توسط جرمیاس آدامز-پراسل ، دانشگاه آکسفورد3 سپتامبر 2020
اگر رئیس شما یک الگوریتم بود چه می کردید؟ جهانی را تصور کنید که در آن هوش مصنوعی برای کمک به شغل شما نیامده است – بلکه برای مدیریت شما آمده است . خواه استخدام پرسنل جدید ، مدیریت یک نیروی کار بزرگ یا حتی انتخاب کارگران برای تعدیل نیرو . داده های کلان و الگوریتم های پیچیده به طور فزاینده ای وظایف مدیریت سنتی را به دست می گیرند . این یک چشم انداز دور در آینده نیست. به گفته پروفسور ارمیاس آدامز-پراسل ، مدیریت الگوریتمی به سرعت در محلهای کار در سراسر جهان در حال استقرار است.
آیا باید نگران باشیم؟ اعلامیه ای در ماه گذشته خطرات احتمالی سپردن تصمیمات تغییر دهنده زندگی به اتوماسیون را نشان داده است. با این حال ، استاد حقوق آکسفورد پیشنهاد می کند ، ما لزوماً در برابر ماشین ها بی دفاع یا ناتوان نیستیم – و حتی ممکن است بخواهیم (با احتیاط) از این انقلاب استقبال کنیم. برای اینکه انسان بفهمد چگونه باید در زمینه تنظیم هوش مصنوعی در محل کار خود عمل کند . قابل توجه است که از طرف شورای تحقیقات اروپا به او 1.5 میلیون یورو کمک مالی برای این امور اعطا شده است.
این امر مستلزم بازنگری جدی در ساختارهای موجود است. در طی پنج سال آینده ، پروژه پروفسور آدامز-پراسل یک تیم بین رشته ای متشکل از دانشمندان کامپیوتر ، وکلا و جامعه شناسان را گرد هم خواهد آورد تا بفهمند چه اتفاقی می افتد که تصمیمات اصلی دیگر توسط رئیس شما گرفته نشود و شاید توسط یک الگوریتم غیرقابل کنترل این تصمیمات اخذ شده است.
امروز کارفرمایان می توانند به اطلاعات گسترده ای در مورد نیروی کار خود ، از شماره تلفن ، ایمیل و تقویم کارهای شخصی گرفته تا حرکات روزانه در اطراف دفتر – و سایر موارد مشابه در مورد شما دسترسی داشته باشند. حتی فردریک تیلور مشهور نظریه پرداز مدیریت قرن 19 نیز نمی توانست رویای این درجه نظارت را داشته باشد. این مجموعه اطلاعات سپس توسط یک سری الگوریتم پردازش می شود ، که اغلب به یادگیری ماشینی (یا “هوش مصنوعی”) برای الک کردن داده ها به الگوهایی متکی است. با این کار تعیین می کند که مجریان فعلی چه ویژگی هایی دارند؟ و کدام متقاضیان بیشترین تطابق را با این پروفایل ها دارند؟
استاد یادآور می شود: “اتوماسیون مدیریت مدتی با ما بوده است.” “اما آنچه که اکنون شاهد آن هستیم ، یک تغییر جدی است . مدتهاست که الگوریتم هایی برای مدیریت کارگران در کارخانه ها ، انبارها و امور مشابه مستقر شده اند. امروز ، آنها در محل بیمارستان ها و موسسات حقوقی به مکان های کاری در سراسر اقتصاد به بانکها و حتی دانشگاهها می آیند. “. همه گیری COVID-19 با مدیران سنتی که برای مراقبت از تیم های خود تلاش می کنند ، این امر راتقویت بیشتری می کند. در نتیجه ، رئیس الگوریتمی فقط ما را در محل کار تماشا نمی کند ، بلکه به اتاق های زندگی ما آمده است.
این لزوماً چیز بدی نیست: الگوریتم هایی برای موفقیت در تجارت داخلی یا کمک به کارمندان برای برنامه ریزی شغلی خود و یافتن فرصت های استقرار مجدد در سازمان های بزرگ ، با موفقیت به کار گرفته شده اند. همزمان ، پروفسور آدامز-پراسل هشدار می دهد ، ما باید مراقب عوارض جانبی منفی ناخواسته (در عین حال اغلب کاملاً قابل پیش بینی) و سپردن تصمیمات کلیدی به یادگیری ماشینی باشیم. بارها و بارها نرم افزار مصاحبه ویدئویی به منظور تبعیض در برابر متقاضیان بر اساس رنگ پوست ، به جای مهارت نشان داده شده است. و این الگوریتم پیچیده استخدام می تواند این واقعیت را بیان کند که الگوی اصلی در بین مهندسان ارشد فعلی شما این است که مرد ها در اولویت هستند – و بنابراین الگوریتمها یاد می گیرند رزومه های متقاضیان زن آینده را کنار بگذارند. صرفاً حذف موضوع جنسیت ، نژاد یا سایر ویژگی ها ، مشکل تبعیض الگوریتمی را نیز درمان نمی کند. تعداد زیادی پایگاه داده دیگر وجود دارد ، از عادات خرید گرفته تا کد پستی ، که می توان از آنها همان اطلاعات را استنباط کرد. با این وجود ، در میان ادبیات رو به رشد که به بررسی عدالت و شفافیت الگوریتمی می پردازد ، به نظر می رسد که در محل کار توجه کمی به آن شده است.
چارچوب های قانونی موجود ، که برای شرایط کار در قرن گذشته طراحی شده است ، برای همگام سازی و تطابق آنها با شرایط جدید تلاش می کنند . برخی می گویند ، آنها تهدید کنند نوآوری هستند – یا کارگران را بدون محافظت می گذارند.
درک فناوری برای حل این معمای مهم این است که چه اطلاعاتی جمع آوری می شود و چگونه پردازش می شود؟
این استاد دانشگاه تأکید می کند: “ذاتاً استفاده از داده های بزرگ و هوش مصنوعی در کار هیچ چیز بدی نیست: شما باید نگران هرگونه تخیل غلط باشید و کارفرمایان باید به دقت گام بردارند: “بله ، خودکارسازی فرایندهای استخدام ممکن است در زمان قابل توجهی صرفه جویی کند ، و اگر به درستی تنظیم شود ، می تواند به طور فعال استخدام بهترین و متنوع ترین نامزدها را تشویق کند – اما همچنین باید مراقب باشید: الگوریتم های یادگیری ماشینی ، توسط طبیعتی که دارند ، تمایل به اجرای دقیق و خشک محدودیت ها را دارند “.
تیم وی با حمایت از کمک هزینه اخیر شورای تحقیقات اروپا (ERC) ، مجموعه ای از ابزارها را برای تنظیم مدیریت الگوریتمی ارائه خواهد داد. هدف اصلی در نظر گرفتن همه ذینفعان است ، نه فقط ارتقا اهمیت چت های اجتماعی . در تغییر شکل محل کار فردا ، معرفی موفقیت آمیز مدیریت الگوریتمی نیاز به همکاری در زمینه چگونگی انطباق بهتر نرم افزار با شرایط فردی دارد ، خواه تصمیم گیری در مورد داده ها باشد ، یا اینکه کدام یک از پارامترها باید در مراحل استخدام اولویت بندی شوند.
موضوع فقط مسئله تنظیم مقررات قانونی نیست: ما باید به نقش توسعه دهندگان نرم افزار ، مدیران و کارگران توجه کنیم. در طراحی “هوش مصنوعی به خاطر هوش مصنوعی” ، سرمایه گذاری در یک نرم افزار پیچیده و بدون مورد استفاده مشخص ، ارزش کمی وجود دارد. کارگران به طور قابل توجهی نگران خواهند شد و در برابر آن مقاومت می کنند . از تخریب مانیتورهای میز کار گرفته تا سرمایه گذاری در برنامه های هوشمند FitBit که تمرین مورد نظر شما را شبیه سازی می کنند.
پروفسور آدامز-پراسل نتیجه گیری می کند: “چیزی به نام آینده کار وجود ندارد.” “هنگامی که با وسوسه پیش شرط گرایی تکنولوژیکی روبرو می شوید ، همیشه به یاد داشته باشید که هیچ چیز در توسعه فناوری ذاتی نیست – این انتخاب های امروز ماست که باید اطمینان ایجاد کند که محل کار فردا نوآورانه ، منصفانه و شفاف است.” https://techxplore.com
