


KI/Automatisierung wird bis 2030 Aufgaben für sechs Tech-Jobs erledigen
Heute sind künstliche Intelligenz und Automatisierung in eine Phase rasanter Entwicklung eingetreten, und viele Menschen sind besorgtdass sie einige berufliche Rollen ersetzen werden. Auch wenn es übertrieben erscheint, vorherzusagen, dass einige Arbeitsplätze ganz verschwinden werden, ist es ratsam, eine realistische Perspektive hinsichtlich der Zukunft zu behalten, um auf alles vorbereitet zu sein, was als nächstes kommt.
Vor diesem Hintergrund und basierend auf der aktuellen Technologie Entwicklungsrichtung fassen wir einige technische Arbeiten zusammen, die eventuell entfallen .
Dateneingabe-Sachbearbeiter
Im Zeitalter der künstlichen Intelligenz kann es sein, dass die Rollengröße von Dateneingabe-Sachbearbeitern dramatisch schrumpft. Weil dieser Job hauptsächlich repetitive Aufgaben wie Tippen und Transkribieren sind, können sehr leicht durch automatisierte Programme ersetzt werden.
Mit den kontinuierlichenVerbesserungen der Optischen Zeichenerkennung (OCR) Technologie und maschinellen Lernalgorithmen werden KI-Systeme bei diesen präzisen Aufgaben unglaublich effizient. Daher ist es sicher, dass die Automatisierung bis 2030 große Auswirkungen auf diese Rolle haben wird. Mitarbeiter des technischen Supports
Kundendienst und technischer Support standen schon immeran vorderster Front bei der Lösung von Verbraucherproblemen. Da die künstliche Intelligenz jedoch immer weiter voranschreitet, sind diese Rollen der drohenden Gefahr der Automatisierung ausgesetzt.
Unternehmen aller Branchen nutzen bereits KI-Chatbots, mit Funktionen zur Verarbeitung natürlicher Sprache (NLP) für die Fehlerbehebung auf erster Ebene. Sogar noch komplexere naturliche Aufgaben mit Systemdiagnosen oder Hardwareproblemen können von Tools der künstlichen Intelligenz erledigt werden, die das Problem ohne menschliches Eingreifen schnell analysieren und lösen können.
Bis zum Ende diesesJahrzehnts werden die meisten technischen Supportanfragen effektiv durch hochentwickelte Systeme der künstlichen Intelligenz verwaltet, wodurch herkömmliche Mitarbeiter des technischen Supports obsolet werden können . Netzwerkadministrator
Die Hauptaufgabe eines Netzwerkadministrators besteht darin, den normalen Betrieb des internen Netzwerks der Organisation zu verwalten und sicherzustellen. Zu diesen Verantwortlichkeiten gehören Aufgaben wie das Aktualisieren von Systemkonfigurationen, das Verwalten von Sicherheitsprotokollen und das Reparieren von NetzwerkausfällenWährend bei diesen Aktivitäten menschliche
Operationen derzeit immer noch eine unersetzliche Bedeutung haben, aber kontinuierlich sind Verbesserungen in der künstlichen Intelligenz stellen eine Bedrohung für diese Arbeit dar, indem sie viele tägliche Aufgaben automatisieren. KI-gesteuerte prädiktive Analysen können mögliche Probleme vorhersehen und
„präventive“ Maßnahmen ergreifen, um Probleme mit der Effizienz sogar weit zu umgehen darüber hinauswas Menschen können hoffen, etwas zu erreichen. Darüber hinaus können andere tägliche Managementaufgaben durch KI-basierte Tools automatisiert werden, wodurch selbstorganisierende (selbstorganisierende)
Netzwerke entstehen, die nur wenig menschliches Eingreifen erfordern. Daher dürfte die Automatisierung die Rolle von Netzwerkadministratoren in den kommenden Jahren erheblich verändern.Datenbankadministrator In der Vergangenheit erforderte die Verwaltung und Koordinierung von Änderungen über Datenbanken hinweg viel Personal
Ressourcen . Der Aufstieg der künstlichen Intelligenz verändert dies jedoch. Mit dem Aufkommen automatisierter Tools, die Datenbankverwaltungsaufgaben vereinfachen, ist auch die Rolle des traditionellen Datenbankadministrators bedroht. Beispielsweise ermöglicht die Automatisierung einfache Datenbankänderungen bei der Migration von MySQL zu MariaDB. In der Vergangenheit war dieser nahtlose Übergang für den Administrator mit erheblichem Aufwand verbunden, kann nun aber durch automatisierte Software effizienter durchgeführt werden. Auf dem Weg zum Jahr 2030 wird vorhergesagt, dass diese Verbesserungen den Bedarf an menschlichem Eingreifen weiterhin deutlich verringern werden. Darüber hinaus bedeuten diese Fortschritte, dass Datenbanken irgendwann automatischer abgestimmt und autonomer werden können und möglicherweise nicht einmal mehr einen dedizierten Menschen zu ihrer Verwaltung erfordern In der Vergangenheit war die Rolle des Hardware-Technikers unverzichtbar, und Reparaturen und Upgrades vor Ort konnten nur von Mitarbeitern persönlich durchgeführt werden. Da jedoch immer mehr Unternehmen ihre Abläufe auf eine Cloud-basierte Infrastruktur verlagern, nimmt der Bedarf an physischer Geräteverwaltung ab. Technologische Fortschritte haben zu virtuellen Servern und Speicherplätzen geführt, die je nach Bedarf ohne manuelle Eingriffe von Hardware-Experten erweitert werden können. Dieser Trend hat die Abhängigkeit von traditionellen Technikern, die auf den Umgang mit physischen Geräten und Maschinen spezialisiert sind, erheblich verringert. auch bei Problemen mit der physischen Ausrüstung bei Ihnen zu Hause oder im Büro bei der Installation ständig bei der genauen Vorhersage potenzieller Hardwareprobleme. Wenn Sie diese Probleme im Voraus antizipieren und die notwendigen Ersatzteile selbst bestellen, können Hardwaretechniker schneller veraltet sein als Sie werden. Qualitätssicherungstester (QA) eine wichtige Rolle bei der Fehlerbehebung und der Sicherstellung der Funktionalität von Software vor der Veröffentlichung. Da die künstliche Intelligenz jedoch fortgeschrittener wird, wird diese Aufgabe zunehmendautomatisiert. Automatisierte Testtools können jetzt sich wiederholende Aufgaben ausführen, schnell Testdaten generieren und sogar lernen, potenzielle Fehler ohne menschliches Eingreifen zu erkennen. Diese KI-gestützten Programme sind in der Lage, umfassende Tests durchzuführen, die Menschen aus Zeit- oder Ressourcengründen nicht durchführen können. Darüber hinaus können sie durch die Integration von Algorithmen für maschinelles Lernen in eine solche Plattform die Leistung mit jedem weiteren Testlauf verbessern . Daher könnte die Weiterentwicklung der künstlichen Intelligenz bis 2030 die heutigen QA-Tester vollständig ersetzen und stattdessen FazitDie ursprüngliche Absicht dieses Artikels besteht nicht darin, Alarm zu schlagen, sondern zu hoffen, dass die Fachkräfte, die derzeit in diesen Berufen tätig sind, die freie Zeit, die KI/Automatisierung bietet, nutzen können, um ihre Rollen und Verantwortlichkeiten zu ändern Start Originaltitel: 6 Tech Jobs That Will't Exist In 2030 Due To AI and AutomationHardware-Techniker
Das obige ist der detaillierte Inhalt vonKI/Automatisierung wird bis 2030 Aufgaben für sechs Tech-Jobs erledigen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen





Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
