Obstaja splošno mnenje, da Umetna inteligenca (AI) bo pomagal poenostaviti naše delo. Obstaja celo bojazen, da bi lahko povsem izničila potrebo po nekaterih delovnih mestih.
Ampak v študiji znanstvenih laboratorijev, ki sem jih izvedel s tremi kolegi na Univerzi v Manchestru, lahko uvedba avtomatiziranih procesov, katerih cilj je poenostaviti delo – in sprostiti čas ljudi – to delo naredi tudi bolj zapleteno, kar ustvari nove naloge, ki bi jih mnogi delavci morda dojeli kot vsakdanje.
V študiji, objavljeni v Raziskovalna politika, smo si ogledali delo znanstvenikov na področju, imenovanem sintetična biologija, ali na kratko synbio. Synbio se ukvarja s preoblikovanjem organizmov, da bi imeli nove sposobnosti. Vključeno je v gojenje mesa v laboratoriju, v novih načinih proizvodnje gnojil in v odkritju novih zdravil.
Poskusi Synbio temeljijo na naprednih robotskih platformah za ponavljajoče se premikanje velikega števila vzorcev. Uporabljajo tudi strojno učenje za analizo rezultatov obsežnih poskusov.
Ti pa ustvarijo velike količine digitalnih podatkov. Ta proces je znan kot »digitalizacija«, kjer se digitalne tehnologije uporabljajo za preoblikovanje tradicionalnih metod in načinov dela.
Nekateri izmed ključnih ciljev avtomatizacije in digitalizacije znanstvenih procesov so povečati znanost, ki jo je mogoče narediti, hkrati pa raziskovalcem prihraniti čas, da se osredotočijo na delo, ki bi se jim zdelo bolj »dragoceno«.
Paradoksalen rezultat
Vendar v naši študiji znanstveniki niso bili oproščeni ponavljajočih se, ročnih ali dolgočasnih nalog, kot bi lahko pričakovali. Namesto tega je uporaba robotskih platform povečala in razvejala vrste nalog, ki so jih raziskovalci morali opravljati. Razlogov za to je več.
Med njimi je dejstvo, da se je povečalo število hipotez (znanstveni izraz za preverljivo razlago opazovanega pojava) in poskusov, ki jih je bilo treba izvesti. Z avtomatiziranimi metodami se možnosti povečajo.
Znanstveniki so povedali, da jim je to omogočilo ovrednotenje večjega števila hipotez, skupaj s številom načinov, kako bi znanstveniki lahko subtilno spremenili eksperimentalno postavitev. To je vplivalo na povečanje količine podatkov, ki jih je bilo treba preverjati, standardizirati in deliti.
Poleg tega je bilo treba robote "usposobiti" za izvajanje poskusov, ki so bili prej izvedeni ročno. Tudi ljudje smo morali razviti nove veščine za pripravo, popravilo in nadzorovanje robotov. To je bilo storjeno, da bi zagotovili, da v znanstvenem procesu ni prišlo do napak.
Znanstveno delo se pogosto ocenjuje na podlagi rezultatov, kot so recenzirane publikacije in štipendije. Vendar pa čas, potreben za čiščenje, odpravljanje težav in nadzorovanje avtomatiziranih sistemov, tekmuje z nalogami, ki so tradicionalno nagrajene v znanosti. Te manj cenjene naloge so lahko tudi večinoma nevidne – zlasti zato, ker so menedžerji tisti, ki se ne bi zavedali vsakdanjega dela, ker ne bi preživeli toliko časa v laboratoriju.
Sinbioznanstveniki, ki so opravljali te odgovornosti, niso bili bolje plačani ali bolj avtonomni kot njihovi menedžerji. Ocenili so tudi, da je lastna delovna obremenitev višja od tistih, ki so nad njimi v hierarhiji delovnih mest.
Širše lekcije
Možno je, da te lekcije veljajo tudi za druga področja dela. ChatGPT je Klepetalni bot, ki ga poganja umetna inteligenca ki se »uči« iz informacij, dostopnih na spletu. Na vprašanje spletnih uporabnikov klepetalni robot ponudi odgovore, ki jih videti dobro oblikovano in prepričljivo.
Glede na čas revije, da bi se ChatGPT izognil vračanju odgovorov, ki so bili rasistični, seksistični ali žaljivi na druge načine, delavcev v Keniji so bili najeti za filtriranje strupene vsebine, ki jo dostavi bot.
Za to je potrebnih veliko pogosto nevidnih delovnih praks razvoj in vzdrževanje digitalne infrastrukture. Ta pojav bi lahko opisali kot »paradoks digitalizacije«. Izpodbija predpostavko, da postanejo vsi, ki so vključeni ali prizadeti z digitalizacijo, bolj produktivni ali imajo več prostega časa, ko so deli njihovega poteka dela avtomatizirani.
Zaskrbljenost zaradi upada produktivnosti je ključna motivacija za organizacijska in politična prizadevanja za avtomatizacijo in digitalizacijo vsakodnevnega dela. Vendar obljub o povečanju produktivnosti ne smemo jemati za nominalno vrednost.
Namesto tega bi morali izpodbijati načine, kako merimo produktivnost z upoštevanjem nevidnih vrst nalog, ki jih lahko ljudje opravijo, poleg bolj vidnega dela, ki je običajno nagrajeno.
Razmisliti moramo tudi o tem, kako načrtovati in upravljati te procese, da bo lahko tehnologija bolj pozitivno prispevala k človeškim zmogljivostim.
Ta članek je ponovno objavljen Pogovor pod licenco Creative Commons. Preberi Originalni članek.
Kreditno slike: Gerd Altmann iz pixabay
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- vir: https://singularityhub.com/2023/03/24/ai-could-make-more-work-for-us-instead-of-simplifying-our-lives/