Maaaring Hindi Agad Nakukuha ng AI ang iyong Trabaho, Ayon sa Isang Pag-aaral

(SeaPRwire) –   Maaari bang kukunin ng artificial intelligence ang aming mga trabaho? Kung makikinig ka sa mga executive ng Silicon Valley na nagsasalita tungkol sa kakayahan ng pinakabagong cutting edge AI systems ngayon, maaaring isipin mo ang sagot ay “oo, at madali.”

Ngunit isang bagong papel na inilathala ng mga mananaliksik sa MIT ay nagmumungkahi na ang automation sa workforce ay maaaring mangyari nang mas mabagal kaysa sa inaakala mo.

Ang mga mananaliksik sa computer science at artificial intelligence laboratory ng MIT ay pinag-aralan hindi lamang kung ang AI ay kaya nang gampanan ang isang gawain, kundi kung ito ba ay makatwiran para sa mga kompanya upang palitan ang mga tao na nagpapatupad ng mga gawain na iyon sa mas malawak na konteksto ng merkado ng trabaho.

Nakita nila na samantalang ang computer vision AI ngayon ay kaya nang awtomatikong gampanan ang mga gawain na kumakatawan sa 1.6% ng suweldo ng manggagawa sa ekonomiya ng U.S. (hindi kasama ang agrikultura), lamang 23% ng mga sueldo na iyon (0.4% ng ekonomiya sa kabuuan) ay, sa mga gastos ngayon, mas mura para sa mga kompanya upang awtomatikuhin kaysa sa pagbabayad ng mga manggagawang tao. “Sa kabuuan, ang aming mga kinalabasan ay nagmumungkahi na ang pagpapalit ng trabaho ng AI ay malaking-malaki, ngunit patuloy din—at dahil dito may sapat na oras para sa [patakaran ng pamahalaan] at muling pagsasanay upang bawasan ang epekto ng pagkawala ng trabaho,” ang mga may-akda ay nagsulat.

Ang mga gawain tulad ng pag-aanalisa ng mga larawan mula sa diagnostic equipment sa isang ospital, o pag-eexamine ng mga tray upang tiyakin na ito ay naglalaman ng tamang mga bagay, ay ibinigay sa papel bilang mga halimbawa ng uri ng “vision tasks” na maaaring makamit ng AI ngayon. Ngunit ang mga gawain tulad nito ay madalas na napakafragmented, ayon sa mga may-akda, na hindi ito ekonomikal upang awtomatikuhin.

“Kahit may ilang pagbabago na darating, may oras din para dito upang ma-adapt,” ani Neil Thompson, ang may-akda ng pag-aaral, sa TIME. “Hindi ito mangyayari nang napakabilis na lahat ay mapapasok sa kaguluhan agad.”

Maliban kung ganoon nga. Ang pag-aaral ay tinitignan lamang ang computer vision AI—mga sistema na kaya nang kilalanin at ikategorya ang mga bagay sa larawan at video—bagkus sa mas flexible na mga sistema tulad ng multimodal large language models, kung saan ang OpenAI’s GPT-4 ay isang halimbawa. Isang kamakailang mula sa OpenAI ang nag-estimate na 19% ng manggagawa sa U.S. ay maaaring makita ang 50% ng kanilang mga gawain sa trabaho na “naapektuhan” ng mga sistema ng antas ng GPT-4—isang mas mataas na estimate kaysa sa pag-aaral ng mga mananaliksik sa MIT na tumutuon lamang sa computer vision. Isang mahalagang tanong para sa ekonomiya sa panahon ng AI ay kung ang mga kinalabasan ng pag-aaral ng MIT ay maaaring gamitin sa mas “pangkalahatang” mga tool ng AI—ang mga nagmumungkahing awtomatikong gagampanan ang karamihan sa mga anyo ng paggawa ng cognitive na maaaring gawin sa likod ng isang screen ng computer.

Nakita ng mga mananaliksik sa MIT na mahalaga para sa mga kompanya upang “fine tune” ang mga sistema ng computer vision upang gawing angkop ito para sa isang tiyak at espesyalisadong gawain. Bagaman ang ganitong pag-invest ay maaaring makatwiran para sa pinakamalalaking kompanya, madalas ito ay hindi mas mura para sa isang maliit na outfit na maaaring lamang manatili sa isang napatunayan nang manggagawa na na may kakayahang magampanan ang gawain nang mabuti. Ito ay isang pangunahing dahilan, ayon sa papel ng MIT, kung bakit hindi lahat ng mga gawain na kaya ng AI ngayon ay ekonomikal din upang palitan ang tao. (Ang papel, na naisumite sa journal ng Management Science, ay hindi pa peer-reviewed.)

Ngunit hindi malinaw kung ito ay mangyayari rin sa mga gawain ng wika. Upang “fine tune” isang computer vision model, halimbawa, upang matukoy ang tiyak na uri ng gamot mula sa iba pang uri ng 99.9% antas ng accuracy, kailangan mong kumolekta ng malaking dami ng labeled na larawan ng iba’t ibang gamot, na maaaring isang mahal at mahirap na proseso (kahit na ang mababang sahod na manggagawa sa mahihirap na bansa ay inatasan upang gawin ito nang mura). Kailangan mong magbayad ng malaking gastos sa pagko-compute upang fine tune ang isang AI model sa malaking stok ng datos.

Sa kabilang dako, ang pag-fine tune ng isang mahuhusay na language model upang gampanan ang tiyak na gawain ay maaaring simpleng isang bagay na ibigay ang detalyadong listahan ng mga nakasulat na patakaran. Isang pag-aaral noong Agosto ng nakaraang taon ng OpenAI ang nakahanap na ang GPT-4 ay epektibong nakagampanan ang gawain ng content moderation sa digital na plataporma matapos itong fine-tuned gamit ang detalyadong dokumento ng patakaran at ilang labeled na mga halimbawa. Ang mga kinalabasan na iyon ay nagmumungkahi na ang malalaking language models ay maaaring gamitin sa malawak na hanay ng mga gawain sa ekonomiya mas mabilis at mas murang kaysa sa mga modelo ng computer vision.

Ang fine-tuning para sa GPT-4 ay nasa restricted na beta mode pa rin, habang ang OpenAI ay nagtatrabaho upang bawasan ang malaking na maaaring idulot ng ganitong antas ng pagkakapersonalisa. Ngunit habang pinapayagan ng OpenAI at ng kanilang mga kompetidor ang kanilang mga customer na fine-tune ang kanilang pinakamahusay na mga modelo, maaaring magsimula nang makita ng ekonomiya ang mga antas ng automation, o , na lumalakad nang mas mabilis kaysa sa inaasahan ng pag-aaral ng MIT.

“Maaari ring totoo na mas madali ang pag-customize ng malalaking language models kaysa sa pag-customize ng mga sistema ng computer vision at maaaring ito ang magdulot ng mas maraming pag-adopt sa ekonomiya,” ani Thompson sa TIME. Ngunit, “habang kailangan pa rin ng maliit na engineering team upang i-integrate ang sistema sa workflow ng kompanya, ang mga gastos ay nagpapatibay pa rin.”