Όπου η Τεχνητή Νοημοσύνη υστερεί

Αυτό που παρέχει η Τεχνητή Νοημοσύνη είναι πιο ισχυρά εργαλεία για τους επαγγελματίες της Πληροφορικής για να κάνουν τη δουλειά τους. Αυτό σημαίνει ότι μπορούν πλέον να προχωρήσουν τις έννοιες περαιτέρω - από τη σύλληψη ιδεών έως την ανάπτυξη στην αγορά - απαιτώντας παράλληλα λιγότερους ρόλους υποστήριξης και περισσότερη τεχνική ηγεσία.

Υπάρχουν, ωστόσο, πολλοί τομείς όπου η εξειδικευμένη ανθρώπινη συμβολή εξακολουθεί να είναι απαραίτητη, είτε για την εμπιστοσύνη, την εποπτεία είτε για την ανάγκη ανθρώπινης δημιουργικότητας. Τα παραδείγματα αφθονούν, αλλά υπάρχουν 10 τομείς που ξεχωρίζουν ιδιαίτερα:

1. Προσαρμογή ενός αλγορίθμου hedge fund στις νέες οικονομικές συνθήκες. Αυτό απαιτεί αλγοριθμικό σχεδιασμό και βαθιά κατανόηση των αγορών, όχι απλώς ένα σωρό κώδικα.

2. Διάγνωση διαλείπουσων διακοπών υπηρεσιών cloud από παρόχους όπως η Google ή η Microsoft. Η Τεχνητή Νοημοσύνη μπορεί να αντιμετωπίσει προβλήματα σε μικρή κλίμακα, αλλά δεν μπορεί να θέσει σε πλαισιωμένο πλαίσιο την αντιμετώπιση προβλημάτων μεγάλης κλίμακας και υψηλού ρίσκου.

3. Επανεγγραφή κώδικα για κβαντικούς υπολογιστές . Η Τεχνητή Νοημοσύνη δεν μπορεί να το κάνει αυτό χωρίς εκτενή παραδείγματα επιτυχημένων υλοποιήσεων (τα οποία δεν υπάρχουν προς το παρόν).

4. Σχεδιασμός και διασφάλιση ενός νέου λειτουργικού συστήματος cloud . Αυτό περιλαμβάνει αρχιτεκτονική συστήματος υψηλού επιπέδου και αυστηρές δοκιμές που η Τεχνητή Νοημοσύνη δεν μπορεί να εκτελέσει.

5. Δημιουργία ενεργειακά αποδοτικών συστημάτων Τεχνητής Νοημοσύνης . Η Τεχνητή Νοημοσύνη δεν μπορεί να εφεύρει αυθόρμητα κώδικα GPU χαμηλότερης ισχύος ή να επανεφεύρει τη δική της αρχιτεκτονική.

6. Δημιουργία ασφαλούς, ανθεκτικού σε χάκερ, λογισμικού ελέγχου σε πραγματικό χρόνο για πυρηνικούς σταθμούς ηλεκτροπαραγωγής . Αυτό απαιτεί συνδυασμό εμπειρογνωμοσύνης σε ενσωματωμένα συστήματα με τη μετάφραση κώδικα και το σχεδιασμό συστημάτων.

7. Επαλήθευση ότι το λογισμικό ενός χειρουργικού ρομπότ λειτουργεί υπό απρόβλεπτες συνθήκες . Η επικύρωση κρίσιμης σημασίας για την ασφάλεια υπερβαίνει το τρέχον πεδίο εφαρμογής της Τεχνητής Νοημοσύνης.

8. Σχεδιασμός συστημάτων για την επαλήθευση της ταυτότητας των πηγών ηλεκτρονικού ταχυδρομείου και τη διασφάλιση της ακεραιότητας . Πρόκειται για μια κρυπτογραφική και διεπιστημονική πρόκληση.

9. Έλεγχος και βελτίωση των εργαλείων πρόβλεψης καρκίνου που βασίζονται στην τεχνητή νοημοσύνη . Αυτό απαιτεί ανθρώπινη εποπτεία και συνεχή επικύρωση συστήματος.

10. Δημιουργώντας την επόμενη γενιά ασφαλούς και ελεγχόμενης Τεχνητής Νοημοσύνης . Η εξέλιξη προς μια ασφαλέστερη Τεχνητή Νοημοσύνη δεν μπορεί να γίνει από μόνη της – πρόκειται για ανθρώπινη ευθύνη.

Γιατί η Επιστήμη των Υπολογιστών εξακολουθεί να είναι απαραίτητη

Ένα πράγμα είναι σίγουρο: Η Τεχνητή Νοημοσύνη θα αναδιαμορφώσει τον τρόπο με τον οποίο ασκείται η μηχανική και η Επιστήμη των Υπολογιστών. Αλλά αυτό που αντιμετωπίζουμε είναι μια αλλαγή στις μεθόδους εργασίας, όχι μια ολοκληρωτική καταστροφή του τομέα.

Κάθε φορά που αντιμετωπίζουμε ένα εντελώς νέο πρόβλημα ή πολυπλοκότητα, η Τεχνητή Νοημοσύνη από μόνη της δεν θα επαρκεί για έναν απλό λόγο: εξαρτάται αποκλειστικά από δεδομένα του παρελθόντος. Η διατήρηση της Τεχνητής Νοημοσύνης, η δημιουργία νέων πλατφορμών και η ανάπτυξη τομέων όπως η αξιόπιστη Τεχνητή Νοημοσύνη και η διακυβέρνηση της Τεχνητής Νοημοσύνης απαιτούν, επομένως, όλα την Τεχνητή Νοημοσύνη.

Το μόνο σενάριο στο οποίο μπορεί να μην χρειαζόμαστε CS είναι αν φτάσουμε σε ένα σημείο όπου δεν περιμένουμε πλέον νέες γλώσσες, συστήματα, εργαλεία ή μελλοντικές προκλήσεις. Αυτό είναι εντελώς απίθανο.

Κάποιοι υποστηρίζουν ότι η Τεχνητή Νοημοσύνη μπορεί τελικά να εκτελέσει όλες αυτές τις εργασίες. Δεν είναι αδύνατο, αλλά ακόμα κι αν η Τεχνητή Νοημοσύνη γινόταν τόσο προηγμένη, θα έθετε σχεδόν όλα τα επαγγέλματα σε ίσο κίνδυνο. Μία από τις λίγες εξαιρέσεις θα ήταν όσοι κατασκευάζουν, ελέγχουν και προωθούν την Τεχνητή Νοημοσύνη.

Υπάρχει ένα ιστορικό προηγούμενο σε αυτό: κατά τη διάρκεια της βιομηχανικής επανάστασης, οι εργάτες εργοστασίων εκτοπίστηκαν με αναλογία 50 προς 1 ως αποτέλεσμα της ραγδαίας προόδου στα μηχανήματα και την τεχνολογία. Σε αυτή την περίπτωση, το εργατικό δυναμικό στην πραγματικότητα αυξήθηκε με μια νέα οικονομία, αλλά οι περισσότεροι από τους νέους εργαζόμενους ήταν εκείνοι που μπορούσαν να χειρίζονται ή να επισκευάζουν μηχανήματα, να αναπτύσσουν νέα μηχανήματα ή να σχεδιάζουν νέα εργοστάσια και διαδικασίες γύρω από μηχανήματα.

Κατά τη διάρκεια αυτής της περιόδου μαζικής αναταραχής, οι τεχνικές δεξιότητες ήταν στην πραγματικότητα οι πιο απαιτητικές, όχι η λιγότερο σημαντική. Σήμερα, ο παραλληλισμός ισχύει: η τεχνική εμπειρογνωμοσύνη, ειδικά στην Πληροφορική, είναι πιο πολύτιμη από ποτέ.

Ας μην μπερδεύουμε την επόμενη γενιά με το αντίθετο μήνυμα.

Πιστεύουμε στην ελεύθερη ροή πληροφοριών

Αναδημοσίευση αυτού του άρθρου