دو چهره از دیجیتال‌سازی

به گزارش آتیه آنلاین و به نقل از Equaltimes؛ چگونه می‌توانیم اثرات فعلی و آینده دیجیتالی شدن کار و کارگران را تصور کنیم؟ یک راه مفید برای درک اینکه چگونه دیجیتالی شدن کار و کارگران باعث ایجاد اختلالاتی خواهد شد که قبلاً در تاریخ سرمایه‌داری دیده نشده است، تجزیه آن به دو فرآیند تقسیم آن به اثرات فوری و طولانی‌ مدت است. این دو فرآیند عبارتند از: (۱) خودکارسازی کامل یا نیمه اتوماسیون و رباتی کردن و (۲) کمی سازی. در اینجا به هر یک از این دو مقوله خواهیم پرداخت. خودکارسازی کامل یا نیمه اتوماسیون و رباتی کردن در حالی که فرآیند اتوماسیون (خودکارسازی) چیز جدیدی نیست، فراگیر شدن و سرعت آن چیز جدیدی است. فراگیری و سرعت هوش مصنوعی متاثر از راه‌اندازی سیستم‌های هوش مصنوعی از طرف شرکت‌هایی مانند ChatGPT، OpenAI و Bard Google در سال جاری است. تخمین زده شده است که بیش از ۳۰۰ میلیون شغل در سراسر جهان به شدت تحت تأثیر این سیستم‌ها قرار خواهند گرفت. با گذشت زمان، اختلال ناشی از خودکارسازی به کارگران همه مشاغل ضربه خواهد زد. در آموزش و پرورش، معلمان می‌توانند از این سیستم‌های هوش مصنوعی برای تهیه طرح درس یا ارزیابی امتحانات دانش‌آموزان استفاده کنند. در دنیای فیلم و رسانه، می‌توان فیلمنامه نوشت، جلوه‌های ویژه بصری یا صوتی طراحی کرد و بازیگران را با اتوماسیون هوش مصنوعی جایگزین نمود. روزنامه‌نگاری و حتی داستان‌نویسی نیز می‌تواند خودکار باشد، در بخش بهداشت، طرح‌های مراقبت از بیمار، تشخیص بیماری و حتی کارکنان مراقبتی را می‌توان با ماشین‌ها جایگزین کرد. کدنویس‌ها، حسابداران، توسعه‌دهندگان بازی، همگی ممکن است بیکار شوند. حتی مشاغل تحقیقاتی یا مراکز تماس مشتریان هم می‌توانند کاملاً خودکار باشند. با این حال، تأثیر این اختلال به یک اندازه در سراسر جهان و در سطوح مهارتی متفاوت احساس نخواهد شد. یک گزارش اخیر از شرکت مشاوره جهانی «مک‌کینزی» نشان می‌دهد که: «تطبیق با هوش مصنوعی در کشورهای توسعه‌یافته نیز سریع‌تر خواهد بود، جایی که دستمزدها بالاتر است و بنابراین امکان‌سنجی اقتصادی استفاده از اتوماسیون زودتر اتفاق می‌افتد. حتی اگر پتانسیل تکنولوژیک برای خودکارسازی یک فعالیت کاری خاص بالا باشد، هزینه‌های لازم برای انجام این کار باید با هزینه دستمزد انسان مقایسه شود و اگر دستمزد انسان پایین‌تر باشد دلیلی برای جایگزینی وجود نخواهد داشت.» این شرکت همچنین اعتقاد دارد که «هوش مصنوعی مولد تأثیر بیشتری بر آن نوع مشاغلی خواهد داشت که مربوط به دانش هستند یا مشاغلی که دستمزدها و الزامات آموزشی و تخصصی بالاتری نسبت به سایر انواع کار دارند». برای درک بهتر این فرآیند، باید در مورد تأثیرات فوری که اتوماسیون/ رباتی‌ کردن کار (یا نیمه خودکارسازی آن) بر مشاغل، وظایف، استقلال کارگر و شرایط کاری کارگر می‌گذارد آغاز نمود. سپس در مورد عواقب بلند مدت این اختلالات اندیشید. کمی‌سازی فرآیند کمی‌سازی مبهم‌تر است، اما به همان اندازه مخل است. کمی‌سازی به این اشاره دارد که چگونه داده‌ها و سیستم‌های الگوریتمی اقدامات عملی و اقدامات غیر عملی (دانش) ما را به رویدادهای قابل اندازه‌گیری تبدیل می‌کنند. به زبان ساده: تقلیل کار به اعداد مانند اینکه «شش روز از ۱۰ روز کاری دیر آمدید» یا «نرخ بهره‌وری شما از همتایانتان بیشتر است». در واقع، این محاسبات می‌توانند ورودی‌های بسیار بیشتری را شامل شوند: جنسیت، سن، قومیت، کدپستی، سطح تحصیلات، عادات خرید، سطح چربی بدن یا سایر داده‌های بهداشتی، و بسیاری موارد دیگر؛ در واقع همه چیز انسان به قالب محاسبه درخواهد آمد. حتی محاسبه می‌تواند بسیار پیچیده‌تر باشد: می‌تواند تمام ویژگی‌های شما را با مجموعه داده‌های بسیار بزرگ مقایسه کند. در نهایت این محاسبه می‌تواند الگوهایی را بیابد و در نتیجه «حقایق» یا «واقعیاتی» را ایجاد کند که تعداد کمی از آنها دیدگاهی کلی و منسجم یا معرفت خاصی را دنبال می‌کنند. این کمیت‌های مبهم بدون معرفت خاصی که بر آن سوار باشند، می‌توانند عواقب فوری برای انسان به همراه آورند؛ برای مثال شما می‌توانید به راحتی اخراج شوید، استخدام شوید یا ارتقا پیدا کنید. اما مهمتر از همه، این محاسبات بر مبنای سیستم‌های الگوریتمی تغذیه می‌شوند که کارگران آینده با آنها اندازه‌گیری خواهند شد. یک مثال ساده دیگر را تصور کنید: یک سیستم کاری متوجه می‌شود که بهره‌وری شما در حال کاهش است و در سه سال گذشته کاهش یافته است. شما ۵۲ ساله هستید، یک زن، مطلقه، و یک آپارتمان کوچک در حومه یک شهر کوچک اجاره می‌کنید. به نظر می رسد با افزایش شاخص توده بدنی، سلامت شما رو به کاهش است. متقاضیان شغلی آینده که تمام یا اکثر این ویژگی‌ها را دارند، احتمالاً توسط یک سیستم استخدام (نیمه خودکار) به عنوان «کمتر بهره‌ور» یا «کاهنده بهره‌وری» علامت‌گذاری می‌شوند. به این معنی که به احتمال زیاد هرگز برای شغلی مشابه شغل مورد نظر شما در نظر گرفته نخواهند شد. اما اگر در این محاسبات برخی از حقایق حیاتی زندگی شما از دست بروند یا ثبت نشده باشند چطور؟ تصور کنید شما یک سال پیش در یک تصادف رانندگی زانوی خود راشکسته‌اید. شما از آن زمان به فیزیوتراپی رفته‌اید، اما احساس می‌کنید بهبود کند است، زیرا هنوز نمی‌توانید به سرعت قبل بدوید. شما هرگز صاحب خانه نشده‌اید و همیشه یک اجاره‌نشین بوده‌اید، زیرا ترجیح شما چنین بود. شما زندگی سلامت و محیط روستایی را ترجیح می دهید اما اگر با تمام این توصیفات الگوریتم‌های هوش مصنوعی وضعیت شما را منفی محاسبه کنند، در حالی که بسیاری از آن‌ها اینطور نیستند، چطور؟ تأثیرات محاسبات هوش مصنوعی برای انتخاب کاندیدای مناسب یک شغل، از آنجا که به تمامی فاکتورهای تشکیل دهنده قابلیت شغلی شما دسترسی ندارند ناقص‌اند و می‌توانند اشتباهات محاسباتی را برای هزاران نفر در آینده‌ بازار کار دخیل کنند. چنین کمی‌سازی و برچسب‌گذاری همیشه اتفاق می‌افتد. «ولفی کریستال» محقق حریم خصوصی در موسسه تحقیقاتی Cracked Labs مستقر در وین، اخیراً یک صفحه گسترده ۶۵۰۰۰۰ ردیفی در وب سایت پلت‌فرم تبلیغاتی Xandr کشف کرده است. این صفحه گسترده مجموعه عظیمی از «اطلاعات مخاطب» را نشان می‌دهد که برای هدف قرار دادن مصرف‌کنندگان بر اساس اطلاعات و استنتاج‌های بسیار خاص و گاه کاملا خصوصی استفاده می‌شود. برای ترسیم اثرات بلندمدت، کوتاه مدت و احتمالی کمی‌سازی، باید سیستم‌های دیجیتالی شروع کرد، سیستم‌هایی که کارفرماها از آن برای کنترل محیط کار و اطلاعات کارمندان استفاده می‌کنند. این سیستم‌ها می‌توانند ابزارهای برنامه‌ریزی خودکار، ابزارهای استخدام یا برچسب‌های بهره‌وری باشند. چنین ابزارهایی می‌توانند به میزان زیادی زندگی کاری را قربانی محدودیت‌ها کنند و شانس افراد در انتخاب شغل و موقعیت شغلی را از میان ببرند.