لقد ضاعف الذكاء الاصطناعي عبء العمل .. أليس من المفترض أن يجعل الوظائف أسهل؟

يميل الكثير من الناس إلى الاعتقاد بأنَّهم يستطيعون تحميل أنفسهم أكبر من الطاقة المتوقعة، ويعود السبب في ذلك للزيادة التدريجية في أعباء العمل التي تتراكم عليهم، إنهم ضحايا للإضافات المستمرة والتوسع في المهام المطلوبة في العمل، والتي تعني اتساع نطاق مشروع أو عمل ما بشكل يتجاوز الخطط المسبقة.

في حين أن قادة التكنولوجيا ينظرون إلى الذكاء الاصطناعي كأداة لتعزيز الإنتاجية، وأنه من المتوقع أن يعمل الذكاء الاصطناعي على تبسيط الوظائف وتعزيز الكفاءة، فإن بعض العمال يبلغون عن مضاعفة عبء العمل، مما يشكل تحديًا للفوائد المتصورة لهذه التكنولوجيا، وتسلط التجارب والنتائج المتناقضة الضوء على الحاجة إلى تقييم تنفيذ الذكاء الاصطناعي بشكل نقدي، وفي هذا المقال سوف نتحدث عن واقع الذكاء الاصطناعي بناءً على تجارب المستخدمين.

على عكس التخفيض المتوقع في عبء العمل، فقد تسبب الذكاء الاصطناعي في زيادة كبيرة بالنسبة للبعض، تعود المشكلة في المقام الأول إلى الجودة الرديئة والحجم الكبير لعمليات تقديم المحتوى التي تُنشأ بواسطة الذكاء الاصطناعي، مما يجبر الفرق على تحليل كل منها يدويًا.

تسلط التجربة في صناعة الإعلام الضوء على النتائج المختلطة لاعتماد الذكاء الاصطناعي، إذ أثبت الذكاء الاصطناعي فائدته في بعض المهام ولكنه يولد عملًا إضافيًا في حالات أخرى، خاصةً عندما ينتج محتوى يحتاج إلى مراجعة وتصحيح مكثفين.

يتجه البعض إلى الذكاء الاصطناعي لحل المشكلات التي يسببها الذكاء الاصطناعي، مثل استخدام أجهزة الكشف التي تعمل بالذكاء الاصطناعي لتصفية المحتوى الناتج عن الذكاء الاصطناعي، ومع ذلك تثبت هذه الأدوات حاليًا أنها غير موثوقة، مما يؤدي إلى إيجابيات وسلبيات كاذبة، وبالتالي زيادة عبء العمل بدلًا من تقليله، وهذا يسلط الضوء على ضرورة إيجاد حلول أكثر دقةً وفعاليةً للذكاء الاصطناعي، مع الأخذ في الاعتبار الخبرات والاحتياجات المتنوعة للعاملين في مختلف الصناعات.

إن المزايا المحتملة للذكاء الاصطناعي واضحة، لكن التطبيقات الفعلية لم تكن دائمًا تسير بسلاسة، فكانت هناك تجربة من قبل أحد المستخدمين للذكاء الاصطناعي، كان يعمل لدى مجلة كمحرر وناشر مع فريق عمل خاص به، ووضعت ملاحظات أنه كان يوجد ارتفاعًا في المشاركات الناتجة عن الذكاء الاصطناعي، ولسوء الحظ تضاعف عبء العمل نتيجة للمحتوى الذي أُنشئ بواسطة الذكاء الاصطناعي.

ويمكن أن يؤدي الحجم الهائل للمحتوى الذي أُنشئ بواسطة الذكاء الاصطناعي إلى اختناق العمال، مما يتطلب قضاء المزيد من الوقت في فرز عمليات الإرسال يدويًا، مما يسلط الضوء على التحدي الكبير، وتوجد تجربة أخرى مع إيفانا ساولا -مديرة الأبحاث في الرابطة الدولية للميكانيكيين وعمال الفضاء الجوي- أن العمال في نقابتها قالوا إنهم يشعرون وكأنهم "فئران تجارب" إذ يسارع أصحاب العمل إلى طرح الأدوات التي تعمل بالذكاء الاصطناعي في العمل.

وإن الأمور لم تكن دائما تسير بسلاسة، فغالبًا ما أدى تنفيذ هذه الأدوات التقنية الجديدة إلى المزيد من "المهام المتبقية التي لا يزال يتعين على الإنسان القيام بها"، وإن ذلك يمكن أن يشمل القيام بمهام لوجستية إضافية لا تستطيع الآلة القيام بها، مما يضيف المزيد من الوقت والضغط إلى تدفق العمل اليومي.

أحد التحديات هو الحجم الهائل للمحتوى الذي أُنشئ بواسطة الذكاء الاصطناعي، مما يؤدي إلى زيادة عبء العمل على الموظفين الذين يتعين عليهم فرز الطلبات المقدمة يدويًا، بالإضافة إلى ذلك قد لا تكون بعض أدوات الذكاء الاصطناعي موثوقة في تحديد المحتوى الناتج عن الذكاء الاصطناعي، مما يؤدي إلى مخاوف تتعلق بالجودة، ومن أهم التحديات التي تواجه الذكاء الاصطناعي:

عادةً ما تستخدم أحمال عمل تعلم الآلة كمية هائلة من البيانات، خاصةً أثناء بداية التدريب، وكلما زادت البيانات التي تستخدمها لخط الأساس لتعلم الآلة زادت دقة النماذج، وتتطلب هذه الأنواع من أعباء العمل توسيع نطاق منصة التخزين لتلبية الطلب على البيانات الأساسية، مع النمو أيضًا مع جمع المزيد من البيانات وأخذ عينات منها، وعلى الأرجح سيكون تعلم الآلة أكثر اعتمادًا على الإدخال/الإخراج من الإنتاجية، مما يعني أن البيانات المستخدمة أصغر حجمًا، وبالتالي فإن إنتاجية نظام التخزين لا تهم بقدر أهمية قدرته على الوصول إلى معدلات إدخال/إخراج عالية.

صُمم التعلم العميق على غرار كيفية عمل العقل البشري، ويركز التعلم العميق على كيفية تمثيل العالم من خلال تسلسل هرمي للمفاهيم، ومع ذلك يستخدم التعلم العميق الشبكات العصبية بدلًا من أشجار القرار التقليدية مثل التعلم الآلي.

تتطلب هذه الشبكات العصبية أنظمة مدعومة بوحدة معالجة الرسومات (GPU) لتوفير قوة الحوسبة اللازمة لتدريب نماذج الذكاء الاصطناعي، كما تتطلب هذه الأنظمة المعتمدة على وحدة معالجة الرسومات (GPU) قدرًا هائلًا من البيانات لتكون فعالة، وتتطلب نظامًا يتطور باستمرار، وكما هو الحال مع تعلم الآلة، تعتمد هذه الأنظمة الأساسية أيضاً بشدة على أحمال عمل الإدخال والإخراج العالية مقارنةً بالإنتاجية العالية.

كما أنها تتطلب أن تتمكن أنظمة التخزين الفرعية من الحفاظ على التوازي واسع النطاق اللازم لدعم الكمية الهائلة الشائعة من وحدات معالجة الرسومات المستخدمة لبناء نماذج الشبكة العصبية، لذلك فإن القدرة على خدمة الإدخال/الإخراج على نطاق واسع لعدد كبير من الأنظمة أمرًا مهمًا للغاية.

غالباً ما توجد أنظمة التوصية في بيئات البيع بالتجزئة، فهي كما يوضح اسمها توصي بالمنتجات والخدمات للمستخدمين أو المستهلكين بناءً على تحليل أنماط استهلاكهم، ويُشتق ذلك من خلال الجمع بين التحليل السلوكي عبر المستخدمين المماثلين وتاريخ المستخدمين المحددين.

تتكون هذه الأنظمة الأساسية عمومًا من ملايين نقاط البيانات عبر تاريخ المستخدم وتتويجًا لنقاط البيانات عبر المستخدمين المماثلين مثل كل من ML وDL، وتعد هذه الأنظمة حساسة جدًا لأحمال العمل العالية المستندة إلى عمليات الإدخال/الإخراج، ومع ذلك تعد أنظمة التوصية فريدة من نوعها إذ أن معظم القرارات المتخذة تعتمد على معلومات في الوقت الفعلي.

يجب تزويد هذه الأنظمة بمجموعات البيانات الكبيرة هذه في أسرع وقت ممكن، مما يضمن أن وحدة معالجة الرسومات التي تشغل الشبكات العصبية قادرة على مراقبة التفاعل الأخير، واستنتاج قرار يعتمد على البيانات في الوقت الفعلي والبيانات التاريخية، وتوصية أفضل منتج أو خدمة لاحتياجات المستخدم.

تسمح البرمجة اللغوية العصبية (NLP) لأجهزة الكمبيوتر بفهم اللغة البشرية وتفسيرها وحتى معالجتها، وتُستخدم البرمجة اللغوية العصبية لتوفير ترجمة فورية بين الأشخاص، ولكن يمكن استخدامها أيضًا لاستنتاج المشاعر في البيانات التي يُدلى بها شفهيًا أو إلكترونيًا أو غير ذلك، ويتحقق ذلك من خلال قدرة البرمجة اللغوية العصبية (NLP) على استخلاص معنى النص، بما في ذلك طبيعة النص وبنيته، كما تركز بعض أكبر مشاريع الذكاء الاصطناعي في العالم حاليًا على تحسين التواصل بين الناس.

أنظمة البرمجة اللغوية العصبية (NLP) هذه، تمامًا مثل الأنظمة الأساسية السابقة التي ناقشناها، حساسة أيضًا لأعباء العمل المدفوعة بالإدخال والإخراج والتوازي الهائل، ولكن اعتمادًا على حالة الاستخدام، فهي أيضًا حساسة للغاية، زمن المهم التأكد من أن منصات البرمجة اللغوية العصبية لديها ما يكفي من عمليات الإدخال والإخراج مع الحفاظ على زمن الوصول إلى الميكروثانية وأقل، ومع ذلك فإن نماذج البرمجة اللغوية العصبية ليست ذات سعة كبيرة تقليديًا.

رؤية الكمبيوتر هي قدرة نموذج الذكاء الاصطناعي على فهم العالم من حولنا، وتفسير هذه البيانات إلى شيء قابل للتنفيذ، ثم تكوين النتيجة حوله (على سبيل المثال: القيادة الذاتية)، وتعد هذه الأنواع من الأنظمة هي الأكثر أهمية على الإطلاق عندما يتعلق الأمر بحجم البيانات التي تُعالج.

تشمل عيوب الذكاء الاصطناعي التي يُستشهد بها دائمًا:

على الرغم من أن الذكاء الاصطناعي مكلف بإنشاء كل شيء بدءًا من رموز الكمبيوتر وحتى الفنون المرئية، إلا أنه يفتقر إلى الفكر الأصلي، إذ يُجري الذكاء الاصطناعي تنبؤات بناءً على الخوارزميات وبيانات التدريب التي تم تغذيتها، وعلى الرغم من أن خوارزميات التعلم الآلي تساعد الآلة على التعلم بمرور الوقت، إلا أنها لا تتمتع بالقدرة التي يتمتع بها البشر على الإبداع والإلهام وطرق التفكير الجديدة.  

يمكن تعليم الذكاء الاصطناعي كيفية التعرف على المشاعر الإنسانية مثل الإحباط، ولكن الآلة لا تستطيع التعاطف وليس لديها القدرة على الشعور، ويستطيع البشر ذلك مما يمنحهم ميزة كبيرة على أنظمة الذكاء الاصطناعي عديمة الشعور في العديد من المجالات بما في ذلك مكان العمل.

على الرغم من أن الخبراء يعتبرون قدرة الذكاء الاصطناعي على تحرير الأشخاص من المهام المتكررة أمرًا إيجابيًا، إلا أن البعض يعتقد أن هذه الميزة الخاصة تأتي مع جانب سلبي وهو فقدان المهارات لدى الأشخاص، فغالبًا ما يطور الأشخاص معرفتهم، بالإضافة إلى حرفهم الشخصية والمهنية، من خلال التعلم أولًا وإتقان المهام المتكررة السهلة، مما يسمح لهم بفهم كيفية تناسب هذه المهام مع أجزاء العمل الأكبر التي يجب عليهم إنجازها لإكمال الهدف، ولكن مع تولي الذكاء الاصطناعي تلك الوظائف، أعرب البعض عن مخاوفهم من أن الناس قد يفقدون قدرتهم على معرفة وفهم كيفية أداء هذه المهام، وهذا يمكن أن يعيق قدرتهم على إتقان مهنة حقًا، وقد يتركهم بدون القدرات اللازمة للتدخل وتنفيذ العمل في حالة فشل الذكاء الاصطناعي.

بالمثل أعربت مجموعة من قادة الفكر عن مخاوفهم من أن الذكاء الاصطناعي قد يؤدي إلى تمكين البشر من الكسل، وأشار آخرون إلى أن بعض المستخدمين يبدو أنهم يستخدمون الذكاء الاصطناعي دون التحقق مرة أخرى من النتائج، على افتراض أن التكنولوجيا تعمل بطريقة لا تشوبها شائبة.

يمكن فقدان ما يعادل 300 مليون وظيفة بدوام كامل بسبب الأتمتة، وقال الاقتصاديون والباحثون إن العديد من الوظائف ستختفي بسبب الذكاء الاصطناعي، لكنهم توقعوا أيضًا أن الذكاء الاصطناعي سيحول بعض العمال إلى مهام ذات قيمة أعلى ويولد أنواعًا جديدةً من العمل، كما قال الخبراء إن الموظفين الحاليين والقادمين سيحتاجون إلى الاستعداد من خلال تعلم مهارات جديدة، بما في ذلك القدرة على استخدام الذكاء الاصطناعي لاستكمال قدراتهم البشرية.

يحمل مستقبل الذكاء الاصطناعي في مكان العمل إمكانات كبيرة، لكنه يتطلب الضبط الدقيق والدراسة المتأنية لتأثيره على الموظفين، وسيكون إيجاد التوازن بين تعظيم الإنتاجية وحماية رفاهية الموظفين أمرًا ضروريًا لتحقيق التكامل الناجح على المدى الطويل.

ويجب الاعتراف أن تقدم الذكاء الاصطناعي يحمل العديد من الفوائد والفرص، ولكنه يأتي أيضًا مع تحديات وخسائر محتملة، ومن بين الأطراف التي يمكن أن تتأثر سلبًا بالتقدم السريع للذكاء الاصطناعي:

وفي الختام، يمكن أن تختلف أعباء عمل الذكاء الاصطناعي من حيث الحجم والتعقيد، وعامةً يمكن أن تكون أعباء عمل الذكاء الاصطناعي معقدة للغاية وصعبة، وتتطلب أجهزة وبرامج وخبرة متخصصة لتحقيق النتائج المثلى، ومع ذلك باستخدام الأدوات والتقنيات المناسبة، يمكنهم تمكين مجموعة واسعة من التطبيقات المثيرة والمبتكرة في مجالات مثل البرمجة اللغوية العصبية والفنون الإبداعية.