Zero
Secondo il World Economia del Forum per Il Futuro dei posti di Lavoro 2018 report, le macchine sostituiranno gli esseri umani in termini di eseguire più compiti sul posto di lavoro entro il 2025-ma ci potrebbe essere ancora 58 milioni di nuovi posti di lavoro creati nei prossimi cinque anni. La relazione rileva che l’aumento delle competenze per il 2022 includerà il pensiero analitico, la creatività, il pensiero critico, di soluzione di problemi complessi e di sistemi di analisi.
Anche: gli esseri umani Possono ottenere una maniglia su di AI?
2022 Competenze Outlook dell’Economia Forum / Futuro dei posti di Lavoro Rapporto di Il 2018 dell’Economia Forum
Il Futuro dei posti di Lavoro Rapporto di il 2018 inoltre individuato 10 emergenti posti di lavoro nel 2022, tra analisti e scienziati, l’intelligenza artificiale, machine learning specialisti e generali e di funzionamento dirigenti di cui i primi 3 posti di lavoro.
Inoltre: Come Facebook scale AI
10 Emergenti posti di Lavoro nel 2022 / Futuro dei posti di Lavoro Rapporto di Il 2018 dell’Economia Forum
AI e i progressi nell’automazione può causare 75 milioni di posti di lavoro gli spostamenti, ma, al tempo stesso, periodo altri 133 milioni di nuovi ruoli dove emergono le persone e le macchine saranno co-esistere, creando una netta di 58 milioni di posti di lavoro entro il 2022. Il 2018 rapporto di lavori prevede anche che il 42 per cento di tutte le attività sul posto di lavoro sarà eseguito da macchine nel 2022, rispetto al 29 per cento nel 2018.
Inoltre: AI bisogno di terapia in futuro? CNET
Il robot rivoluzione nel 2022 / Futuro dei posti di Lavoro Rapporto di Il 2018 dell’Economia Forum
Recentemente ho avuto il privilegio di incontrare il Dr. Kai-Fu Lee, Presidente e CEO di Sinovation Venture e Presidente di Sinovation Venture Intelligenza Artificiale dell’Istituto, ha parlato del suo nuovo libro ‘AI Superpoteri – Cina, la Silicon Valley e il Nuovo Ordine Mondiale’ alla mia azienda annuale conferenza Dreamforce. Sinovation Ventures, la gestione di 2 miliardi di dollari a doppia valuta del fondo investimento, è una società leader di tecnologia-savvy impresa di investimento volti a sviluppare la prossima generazione di Cinesi imprese high-tech. Dr. Lee libro è una lettura obbligatoria per gli imprenditori che vogliono comprendere meglio l’impatto di AI, sul futuro del lavoro. Nel suo libro, il Dottor Lee identifica i tipi di lavoro cognitivo che è come essere spostato dall’AI e anticipo di automazione. Lo spostamento probabilità di posti di lavoro sono catalogati nelle varie zone. La “Zona di Pericolo”, che comprende lavori di traduzione, attività di telemarketing, radiologi e specialisti fiscali e regolatore di assicurazione. La ‘Zona di Sicurezza’ comprende assistenti sociali, direttori generali e PR amministrazione.
Inoltre: AI mezzi di una vita, e la formazione di CNET
Rischio di Spostamento: Lavoro Cognitivo / AI Superpoteri – Dr. Kai Fu Lee
Io ho scritto il mio punto di vista per quanto riguarda l’enorme impatto che AI sul futuro del lavoro. Fast forward al 2020, e credo che le vendite, marketing e servizio clienti senza l’IA non è più efficace o accettabile, vendite, marketing o customer service. Siamo nell’epoca degli stakeholder — (clienti, partner, dipendenti e comunità. Ogni azienda, grande e piccolo, deve trasformare per un AI-driven business. Nel breve termine, le imprese e i lavoratori sono meno probabilità di essere sostituito da robot e più probabilità di essere interrotto da aziende e lavoratori che sono addestrati a usare AI tecnologie per competere e vincere.
Per comprendere meglio l’impatto di intelligenza artificiale (AI) sul lavoro cognitivo, ho raggiunto uno dei miei dominio AI colleghi esperti che è responsabile per la consegna AI-powered prodotti e servizi. Mayukh Bhaowal è Direttore del Product Management di Salesforce Einstein, lavorando in automatico (machine learning. Ero curioso di vedere come si sentiva riguardo l’impatto di AI, sul futuro della gestione del prodotto in funzione.
Anche: i Birrai sono usate AI prevedere in che modo la vostra prossima birra un gusto CNET
Qui sono Mayukh i pensieri sul futuro delle responsabilità di gestione del prodotto in età di AI, e perché product manager necessario prepararsi in modo diverso, come portare al mercato AI-powered prodotti e servizi:
Su un palco a Cambridge, MA, di fronte a diverse centinaia di appassionati di tecnologia, ex-professore di Stanford Andrew Ng scarabocchi di distanza su una lavagna. Egli parla di come AI è cambiare il mondo, e come tradizionale descrizioni del lavoro sono in rottura verso il basso. Ng fornisce un esempio di un chatbot. “Tradizionalmente un responsabile di Prodotto forniscono le specifiche del prodotto attraverso wire-frame. Per un chatbot, wire-frame sono completamente inutili per gli ingegneri. Vorrebbero sapere la logica all’interno”, dice Ng, che ha fondato Coursera, una formazione online azienda, e che è ora il CEO di consulenza AI Atterraggio AI.
Jeremy Karnowski, Direttore di AI Prodotti di San Francisco-based Insight Scienza di Dati, viene eseguito un 7-settimana intensivo programma di borsa di studio che aiuta i professionisti con diversi background cambiare carriera e si entra nel campo del software e della tecnologia. Per esempio, Leah McGuire è una neuroscienza computazionale che, dopo aver completato il suo Ph. D., è entrato Insight e atterrato un lavoro su LinkedIn. Di recente, la Comprensione dei Dati Scienza ha introdotto un Prodotto di Dati di programma di Gestione. “È per la più tradizionale responsabili di prodotto (PMs) per acquisire le competenze necessarie per essere PMs dati incentrato ruoli, come la costruzione di prodotti che sfruttano l’intelligenza artificiale”, dice Karnowski.
Marco Casalaina, VP of Product a Salesforce Einstein, sta lavorando con un team di creazione di un corso base di partenza (di Salesforce piattaforma di apprendimento online) per aumentare le competenze dei tradizionali PMs e prepararli per la quarta rivoluzione industriale, l’AI e l’apprendimento automatico. “Abbiamo bisogno di sviluppare un odore test per la sindrome premestruale, per dare loro la possibilità di determinare rapidamente la fattibilità dell’applicazione di machine learning per risolvere un problema aziendale”, dice Casalaina.
Mayukh Bhaowal, Direttore della Gestione Prodotti di Salesforce Einstein
Ingegneria come una disciplina che è esistita per migliaia di anni. Le sue radici si possono far risalire l’ingegneria delle piramidi d’Egitto, per la costruzione di motori militari nel 1300, per la nascita di ingegneria meccanica, con l’ascesa del motore a vapore nel 1800. Questo lo rende una matura e consolidata disciplina.
Gestione del prodotto è relativamente nuovo, meno di 100 anni e quindi ancora in evoluzione. E ‘ stato originariamente pensato per essere per la gestione dei marchi (quindi noto come Uomini di Marca) come si è evoluto in gestione dei sistemi di produzione manifatturiera. La nascita della tecnologia software fortemente influenzato il suo corso e poi è arrivato metodologie agili. Oggi, come Intelligenza Artificiale mangia software, si trova in una posizione trasformando il prodotto di gestione del ruolo, ancora una volta.
Inoltre: 61% delle imprese hanno già implementato AI TechRepublic
C’è un cambiamento. AI responsabili di prodotto sono in aumento.
Immaginate la costruzione di un nuovo sistema di raccomandazione. Dato un prodotto comprato da un utente, questo sistema dovrebbe raccomandare prodotti simili. Tradizionalmente, il PM dovrebbe lavorare con una user experience designer e venire con l’interazione con l’utente e l’esperienza (UI/UX) la specificazione di tutto il layout, quando e dove mostrare le raccomandazioni, qual è il comportamento di interagire con loro, etc. Questo può essere esteso ad altri raccomandazione motore di casi d’uso, come raccomandare gli amici in un social network, le connessioni in una rete professionale, canzoni in un app musica o i candidati di lavoro in un sistema di reclutamento. Tuttavia un moderno sistema di raccomandazione utilizza IA, e questi tipi di specifiche di prodotto sono di alcun valore per una macchina di apprendimento ingegnere o un data scientist-di cui hanno bisogno di dati. I sistemi di costruire non sono codificate; sono insegnate.
Diciamo che questo sistema di raccomandazione destinata a raccomandare offerte di lavoro per chi cerca lavoro, e viceversa. Qui un AI product manager deve fornire indicazioni di dati che i clienti hanno. Che cosa i clienti hanno sui processi e i candidati? Il PM deve specificare in che modo il sistema funzioni in una “partenza a freddo”, quando c’è un nuovo cliente che non ha ancora raccolto abbastanza dati per il sistema per imparare. E come si fa a valutare che le raccomandazioni sono davvero buoni? Questa è una nuova razza di specifiche di prodotto che non esisteva fino a che i recenti alba di AI.
Oltre a lavorare con i loro tradizionali di cross-funzionale delle parti interessate (design, marketing, vendite, ingegneria, dev ops), AI responsabili di prodotto ora necessario includere i dati scienziati e i dati di ingegneri nel cerchio. Qui ci sono le aree in cui, AI product manager deve concentrarsi al di là di quelli di una tradizionale PM:
Problema Di Mappatura
A volte è il caso ultimamente che nella fretta di AI, PMs diventare ipnotizzato dalla stuolo di nuove tecnologie e di abbandono per la mappatura utente di cemento punti di dolore. È essenziale per l’AI product manager per articolare la proposta di valore di un’intelligenza artificiale alimentato funzione. Questo significa che un AI product manager dovrebbe ricorrere ai metodi di risoluzione di un problema aziendale solo dopo aver individuato, attraverso un’attenta valutazione che i metodi tradizionali, come i motori delle regole non adeguatamente indirizzo dell’utente dolore punto.
Il servizio clienti di dominio, per esempio, il problema potrebbe essere di accelerare la risoluzione di servizio al cliente i biglietti. Un problema comune che causa di lunghi tempi di risoluzione nel servizio di cliente è mis-categorie di biglietti: più di un biglietto rimbalza tra i reparti, più tempo ci vorrà per risolvere.
Un AI product manager dovrebbe fare un’attenta analisi di questo problema. Potrebbe essere risolto con altri mezzi che sono più veloci e più facili da costruire rispetto AI? In questo particolare esempio, le imprese hanno a lungo utilizzato i motori delle regole e sistemi di flusso di lavoro per tentare di classificare i casi correttamente al primo tentativo, ma il problema persiste. Le regole in questi motori di frequente la caduta di data, e anche quando sono attuali, che spesso richiedono rigida ingressi che non corrispondono alla gamma del linguaggio umano, che spesso si trovano in servizio biglietti. Al momento di fare questa analisi, AI product manager potrebbe scoprire un’opportunità per l’uso di intelligenza artificiale per costruire un sistema per classificare questi biglietti da imparare da prima risolto con successo i biglietti. Questo è un buon esempio di un AI product manager mappatura aziendale di alto livello problema di IA soluzione.
Anche: Top 5: i Modi AI cambierà business TechRepublic
I Dati Di Alfabetizzazione
Uno degli aspetti più significativi nell’evoluzione della AI manager di prodotto è la necessità per i dati di alfabetizzazione. Un AI product manager deve capire le domande giuste per chiedere i loro clienti dati se essi sono per avere successo con una IA iniziativa. Rappresenta i dati rilevanti prontamente disponibile tra i clienti? C’è una quantità sufficiente di dati, ed è il tipo di dati da cui si può imparare? La pulizia dei dati o rumoroso? Il caso d’uso richiedono una soluzione in tempo reale o sarebbe un lotto di soluzione è sufficiente? Ad esso correlati, ci sono abbastanza esempi precedenti o precedenti, che può essere utilizzato per insegnare una macchina di apprendimento del sistema. Che è generalmente noto come un sorvegliato problema. Se non ci sono esempi precedenti (noto anche come risultati), la macchina sarebbe da imparare, senza alcun controllo dei precedenti. Questo è noto come un incustoditi problema.
Per esempio, un general-purpose immagine software di predizione funzionerà male, se è necessario rilevare i tumori da immagini mediche, ma avrebbe funzionato bene per la classificazione dei gatti contro cani. Questo è perché non è mai stato addestrato (e quindi non imparare) i dati storici di specifici tipi di tumori, e i loro risultati. Spesso, non c’è nemmeno abbastanza dati storici per imparare.
Questo nuovissimo dimensione dei dati di alfabetizzazione è del tutto assente nel tradizionale PM ruoli.
Criteri di accettazione Al Mondo Di AI
Una volta che un AI-powered funzione è integrata, AI responsabili di prodotto la necessità di definire i criteri per determinare se si è pronti a servire i clienti di produzione. Nella tradizionale gestione del prodotto, tali criteri possono includere completezza caratteristica, il numero di bug aperti, e in forma e finitura; ma in AI, gestione del prodotto, la metrica chiave è AI precisione. Dati gli scienziati hanno una vasta gamma di machine learning metriche, come ascensore, di precisione e di richiamo. A seconda dell’obiettivo aziendale, AI product manager deve dare un giudizio su quale macchina indicatori di apprendimento ha bisogno di essere ottimizzato, e a che punto l’IA è di eseguire in maniera adeguata a risolvere il problema del cliente. Questo sarà quindi mappato nella parte superiore della linea di business metrica come i casi di risoluzione o di vendita di conversione del cavo di sollevamento.
Per esempio, nel dominio vendite, responsabili delle vendite, sono interessato ad aumentare il numero di messaggi in entrata porta di convertire in vendite. AI-a base di piombo scoring in grado di fornire una stima per ogni arrivo di piombo, se è probabile che per convertire in una vendita o non. Questo può aiutare i venditori di dedicare il loro tempo sulla destra porta. AI product manager deve pertanto definire una soglia di AI precisione tale che il suo uso sarà affidabile sollevare il tasso di conversione dei clienti’ lead di vendita.
Anche: 10 modi AI avrà un impatto l’impresa nel 2018 TechRepublic
Spiegare capacità, l’Etica, e Bias
“Perché ha fatto questo AI soli prendere la decisione che ha fatto?” è una domanda comune tra gli utenti di consumare AI. AI si differenzia dai tradizionali software, nel senso che i risultati non sono basati su un set di mano codificato regole; come tali le decisioni a volte può sfidare la pronta spiegazione. Inoltre, il comportamento di AI cambiamenti nel corso del tempo, come si continua a imparare.
Essere riflessivo spiega-capacità e fornire meccanismi per rendere AI-powered caratteristiche più trasparente è la chiave per sbloccare l’adozione di tali funzioni. Un AI product manager deve specificare in che modo i suoi prodotti saranno spiegare ai loro utenti. A volte questo comporta un trade-off: alcuni algoritmi di intelligenza artificiale sono più spiegabile rispetto ad altri. Per problemi in settori dove c’è il regolamento, come la sanità, l’spiega-capacità batte di precisione. Spetta AI product manager per trovare il giusto equilibrio per il caso d’uso e l’industria si sta servendo.
AI responsabili di prodotto, inoltre, è necessario valutare di polarizzazione e di considerare le implicazioni etiche di AI-powered applicazioni. I dati raccolti rappresentante e abbastanza diverse? C’è dati nel data-set che può introdurre indesiderati e immorale pregiudizi, come la corsa o il sesso? Questa non è affatto una semplice decisione tecnica. Il genere, per esempio, può essere un importante segnale per l’IA in diagnosi medica applicazioni, ma è probabilmente irrilevante nel predire quale candidato di lavoro è più probabile per adattarsi a una descrizione del lavoro. Spetta ai product manager a prendere decisioni su quali dati si eticamente adatta per una determinata applicazione.
Scala Dalla Ricerca, Alla Produzione
Gli attributi di una produzione applicazione di intelligenza artificiale consegnato alla scala sono molto diverse da quelle “data science” progetti ancora in fase di ricerca. Gli ingegneri che stanno prendendo IA applicazioni per la produzione di necessità specifiche intorno a cui i dati dovrebbe essere. Sarà online in un ambiente cloud? O distribuiti su molti dispositivi mobili? Hanno bisogno di capire quanto velocemente AI bisogni di emettere la sua uscita in tempo reale AI output delle risorse sia per gli ingegneri e le macchine. Ci sono numerose altre considerazioni circa la frequenza e il momento di apprendimento automatico di modelli di riqualificare, quali parametri devono essere calcolate per comprendere il sistema continuo di prestazioni, quali funzionalità di ingegneria è necessario, e molto di più. Taglio-bordo metodi di risoluzione di molti comuni AI problemi abbondano in pubblicazioni accademiche, ma molto pochi di loro scala fino ad applicazioni del mondo reale. AI PM ha bisogno di costruire che spidey senso intorno al quale problemi a passare dopo, con la previsione, di rendere effettivamente in produzione.
Inoltre: non sono i posti di lavoro AI è distruggere che mi da fastidio, è quelli che sono in crescita
Se hai un PM la lettura di questo e ha esperienza nello sviluppo di applicazioni web e mobile, ma non hanno bagnato i piedi AI e ML (machine learning) prodotti, si potrebbe essere chiedendo — “non avevo mai avuto a che fare con uno di questi!” Il punto è proprio questo.
Se AI recentemente preso un sacco di tailwinds, IA è stata diffusa anche due decenni indietro nel dominio di ricerca e il targeting degli Annunci. Alcuni di voi che ha lavorato su quei prodotti sfruttando l’IA e ML potrebbe essere sorridente ora. Come AI e ML mangiare software, sempre più PMs bisogno di salire di livello la capacità di gestire questi prodotti, oltre a fornire i requisiti e specifiche che aggiungerà valore alla data di ingegneria e scienza di dati squadre. Questo porterà a una realtà risoluzione dei clienti punti di dolore e di non costruire un bel tecnologia.
Questo articolo è stato co-scritto da Mayukh Bhaowal, direttore del product management di Salesforce Einstein, lavorando in automatico (machine learning.
Precedente e relativa copertura:
Che cosa è l’IA? Tutto quello che devi sapere
Un esecutivo a guida di intelligenza artificiale, machine learning e generale AI alle reti neurali.
Cos’è il deep learning? Tutto quello che devi sapere
Il lowdown su deep learning: da come si relaziona con il più ampio campo di machine learning a come iniziare con esso.
Che cosa è macchina di apprendimento? Tutto quello che devi sapere
Questa guida spiega in cosa consiste la macchina di apprendimento, di come esso è legato all’intelligenza artificiale, come funziona e perché è importante.
Che cos’è il cloud computing? Tutto quello che devi sapere su
Un’introduzione al cloud computing destra, dalle nozioni di base fino a IaaS e PaaS, ibrido, public e private cloud.
Storie correlate:
Non c’è un ruolo per IA o i dati della scienza: questo è un lavoro di squadra di Avvio del Parentado porta scheggia di speranza per l’intelligenza artificiale robotica AI: La vista dal Capo Scienza di Dati Ufficio Salesforce intro Einstein Voce, una IA assistente vocale per le imprese
Argomenti Correlati:
Il futuro del Lavoro
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software
0