Auf einen Blick
- Quelle
- Brynjolfsson, Mitchell and Rock (2018). What Can Machines Learn and What Does It Mean for Occupations and the Economy?. AEA Papers and Proceedings, 108, 43–47. doi:10.1257/pandp.20181019
- Wie sie durchgeführt wurde
- Die Autoren bewerteten jede Aufgabe in O*NET, der Datenbank der US-Regierung zu Berufen und Aufgaben, danach, wie gut maschinelles Lernen sie erledigen könnte. Datenanalyse. Sie bildet ein Maß aus vorhandenen Daten, etwa aus Angaben zu Berufen und Aufgaben.
- Wer teilnahm
- 18.156 Aufgaben aus den Berufen der Datenbank.
- Wo
- Daten zu Berufen und Aufgaben aus den Vereinigten Staaten.
“Realizing the potential of ML usually requires redesign of job task content.” [Um das Potenzial von ML auszuschöpfen, muss man meist den Aufgabeninhalt von Berufen neu gestalten.]
Was sie fand
- Maschinelles Lernen betrifft andere Berufe als frühere Automatisierungswellen.
- Die meisten Berufe enthalten zumindest einige Aufgaben, die sich für maschinelles Lernen eignen.
- Wenige Berufe lassen sich damit ganz automatisieren.
- Um den Nutzen zu erzielen, muss man meist die Aufgaben neu gestalten, aus denen ein Beruf besteht.
Wann das Ergebnis gilt
Die Bewertungen beschreiben, was die Technik mit einer Aufgabe tun könnte. Sie sagen nichts über Kosten, Daten, Vorschriften oder darüber, ob die Kundschaft es annehmen würde.
Grenzen
- Die Bewertung stammt von 2018, aus der Zeit vor den heutigen KI-Chat-Werkzeugen.
- Die Arbeit erschien in einem Tagungsband, der weniger streng begutachtet wird als ein üblicher Zeitschriftenartikel.
Praktiken, die sich auf diese Studie stützen
Diese Studie stützt:
- Erfassen Sie die Aufgaben, bevor Sie entscheiden, was Sie automatisieren Zerlegen Sie Berufe in Aufgaben und betrachten Sie jede einzeln. Veröffentlichte Werte schätzen, wie viel eines Berufs KI übernehmen könnte, die „Exposition“. Behandeln Sie einen hohen Wert als Hinweis, wo Sie genauer hinsehen, nicht als Entscheidung zum Automatisieren. Zuerst · Aufwand: gering (Tage, eine Person)
- Gestalten Sie den Arbeitsablauf neu, statt nur ein Werkzeug hinzuzufügen Wer Menschen ein KI-Werkzeug in einem unveränderten Prozess gibt, ändert wenig. Legen Sie neu fest, wer jeden Schritt erledigt, in welcher Reihenfolge und wo ein Mensch prüft. Als Nächstes · Aufwand: hoch (Monate, mehrere Teams)