


AI/automasi akan menamatkan tugas untuk enam pekerjaan teknologi menjelang 2030
Hari ini, kecerdasan buatan dan automasi telah memasuki tahap perkembangan pesat, dan ramai orang bimbangbahawa mereka akan menggantikan beberapa peranan profesional. Walaupun kelihatan keterlaluan untuk meramalkan bahawa sesetengah pekerjaan akan hilang sepenuhnya, adalah bijak untuk mengekalkan perspektif yang realistik tentang apa yang mungkin berlaku pada masa hadapan untuk bersedia menghadapi apa sahaja yang akan datang.
Dengan pemikiran ini, dan berdasarkan teknologi semasa hala tuju pembangunan, akhirnya dapat kita rumuskan yang teknikal mungkin telah kita rumuskan .
Kerani Kemasukan DataDalam zaman kecerdasan buatan, kerani kemasukan data mungkin mendapati peranan mereka saiz mengecut secara mendadak. Sebab kerja ini kebanyakannya berulang tugasan seperti menaip dan menyalin, sangat mudah untuk diganti program.
Dengan penambahbaikan yang berterusan dalam Pengecaman Watak Optik (OCR) teknologi dan algoritma pembelajaran mesin semakin cekap, sistem AI kini semakin cekap. Oleh itu, sudah pasti automasi akan memberi impak besar ke atas peranan ini menjelang 2030.
Wakil Sokongan TeknikalKhidmat pelanggan dan sokongan teknikal sentiasa berada di barisan hadapan menyelesaikan isu pengguna. Walau bagaimanapun, apabila kecerdasan buatan terus berkembang, peranan ini menghadapi ancaman automasi yang semakin hampir.
Syarikat merentas industri sudah menggunakan AI chatbots , dikuasakan oleh pemprosesan bahasa semula jadi (NLP) keupayaan untuk penyelesaian masalah peringkat pertama. Malah malah lebih kompleks tugasan melibatkan diagnostik sistem atau isu perkakasan, boleh dikendalikan oleh alat kecerdasan buatan yang boleh menganalisis dan menyelesaikan masalah dengan cepat tanpa campur tangan manusia.
Menjelang akhir masadekad ini, kebanyakan pertanyaan sokongan teknikal akan diuruskan dengan berkesan oleh sistem kecerdasan buatan yang canggih , yang boleh menjadikan wakil sokongan teknikal tradisional obste
Pentadbir RangkaianTanggungjawab utama pentadbir rangkaian adalah untuk mengurus dan memastikan operasi normal rangkaian dalaman organisasi. Tanggungjawab ini termasuk tugas seperti mengemas kini konfigurasi sistem, mengurus protokol keselamatan, dan membaiki kegagalan rangkaian
Sementara dalam aktiviti ini, operasi manusia pada masa ini masih mempunyai 🜎 kesinambungan yang tidak dapat digantikan kita penambahbaikan dalam kecerdasan buatan menimbulkan ancaman kepada kerja ini dengan mengautomasikan banyak tugas harian. Analisis ramalan dipacu AI boleh meramalkan kemungkinan masalah dan mengambil "
pre-emptive " tindakan untuk mengelakkan masalah dengan kecekapan jauh sekali melampauiapa manusia boleh berharap untuk mencapai. Selain itu, tugas pengurusan harian yang lain boleh
diautomasikan melalui alatan berasaskan AI, mewujudkan rangkaian (Pengatur kendiri) yang memerlukan campur tangan manusia sendiri. Oleh itu, automasi berkemungkinan besar membentuk semula peranan pentadbir rangkaian pada tahun-tahun akan datang. Pentadbir Pangkalan Data Pada masa lalu
, mengurus dan menyelaras perubahan merentas pangkalan data memerlukan banyak tenaga manusia sumber . Walau bagaimanapun, kebangkitan kecerdasan buatan mengubah semua itu. Dengan kemunculan alat automatik yang memudahkan pengurusan pangkalan data tugas , peranan pentadbir pangkalan data tradisional juga terancam. Sebagai contoh, automasi membolehkan perubahan pangkalan data mudah apabila berhijrah daripada MySQL ke MariaDB. Pada masa lalu, peralihan lancar ini memerlukan usaha yang besar dari pihak pentadbir, tetapi kini boleh dilakukan dengan kecekapan yang lebih tinggi melalui perisian automatik. Semasa kita menuju ke tahun 2030, penambahbaikan ini diramalkan akan terus mengurangkan keperluan untuk campur tangan manusia dengan ketara.
Selain itu, kemajuan ini bermakna pangkalan data akhirnya boleh menjadi lebih ditala secara automatik dan autonomi, malah mungkin tidak lagi memerlukan manusia yang berdedikasi untuk mengurusnya
Juruteknik Perkakasan
Pada masa lalu, peranan juruteknik perkakasan amat diperlukan, dan penyertaan di tapak dalam pembaikan dan peningkatan hanya boleh dilakukan oleh pekerja secara peribadi. Walau bagaimanapun, apabila lebih banyak syarikat memindahkan operasi mereka kepada infrastruktur berasaskan awan, keperluan untuk pengurusan peranti fizikal berkurangan.
Kemajuan teknologi telah menimbulkan pelayan maya dan ruang storan yang boleh dikembangkan mengikut permintaan tanpa sebarang manual intervensi oleh profesional perkakasan. Trend ini telah mengurangkan dengan ketara pergantungan kepada juruteknik tradisional yang pakar dalam mengendalikan peralatan dan jentera fizikal.
Menariknya, walaupun berkaitan isu peralatan fizikal di rumah atau pejabat anda pemasangan , alat diagnostik jauh berkuasa AI sentiasa bertambah baik dalam meramalkan potensi isu perkakasan dengan tepat. Dengan menjangkakan isu ini lebih awal daripada masa, dan memesan alat ganti yang diperlukan sendiri, juruteknik perkakasan mungkin menjadi usang lebih cepat daripada anda dapatkan. Penguji Jaminan Kualiti (QA)
Dalam industri teknologi, penguji QAmemainkan peranan penting dalam menyelesaikan masalah pepijat dan memastikan kefungsian perisian sebelum dikeluarkan. Walau bagaimanapun, apabila kecerdasan buatan menjadi lebih maju, tugas ini menjadi semakin automatik.
Alat ujian automatik kini boleh melaksanakan tugas berulang, menjana data ujian dengan cepat, malah belajar mengesan potensi pepijat tanpa campur tangan manusia. Program berkuasa AI ini mampu melaksanakan ujian menyeluruh yang manusiatidak dapat menyelesaikannya kerana kekangan masa atau sumber.
Selain itu, menyepadukan algoritma pembelajaran mesin ke dalam platform sedemikian membolehkan mereka meningkatkan prestasidengan setiap ujian berturut-turut . Oleh itu, menjelang 2030, pembangunan berterusan kecerdasan buatan mungkin menggantikan sepenuhnya penguji QA hari ini, dan sebaliknya mempunyai mesin yang berfungsi sepanjang masa. . mula
Lagi Jalan yang cerah di hadapan.Tajuk asal: 6 Pekerjaan Teknologi Yang Tidak Akan Wujud Pada Tahun 2030 Kerana AI dan Automasi
Atas ialah kandungan terperinci AI/automasi akan menamatkan tugas untuk enam pekerjaan teknologi menjelang 2030. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas





Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S
