機器學習將改變工作可能會超過以前的AI應用程序

經驗豐富的機器學習計算機系統有望像過去的蒸汽機和電力一樣極大地改變經濟。他們可以在許多任務上勝過他人，盡管他們不太可能在所有工作中都代替人。

因此，卡內基·梅隆大學的湯姆·米切爾和麻省理工學院的埃里克·布林約爾夫森在一份政策論壇評論中說，該評論將于12月22日出版在《科學》雜志上。米切爾(Mitchell)在CMU創立了世界上第一個機器學習部門，斯隆管理學院(Sloan School of Management)麻省理工學院數字經濟倡議的主任布林喬爾夫森(Brynjolfsson)描述了21條標準來評估一項任務或一項工作是否適合機器學習(ML) )。他們寫道：“盡管如今機器學習的經濟影響相對有限，而且我們沒有面對有時宣稱的即將結束的'工作終結'，但對經濟和未來勞動力的影響卻是深遠的。” 他們認為，一旦ML在日常生活中根深蒂固，人們選擇發展的技能以及企業進行的投資將決定誰會蓬勃發展，誰會失敗。

機器學習是所謂的人工智能的要素之一。機器學習的快速發展已在面部識別，自然語言理解和計算機視覺方面取得了最新進展。它已被廣泛用于信用卡欺詐檢測，推薦系統和金融市場分析，以及諸如醫療診斷等新應用。

由于ML傾向于使單個任務自動化或半自動化，因此很難預測ML將如何影響特定的工作或專業，但是工作通常涉及多個任務，其中只有一些任務適合ML方法。

CMU計算機科學學院的E. Fredkin大學教授Mitchell承認：“我們不知道所有這些將如何發揮作用。” 例如，今年早些時候，研究人員表明，ML程序比皮膚科醫生能夠更好地檢測皮膚癌。這并不意味著ML將取代皮膚科醫生，皮膚科醫生除了評估病灶外還可以做很多其他事情。

米切爾說：“我認為皮膚科醫生將要發生的事情是，他們將成為更好的皮膚科醫生，并將有更多的時間花在患者身上。” “工作涉及人與人之間互動的人們將變得更有價值，因為他們無法實現自動化。”

Mitchell和Brynjolfsson寫道，適合ML的任務包括那些有大量數據可用的任務。例如，為了學習如何檢測皮膚癌，ML程序能夠研究超過13萬個帶標簽的皮膚病變實例。同樣，可以使用數億個示例來訓練信用卡欺詐檢測程序。

ML可以改變已經在線的任務，例如計劃任務。不需要技巧，身體技能或機動性的工作也更適合ML。涉及基于數據做出快速決策的任務非常適合ML程序;如果決定取決于推理的長鏈，不同的背景知識或常識，則不是這樣。

這組作者說，如果用戶需要有關如何做出決定的詳細說明，則ML不是一個好的選擇。換句話說，ML在檢測皮膚癌方面可能比醫師更好，但皮膚科醫生則更能解釋病灶為何會癌變。