


L'IA/l'automatisation supprimera les tâches de six emplois technologiques d'ici 2030
Aujourd'hui, l'intelligence artificielle et l'automatisation sont entrées dans une phase de développement rapide, et de nombreuses personnes craignentqu'elles remplacent certains rôles professionnels. Bien qu'il puisse sembler exagéré de prédire que certains emplois disparaîtront complètement, il est sage de garder une perspective réaliste sur ce que l'avenir pourrait nous réserver afin de se préparer à toute éventualité.
Dans cet esprit, et sur la base de l'actuelle technologie direction du développement, nous résumons quelques travaux techniques qui pourraient éventuellement être éliminés .
Commis à la saisie de données
À l'ère de l'intelligence artificielle, les commis à la saisie de données pourraient voir leur rôle taille rétrécir considérablement. Parce que ce travail est principalement des tâches répétitives telles que la dactylographie et la transcription, sont très faciles à remplacer par des programmes automatisés.
Avec lesaméliorations continues de la technologie Reconnaissance optique de caractères (OCR) et des algorithmes d'apprentissage automatique , les systèmes d'IA deviennent incroyablement efficaces pour ces tâches précises. Il est donc certain que l’automatisation aura un impact majeur sur ce rôle d’ici 2030. Représentants du support technique
Le service client et le support technique ont toujours étéen première ligne pour résoudre les problèmes des consommateurs. Cependant, à mesure que l’intelligence artificielle continue de progresser, ces rôles sont confrontés à la menace imminente de l’automatisation.
Les entreprises de tous secteurs utilisent déjà des chatbots IA, alimentés par des capacités de traitement du langage naturel (NLP) pour le dépannage de premier niveau. Même même des tâches nature encore plus complexes impliquant des diagnostics système ou des problèmes matériels, peuvent être gérées par des outils d'intelligence artificielle qui peuvent rapidement analyser et résoudre le problème sans intervention humaine.
D'ici la fin de cettetempsdécennie, la plupart des demandes d'assistance technique seront gérées efficacement par des systèmes d'intelligence artificielle sophistiqués , ce qui pourrait rendre les représentants d'assistance technique traditionnels obsolètes . Administrateur réseau
La principale responsabilité d'un administrateur réseau est de gérer et d'assurer le fonctionnement normal du réseau interne de l'organisation. Ces responsabilités incluent des tâches telles que la mise à jour des configurations du système, la gestion des protocoles de sécurité et la réparation des pannes de réseau. les améliorations de l'intelligence artificiellemenacent ce travail en automatisant de nombreuses tâches quotidiennes.
L'analyse prédictive basée sur l'IA peut prévoir d'éventuels problèmes et prendre des "préemptives " pour contourner problèmes avec efficacité même loin
au-delàquoi les humains peuvent espérer réaliser. De plus, d'autres tâches de gestion quotidiennes peuvent être automatisées grâce à des outils basés sur l'IA, créant ainsi des réseaux auto-organisés (auto-organisés) qui nécessitent peu d'intervention humaine. Par conséquent, l’automatisation est susceptible de remodeler considérablement le rôle des administrateurs réseau dans les années à venir. Administrateur de bases de données Dans le passé , la gestion et la coordination des modifications dans les bases de données nécessitaient beaucoup de main d'œuvre
ressources. Cependant, l’essor de l’intelligence artificielle est en train de changer la donne. Avec l'émergence d'outils automatisés qui simplifient la gestion des bases de données tâches , le rôle de l'administrateur de base de données traditionnel est également menacé.
Par exemple, l'automatisation permet de modifier facilement la base de données lors de la migration de MySQL vers MariaDB. Dans le passé,cette transition transparente nécessitait des efforts considérables de la part de l'administrateur, mais peut désormais être effectuée avec une plus grande efficacité grâce à un logiciel automatisé. À mesure que nous nous dirigeons vers 2030, il est prévu que ces améliorations continueront à réduire considérablement le besoin d’intervention humaine. De plus, ces avancées signifient que les bases de données pourront à terme être réglées et autonomes de manière plus automatique, et pourraient même ne plus nécessiter un humain dédié pour les gérer Dans le passé, le rôle des techniciens matériels était indispensable, et les réparations et mises à niveau sur site ne pouvaient être effectuées que par les employés en personne. Cependant, à mesure que de plus en plus d'entreprises déplacent leurs opérations vers une infrastructure basée sur le cloud, le besoin de gestion des appareils physiques diminue. Les progrès technologiques ont donné naissance à des serveurs virtuels et des espaces de stockage qui peuvent être étendus selon la demande sans aucune intervention manuelle par des professionnels du matériel. Cette tendance a considérablement réduit le recours aux techniciens traditionnels spécialisés dans la manipulation d’équipements physiques et de machines. Fait intéressant, même lorsqu'il s'agit de problèmes d'équipement physique dans votre maison ou votre bureau installation , les outils de diagnostic à distance basés sur l'IA s'améliorent constamment pour prédire avec précision les problèmes matériels potentiels. En anticipant ces problèmes à l'avance et en commandant vous-même les pièces de rechange nécessaires, les techniciens en matériel pourraient devenir obsolètes plus rapidement que vous obtenez. Testeur d'assurance qualité (QA) jouent un rôle essentiel dans le dépannage des bogues et dans la garantie de la fonctionnalité des logiciels avant leur sortie. Cependant, à mesure que l’intelligence artificielle devient avancée, cette tâche devient de plus en plusautomatisée. Les outils de test automatisés peuvent désormais effectuer des tâches répétitives, générer rapidement des données de test et même apprendre à détecter des bogues potentiels sans intervention humaine. Ces programmes basés sur l'IA sont capables d'effectuer des tests exhaustifs que les humains contraintes de temps ou de ressources. De plus, l'intégration d'algorithmes d'apprentissage automatique dans une telle plateforme leur permet d'améliorer . Par conséquent, d'ici 2030, le développement continu de l'intelligence artificielle pourrait remplacer complètement les testeurs d'assurance qualité d'aujourd'hui et à la place disposer de machines fonctionnant 24 heures sur 24. Conclusion start Plus Une route brillante à venir. Titre original : 6 emplois technologiques qui n'existeront pas en 2030 à cause de l'IA et de l'automatisation, auteur : Stylianos Kampakis Techniciens matériels
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!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière
