رسیدگی به نگرانی های کارگران در مورد هوش مصنوعی

ادغام موفقیت آمیز هوش مصنوعی در عملیات روزانه به کارکنان خط مقدم بستگی دارد، اما تأثیر آن بر روحیه آنها اغلب نادیده گرفته می شود.

راه حل‌های

هوش مصنوعی (AI) و یادگیری ماشینی (ML) امروزه در هر صنعتی در حال استفاده است. اغلب، این ابتکارات شامل استقرار مدل‌های ML در تنظیمات عملیاتی می‌شود که در آن خروجی مدل به عنوان یک ویجت روی صفحه‌ها یا شماره‌ای در گزارش‌هایی است که در مقابل صدها، اگر نه هزاران، کارمند خط مقدم قرار می‌گیرد. اینها می توانند پذیره نویسان، افسران وام، بازرسان کلاهبرداری، پرستاران، معلمان، تسویه کنندگان مطالبات یا وکلا باشند. هیچ صنعتی از این تحولات مصون نیست.

این ابتکارات معمولاً از بالا به پایین هدایت می شوند. مدیریت نظارت می‌کند و به دنبال راه‌هایی برای بهبود KPI است، و به طور فزاینده‌ای، ابتکارات AI/ML به عنوان ابزاری برای این منظور شناسایی می‌شوند. مطمئناً، ارتباطات زیادی بین مدیران اجرایی، مالی، علم داده و رهبران عملیاتی در مورد این ابتکارات وجود دارد. متأسفانه، در بسیاری از سازمان‌هایی که من با آنها کار کرده‌ام، گروهی از افرادی که معمولاً از بحث کنار گذاشته می‌شوند، کارکنان خط مقدم هستند.

از آنجایی که ابتکارات در حال گسترش هستند و ویجت ها یا سایر شاخص ها در رویه های عملیات استاندارد روزانه اصلاح شده (SOP) گنجانده می شوند، تأثیر این ابتکارات بر روحیه کارگران خط مقدم اغلب نادیده گرفته می شود. اگر مدیران فعالانه به دنبال آموزش نیروی کار با دیدگاهی سالم نباشند، تفسیری را که این افراد خواهند داشت به شانس واگذار می کنند.

در این مقاله، من برخی از واکنش‌های رایج، اغلب نهفته، را که کارکنان نسبت به ابتکارات AI/ML دارند، همراه با رویکردی که مدیریت می‌تواند برای تقویت یک ذهنیت مثبت و آگاهانه اتخاذ کند، شرح خواهم داد. من زمان زیادی را برای عواقب ناتوانی در مدیریت دریافت هوش مصنوعی توسط نیروی کار صرف نمی کنم. مدیران از قبل می‌دانند که هر ابتکاری که به راه می‌اندازند تنها به اندازه‌ای که کارگران خط مقدم می‌خواهند موفق خواهد بود. نمی توانید آنها را اجرا کنید، و این ابتکارات محکوم به فنا هستند.

طیف واکنش ها

وقتی رهبران شرکت‌ها از ابتکارات جدید AI/ML رونمایی می‌کنند که بر روال روزانه متخصصان خط مقدم تأثیر می‌گذارد، طیفی از واکنش‌ها ظاهر می‌شود:

• دیدگاه مثبت. برخی از افراد در سازمان ممکن است این نوآوری ها را یک گام مثبت به جلو ببینند. آنها مزایای بالقوه را می شناسند و مشتاق پذیرش تغییر هستند و معتقدند که این تغییر باعث افزایش گردش کار و بهره وری آنها می شود. این واکنش رایج نیست، اما قهرمانان تغییر ممکن است اینگونه به آن نگاه کنند.
• ناامنی. غیرمعمول نیست که زیرمجموعه ای از کارمندان در مواجهه با اجرای AI/ML احساس پارانویا یا ناامنی کنند. آنها ممکن است بپرسند که چرا برای این تغییر انتخاب شده اند، زیرا می ترسند که بازتابی از عملکرد شغلی یا حتی امنیت شغلی آنها باشد. این مردم بی سر و صدا نگران می شوند، “اوه اوه، چرا این را به من دادند، آیا فکر می کنند کار خوبی انجام نمی دهم، آیا در مشکل هستم؟”
• ترس از جابجایی شغل. ترس از جابجایی شغلی برای بسیاری نگرانی مشروع است. آنها نگران هستند که هوش مصنوعی در نهایت جایگزین نقش های آنها شود. آنها این ابتکارات را می بینند و فکر می کنند، “اوه نه، هوش مصنوعی. آیا این کار من را می گیرد؟»
• واکنش های دفاعی و سرزمینی. احتمالاً افرادی وجود خواهند داشت که به تخصص و تجربه خود افتخار می کنند و این تصور را که هوش مصنوعی می تواند به آنها کمک کند مسخره می کنند. آنها این سوال را مطرح خواهند کرد که چگونه یک ماشین ممکن است مشتریان خود (یا سایر تمرکزهای کارشان) را بهتر از آنها درک کند. این افراد ابتکارات AI/ML را نشانه‌ای از این می‌دانند که مدیریت از دانش و تخصص آنها یا ارزشی که برای سازمان به ارمغان می‌آورد قدردانی نمی‌کند.
• شک گرایی و نگرش های خسته کننده. و سپس کسانی هستند که شاهد آمدن و رفتن سهم عادلانه خود از ابتکارات شرکتی هستند و معتقدند “این نیز خواهد گذشت.” آنها ممکن است چشمان خود را به چشم انداز تغییر دیگری که از بالا تحمیل شده است بچرخانند و در اثربخشی و تأثیر آن تردید کنند. آنها به جای اینکه متعهد به انجام این تغییر باشند، وقت خود را با بی اعتنایی می گذرانند.

همه این عکس‌العمل‌ها هنگام اجرای یک ابتکار جدید AI/ML در نیروی کار شما وجود خواهد داشت. این واکنش ها باید مورد توجه قرار گیرد و یک دیدگاه سالم و آگاهانه باید در سراسر سازمان به اشتراک گذاشته شود.

پرورش یک دیدگاه سالم

اگر نمی‌خواهیم کارمندان این دیدگاه‌ها را اتخاذ کنند – که عمدتاً ناشی از عدم درک است – باید تصمیم بگیریم که چه دیدگاهی را می‌خواهیم داشته باشند و سپس آموزش‌های لازم را به آنها بدهیم.

p>

ارتباط یک دیدگاه سالم در مورد یک ابتکار AI/ML ممکن است چیزی شبیه به موارد زیر باشد که برای عملیاتی مانند سازمان خسارت بیمه نوشته شده است.

از آنجایی که روزانه هزاران تماس و ایمیل در جریان است، ما باید اقدامات درست را در زمان مناسب انجام دهیم. دانستن اینکه چه اقداماتی باید انجام دهید و دانستن نحوه رسیدگی به هر ادعا از دانش ناشی می شود. ما این دانش را از طریق تجربه به دست می آوریم – یعنی از طریق داده هایی – که از هر تعامل جمع آوری می کنیم. البته این دانشی است که تا حدی کارمندان ما در خط مقدم را بسیار ارزشمند می کند. منبع سنتی دانش عملیاتی ما ذهن کارمندان ما است. اما منبع دیگری از داده ها وجود دارد و آن سرورهای پنهان در ساختمان های ما یا یک مرکز داده از راه دور است. کارمندان ما مشاهدات و بینش هایی دارند که در آن سرورها وجود ندارد. و به طور مشابه، آن سرورها بینش هایی دارند که در ذهن هیچ یک از ما وجود ندارد.

این غیرمسئولانه خواهد بود که به اطلاعات موجود در آن سرور اجازه دهیم فقط در آنجا بنشینند. این مانند یک شرکت نفتی است که روی یک ذخیره‌گاه نشسته و از حفاری خودداری می‌کند. اگر آن سرور ذخیره نفت باشد، یادگیری ماشین مته ای است که می تواند سیگنال را استخراج کند. بنابراین دفعه بعد که یکی از بسیاری از تصمیماتی را که هر روز می گیرید در مورد اقداماتی که باید انجام دهید، می گیرید، از شما می خواهیم که بر تجربیات خود تکیه کنید و قضاوت خود را اعمال کنید، اما البته، ما می خواهیم در هنگام انجام این کار تا حد امکان آگاه باشید. قضاوت.

این کاری است که این مدل‌های AI/ML انجام می‌دهند. آنها الگوهای موجود در داده‌های موجود در مراکز داده ما را استخراج می‌کنند، و هنگامی که ما آن را به شما می‌دهیم، تصمیم درست با شماست تا بقیه راه را ادامه دهید. مدل‌ها به شما می‌گویند: «از تمام ادعاهایی که به این شکل دریافت می‌کنیم، ۸۰ درصد از آنها وارد دعوا می‌شوند.» (توجه داشته باشید، این بدان معناست که ۲۰٪ این کار را نمی کنند!) شغل شما نیاز به قضاوت دارد. ما تمام اطلاعاتی را که در اختیار داریم به شما می دهیم تا آگاهانه ترین قضاوت را انجام دهید.

واقعی بودن با کارمندان

بیایید یک دقیقه وقت بگذاریم تا ببینیم چگونه می‌توانیم مستقیماً به برخی از نگرانی‌هایی که قبلاً صحبت کردیم رسیدگی کنیم.

برای افراد ناامن در گروه که نگران این هستند که ابتکار AI/ML به این معنی است که آنها کار بدی انجام می دهند، به آنها بگویید که آنها را می شنوید، به آنها اطمینان دهید که اینطور نیست و دیدگاه بالا را تکرار کنید.< /p>

نگرانی‌های مربوط به امنیت شغلی، در برخی سطوح، به خوبی پایه‌گذاری شده‌اند. آیا هوش مصنوعی امروز کار کسی را می گیرد؟ جواب کوتاه، نه است. شرکت‌ها معمولاً ابتکارات AI/ML را ارائه نمی‌کنند و سپس به دنبال اخراج افراد هستند، اما همه ما می‌دانیم که هوش مصنوعی مشاغل را در سطوحی تهدید می‌کند. ما باید این را برای تیم‌هایمان بپذیریم، مبادا به نظر برسند و ارتباطی نداشته باشیم. در عین حال، باید تأکید کنیم که هوش مصنوعی فقط یک فناوری جدید است، مانند سایر فناوری‌هایی که قرن‌هاست معرفی شده‌اند. با گذشت زمان، برخی از مشاغل به صورت خودکار از بین می روند.

شنیده ام که می گویند اگر ماشینی بتواند کاری را انجام دهد، باید انجام دهد. این منطقی است، زیرا افراد به اندازه‌ای توانمند هستند که نمی‌توانند به تکالیف خود محول شوند. اجازه دهید ماشین هر کاری که می تواند انجام دهد تا مردم برای انجام کارهای ظریف و پیچیده آزاد شوند. این بدان معنی است که با گذشت سالها، نیروی کار ما معمولاً به آرامی از طریق فرسایش تغییر می کند، نه ناگهانی از طریق اخراج. بنابراین، آیا هوش مصنوعی هفته آینده جایگزین هر یک از ما خواهد شد؟ احتمالا نه. آیا در ۱۰ تا ۲۰ سال آینده به دلیل هوش مصنوعی آینده شغلی کمتری خواهیم داشت؟ به طور بالقوه بله. راه‌حل این امر این است که مطمئن شویم مهارت‌های خود را برای به‌روز ماندن و مورد تقاضای خود تکامل می‌دهیم.

با توجه به این تصور که هوش مصنوعی درباره مشتریان اطلاعات بیشتری دارد، دیدگاه فوق را تکرار کنید که هوش مصنوعی مکمل قضاوت انسان است نه جایگزین. هوش افزوده نام مناسب تری است زیرا انسان در حلقه باقی می ماند.

برای آن دسته از کارمندانی که نسبت به ابتکارات شرکتی بدبین هستند، بدانند که شک و تردید می تواند از منابع مختلفی نشات بگیرد و یک موضوع جداگانه است و به طور خاص به AI/ML مربوط نمی شود.

آموزش و ارتباطات کلیدی هستند

در سفر ادغام AI/ML، ارتباط موثر با همه – از جمله کارگران خط مقدم – برای موفقیت این ابتکارات بسیار مهم است. سازمان ها می توانند تالارهای شهر، جلسات همگانی، گروه های متمرکز و جلسات آموزشی را برگزار کنند. آن‌ها می‌توانند مقالات ویکی را منتشر کنند، خبرنامه‌های ایمیلی منظم بفرستند، و مصاحبه‌های ویدیویی منظم با همتایان خود انجام دهند. آن‌ها حتی می‌توانند کلاس‌های منظمی را در زمینه هوش مصنوعی/ML برگزار کنند، نه برای اینکه کارکنان خط مقدم شما را به دانشمندان داده تبدیل کنند، بلکه برای باز کردن جعبه سیاه و ابهام‌زدایی از فناوری. به تیم های خود آموزش دهید که هوش مصنوعی چیست و چه چیزی نیست. هرچه مات آن کمتر باشد، مرموز و تهدیدآمیز کمتری خواهد داشت.

ادغام موفقیت‌آمیز مدل‌های هوش مصنوعی و ML در عملیات روزانه به درک و رسیدگی به واکنش‌های کارکنان خط مقدم بستگی دارد. زمانی که کارگران خط مقدم ما مطلع نیستند، این را به تخیل آنها می سپاریم تا همه چیز را بفهمند. خیلی اوقات، تخیل ما جای خالی را با ترس ها، ناامنی ها و اضطراب های ما پر می کند و ما را به تصور بدترین ها سوق می دهد.

به کارگران خط مقدم در مورد واقعیت های هوش مصنوعی آموزش دهید. آنها شادتر و سازنده تر خواهند بود و ابتکارات AI/ML شما موفقیت آمیزتر خواهد بود.

بیل سورت، دانشمند ارشد داده در CLARA Analytics، ارائه‌دهنده فناوری هوش مصنوعی برای بهینه‌سازی خسارت بیمه است. بیل بیش از ۲۰ سال تجربه در صنعت بیمه اموال و تلفات دارد، و برای چندین شرکت بزرگ در ایالات متحده در نقش های اکچوئری و علم داده کار کرده است. او همچنین چندین سال را در یک استارت‌آپ AI/ML صرف مشاوره با مشتریان در مورد پروژه‌های علم داده آنها کرد.

—

Generative AI Insights مکانی را برای رهبران فناوری – از جمله فروشندگان و سایر مشارکت‌کنندگان خارجی – فراهم می‌کند تا چالش‌ها و فرصت‌های هوش مصنوعی مولد را بررسی و بحث کنند. این انتخاب گسترده است، از غواصی عمیق فناوری گرفته تا مطالعات موردی گرفته تا نظرات متخصص، اما همچنین ذهنی است، بر اساس قضاوت ما در مورد اینکه کدام موضوعات و درمان ها به بهترین وجه به مخاطبان فنی پیشرفته InfoWorld خدمت می کنند. InfoWorld وثیقه بازاریابی را برای انتشار نمی پذیرد و حق ویرایش تمام محتوای ارائه شده را برای خود محفوظ می دارد. تماس با doug_dineley@foundryco.com.