Что могут делать люди, что машины в итоге не научатся делать лучше? Есть ли виды деятельности, которым не страшны роботы? Какую профессию выбрать, чтобы не остаться безработным в эпоху искусственного интеллекта? Попытаемся разобраться вместе с книгой «Устойчивы к будущему».
Игра в угадайку
Вспомним кое-что из того, что когда-то считали недоступным для машин.
В 1895 году знаменитый британский физик лорд Кельвин (Уильям Томсон) опроверг предположение, что когда-нибудь аэропланы во всем мире станут главным средством перемещения по воздуху и заменят воздушные шары; он сказал, что «невозможно построить летательный аппарат тяжелее воздуха». Спустя восемь лет братья Райт совершили первый полет на аэроплане в Китти-Хок, и дни воздухоплавателей были сочтены.
В 1962 году израильский математик и лингвист Йегошуа Бар-Хиллел отверг идею о том, что компьютеры можно обучить переводу с иностранных языков, написав: «Нет никакой надежды, что привлечение цифровых электронно-вычислительных машин к переводу приведет к каким-либо революционным переменам». Опровержения пришлось дожидаться дольше, но по состоянию на 2018 год Google Translate ежедневно обрабатывал 143 миллиарда слов и уже значительно снизил спрос на живых переводчиков.
В 1984 году The New York Times написала об установке в аэропортах автоматов по продаже билетов. В статье приводились мнения специалистов, крайне скептически воспринявших предположение, что компьютеры заменят турагентов. Цитировались слова руководителя одного из турагентств: «А что, если человек нажмет не на ту кнопку?» Этот руководитель просто не мог представить себе, что должно случиться, чтобы люди доверили компьютеру такую дорогостоящую покупку, как билеты на самолет. Сегодня, конечно, большинство бронирует авиабилеты в интернете и число людей, работающих турагентами, значительно сократилось.
Обратите внимание: все, кто здесь упоминается, — не случайные, ничего не знающие наблюдатели, каркающие с галерки. Нет, это ведущие в своих областях специалисты, которым, по сравнению с их современниками, доступны более точные данные и инсайдерская информация. И все-таки они попадают впросак снова, и снова, и снова.
На самом деле, когда речь идет о прогнозах в сфере искусственного интеллекта, компетентность, возможно, не помогает. В 2014 году ученые из Оксфордского университета собрали прогнозы технических специалистов о путях развития ИИ, сделанные на протяжении 60 лет, и сравнили их с прогнозами непрофессионалов за то же время. Авторы исследования заключили, что по точности прогнозов эти две группы в целом не различаются: «По всей видимости, делать прогнозы по поводу ИИ… это почти то же самое, что играть в угадайку».
Угроза автоматизации
Люди, захваченные нынешней волной ИИ и автоматизации, не очень понимают, что к чему, и одна из причин — в том, что расширилась зона опасности. В последние десятилетия автоматизация главным образом касалась однообразной ручной работы, в основном сконцентрированной на производстве, и работники умственного труда в целом чувствовали себя в безопасности. Но сейчас многие из самых перспективных направлений применения ИИ и машинного обучения касаются таких сфер, как бухгалтерский учет, юриспруденция, финансы и медицина, где выполняется множество работ по планированию, прогнозированию и оптимизации процессов. Как выяснилось, именно с ними ИИ справляется очень хорошо.
Трейдеры с Уолл-стрит усвоили горький урок о том, что незаменимых нет, много лет назад, когда алгоритмы для высокочастотного трейдинга и электронные фондовые биржи уничтожили тысячи рабочих мест в биржевых залах. Теперь машины нацелились на другие профессии этой отрасли. В 2017 году холдинг JPMorgan Chase начал использовать самообучающуюся программу COIN для проверки финансовых контрактов определенных типов. Ранее на изучение всех этих документов живые сотрудники тратили больше трехсот тысяч часов ежегодно. Теперь задача выполняется почти мгновенно. Многие ведущие финансовые компании пользуются Kensho — интеллектуальной платформой для анализа данных, автоматически выполняющей важнейшую финансово-аналитическую работу, для которой раньше требовались целые армии выпускников Уортонской школы бизнеса.
В медицине совершается машинный переворот по мере того, как ИИ учится выполнять разнообразную работу, для которой раньше требовались квалифицированные специалисты. В 2018 году одна китайская IT-компания создала алгоритм глубокого обучения, позволяющий диагностировать рак мозга и другие заболевания быстрее и точнее, чем команда из пятнадцати лучших врачей. В том же году американские специалисты разработали алгоритм, способный распознавать злокачественные опухоли на КТ-снимках, причем ошибается он в двадцать раз реже, чем рентгенолог.
О юристах тоже нельзя сказать, что они защищены. В 2018 году был поставлен эксперимент: двадцать известных американских корпоративных юристов состязались с алгоритмом LawGeex, разработанным одним ИИ-стартапом. Соперники должны были как можно быстрее найти пункты, вызывающие сомнение с правовой точки зрения, в пяти соглашениях о неразглашении конфиденциальной информации, без которых немыслимо договорное право. ИИ-алгоритм разбил юристов наголову, продемонстрировав среднюю точность на уровне 94%; средняя точность людей составляла 85%. Еще существеннее оказалась разница во времени: на выполнение задания юристы в среднем тратили 92 минуты, а LawGeex — 26 секунд.
Миллион крошечных дел
Дискуссия о «работе, которой не страшны роботы» страдает еще одним серьезным недостатком: в ней слишком много внимания уделяется названиям профессий и слишком мало — тому, что мы вкладываем в работу.
Большинство исследований в области ИИ и автоматизации сосредоточивались на оценке риска автоматизации для крупных профессиональных категорий и уравнивали шансы остаться ни с чем для всех учителей, архитекторов, производственных рабочих. Есть даже сайт WillRobotsTakeMyJob.сom, где можно ввести название профессии и увидеть, насколько велик в твоем случае риск потерять работу из-за автоматизации.
Художник — это и человек, занимающийся арт-терапией с аутистами, и парень, рисующий карикатуры. Врач — это и всеми любимый педиатр в маленьком городке, и рентгенолог-диагност, который только изучает снимки в лаборатории. Журналист — и репортер, расследующий должностные злоупотребления и преступления на самом высоком уровне, и человек, резюмирующий отчеты о доходах корпораций для новостной ленты.
Еще один недостаток исследований, сосредоточенных на профессиях и рисках, — в том, что работа, кажущаяся рутинной и предсказуемой, на деле часто бывает совсем не такой.
Возьмем, например, сотрудников службы транспортной безопасности в аэропортах. Каждый день они просят пассажиров достать из сумок жидкости и ноутбуки, проводят их через досмотровые сканеры и проверяют багаж на наличие запрещенных предметов.
Неквалифицированный монотонный труд, не так ли? Легко поддающийся автоматизации. Но оказывается, что сотрудники службы транспортной безопасности не только вглядываются в экран сканера в течение всего дня. Они разруливают непредвиденные ситуации, разбираются с нестандартными случаями: когда, например, у пассажира проблемы со здоровьем и он не может пройти через досмотровый сканер или человек путешествует без удостоверения личности. Они отыскивают потерянные вещи, успокаивают нервничающих пассажиров и подмечают едва уловимые особенности поведения, которые могут свидетельствовать об угрозе безопасности.
Они занимаются еще миллионом других крошечных дел, которые вы ни за что не найдете в описании их должностных обязанностей, но без них работа любого аэропорта будет парализована.
Вероятно, машинам будет труднее заменить таких сотрудников, чем показывают данные исследований.
По книге «Устойчивы к будущему».
