L'apprentissage sur le terrain est aujourd'hui confronté à des défis. L’analyse sophistiquée, l’intelligence artificielle et les robots s’immiscent soudainement dans tous les aspects du lieu de travail, bouleversant fondamentalement cette méthode d’apprentissage efficace et séculaire. À mesure que la technologie automatise de plus en plus les tâches, des dizaines de milliers de personnes quittent ou acceptent leur emploi chaque année, et des centaines de millions de personnes doivent acquérir de nouvelles compétences et de nouvelles méthodes de travail. Mais il existe des preuves plus larges que les entreprises qui déploient des machines intelligentes entravent ce canal essentiel d’apprentissage : mes collègues et moi avons découvert que l’IA enlève des opportunités d’apprentissage aux novices et réduit les opportunités de pratique pour les vétérans, les obligeant à maîtriser de nouvelles méthodes en même temps. et les vieilles méthodes qui les submergent.
Alors, les salariés peuvent-ils apprendre à travailler avec ces machines ? Certaines des observations précédentes provenaient d'apprenants qui s'étaient engagés dans des pratiques qui remettaient en question les pratiques conventionnelles, où ces pratiques n'étaient pas au centre de l'attention et où la tolérance à l'égard de leurs conséquences était élevée. J’appelle ce processus généralisé et informel « apprentissage secret ».
J'ai découvert quatre obstacles courants à l'acquisition des compétences dont vous avez besoin et qui déclenchent un apprentissage secret.
Dans n'importe quel travail, la formation des employés entraîne des coûts et réduit la qualité car les débutants sont lents et sujets aux erreurs. À mesure que les organisations adoptent les machines intelligentes, elles demandent souvent aux stagiaires de réduire leur implication dans les parties risquées et complexes dans le cadre d'une stratégie de gestion. En conséquence, les stagiaires se voient refuser la possibilité de repousser les limites de leurs capacités et de se remettre de leurs erreurs avec une aide limitée – conditions essentielles pour acquérir de nouvelles compétences.
Le même phénomène se produit dans les banques d'investissement. Callen Anthony, de l'Université de New York, a découvert dans une banque d'investissement que les associés utilisaient des algorithmes pour aider les entreprises dans leurs fusions et acquisitions et pour interpréter leurs valorisations, amenant les analystes juniors à s'éloigner de plus en plus des associés seniors. Le travail de l'analyste junior consiste simplement à extraire du système des rapports bruts (une collection de données financières sur les entreprises d'intérêt sur le Web) et à les transmettre aux partenaires seniors pour analyse.
Quelle est la logique implicite de cette division du travail ? Premièrement, pour réduire le risque que les collaborateurs juniors commettent des erreurs lors de tâches complexes en contact avec les clients ; et deuxièmement, pour maximiser l'efficacité des associés seniors : moins les collaborateurs juniors ont de temps pour leur expliquer leur travail, plus ils peuvent se concentrer sur les tâches supérieures. analyse de niveau. Cela améliore l'efficacité à court terme, mais prive les analystes débutants de la possibilité de remettre en question des travaux complexes, rend plus difficile la compréhension de l'ensemble du processus d'évaluation et affaiblit les capacités futures de l'entreprise.
Parfois, des machines intelligentes se retrouvent coincées entre les stagiaires et leur travail, et parfois elles empêchent les experts d'effectuer un travail pratique important. En chirurgie robotique, le chirurgien ne peut pas voir le corps du patient ou le robot pendant la majeure partie de l'intervention, ce qui rend impossible l'évaluation et la gestion directe des aspects critiques. Par exemple, en chirurgie traditionnelle, les chirurgiens sont parfaitement conscients de la manière dont les dispositifs et instruments touchent le corps du patient et s'ajustent en conséquence. Mais en chirurgie robotique, les chirurgiens doivent compter sur les autres pour les alerter si un bras robotique heurte la tête d'un patient ou si un bras de nettoyage est sur le point de remplacer un instrument. Cela a un double impact sur l’apprentissage : les chirurgiens sont incapables de perfectionner les compétences nécessaires pour comprendre pleinement leur propre travail et doivent acquérir ces nouvelles compétences par l’intermédiaire d’autres.
La chirurgie robotique utilise un nouvel ensemble de compétences et de technologies pour obtenir les effets que la chirurgie traditionnelle tente d'obtenir. Il promet une plus grande précision et une meilleure ergonomie et est directement intégré au programme, les résidents devant apprendre à la fois la robotique et les méthodes traditionnelles. Mais le cours ne leur laisse pas suffisamment de temps pour maîtriser les deux, ce qui conduit souvent au pire résultat : ne maîtriser ni l'un ni l'autre. J'appelle ce problème une surcharge méthodologique.
Des décennies de recherche et de tradition ont conduit les médecins stagiaires à suivre l'approche « voir un, faire un, enseigner un ». Mais comme nous l’avons vu, elle n’est pas adaptée à la chirurgie robotisée. Pourtant, la pression pour s'appuyer sur les méthodes d'apprentissage de la vieille école est forte, et il y a peu de déviations : les études de formation chirurgicale, les procédures standard, les politiques et les chirurgiens expérimentés continuent tous à mettre l'accent sur les méthodes d'apprentissage traditionnelles, même lorsqu'il est clair que cette méthode est ne convient plus à la chirurgie robotique.
Face aux obstacles ci-dessus, il n'est pas surprenant que des apprenants secrets contournent ou enfreignent discrètement les règles pour obtenir les conseils et l'expérience dont ils ont besoin. Il y a près de 100 ans, le sociologue Robert Merton a découvert que des mesures extraordinaires étaient utilisées lorsque les moyens légitimes ne permettaient plus d’atteindre des objectifs louables. Il en va de même pour les connaissances professionnelles (peut-être le but ultime d’une carrière).
Compte tenu des obstacles que je décris, nous devons comprendre que les gens acquerront des compétences clés par d'autres moyens. Ces méthodes sont généralement flexibles et efficaces, mais elles imposent souvent des coûts aux individus et aux organisations : les apprenants implicites peuvent être punis, par exemple en perdant des opportunités de pratique ou un statut, ou en causant du gaspillage, voire du préjudice. Mais les gens prennent encore et encore des risques parce que leurs méthodes d’apprentissage fonctionnent lorsque les méthodes de conformité échouent. Il serait erroné d’imiter ces méthodes extraordinaires sans discernement, mais elles présentent des caractéristiques organisationnelles dont il vaut la peine de s’inspirer.
À mesure que la technologie intelligente devient plus puissante, l'apprentissage secret se développe également rapidement. De nouvelles formes émergeront au fil du temps, offrant de nouvelles expériences. Il est essentiel de rester prudent. Les apprenants clandestins sont souvent conscients que ce qu’ils font n’est pas conventionnel et peuvent être punis pour ce qu’ils font. (Imaginez si un résident en chirurgie faisait savoir qu'il souhaitait travailler avec le personnel le moins qualifié.) Parce que cela produit des résultats, les cadres intermédiaires ferment souvent les yeux sur ces pratiques tant que l'apprenant secret ne les reconnaît pas ouvertement. Lorsque les observateurs, notamment les cadres supérieurs, déclarent vouloir étudier comment les salariés acquièrent des compétences en enfreignant les règles, les apprenants et leurs managers peuvent être réticents à partager leurs expériences. Une meilleure solution consiste à faire appel à un tiers neutre, capable de garantir un strict anonymat et de comparer les pratiques dans différents cas. Mes informateurs ont fini par me connaître et me faire confiance, et ils ont réalisé que j'observais le travail dans de nombreux groupes de travail et installations, ils étaient donc sûrs que leur identité serait protégée. C’est crucial pour qu’ils disent la vérité.
Les approches organisationnelles des machines intelligentes se limitent souvent à laisser des experts individuels contrôler le travail et réduire la dépendance à l'égard des stagiaires. Les systèmes chirurgicaux robotisés ont permis aux chirurgiens expérimentés d’opérer avec moins d’aide, et ils l’ont fait. Le système de banque d’investissement permet aux associés seniors d’exclure les analystes juniors des travaux d’évaluation complexes, et ils le font. Toutes les parties prenantes devraient insister sur le fait que l’organisation, la technologie et la conception du travail améliorent la productivité et renforcent l’OJL. Par exemple, au sein du service de police de Los Angeles, cela signifiera modifier les incitations pour les agents de patrouille, repenser l'interface utilisateur de PredPol, créer de nouveaux rôles pour connecter la police et les ingénieurs logiciels, et créer une bibliothèque annotée de cas de bonnes pratiques initiés par les agents de police.
L'intelligence artificielle peut aider les apprenants lorsqu'ils rencontrent des difficultés, former des experts en tant que mentors et connecter intelligemment les deux groupes. Par exemple, Juho Kim a créé ToolScape et Lecture-Scape alors qu'il était doctorant au MIT, qui peuvent collecter des annotations pour des vidéos d'enseignement et fournir des éclaircissements et des opportunités aux utilisateurs qui s'étaient précédemment arrêtés pour rechercher des annotations. Il appelle cela le sourcing d’apprenants. Du côté matériel, les systèmes de réalité augmentée commencent à intégrer des conseils et des annotations d'experts dans les flux de travail.
Les applications existantes utilisent des tablettes ou des lunettes intelligentes pour ajouter des conseils pour travailler en temps réel. Des systèmes intelligents plus sophistiqués sont attendus prochainement. Par exemple, un tel système pourrait superposer les images d'un modèle de soudeur dans une usine sur le champ de vision d'un apprenti soudeur, montrant comment le travail a été effectué, enregistrant les tentatives de l'apprenti à des fins de comparaison et connectant l'apprenti au modèle de soudeur selon les besoins. Alors qu’une grande partie de la communauté croissante d’ingénieurs dans ces domaines se concentre sur la formation formelle, la crise la plus profonde est celle d’OJL. Nous devons réaffecter nos efforts sur OJL.
Au fil des milliers d'années, les progrès technologiques ont entraîné une refonte des processus de travail et les apprentis ont acquis les nouvelles compétences nécessaires auprès de leurs mentors. Mais comme nous l’avons vu, les machines intelligentes nous obligent désormais à déconnecter les apprentis des mentors et les mentors du travail, au nom de la productivité. Les organisations choisissent souvent par inadvertance la productivité plutôt que l’engagement des employés, ce qui rend l’apprentissage sur le terrain de plus en plus difficile. Cependant, les apprenants secrets recherchent des méthodes d’apprentissage risquées et originales. Les organisations qui souhaitent rivaliser dans un monde de machines intelligentes devraient prêter une attention particulière à ces « non-conformistes ». Leurs actions peuvent donner un aperçu de la meilleure façon de faire avancer les choses à l’avenir lorsque les experts, les apprentis et les machines intelligentes travailleront et apprendront ensemble.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Application de l'intelligence artificielle dans la vie
Quel est le concept de base de l'intelligence artificielle
Introduction aux trois composants principaux de hadoop
Comment utiliser la fonction moyennes
Quels sont les logiciels pour apprendre python ?
La différence et la connexion entre Java et Javascript
Où puis-je me procurer le costume Douyin Little Fire Man ?
Quels sont les moteurs de workflow Java ?
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
