A korlátok problémája a tudásmunkában
A mesterséges intelligencia kiemelkedő példája, az AlphaZero, a táblás játékokban emberfeletti szintre fejlődött anélkül, hogy emberi mintákat követett volna. Ez azonban csak egy stabil, jól definiált, szabályok által kötött környezetben működik. Itt a siker vagy kudarc azonnal és egyértelműen kiderül, így folyamatos a visszacsatolás. Az igazi tudásmunka világa ennél jóval összetettebb: a jogszabályok, gazdasági döntések, egészségügyi diagnózisok mind változó, gyakran évekkel később értékelhető eredményt hoznak. Ez feloldhatatlan akadályt jelent a gépi önfejlesztés számára, hiszen nincsenek tökéletes szabályok és azonnali jutalmazás. A szakemberek tapasztalata ezért nélkülözhetetlen marad az értékelési folyamatban.
Az utánpótlásképzés válsága
A jelenlegi MI-rendszereket olyanok tudásán képezték, akik éveken át dolgoztak a szakma alsóbb szintjein, hibáztak, tapasztaltak és fejlődtek. Most azonban épp ezeket a kezdő pozíciókat automatizálják először, megszüntetve az új szakemberek felemelkedésének lehetőségét. Különös ellentmondás, hogy a tudás elvesztésében most nem járvány vagy háború szól közbe, hanem látszólag racionális üzleti döntések egymásutánja. A gazdasági hatékonyságra hivatkozva szinte észrevétlenül tűnhet el a tudás és az utánpótlás a folyamatos automatizáció nyomán.
Mi történik, ha „elcsendesedik” egy szakma?
Kódolás, matematika, mély jogi elemzés – ezek mind olyan területek, ahol nemcsak a szakértők betanítása szűnhet meg, hanem maga a szakmai tudás is eltűnhet. Nincs már szakmai közeg, ahol a következő generáció tapasztalatot szerezne, így az intuitív háttértudás elveszhet. Ez a folyamat alattomos: a felszínen a modellek teljesítménye még hosszú ideig meggyőző maradhat, miközben a mögöttes emberi szakértelem sorvad el. Ez a „kiüresedés” azt jelenti, hogy bár a rendszerek még működnek, már nincs, aki korrigálja, bővítse vagy helyes irányba terelje őket, ha a háttérben valós hibák jelennek meg.
A sablonok csapdája
Az aktuális megközelítés – szabályrendszerek, rubrikák alapján történő értékelés – ugyan csökkenti az emberi felülvizsgálókra való igényt, de nem oldja meg a legmélyebb problémát. Hiszen csak azt lehet betáplálni, amit a rubrikák leírnak, az ösztönös szakértői megérzéseket már nem. A tapasztalati tudás nagy része nem írható le tételesen, csak évek kitartó gyakorlata után érthető meg igazán.
Kockázatok és kihívások a jövőben
Ezt követően új utak nyílhatnak a kutatásban: lehet, hogy a szintetikus adatok vagy a teljesen új önjavító mechanizmusok később pótolják az emberi kritikus gondolkodást. Jelenleg azonban, miközben folyamatosan számoljuk fel az emberi infrastruktúrát, nem világos, hogyan zárul majd a kör. Megfelelő kutatási fókuszt, anyagi és szakmai ráfordítást igényelne, hogy az értékelési szakadék ne nőjön tovább.
Összefoglalásként megjegyezhető, hogy
Amit a mesterséges intelligencia leginkább igényelne az emberektől, az a tudás, amelynek fennmaradására a legkevésbé vigyázunk. Ha ezt halogatjuk vagy elhanyagoljuk, hosszú távon a veszteség elkerülhetetlen – függetlenül attól, hogy most érzékeljük-e vagy sem.
