서비스 업계의 인공지능 (2/8)
Four Intelligentces (4 가지 지능)
"서비스 업계의 인공지능(Artificial Intelligence in Service)은 Ming-Hui Huang과 Roland T. Rust 가 쓴 글입니다.
Four Intelligences
4 가지 지능
The provision of service involves both employees and customers and can be provided by humans and/or machines. Depending on the nature of service, different intelligences are required. Synthesizing from the literatures of HI and AI, we distinguish four intelligences, in the order of their developmental history in AI. They are mechanical, analytical, intuitive, and empathetic. The four intelligences may be both ordinal and parallel: They are ordinal because some HIs (e.g., intuitive and empathetic ones) are more difficult to be mimicked by AI and thus take longer to develop successful AI applications. They may be parallel because once AI has reached a certain intelligence level, all lower AIs can coexist to provide service. For convenience, we refer to the intelligences that take AI longer to emulate as “higher” levels of intelligence.
서비스는 직원과 고객 모두를 포함하고 사람 또는 기계가 제공합니다. 서비스의 본질에 따라 서로 다른 지능이 요구됩니다. 인간 지능(HI)과 인공지능(AI)의 연구 자료를 종합해보면, 우리는 인공 지능의 발달 과정 순서대로 네 가지 지능을 구별합니다. 네 가지 지능은 기계 지능, 분석 지능, 직관 지능, 그리고 공감 지능입니다. 네 가지 지능은 순서적이고 두 가지 이상이 공존할 수도 있습니다. 예를 들면, 인간 지능은 일부 직관 지능과 공감 지능이 공존하여 인공지능이 모방하기 어렵습니다. 그래서, 성공적으로 공감 지능까지 활용하는 응용사례는 시간이 오래 걸리기 때문에 순서적입니다. 인공지능이 특정 지능 수준에 도달하면 모든 하위 수준의 인공지능이 서비스를 제공하기 위해 공존합니다. 편의상 더 높은 수준의 지능을 모방하기 위해서는 더 오랜 시간이 걸립니다.
The HI literature considers intelligence the ability to learn from experience and adapt to the environment (Gardner 1983, 1999; Sternberg 1984, 2005). Sternberg (2005, p. 189) defines intelligence as the ability “to achieve one’s goals in life, within one’s sociocultural context.” Gardner (1999, p. 34) considers intelligence as “a biopsychological potential to process information... to solve problems... ” Intelligences can be considered as skills that humans learn over time to adapt to their environment (Schlinger 2003). The AI literature focuses on developing machine intelligence to mimic HI such as the ability of knowledge and reasoning, problem-solving, learning, communicating, perceiving, and acting (Russell and Norvig 2010).
인간 지능 연구자료는 지능을 경험으로부터 배우고 환경에 적응하는 능력으로 간주합니다. 스테른베르그는 지능을 다음과 같이 정의합니다. "사회 문화적 맥락에서 인생의 목표를 성취할 수 있는 능력". 가트너는 지능을 "문제를 해결하기 위한 정보를 처리할 수 있는 생체 심리 잠재력"으로 간주합니다." 또한, 지능은 인간이 환경에 적응하기 위해 시간이 지남에 따라 학습하는 기술로 간주될 수 있습니다. 인공지능 연구 자료들은 지식, 추론, 문제 해결, 학습, 의사소통, 인식 및 행동 능력과 같은 인간 지능을 모방하는 기계 지능을 개발하는 데 초점을 맞춥니다.
The following section discusses the four intelligences, high- lighting their characteristics, their relevance to both humans and machines, and their applications to service. Figure 1 illus- trates the four intelligences.
다음 섹션에서는 네 가지 지능을 살펴보고 그 특성, 사람과 기계에 대한 관련성, 서비스에 적용할 수 있는 응용 분야에 대해 설명합니다. 그림 1은 네 가지 지능을 보여줍니다.
<그림 1> 네 가지 지능
<표 1> 지능, 업무 특성, 직무 대체 및 서비스의 의미
Mechanical Intelligence (기계 지능)
Mechanical intelligence concerns the ability to automatically perform routine, repeated tasks. It may appear not especially smart but is essential for many tasks. For humans, mechanical processes do not require much creativity because the processes have been performed many times and thus can be done with little or no extra thought (Sternberg 1997). For human service, mechanical labor is unskilled labor, which typically does not require advanced training or education. Call center agents, retail salespersons, waiters/waitresses, and taxi drivers are some examples of jobs that require mostly mechanical skills.
기계 지능은 일상적이고 반복적인 업무를 자동으로 수행하는 능력과 관련 있습니다. 그것은 특별히 똑똑해 보이지 않지만 많은 일에 필수입니다. 인간 관점에서 기계적인 프로세스는 많은 창조성을 요구하지 않습니다. 왜냐하면 프로세스는 별도의 생각 없이 여러 번 수행되어야 하기 때문입니다. 인간 서비스 관점에서 기계적인 노동은 전형적으로 고급 훈련이나 교육이 필요 없는 비숙련 노동입니다. 전화 상담원, 소매점 영업사원, 웨이터/ 웨이트리스, 택시 운전사는 주로 기계적인 기술을 요하는 일자리의 몇 가지 예입니다.
To mimic human automation, mechanical AI is designed to have limited learning and adaptive ability to maintain consistency. Robots are one typical application. Service robots are “technology that can perform physical tasks, operate autonomously without needing instruction, and are directed by computers without help from people” (Colby, Mithas, and Parasuraman 2016). They are rule-based and rely on a priori knowledge and continuous sensor perception to observe and react to the physical and temporal variability in the service environment. They don’t understand the environment and can’t adapt automatically; instead, their knowledge is updated in an ad hoc manner and infrequently due to the repetitive nature of their environments (Engelberger 1989, pp. 108-109). More advanced versions can incorporate automatic updating functions (Kim 2007), but most service robots are designed to be just intelligent enough to perform the necessary tasks (Engel- berger 1989, pp. 108-109). Intelligent search by Google, Bing, or other search engines are another application. They use powerful servers to do the computation and use intelligent algorithms to figure out the meaning of queries and return with the right results. Such search is still mechanical, in that those engines use intelligent algorithms to figure out which pages are more relevant than others but do not understand the content of the pages (Del Prado 2015).
인간의 자동화를 모방하기 위해서, 기계 AI는 일관성을 유지하기 위해 학습과 적응 능력을 제한도록 설계됩니다. 로봇은 대표적인 응용 사례입니다. 서비스 로봇은 "물리적 업무를 수행할 수 있고, 지시 없이 자율적으로 작동할 수 있고, 사람의 도움 없이 컴퓨터가 명령하는 기술"입니다. 로봇은 규칙 기반이며 서비스 환경의 물리적 및 일시적 변화를 관찰하고 반응하기 위해 사전 지식 및 지속적인 센서 인식에 의존합니다. 로봇들은 환경을 이해하지 못하며 자동적으로 적응할 수 없습니다. 대신에 로봇의 지식은 주위 환경의 반복적인 특성 때문에 특정한 방법으로 업데이트됩니다. 좀 더 진보된 버전은 자동 업데이트 기능을 제공하지만, 대부분의 서비스 로봇은 필요한 업무를 수행할 수 있을 만큼만 지능적으로 설계됩니다. 구글, 빙 또는 다른 검색 엔진에 의한 지능적인 검색은 또 다른 응용 사례입니다. 그들은 강력한 서버를 사용하여 계산을 하고 지능적인 알고리즘을 사용하여 질문의 의미를 파악하고 올바른 결과를 되돌려줍니다. 지능적인 검색은 여전히 기계적입니다. 왜냐하면 엔진들은 지능적인 알고리즘을 사용하여 어떤 페이지가 다른 페이지보다 더 관련성이 있는지를 알아내지만 페이지 내용을 이해하지 못하기 때문입니다.
Mechanical AI has the relative advantage over humans of extreme consistency (e.g., free from human fatigue, and responding to the environment in a very reliable manner). The repetitive, without much variation, nature of the tasks renders learning over time of limited value (nothing new to learn over the course of service transactions or relationships). Instead, it relies on observation to act and react repetitively.
기계 AI는 극도의 일관성에 대해서는 인간에 비해 상대적인 이점이 있습니다. (예: 인간의 피로가 없고, 환경에 매우 신뢰할 수 있는 방식으로 반응) 업무의 반복적인 특성은 시간이 지남에 따라 제한된 가치를 학습하게 합니다. (서비스 트랜잭션이나 관계에 대한 과정을 배우는 것은 새로운 것이 아님). 대신에, 그것은 반복적으로 행동하고 반응하기 위해 관찰에 의존합니다.
Analytical Intelligence (분석 지능)
Analytical intelligence is the ability to process information for problem-solving and learn from it (Sternberg 1984, 2005). This is about information processing, logical reasoning, and mathematical skills (Sternberg 1999). Those difficult skills are gained from training, expertise, and specialization in cognitive thinking; for example, computer and technology-related workers, data scientists, mathematicians, accountants, financial analysts, auto service technicians, and engineers all heavily use analytical skills.
분석 지능은 문제 해결을 위한 정보를 처리하고 그것으로부터 배우는 능력입니다. 이것은 정보처리, 논리 추론, 수리 스킬에 관한 것입니다. 어려운 스킬들은 인지 사고 분야에서 훈련, 전문성, 그리고 전문화로부터 얻어집니다. 예를 들어, 컴퓨터 및 기술 관련 노동자, 데이터 과학자, 수학자, 회계사, 재무 분석가, 자동차 서비스 기술자, 그리고 엔지니어들은 모두 분석 기술을 많이 사용합니다.
Machine learning and data analytics are the major analytical AI applications. There are various types of machine learning, and typical analytical AI mainly uses algorithms to learn iteratively from data to find insightful information without being programmed where to look for a particular piece of information (SAS Institute, Inc. 2017). International Business Machines Corp.’s (IBM) chess computer Deep Blue, which uses rule-based learning, is one example. Such AI will commit the same mistake twice if the rule remains unchanged. In the AI literature, analytical AI is considered “weak AI” because although such AI applications may exhibit seemingly intelligent behavior, they cannot easily simulate intuition. A common view is that this limitation occurs because such machines have no conscious states, no mind, and no subjective awareness (Azarian 2016).
머신러닝(기계학습)과 데이터 분석은 분석 AI의 주요 응용사례입니다. 다양한 유형의 기계 학습이 있으며, 전형적인 분석 AI는 주로 특정 정보를 찾을 곳을 사전에 프로그래밍 없이 통찰력 있는 정보를 알아내기 위해 데이터로부터 반복적으로 학습하기 위해 알고리즘을 사용합니다. IBM의 체스 컴퓨터인 딥 블루(Deep Blue)가 규칙 기반 학습을 하는 사례입니다. 분석 지능은 규칙이 바뀌지 않으면 같은 실수를 두 번 반복합니다. AI 연구자료는 분석 지능을 '약한 AI'로 평가합니다. 왜냐하면 이런 인공지능 응용 사례는 겉보기에는 지능적인 행동을 보일 수 있지만 직관을 쉽게 흉내 낼 수 없기 때문이다. 분석 지능은 의식 상태, 정신, 주관적 인식이 없기 때문에 이러한 제한이 발생한다는 것은 일반적인 견해입니다.
This intelligence is required for performing complex, yet systematic, consistent, and predictable tasks; for example, for those that are data- and information-intensive. Their systematic nature renders them suitable for mass personalization based on big data from customers, with collaborative personalization being one example. Based on big data, such AI moves further away from being stand-alone machines such as service robots to networked machines that generate collective intelligence. This is considered to be the most profound widespread change that AI has brought to service so far— machines that are able to process and synthesize large amounts of data and learn from them.
분석 지능은 복잡하지만 체계적이고, 일관성 있고, 그리고 예측 가능한 업무(예: 데이터 및 정보 집약적인 업무)를 수행하기 위해 필요합니다. 체계적 특성은 고객의 빅데이터를 기반으로 한 대량 개인화에 적합합니다. 빅데이터를 기반으로 하는 분석 지능은 서비스 로봇과 같은 독립적인 기계보다 집단 지능을 창출하는 네트워크화된 기계에 적합합니다. 분석 AI는 엄청난 양의 데이터를 처리하고 그것으로부터 학습하는 인공지능입니다.
Intuitive Intelligence (직관 지능)
Intuitive intelligence is the ability to think creatively and adjust effectively to novel situations. It can be considered wisdom based on holistic and experience-based thinking (Sternberg 1984, 1999, 2005). Intuitive intelligence includes hard thinking professional skills that require insights and creative problem- solving; for example, marketing managers, management consultants, lawyers, doctors, sales managers, and senior travel agents all make heavy use of intuitive intelligence.
직관 지능은 창의적으로 사고하고 새로운 상황에 효과적으로 적응하는 능력입니다. 그것은 전체론적, 경험적 기반적 사고를 바탕으로 한 지혜로 볼 수 있다. 직관 지능은 통찰력과 창조적인 문제 해결을 필요로 하는 사고력의 전문적인 기술을 포함합니다. 예를 들어, 마케팅 관리자, 경영 컨설턴트, 변호사, 의사, 판매 관리자, 그리고 고위 여행사들은 모두 직관 지능을 많이 이용합니다.
Understanding may be considered as the key defining characteristic of intuitive AI that distinguishes it from analytical AI. The AI literature considers intuitive AI as “strong AI,” in that AI is designed to function more flexibly, more like a human. AI is built to emulate a wide range of human cognition and learn similarly to a human child (but much faster due to its computing power and connectivity). In this way, machine intelligence may be thought of as no different from HI (Kurzweil 2005, p. 260). 1 Del Prado (2015) states that if you had a machine that could read all the pages and understand the context, instead of just throwing back 26 million pages to answer a user’s query, it could actually answer the question. You could ask a real question and get an answer, just as if you were talking to a person who read all those millions and billions of pages, understood them, and synthesized all that information. Some even assert that intuitive AI includes self-awareness, sentience, and consciousness; all features of HI (Azarian 2016). Intuitive AI will not as easily commit the same mistake twice because it learns from experience. Watson’s Jeopardy can learn intuitively, Google’s DeepMind AlphaGo simulates instinct, not just cal- culation (BBC News 2016), and the AI poker player Libratus can do strategic thinking with incomplete information (which is similar to human poker players; The Wall Street Journal 2017). Currently, IBM is quite advanced regarding the Business-to- Business (B2B) applications of intuitive technology. Its Watson can understand, reason, learn, and interact and has become one of the major AI platforms for business (IBM 2017).
이해력은 분석 AI와 구별되는 직관 AI의 특징을 규정하는 핵심으로 볼 수 있습니다. 인공지능(AI) 연구자료는 직관 AI를 '강력한 AI'로 보고 있습니다. 인공지능이 인간보다 더 유연하게 기능할 수 있도록 설계됩니다. 인공지능은 광범위하게 인간의 인식을 모방하고 인간 아이와 비슷하게 학습하기 위해 만들어집니다. (그러나 그 컴퓨팅 능력과 연결성 때문에 훨씬 더 빨리 만들어지고 있음). 이런 식으로 인공지능이 인간지능과 차이가 없을 수도 있습니다. 델 프라도(2015)는 사용자의 질문에 답하기 위해 2,600만 페이지를 모두 읽고 맥락을 파악할 수 있는 기계를 가지고 있다면 실제로 질문에 답할 수 있다고 기술합니다. 우리는 진정한 질문을 할 수 있고 답을 찾을 수도 있습니다. 마치 그 수많은 수백만 페이지, 수십억 페이지를 모두 읽고, 이해하고, 그 모든 정보를 종합한 사람과 대화를 나누듯이,
직관 AI는 자기 인식, 지각, 의식 등 인간지능의 모든 특징을 포함하고 있다. 직관 AI는 경험을 통해 학습하기 때문에 같은 실수를 두 번 하기가 쉽지 않을 것이다. 왓슨의 제퍼디는 직관적으로 배울 수 있고, 구글의 딥마인드 알파고는 단순한 계산(BBC 뉴스 2016)이 아닌 본능을 시뮬레이션하며, 인공지능 포커 플레이어 리브 라투스는 불완전한 정보(인간 포커 플레이어와 유사)로 전략적 사고를 할 수 있다. 현재 IBM은 직관적인 기술의 B2B(Business-to-Business) 응용 사례와 관련하여 상당히 향상되었습니다. IBM 왓슨은 이해, 이성, 학습, 상호작용을 할 수 있고, 비즈니스를 위한 주요 AI 플랫폼 중 하나가 되었습니다.
Tasks that are complex, creative, chaotic, holistic, experiential, and contextual require intuitive intelligence. The complex yet idiosyncratic nature of the tasks renders them relying on intuition for successful service provision. For example, a customer relationship can help to get to know a customer’s idiosyncratic needs better over time. Such insights may not be as easily obtained from mining the data of seemingly like-minded customers. Complex and personalized travel service arrangements, luxury food provision, entertainment, and sports are some examples that require intuition to provide better service.
복잡하고, 창의적이고, 혼란스럽고, 총체적이고, 경험적이고, 맥락적인 업무는 직관적인 지능을 요구합니다. 복잡하지만 독특한 업무의 특성은 성공적인 서비스 제공을 위한 직관에 의존합니다. 예를 들어, 고객 관계 서비스는 시간이 지남에 따라 고객의 독특한 요구를 더 잘 파악할 수 있습니다. 그러한 통찰은 겉보기에는 비슷해 보이는 고객들의 데이터에서 쉽게 얻을 수 없을지도 모릅니다. 복잡하고 개인화된 여행 서비스, 고급 음식, 오락 및 스포츠는 보다 나은 서비스를 제공하기 위해 직관을 요구하는 몇 가지 사례입니다.
Empathetic Intelligence (공감 지능)
Empathetic intelligence is the ability to recognize and understand other peoples’ emotions, respond appropriately emotionally, and influence others’ emotions (Goleman 1996). It includes interpersonal, social, and people skills that help humans to be sensitive to others’ feelings and work well with others (Gardner 1983; Johnson 2014). Specific skill examples include communication, relationship building, leadership, advocating and negotiating, work–life balance (Caprino 2012), social, team- work, cultural diversity, and charisma. Empathetically skilled professionals are found in jobs that require people skill such as politicians and negotiators and feeling jobs such as psychiatrists. They can be skilled professionals, such as psychologists, or relatively unskilled frontline workers such as flight attendants.
공감 지능은 다른 사람들의 감정을 인식하고 이해하고, 적절하게 감정적으로 반응하며, 다른 사람들의 감정에 영향을 주는 능력입니다. 공감 지능은 인간이 타인의 감정에 민감하게 반응하고 타인과 잘 협력할 수 있도록 도와주는 대인관계, 사회적, 사람 기술을 포함합니다. 구체적인 스킬 사례는 커뮤니케이션, 관계 구축, 리더십, 옹호 및 협상, 일과 삶의 균형, 사회적, 팀워크, 문화적 다양성, 카리스마 등입니다. 경험적으로 숙련된 전문직 종사자들은 정치인과 협상가와 같은 기술과 정신과 의사와 같은 감정 노동을 합니다. 공감 인공지능은 심리학자와 같은 숙련된 전문가일 수도 있고, 승무원과 같은 비교적 숙련되지 않은 최전방 근무자가 될 수도 있습니다.
Empathetic AI describes a machine that can feel or at least behave as though it has feeling. Picard (1995) defines affective computing as computing that relates to, arises from, or influences emotions. She states that the essential role of emotion in both human cognition and perception, as demonstrated by neurological studies, indicates that affective computers should not only provide better performance in assisting humans but also might enhance computers’ abilities to make decisions. The defining characteristic of empathetic AI is “experience,” the ability to experience things. McDermott (2007) defines this as the “hard problem” in computationalism, which is “the problem of explaining how it is that a physical system can have vivid experiences with seemingly intrinsic ‘qualities,’ such as the redness of a tomato, or the spiciness of a taco” (p. 2).
공감 AI는 감정이 있는 것처럼 느끼거나 최소한 행동할 수 있는 기계를 말합니다. 피카르(1995)는 감정과 관련되거나, 감정을 불러일으키거나, 감정에 영향을 주는 컴퓨터라고 정의합니다. 그녀는 신경학적 연구에서 입증된 바와 같이 인간의 인식과 인식 모두에서 감정의 본질적인 역할은 영향을 주는 컴퓨터가 인간을 돕는 데 더 나은 성능을 제공해야 할 뿐만 아니라 의사결정을 위한 컴퓨터의 능력을 향상할 수 있다는 것을 보여준다고 말한다. 공감형 AI의 결정적인 특징은 사물을 경험하는 능력인 '경험'이다. McDermott(2007)는 이것을 계산론에서 '어려운 문제'라고 정의하고 있는데, 이것은 "물리적 시스템이 토마토의 빨갛거나 타코의 매운맛과 같이 겉보기에 본질적으로 '적격'을 생생하게 경험할 수 있는 방법을 설명하는 문제"입니다.
There is debate about whether AI can feel the same way humans do. In the philosophy and psychology literatures, emotion is considered a biological reaction and subjective experience that may not be easily disentangled into binary computing elements and processes. Thus, according to that way of thinking, it is difficult to imagine how machines can be programmed to experience emotions as humans do. Alternatively, in the AI literature, emotion is no different from cognition and can be similarly programmed, given sufficient programming skill, just as reasoning and cognitive abilities can. For example, Minsky (2006) in his book The Emotion Machine argues that all mental functions, whether cognition or emotion, are computations. Therefore, AI applications can experience emotions in a computational manner. The debate reflects whether or not AI simulating emotions in a cognitive way is different from how humans experience emotions. However, just as in the Turing test, as long as AI “demonstrates” emotions, for the purpose of service provision, it may not matter how they achieve that. The debate about the nature of empathetic AI employs arguments similar to those the debate about whether intuitive AI can think like humans.
인공지능이 과연 인간이 느끼는 것과 같은 느낌을 가질 수 있는지에 대한 논란이 있습니다. 철학과 심리학 연구자료에서, 감정은 바이너리 컴퓨팅 요소와 프로 세르로 쉽게 분리될 수 없을지도 모르는 생물학적 반응과 주관적인 경험으로 간주됩니다. 그런 사고방식에 따르면, 어떻게 기계가 인간처럼 감정을 경험하도록 프로그램될 수 있는지 상상하기가 어렵습니다. 대신에 인공지능 연구자료에서, 감정은 인식과 다르지 않으며 추론과 인지 능력이 할 수 있는 것처럼 충분한 프로그래밍될 수 있습니다. 예를 들어 민스키(2006)는 <감정 기계>에서 인식이든 감정이든 모든 정신적 기능은 연산이라고 주장합니다. 따라서 인공지능은 컴퓨터적인 방식으로 감정을 경험할 수 있습니다. 인공지능이 감정을 인지적으로 시뮬레이션하는 방식과 인간이 감정을 경험하는 방식이 다른지 아닌지를 반영한 것입니다. 그러나 튜링 테스트에서와 마찬가지로, 서비스 제공을 목적으로 인공지능이 감정을 시범 보이는 한, 인공지능이 어떻게 그것을 달성하는지는 중요하지 않을 수도 있습니다. 공감 AI의 본질은 논쟁은 직관적인 AI가 사람처럼 생각할 수 있는지에 대한 논쟁과 비슷한 주장을 하고 있습니다.
Empathetic AI is the most advanced generation of AI, and current applications to service are still very few. Some examples include Replika, which supplies artificial people (personal bots) for psychological comfort or well-beings (Huet 2016), and Sophia, the human like AI from Hanson Robotics (Cam- panella 2016), which is designed to look and act like humans. Sophia is so convincing that the Saudi government has recently awarded her citizenship (Maza 2017). The purpose of these applications is different from those of analytical and intuitive AIs that are designed based on functional considerations, for example, how analytical AI applications look is not usually a concern. Very often, they are deliberately designed to look like machines, to avoid looking like humans.
공감 AI는 인공지능이 가장 발달한 세대로, 현재 서비스 분야의 응용 사례는 여전히 희소합니다. 심리적인 편안함이나 웰빙(웰빙)을 위해 인공 사람(개인로봇)을 공급하는 Replica의 사례가 있습니다. 사람처럼 보이고 행동하는 한슨로보틱스의 인간 소피아도 대표적인 사례입니다. 소피아는 사우디 정부가 최근 시민권을 수여할 정도로 설득력이 있습니다. 이러한 응용사례의 목적은 분석 AI 애플리케이션의 외관상 문제가 아닌 기능적 고려사항에 기초하여 설계된 분석적이고 직관 AI의 목적과 다릅니다. 그들은 사람처럼 보이지 않기 위해서 자주 의도적으로 기계처럼 보이도록 설계합니다.
Empathetic tasks are high-touch services that require a higher level of social presence (Giebelhausen et al. 2014; Wu ̈nderlich, Wangenheim, and Bitner 2013). Such tasks are social, emotional, communicative, interactive, and relational. Emotional labor, whether genuine or simulated, plays a key role. Emotional labor is the management of feelings and expressions to fulfill the emotional requirements of a job. Employees are expected to display the appropriate emotions when interacting with customers, whether superficially or deep from their hearts (Yoo and Arnold 2016). As we have seen, AI is making inroads in all four intelligences, with some faster to develop than others. We next explore how this advance of AI is likely to impact human service jobs.
공감 업무는 보다 높은 수준의 사회적 존재가 요구되는 높은 수준의 서비스(High-touch Service)입니다. 공감 업무는 사회적, 감정적, 의사소통적, 상호작용적, 관계적입니다. 진정한 것이든, 시뮬레이션이든 감정노동이 핵심적인 역할입니다. 감정노동이란 직업의 감정적 요건을 충족시키기 위한 감정과 표현의 관리입니다. 직원들은 고객과 소통할 때 표면적이든 마음속 깊이든 적절한 감정을 드러낼 것으로 예상됩니다. 우리가 살펴본 것처럼, 인공지능은 네 가지 지능에 모두 침투하고 있으며, 일부는 다른 것들보다 더 빨리 발전하고 있다. 우리는 인공지능의 진보가 어떻게 인간의 서비스 일자리에 영향을 미칠지 알아봅니다.
