Nul
Ifølge World Economics Forum ‘ s Fremtid-Job i 2018 rapport, maskiner vil overhale mennesker i form af at udføre flere opgaver på arbejdspladsen inden år 2025-men der kan stadig være 58 mio. nye jobs, der skabes i de næste fem år. Rapporten bemærker, at de voksende evner til 2022 vil omfatte analytisk tænkning, kreativitet, kritisk tænkning, kompleks problemløsning, og analyse af systemer.
Også: Kan mennesker få styr på AI?
2022 Færdigheder Outlook – World Economics Forum / Fremtidens Job Rapport 2018 – World Economics Forum
Den Fremtidige Jobs Rapport 2018 også identificeret 10 nye arbejdspladser i 2022, herunder data, analytikere og forskere, AI og machine learning specialister og generelt og drift ledere som top 3 arbejdspladser.
Også: Hvordan Facebook skalaer AI
10 Nye Arbejdspladser i 2022 / Fremtidens Job Rapport 2018 – World Economics Forum
AI og fremskridt inden for automatisering kan resultere i, at 75 millioner job forskydninger, men på samme tid periode, en anden 133 millioner nye roller vil opstå, hvor mennesker og maskiner vil eksistere side om, at skabe et net af nye 58 millioner job i 2022. 2018 job rapport, der også forventer, at 42 procent af alle aktuelle opgaver på arbejdspladsen, vil blive udført af maskiner i 2022, som i forhold til 29% i 2018.
Også: Vil AI behov for terapi i fremtiden? CNET
Den robot revolution i 2022 / Fremtidens Job Rapport 2018 – World Economics Forum
For nylig havde jeg det privilegium at møde Dr. Kai-Fu Lee, Formand og CEO af Sinovation Ventures og Formand for Sinovation Venture ‘ s Artificial Intelligence Institute, som han diskuterede sin nye bog ‘AI Supermagter som Kina, Silicon Valley og New World Order” i min selskabets årlige konference Dreamforce. Sinovation Ventures, administrerende US$2 mia dobbelt valuta investeringsfond, er en førende it-kyndige investeringsselskab med fokus på at udvikle den næste generation af Kinesiske high-tech virksomheder. Dr. Lee ‘ s bog er en skal læse for virksomhedsledere, der ønsker at bedre at forstå virkningen af AI på den fremtidige arbejde. I sin bog, Dr. Lee identificerer typer af kognitiv arbejdskraft, der er som at være fordrevet fra AI og forhånd automatisering. Forskydningen sandsynligheden for beskæftigelse er katalogiseret i forskellige zoner. Den “Fare-Zone”, som omfatter job som oversættere, telemarketers, radiologer og skat specialister og forsikring til justering. Den “Sikre Zone” omfatter socialrådgivere, virksomhedsledere og PR direktører.
Også: AI betyder en levetid på uddannelse CNET
Risiko for Fortrængning: Kognitiv Arbejdskraft / AI Supermagter – Dr. Kai-Fu Lee
Jeg har skrevet om mit synspunkt med hensyn til den massive påvirkning af AI på den fremtidige arbejde. Hurtigt frem til 2020, og jeg tror, at salg, marketing og kundeservice uden at AI ikke længere er effektive eller acceptabelt for salg, marketing eller kundeservice. Vi er i en alder af forbundet stakeholder — kunder, samarbejdspartnere, medarbejdere og samfund. Alle virksomheder, store og små, skal omdanne til en AI-drevet virksomhed. I den nærmeste fremtid, virksomheder og arbejdstagere er mindre tilbøjelige til at blive erstattet af robotter, og mere tilbøjelige til at blive forstyrret af virksomheder og arbejdstagere, der er uddannet til at bruge AI-teknologier til at konkurrere og vinde.
For bedre at forstå konsekvenserne af kunstig intelligens (AI) på kognitiv arbejdskraft, rakte jeg ud til en af mine AI domæne ekspert kolleger, der er ansvarlig for at levere AI-baserede produkter og tjenester. Mayukh Bhaowal er leder af Product Management i Salesforce Einstein, der arbejder på en automatiseret maskine læring. Jeg var nysgerrig efter, hvad han mente om virkningen af AI på fremtiden for product management-funktionen.
Også: Bryggerier bruger AI til at forudsige, hvordan din næste øl vil smage CNET
Her er Mayukh ‘ s tanker om den fremtidige ansvar for product management i en alder af AI, og hvorfor produktet ledere nødt til at forberede sig forskelligt, som de bringe til markedet AI-baserede produkter og services:
På en massiv stadium i Cambridge, MA, foran flere hundrede teknologi entusiaster, ex-Stanford professor Andrew Ng skriblerier væk på et whiteboard. Han taler om, hvordan AI er at ændre verden, og hvordan traditionelle job beskrivelser er ved at bryde ned. Ng giver et eksempel på en chatbot. “Traditionelt en Product Manager ville give produktspecifikationer gennem wire-frames. For en chatbot, wire-rammer er helt ubrugelig til ingeniører. De ville gerne vide logik inde,” siger Ng, der grundlagde Coursera, en online-uddannelse, og der er nu administrerende DIREKTØR for AI rådgivning Landing AI.
Jeremy Karnowski, Direktør for AI-Produkter, på San Francisco-baserede Indsigt Data Videnskab, løber en 7-ugers intensive fellowship program, der hjælper professionelle med forskellige baggrunde skifte karriere, og indtast inden for software og teknologi. For eksempel, Leah McGuire er en computational neuroscience, der, efter at have afsluttet sin Ph. D., sluttede Indsigt og landede et job på LinkedIn. For nylig, Indsigt Data Videnskab indført et Produkt Data Management program. “Det er for de mere traditionelle produkt ledere (PMs) til at erhverve de færdigheder, der er nødvendige for at være PMs i data med fokus på roller, som bygning produkter, der udnytter kunstig intelligens,” siger Karnowski.
Marco Casalaina, VP Produkt på Salesforce Einstein, er at arbejde med et team om at oprette et kursus i Trailhead (Salesforce ‘ s online learning platform) til at forøge de færdigheder, der er af traditionelle PMs, og at forberede dem til den fjerde industrielle revolution af AI og machine learning. “Vi er nødt til at udvikle en lugt test for vores PMs, for at give dem evnen til hurtigt at vurdere muligheden for anvendelse af machine learning til at løse et problem,” siger Casalaina.
Mayukh Bhaowal, Direktør for Product Management, Salesforce-Einstein
Engineering som en disciplin, der har eksisteret i tusinder af år. Dens rødder kan spores tilbage til konstruktion af pyramiderne i Egypten, til bygning af militære motorer i 1300-tallet til starten af mekanisk ingeniør med fremkomsten af dampmaskinen i 1800-tallet. Dette gør det til en moden og veletableret disciplin.
Product management er forholdsvis ny, mindre end 100 år gamle, og er således stadig under udvikling. Det var oprindeligt beregnet til at være omkring håndtering af mærker (og dermed kendt som Brand-Mænd), som det har udviklet sig til styring af produktionen-systemer i produktionen. Fødslen af software-teknologi stærkt påvirket af sin uddannelse, og derefter kom agile metoder. I dag, som Kunstig Intelligens spiser software, er det stille og roligt at omdanne product management rolle igen.
Også: 61% af virksomhederne har allerede gennemført AI TechRepublic
Der er et skift. AI produkt ledere er stigende.
Forestil dig, at bygge en ny henstilling system. I betragtning af et produkt købt af en bruger, dette system skal anbefale lignende produkter. Traditionelt en PM ville arbejde med en user experience designer og komme op med brugerens interaktion og oplevelse (UI/UX) specifikation omkring layout, hvornår og hvor at vise de anbefalinger, hvad der er adfærd på at interagere med dem, osv. Dette kan udvides til andre henstilling engine use cases, gerne anbefale venner i et socialt netværk, forbindelser i et professionelt netværk, sange, i en musik-app, eller job ansøgere i en rekruttering af systemet. Men en moderne anbefaling system bruger AI, og disse former af produkt specifikationer, er af nogen værdi for en maskine at lære ingeniør eller en data videnskabsmand — de har brug for data. De systemer, de bygger, ikke er kodet; de er lært.
Lad os sige, at denne anbefaling system var bestemt til at anbefale jobopslag for jobsøgende, og vice versa. Her en AI product manager behov for at give oplysninger om de data, som kunderne vil have. Hvilke oplysninger skal kunder har om job og kandidater? PM behov for at specificere, hvordan systemet fungerer i en “kold start”, når der er en helt ny kunde, som endnu ikke har samlet nok data til systemet til at lære. Og hvordan vurderer du, at anbefalingerne faktisk er god? Dette er en helt ny race af produkt specifikationer, der ikke eksisterede, indtil den nylige begyndelsen af AI.
Ud over at arbejde med deres traditionelle tværs af funktionelle interessenter (design, marketing, salg, teknik, dev op), AI produkt ledere skal nu til at omfatte data, forskere og data ingeniører i cirklen. Her er de bedste områder, som en AI-product manager bliver nødt til at fokusere ud over de traditionelle PM:
Problemet Kortlægning
Det er nogle gange tilfældet sidst, at i iveren efter at AI, PMs blive tryllebundet af den sværm af nye teknologier og forsømmer at knytte dem til konkrete brugeren smerte punkter. Det er af afgørende betydning for AI-product manager til at formulere value proposition af en AI-drevet funktion. Dette betyder, at en AI product manager bør ty til AI metoder til at løse et problem, efter fastslå, gennem en omhyggelig vurdering af, at traditionelle metoder, såsom regler motorer vil ikke i tilstrækkeligt omfang at imødegå brugerens punkt af smerte.
I kundeservice domæne, for eksempel, virksomheden problem kan være at fremskynde opløsningen af kunde-service billetter. Et almindeligt problem, der forårsager en lang løsningstid i kundeservice er mis-kategoriseret billetter: jo mere en billet hopper mellem afdelinger, desto længere tid tager det at løse.
En AI product manager skal lave en grundig analyse af dette problem. Kunne det løses med andre midler, som er nemmere og hurtigere at bygge end AI? I dette eksempel, at virksomheder har længe brugt regler motorer og workflow-systemer til at forsøge at kategorisere sagerne korrekt i første forsøg, og alligevel er dette problem fortsætter. Reglerne i disse motorer ofte falde ud af dato, og selv når de er aktuelle, de kræver ofte stive indgange, der ikke matcher den vifte af menneskelige sprog, som ofte findes i service billetter. Ved at gøre denne analyse, en AI product manager kan afdække en mulighed for at bruge kunstig intelligens til at bygge et system til at kategorisere disse billetter ved at lære fra før med succes løst billetter. Dette er et godt eksempel på en AI-product manager kortlægning højt plan problem, at en AI-løsning.
Også: Top 5: Måder, AI vil ændre business TechRepublic
Data, Læse-Og Skrivefærdigheder
En af de mest betydningsfulde aspekter i udviklingen af AI product manager er behovet for data-færdigheder. En AI product manager behov for at forstå den rigtige spørgsmål at spørge om deres kunders data, hvis de er til for at lykkes med en AI-initiativ. Er de relevante data, der er let tilgængelige, blandt kunder? Er der tilstrækkeligt med data, og det er den slags data, som AI kan lære? Er data clean eller støjende? Gør brugen tilfælde kræve, at en real-time løsning, eller vil en batch-løsning tilstrækkeligt? Relateret til det, er der nok af tidligere eksempler eller fortilfælde, som kan bruges til at lære en maskine at lære systemet. Der er typisk kendt som en overvåget problem. Hvis der ikke er nogen foregående eksempler (også kendt som resultater), maskinen ville have til at lære, uden nogen form for kontrol af fortilfælde. Dette er kendt som en ukontrolleret problem.
For eksempel, et generelt formål billede forudsigelse software vil fungere dårligt, hvis den har brug for at opdage tumorer fra medicinske billeder, men det ville fungere godt for klassificering af katte versus hunde. Dette er fordi det aldrig blev uddannet på (og dermed ikke lære) historiske data for bestemte typer af tumorer og deres resultater. Der er ofte ikke engang nok, at sådanne historiske data til at lære fra.
Dette helt nye dimension af data-kompetence er helt fraværende i traditionelle PM roller.
Kriterier for accept I en Verden Af AI
Når et AI-drevet funktion er bygget, AI produkt ledere nødt til at definere kriterier for at afgøre, om det er klar til at tjene produktionen kunder. I traditionelle product management, disse kriterier kan omfatte funktionen, fuldstændighed, antallet af åbne fejl, og fit og finish; men i AI product management, den vigtigste parameter er AI nøjagtighed. Data forskere har en bred vifte af machine learning målinger som lift, precision og recall. Afhængig af den forretningsmæssige mål, en AI product manager behov for at foretage en vurdering af, hvilken maskine læring målinger behov for at blive optimeret, og på hvilket tidspunkt AI fungerer tilstrækkelig godt til, at løse kundens problem. Dette vil derefter blive kortlagt, til den øverste line business variabel, såsom tilfælde af opløsning gang, eller salg føre konvertering lift.
For eksempel, i salg domæne, salgschefer er interesseret i at øge antallet af indgående fører konvertering til salg. AI-baseret føre scoring kan give en forudsigelse for hver indgående føre til, hvorvidt det er sandsynligt, at konvertere til et salg eller ej. Dette kan hjælpe sælgere til at fokusere deres tid på de rigtige emner. AI product manager således behov for at definere en grænse for AI nøjagtighed, således at brugen af det vil pålideligt lift konverteringen af kunder’ kundeemner.
Også: 10 måder AI vil påvirke virksomheden i 2018 TechRepublic
Forklare-evne, Etik og Bias
“Hvorfor gjorde dette AI kun træffe beslutning, som det gjorde?” er et fælles spørgsmål blandt brugerne tidskrævende AI. AI adskiller sig fra traditionel software, i den forstand, at resultaterne ikke er baseret på et sæt hånd-kodet regler, som de afgørelser, det gør nogle gange kan trodse klar forklaring. Derudover adfærd AI ændringer over tid, som det fortsætter med at lære.
At være betænkelig med at forklare-evne og skabe mekanismer til at gøre AI-drevet har mere gennemsigtige, er nøglen til at frigøre vedtagelse af sådanne funktioner. En AI product manager behov for at præcisere, hvordan hans eller hendes produkter vil forklare sig over for deres brugere. Nogle gange er dette indebærer et trade-off: nogle AI algoritmer er mere forklares end andre. For problemer i områder, hvor der er højt til forordning, som sundhedspleje, forklare-evne beats nøjagtighed. Det påhviler AI product manager at finde den rigtige balance for den use case og industri, de betjener.
AI produkt ledere har også brug for at vurdere bias og overveje de etiske implikationer af AI-drevne applikationer. Er de indsamlede data er repræsentative og mangfoldigt nok? Er der data i data-sæt, som kan føre til uønskede og uetisk bias, som race eller køn? Dette er næppe en enkel, teknisk beslutning. Køn, for eksempel, kan være et afgørende signal til AI i medicinsk diagnose programmer, men det er nok irrelevant i at forudsige, hvilke job ansøgeren er mere tilbøjelige til at passe et job beskrivelse. Det er op til de AI-product manager til at træffe beslutninger om, hvilke data der er etisk passer til en given anvendelse.
Skalering Fra Forskning Til Produktion
De attributter af en produktion AI program leveres på en skala, der er meget anderledes end “data science projekter” stadig på forskningsstadiet. Ingeniører, der tager AI-programmer til produktion brug for specifikationer omkring, hvor data forventes at være. Vil det være online i et cloud-miljø? Eller fordelt på mange mobile enheder? De har brug for at forstå, hvor hurtigt AI behov, til at udlede dens output-real-time AI output kan være ressourcekrævende for både ingeniører og maskiner. Der er mange andre overvejelser omkring hvor ofte og hvornår machine learning modeller omskoling, hvad variabler er nødt til at være beregnet til at forstå systemets fortsatte ydeevne, hvilken funktion engineering er nødvendige, og meget mere. Banebrydende metoder til løsning af en række fælles AI vrimler med problemer i akademiske publikationer, men meget få af dem skala op til den virkelige verden-applikationer. En AI PM behov for at bygge, at spidey sense omkring hvilke problemer, der skal gå efter med den fremsynethed, som for de rent faktisk vil gøre i produktion.
Også: Det er ikke er de job, AI er ødelæggende for at genere mig, det er dem, der er voksende
Hvis du er en PM læser dette og har erfaringer at bygge web og mobile applikationer, men har ikke våde fødder i AI og ML (machine learning) produkter, du måske være undrende, — “jeg har aldrig haft til at beskæftige sig med nogen af disse!” Det er netop pointen.
Selvom AI har for nylig fanget en masse medvind, AI var fremherskende endda to årtier tilbage i domænet af søge-og annoncemålretning. Nogle af jer, der arbejdede på de tidlige produkter udnytte AI og ML, og kan smile nu. Som AI og ML spise software, mere og mere PMs nødt til at level op til deres evner til at håndtere disse produkter og yde krav og specifikationer, som vil øge værdien af de data, teknik og data videnskab teams. Dette vil føre til rent faktisk at løse kundernes smerte punkter og ikke bare at bygge en cool teknologi-funktionen.
Denne artikel blev co-forfattet af Mayukh Bhaowal, leder af product management i Salesforce Einstein, der arbejder på en automatiseret maskine læring.
Tidligere og relaterede dækning:
Hvad er AI? Alt, hvad du behøver at vide
En executive guide til kunstig intelligens, fra machine learning og generelt AI til neurale netværk.
Hvad er dyb læring? Alt, hvad du behøver at vide
Den lowdown på en dyb læring: fra hvordan det relaterer til det bredere felt af machine learning igennem til, hvordan du kommer i gang med det.
Hvad er machine learning? Alt, hvad du behøver at vide
Denne vejledning forklarer, hvad machine learning er, hvordan det er relateret til kunstig intelligens, hvordan det fungerer, og hvorfor det er vigtigt.
Hvad er cloud computing? Alt, hvad du behøver at vide om
En introduktion til cloud computing-lige fra det grundlæggende op til IaaS og PaaS, hybrid, offentlige og private cloud.
Relaterede historier:
Der er ingen rolle for AI eller data videnskab: dette er en holdindsats Start Slægt bringer splint af håb for AI i robotteknologi AI: udsigt fra Chief Data Videnskab Kontor Salesforce-introer Einstein Stemme, en AI stemme assistent for virksomheder
Relaterede Emner:
Fremtidige Arbejde
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software
0