут выполнять лишь небольшой набор задач, и их влияние на занятость ограничено. Тем не менее, она движется в направлении, направленном против работников, и уничтожает некоторые рабочие места. Его наиболее вероятное влияние заключается в дальнейшем снижении заработной платы для многих людей, а не в создании полностью безработного будущего. Проблема в том, что, хотя ИИ не справляется с большинством из того, что он обещает, ему все же удается снизить спрос на работников.
Ошибка подражания
Почему же так много внимания уделяется машинному интеллекту? Нас должно волновать, полезны ли машины и алгоритмы для нас. Например, согласно большинству определений, система глобального позиционирования (GPS) не может быть интеллектуальной, поскольку она основана на реализации простого алгоритма поиска (алгоритм поиска A*, впервые разработанный в 1968 году). Тем не менее, GPS-устройства действительно оказывают человеку чрезвычайно полезную услугу. Почти никто из экспертов не отнесет карманные калькуляторы к интеллектуальным устройствам, однако они выполняют задачи, которые большинство людей сочли бы невыполнимыми (например, быстрое перемножение двух семизначных чисел).
Вместо того, чтобы зацикливаться на интеллекте машин, мы должны спросить, насколько полезны машины для людей, а именно так мы определяем полезность машин (ПМ). Фокусировка на MU направит нас на более социально выгодную траекторию, особенно для работников и граждан. Однако, прежде чем развивать этот вопрос, мы должны понять, откуда взялся нынешний фокус на машинном интеллекте, который приводит нас к видению, сформулированному британским математиком Аланом Тьюрингом.
На протяжении всей своей карьеры Тьюринг был увлечен возможностями машин. В 1936 году он внес фундаментальный вклад в решение вопроса о том, что значит быть "вычислимым". Курт Гёдель и Алонзо Черч недавно занялись вопросом о том, как определить множество вычислимых функций, то есть множество функций, значения которых могут быть вычислены алгоритмом. Тьюринг разработал самый мощный способ осмысления этого вопроса.