차례:
- 사람들은 이미 기계를 정기적으로 사용하여 작업하고 있습니다. 예를 들어, 스마트 폰과 대화 할 때 말한 것을 인식하면 원하는 목표를 달성하기 위해 기계로 작업하고있는 것입니다.대부분의 사람들은 스마트 폰과 함께 제공되는 음성 상호 작용이 시간이 지남에 따라 향상된다는 것을 알고 있습니다. 더 많이 사용할수록 자신의 목소리를 더 잘 인식합니다. 학습자 알고리즘이 더 잘 조정되면 음성을 인식하고 원하는 결과를 얻는 데 더 효율적입니다. 이 추세는 계속 될 것입니다.
- 기술이 무엇인지는 중요하지 않습니다. 결국 기술은 중단 될 것입니다. 기술의 유용성을 높이는 것이 가장 중요한 고려 사항이며, 기술이 결국 미래로 나아갈 것이라는 꿈의 절정이므로 기술 수리와 같은 일상적인 일은 여전히 인간의 어깨에 걸릴 것입니다. 인간이 육체적 인 수선에 직접적으로 관여하지 않더라도, 인간의 지능은 수선 작업을 지시 할 것이다.
- 기계 학습 전문가 만 새로운 기계 학습 작업을 생성 할 것이라고 생각할 수 있습니다. 그러나 Hitachi의 중간 관리자에 관한 이야기는 상황이 다르게 작동 할 것이라고 말합니다. 예, 전문가가 작업 해결 방법을 정의하는 기준을 마련하는 데 도움을 줄지 만 실제 작업 생성은 특정 업계를 가장 잘 아는 사람들이 수행합니다. 히타치 이야기는 미래가 모든 분야의 사람들이 기계 학습 시나리오에 기여하고 특정 교육이 새로운 업무를 정의하는 데 도움이되지 않는다는 것을 이해할 수있는 기초가됩니다.
- 기계 학습 과제 작성과 마찬가지로 미래 환경을 만드는 사람들은 컴퓨터 과학자 또는 데이터 과학자가 아닌 특정 기술 분야의 전문가가 될 것입니다.
비디오: [리얼밸리 EP 05] 머신러닝, 딥러닝 초간단 설명 2024
기계 학습 및 관련 기술로 인해 발생할 수있는 일자리 손실에 대해 설명하는 기사가 몇 가지 있습니다. 로봇은 이미 인간을 고용하는 데 사용되는 많은 작업을 수행하며 시간이 지남에 따라 이러한 사용이 증가합니다. 또한 이러한 새로운 용도로 인해 귀하 또는 사랑하는 사람에게 비용이 발생할 가능성을 고려해야합니다. 일부 저자들은 미래가 새로운 기술을 배우는 것이 직업을 보장하지 못할 수도 있다고 말하기까지했습니다.
기계 작업이 경우, AI는 실제로 인간 중간 관리자가 할 수있는 것처럼 워크 플로 분석을 기반으로 작업 지시를 발행합니다. 차이점은 인공 지능이 실제로 대체하는 인간보다 8 % 더 효율적이라는 것입니다. 다른 경우, 아마존은 기계 학습 전문가를 대상으로 경연 대회를 열어 회사가 기계 학습을 사용하여 자동으로 직원 인증 프로세스를보다 잘 처리 할 수 있는지 여부를 파악했습니다. 다시 말하지만, 요점은 중간 관리자를 교체하고 약간의 빨간 테이프를 자르는 방법을 파악하는 것이 었습니다.
기계 작업
사람들은 이미 기계를 정기적으로 사용하여 작업하고 있습니다. 예를 들어, 스마트 폰과 대화 할 때 말한 것을 인식하면 원하는 목표를 달성하기 위해 기계로 작업하고있는 것입니다.대부분의 사람들은 스마트 폰과 함께 제공되는 음성 상호 작용이 시간이 지남에 따라 향상된다는 것을 알고 있습니다. 더 많이 사용할수록 자신의 목소리를 더 잘 인식합니다. 학습자 알고리즘이 더 잘 조정되면 음성을 인식하고 원하는 결과를 얻는 데 더 효율적입니다. 이 추세는 계속 될 것입니다.
그러나 기계 학습은 발생하지 않을 수도있는 모든 종류의 방식으로 사용됩니다. 카메라를 피사체로 향하게하고 카메라가 얼굴 주위에 상자를 넣으면 (사진을 타겟팅하는 데 도움이 됨) 기계 학습 결과가 표시됩니다. 이 카메라는 훨씬 더 효율적으로 사진을 찍을 수 있도록 도와줍니다.
SQL (Structured Query Language)과 같은 선언적 언어의 사용은 기계 학습이 진보를 가능하게하기 때문에 더욱 두드러 질 것이다. 어떤면에서 선언적 언어는 단순히 원하는 것을 설명하고이를 얻는 방법을 설명하지 못하게합니다. 그러나 SQL에는 여전히 컴퓨터 과학자, 데이터 과학자, 데이터베이스 관리자 또는 다른 전문가가 사용해야합니다. 미래의 언어에는 이러한 제한이 없습니다.
결국 특정 작업을 잘 수행하도록 훈련받은 사람은 로봇 도우미에게 무엇을해야하는지 알려주고 로봇 도우미는이를 수행 할 수있는 방법을 발견하게됩니다. 인간은 창의력을 발휘하여
할 일을 발견 할 것입니다. 세부 사항 (how)은 기계의 영역이됩니다. 수리 기계 기술이 다른 것을하기 전에 기술은 사람들이 독자적으로 기술을 소유하고자하는 방식으로 관심과 유익을 얻을 실질적인 작업을 수행해야합니다.
기술이 무엇인지는 중요하지 않습니다. 결국 기술은 중단 될 것입니다. 기술의 유용성을 높이는 것이 가장 중요한 고려 사항이며, 기술이 결국 미래로 나아갈 것이라는 꿈의 절정이므로 기술 수리와 같은 일상적인 일은 여전히 인간의 어깨에 걸릴 것입니다. 인간이 육체적 인 수선에 직접적으로 관여하지 않더라도, 인간의 지능은 수선 작업을 지시 할 것이다.
온라인으로 읽은 기사 중 일부는자가 복구 로봇이 이미 현실이라고 믿게 만들 수 있습니다. 예를 들어, 국제 우주 정거장 로봇 인 Dextre와 Canadarm은 결함이있는 카메라를 수리했습니다. 이야기가 말하지 않은 것은 인간이 작업을 수행하는 방법을 결정하고 로봇에게 육체 노동을 지시했다는 것입니다. 현재 사용할 수있는 알고리즘에서는 자율 수리가 불가능합니다.
새로운 기계 학습 작업 생성하기
기계 학습 알고리즘은 창조적이지 않습니다. 즉, 인간은 기계 학습을 향상시키는 창의성을 제공해야합니다. 다른 알고리즘을 구현하는 알고리즘조차도 알고리즘이 성취하는 결과의 효율성과 정확성 만 향상시킵니다. 새로운 종류의 작업을 수행하는 알고리즘을 만들 수는 없습니다. 인간은 이러한 작업과이를 해결하기 위해 필요한 프로세스를 정의하는 데 필요한 정보를 제공해야합니다.
기계 학습 전문가 만 새로운 기계 학습 작업을 생성 할 것이라고 생각할 수 있습니다. 그러나 Hitachi의 중간 관리자에 관한 이야기는 상황이 다르게 작동 할 것이라고 말합니다. 예, 전문가가 작업 해결 방법을 정의하는 기준을 마련하는 데 도움을 줄지 만 실제 작업 생성은 특정 업계를 가장 잘 아는 사람들이 수행합니다. 히타치 이야기는 미래가 모든 분야의 사람들이 기계 학습 시나리오에 기여하고 특정 교육이 새로운 업무를 정의하는 데 도움이되지 않는다는 것을 이해할 수있는 기초가됩니다.
새로운 기계 학습 환경 고안
현재 새로운 기계 학습 환경을 고안하는 것은 연구 개발 회사의 영역입니다. 숙련 된 전문가 그룹이 새로운 환경에 대한 매개 변수를 작성해야합니다. 예를 들어 NASA는 화성 탐사 로봇을 필요로합니다. 이 경우 NASA는 MIT 및 Northeastern의 기술을 사용하여 작업을 수행합니다. 로봇이 자율적으로 작업을 수행해야하는 경우 기계 학습 알고리즘이 상당히 복잡해지고 여러 단계의 문제 해결이 포함됩니다. 결국, 전문화 된 프로그램이 적절한 언어를 사용하여 필요한 알고리즘을 생성 할 수 있도록 문제를 충분히 상세하게 설명 할 수 있습니다. 다시 말해, 평균적인 사람들은 궁극적으로 그들이 가지고 있고 시도하려는 아이디어를 기반으로 새로운 기계 학습 환경을 만들기 시작할 것입니다.
기계 학습 과제 작성과 마찬가지로 미래 환경을 만드는 사람들은 컴퓨터 과학자 또는 데이터 과학자가 아닌 특정 기술 분야의 전문가가 될 것입니다.
