Nul
Volgens het Wereld Economie Forum De Toekomst van de Banen 2018 rapport, machines zal inhalen van mensen op het gebied van het uitvoeren van meer taken op de werkplek door 2025 — maar er kon er nog 58 miljoen netto nieuwe banen gecreëerd in de komende vijf jaar. Het rapport merkt op dat de groeiende vaardigheden voor 2022 zal zijn analytisch denken, creativiteit, kritisch denken, complexe problemen oplossen, en systeemanalyse.
Ook: Kan de mens krijgen greep op AI?
2022 Vaardigheden Outlook – Wereld Economie Forum / Toekomst van de Werkgelegenheid Verslag 2018 – Wereld Economie Forum
De Toekomst van de Werkgelegenheid Verslag 2018 ook geïdentificeerd 10 opkomende banen in 2022, met inbegrip van data-analisten en wetenschappers, AI en machine learning specialisten en de algemene en de werking managers als de top 3 banen.
Ook: Hoe Facebook schalen AI
10 Opkomende Banen in 2022 / Toekomst van de Werkgelegenheid Verslag 2018 – Wereld Economie Forum
AI en de ontwikkelingen in de automatisering kan leiden tot 75 miljoen baan verplaatsingen, maar op dezelfde periode een ander 133 miljoen nieuwe rollen ontstaan, waar mensen en machines naast elkaar zullen bestaan het maken van een netto instroom van 58 miljoen banen door 2022. De 2018 banen verslag ook voorspelt dat 42 procent van alle huidige taken in de werkplaats worden uitgevoerd door machines in 2022, tegenover 29 procent in 2018.
Ook: AI therapie nodig in de toekomst? CNET
De robot revolution van 2022 / Toekomst van de Werkgelegenheid Verslag 2018 – Wereld Economie Forum
Ik had onlangs het voorrecht om Dr. Kai-Fu Lee, de Voorzitter en CEO van Sinovation Ventures en Voorzitter van Sinovation Venture Kunstmatige Intelligentie Instituut, zoals hij gesproken over zijn nieuwe boek ‘AI Grootmachten – China, Silicon Valley en de Nieuwe Wereld Orde” op mijn bedrijf de jaarlijkse conferentie Dreamforce. Sinovation Ventures, het beheren van US$2 miljard dubbele valuta investment fund, is een toonaangevende technologie-savvy beleggingsonderneming gericht op de ontwikkeling van de volgende generatie van de Chinese high-tech bedrijven. Dr. Lee ‘ s boek is een must read voor business leaders die beter inzicht willen krijgen in de impact van AI op de toekomst van werken. In zijn boek, Dr. Lee identificeert soorten cognitieve arbeid die graag worden verplaatst door AI en vooraf automatisering. De verplaatsing waarschijnlijkheid van de banen zijn ingedeeld in verschillende zones. De ‘Danger Zone’ waarin taken, zoals vertalers, telemarketing, radiologen en fiscale specialisten en verzekeringen te passen. De ‘Veilige Zone’ voorzien van maatschappelijk werkers, Ceo ‘ s en PR-bestuur.
Ook: AI betekent een levensduur van training CNET
Het risico van Verplaatsing: Cognitieve Arbeid / AI Grootmachten – Dr. Kai-Fu Lee
Ik heb geschreven over mijn standpunt over de enorme impact van AI op de toekomst van werken. Fast forward naar 2020, en ik geloof dat de verkoop, marketing en customer service zonder AI is niet langer effectief is of aanvaardbaar verkoop, marketing of klantenservice. We zijn in het tijdperk van de aangesloten stakeholder — klanten, partners, werknemers en gemeenschappen. Elk bedrijf, groot en klein, moeten transformeren naar een AI-gestuurde business. Op de korte termijn, de bedrijven en de werknemers hebben minder kans om te worden vervangen door robots en meer kans te worden getroffen door de bedrijven en de werknemers die zijn opgeleid in het gebruik van AI technologieën om te concurreren en te winnen.
Om beter te begrijpen wat de invloed van kunstmatige intelligentie (AI) op de cognitieve arbeid, bereikte ik naar één van mijn AI domein deskundige collega ‘ s die verantwoordelijk is voor het leveren van AI-aangedreven producten en diensten. Mayukh Bhaowal is Directeur van Product Management bij Salesforce Einstein, werken op een geautomatiseerde machine learning. Ik was benieuwd hoe hij zich voelde over de impact van AI op de toekomst van de product management functie.
Ook: Brouwers zijn met de AI te voorspellen hoe uw volgende bier smaakt CNET
Hier zijn Mayukh gedachten over de toekomstige taken van product management in de leeftijd van AI, en waarom product managers voor te bereiden anders als ze op de markt te brengen AI-aangedreven producten en diensten:
Op een enorme podium in Cambridge, MA, in het bijzijn van enkele honderden liefhebbers van technologie, ex-Stanford professor Andrew Ng krabbels weg op een whiteboard. Hij is aan het praten over hoe de AI is het veranderen van de wereld, en hoe de traditionele functiebeschrijvingen zijn af te breken. Ng geeft een voorbeeld van een chatbot. “Traditioneel Product Manager zou specificaties van het product door middel van wire-frames. Voor een chatbot, wire-frames zijn volledig nutteloos aan de ingenieurs. Ze zou graag willen weten de logica van binnen,” zegt Ng, die opgericht Coursera, een online onderwijs, en die is nu de CEO van AI consultancy Landing AI.
Jeremy Karnowski, Directeur van de AI-Producten in het San Francisco-based Inzicht Data Science, loopt een 7-weekse intensieve fellowship programma dat helpt professionals met uiteenlopende achtergronden veranderen loopbaan en voer het gebied van software en technologie. Bijvoorbeeld, Lea McGuire is een computationele neurowetenschappen die, na het voltooien van haar Ph. D., toegetreden tot Inzicht en kreeg een baan bij LinkedIn. Onlangs, Inzicht Gegevens Wetenschap introduceerde een Data Product Management programma. “Het is voor de meer traditionele product managers (PMs) de vaardigheden te verwerven die nodig zijn om PMs-in gegevens-gerichte functies, zoals het bouwen van producten die gebruik maken van kunstmatige intelligentie,” zegt Karnowski.
Marco Casalaina, VP of Product bij Salesforce Einstein, is het werken met een team aan het creëren van een cursus in Trailhead (Salesforce ‘ s online learning platform) voor het verbeteren van de vaardigheden van de traditionele PMs en hen voor te bereiden op de vierde industriële revolutie van AI en machine learning. “We moeten het ontwikkelen van een geur test voor onze PMs, om hen de mogelijkheid om snel te bepalen van de haalbaarheid van de toepassing van machine learning aan het oplossen van een business probleem,” zegt Casalaina.
Mayukh Bhaowal, Director of Product Management, Salesforce Einstein
Ingenieur als discipline bestaat al duizenden jaren. De wortels kunnen worden teruggevoerd tot de engineering van de piramiden van Egypte, naar het gebouw van de militaire motoren in de jaren 1300, tot de aanvang van de mechanische engineering met de opkomst van de stoommachine in de jaren 1800. Dit maakt het een volwassen en gevestigde discipline.
Product management is een relatief nieuwe, minder dan 100 jaar oud en dus nog in ontwikkeling. Het was oorspronkelijk bedoeld om te worden rond het beheer van merken (vandaar bekend als Merk voor Mannen) als het zich in het beheren van productie systemen in productie. De geboorte van software technologie sterk beïnvloed zijn natuurlijk en toen kwam langs agile methodieken. Vandaag de dag, zoals Kunstmatige Intelligentie eet software, het is rustig transformeren van het product management functie weer.
Ook: 61% van de bedrijven hebben reeds AI TechRepublic
Er is een verschuiving. De AI product managers stijgt.
Stel je voor het bouwen van een nieuwe aanbeveling systeem. Gegeven een product dat is gekocht door een gebruiker, moet dit systeem adviseren vergelijkbare producten. Traditioneel, een UUR zou werken met een user experience designer en komen met de interactie van de gebruiker en ervaring (UI/UX) specificatie rond de lay-out, waar en wanneer het display van de aanbevelingen, wat is het gedrag op de interactie met hen, enz. Dit kan worden uitgebreid naar andere aanbeveling het gebruik van de motor gevallen, zoals bij het aanbevelen van vrienden op een sociaal netwerk, verbindingen in een professioneel netwerk, van nummers in een muziek-app of kandidaten in een werving-systeem. Maar een moderne aanbeveling systeem maakt gebruik van AI, en dit soort van product specificaties zijn van geen waarde aan een machine learning ingenieur of een data-scientist-ze moet de gegevens. De systemen die ze bouwen zijn niet gecodeerd; ze geleerd.
Laten we zeggen dat deze aanbeveling systeem was voorbestemd om te adviseren vacatures voor werkzoekenden, en vice versa. Hier een AI-product manager de behoeften te voorzien van bijzonderheden van de gegevens die de klanten hebben. Welke informatie moeten klanten over de vacatures en de kandidaten? De PM behoeften om aan te geven hoe de functies van het systeem in een “koude start” wanneer er een nieuwe klant die nog niet heeft vergaard voldoende gegevens voor het systeem om te leren. En hoe evalueer je dat de aanbevelingen zijn inderdaad goed? Dit is een heel nieuw ras van de specificaties van het product die niet bestaan totdat de laatste dageraad van de AI.
In aanvulling op het werken met hun traditionele cross-functionele belanghebbenden (ontwerp, marketing, verkoop, engineering, dev ops), AI product managers van nu nodig om data scientists en data-ingenieurs in de cirkel. Dit zijn de belangrijkste gebieden waarop een AI-product manager gericht dient te zijn dan die van een traditionele PM:
Probleem Mapping
Het is soms het geval de laatste tijd dat in de rush naar AI, PMs worden betoverd door de schare van nieuwe technologieën en verwaarlozing te wijzen naar concrete gebruiker pijn punten. Het is van essentieel belang voor de AI product manager formuleren van de waardepropositie van een AI-aangedreven functie. Dit betekent dat een AI-product manager toevlucht moet nemen tot AI methoden van het oplossen van een business probleem pas na het vaststellen door middel van een zorgvuldige evaluatie aan dat de traditionele methoden, zoals regels motoren niet adequaat adres van de gebruiker pijn punt.
In de customer service domein, bijvoorbeeld het business probleem zou kunnen zijn het versnellen van de resolutie van de klantenservice van tickets. Een veel voorkomend probleem dat veroorzaakt lange resolutie keer in de klantenservice is verkeerd gecategoriseerd tickets: hoe meer een ticket stuitert tussen afdelingen, hoe langer het duurt om op te lossen.
Een AI-product manager moet een zorgvuldige analyse van het probleem. Kan het opgelost worden door andere middelen, die zijn sneller en eenvoudiger te bouwen dan AI? In dit specifieke voorbeeld, bedrijven hebben lang gebruikte regels motoren en workflow systemen om te proberen te categoriseren gevallen correct op de eerste poging, en toch is dit probleem zich blijft voordoen. De regels in deze motoren vaak vallen verouderd zijn, en zelfs als ze het huidige, ze vereisen vaak een stijve ingangen die niet overeenkomen met het bereik van menselijke taal is vaak te vinden in de service-tickets. Na het doen van deze analyse, een AI-product manager zou kunnen ontdekken een mogelijkheid om gebruik te maken van kunstmatige intelligentie om te bouwen van een systeem voor het categoriseren van deze tickets door te leren van eerdere opgelost tickets. Dit is een goed voorbeeld van een AI-product manager in kaart brengen van de high-level business probleem om een AI-oplossing.
Ook: Top 5: Manieren AI zal veranderen business TechRepublic
Gegevens Geletterdheid
Een van de meest belangrijke aspecten in de ontwikkeling van de AI product manager is de behoefte aan data-geletterdheid. Een AI-product manager behoeften te begrijpen van de juiste vragen over de data van hun klanten als ze zijn om te slagen met een AI-initiatief. De relevante gegevens direct beschikbaar zijn onder de klanten? Is er voldoende gegevens, en is het de aard van de gegevens die AI kan leren? Is de data clean of luidruchtig? Doet de use case vereisen een real-time oplossing of een batch-oplossing voldoende? In verband met het, zijn er genoeg van voorafgaande voorbeelden of precedenten die gebruikt kan worden om een machine learning systeem. Dat is meestal bekend als een gecontroleerde probleem. Als er geen eerdere voorbeelden (ook bekend als uitkomsten), de machine zou hebben om te leren zonder toezicht van precedenten. Dit staat bekend als een onbewaakte probleem.
Bijvoorbeeld, een algemene afbeelding voorspelling software zal slecht presteren als het moet detecteren tumoren van medische beelden, maar het zou goed werken voor het indelen van katten versus honden. Dit is omdat het werd nooit getraind op (en dus niet leren) historische gegevens van specifieke types van tumoren en hun uitkomsten. Vaak is er niet eens genoeg zoals historische gegevens, om van te leren.
Deze nieuwe dimensie van gegevens geletterdheid is geheel afwezig in de traditionele UUR rollen.
Criteria voor acceptatie In De Wereld Van AI
Zodra een AI-aangedreven functie is ingebouwd, AI product managers nodig voor het definiëren van de criteria om te bepalen of het is klaar om te serveren productie klanten. In de traditionele product management, deze criteria kunnen zijn voorzien van volledigheid, het aantal openstaande bugs, en pasvorm en afwerking; maar, in AI, product management, de sleutel gegeven AI nauwkeurigheid. Gegevens wetenschappers hebben een brede set van machine learning statistieken, zoals lift, precisie en recall. Afhankelijk van de business doelstelling, een AI-product manager nodig heeft om een oordeel over die machine learning gegevens moeten worden geoptimaliseerd, en op welk moment de AI is het uitvoeren van voldoende en goed op te lossen het probleem van de klant. Dit zal vervolgens worden toegewezen aan de bovenste regel van zaken gegeven, zoals het oplossen van een case tijd, of het genereren van sales leads conversie lift.
Bijvoorbeeld in de sales-domein, sales executives zijn geïnteresseerd in het verhogen van het aantal inkomende leads omzetten in verkoop. AI-lead scoring kan een voorspelling voor elke inkomende leiden om te bepalen of het waarschijnlijk om te zetten in een verkoop of niet. Dit kan helpen de verkopers focus van hun tijd op de juiste leidt. De AI product manager moet dus voor het definiëren van een drempel van AI juistheid zodanig dat het gebruik ervan op betrouwbare wijze zal de lift de wisselkoers van de klanten’ sales leads.
Ook: 10 manieren AI impact zullen hebben op de onderneming in 2018 TechRepublic
Explain-mogelijkheid, Ethiek, en Afwijking
“Waarom heeft deze AI gewoon de beslissing nemen die het deed?” is een veelgestelde vraag onder gebruikers consumeren van AI. AI verschilt van traditionele software in de zin dat de resultaten niet gebaseerd zijn op een set hand-coded regels; de beslissingen die hij maakt kan soms trotseren klaar uitleg. Bovendien, het gedrag van de AI van veranderingen in de tijd als het blijft te leren.
Wordt nadenkend over explain-mogelijkheid en het verstrekken van mechanismen om AI-powered functies transparanter is de sleutel tot het ontsluiten van de vaststelling van dergelijke functies. Een AI-product manager om te bepalen hoe zijn of haar producten zal uitleggen zich aan hun gebruikers. Soms komt een trade-off: een aantal AI-algoritmen zijn meer verklaarbaar zijn dan anderen. Voor problemen in de domeinen waar sprake is van hoge verordening, zoals de gezondheidszorg, de explain-mogelijkheid beats nauwkeurigheid. Het is de verantwoordelijkheid van de AI-product manager de juiste balans vinden voor de use case, en de industrie die ze serveren.
AI product managers ook nodig om te beoordelen bias en rekening houden met de ethische implicaties van AI-aangedreven toepassingen. De verzamelde gegevens representatief en divers genoeg? Is er gegevens in de data-set die kan invoeren ongewenst en onethisch vooroordelen, zoals ras of geslacht? Dit is nauwelijks een eenvoudige technische beslissing. Geslacht, bijvoorbeeld, kan een belangrijk signaal voor de AI in de medische diagnose applicaties, maar het is waarschijnlijk niet relevant in het voorspellen van welke sollicitant is meer waarschijnlijk om te passen een beschrijving van het werk. Het valt de AI product manager om beslissingen te nemen over welke gegevens is ethisch geschikt voor een bepaalde toepassing.
Schalen Van Onderzoek Tot Productie
De kenmerken van een productie-AI toepassing afgeleverd op schaal zijn heel anders dan “data science projecten” nog steeds in het stadium van het onderzoek. Ingenieurs die het nemen van AI-toepassingen in de productie moeten de specificaties rond, waar de gegevens wordt verwacht te worden. Zal het online in een cloud-omgeving? Of verspreid over een groot aantal mobiele apparaten? Ze moeten begrijpen hoe snel de AI moet uitzenden van de uitvoer — real-time AI-uitgang kan worden intensief voor zowel de ingenieurs en de machines. Er zijn tal van andere overwegingen rond hoe vaak en wanneer machine learning modellen scholen, welke gegevens moeten worden berekend om te begrijpen dat het systeem de prestaties, wat de functie engineering is vereist, en nog veel meer. Geavanceerde methoden voor het oplossen van veel voorkomende AI problemen in overvloed in wetenschappelijke publicaties, maar zeer weinigen van hen schaalvergroting in de echte wereld. Een AI-UUR moet bouwen dat spidey sense rond die problemen om te gaan na met de vooruitziende blik, wie gaat daadwerkelijk in productie.
Ook: het is niet de banen AI is het vernietigen van dat stoort me, het is degenen die groeien
Als je een UUR lezen dit en hebben ervaring in het bouwen van web-en mobiele applicaties, maar hebben geen natte voeten in AI en ML (machine learning) producten, u vraagt zich misschien af: “ik had nog nooit te maken gehad met een van deze!” Dat is het punt juist.
Hoewel de AI onlangs gevangen veel rugwind, AI gangbaar was zelfs twee decennia terug in het domein van zoeken en advertenties. Sommigen van u die hebben meegewerkt aan de eerste producten benutten AI en ML kan lachen nu. Als AI en ML eten software, meer en meer PMs nodig hebben om op niveau van hun vaardigheden voor het beheren van deze producten en bieden eisen en specificaties, die waarde toevoegen aan de gegevens engineering en data science teams. Dit zal leiden tot het daadwerkelijk oplossen van klant pijn punten en niet alleen het bouwen van een koel-technologie voorzien.
Dit artikel is co-auteur van Mayukh Bhaowal, director product management bij Salesforce Einstein, werken op een geautomatiseerde machine learning.
Vorige en aanverwante dekking:
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante artikelen:
Er is geen rol voor de AI of data science: dit is een team inspanning Opstarten Verwanten brengt glimp van hoop voor AI AI-robotica: Het uitzicht vanuit de Chief Data Science Office Salesforce intro ‘ s van Einstein Stem, een AI-voice assistant voor ondernemingen
Verwante Onderwerpen:
De toekomst van Werk
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0