A Theory of AI Job Replacement
"서비스 업계의 인공지능(Artificial Intelligence in Service)은 Ming-Hui Huang과 Roland T. Rust 가 쓴 글입니다.
To make the best use of the continuing advances in AI, firms need to make the strategic decision of whether and when to use AI of a particular intelligence to perform service tasks. Employees also need to equip themselves with the right skills to maintain employability to counter possible loss of their jobs to AI.
인공지능의 지속적인 발전을 최대한 활용하기 위해서, 기업들은 서비스 업무를 수행하기 위한 특정 인공지능을 사용할지 말지 사용한다면 언제 사용할지를 전략적으로 결정해야 합니다. 또한 직원들은 인공지능으로 인해 일자리가 사라질 것에 대비해 고용을 유지할 수 있는 적절한 기술을 갖추어야 합니다.
Based on the four intelligences framework, we build a formal theory of AI job replacement to enable us to make predictions about how AI will impact human service labor. We start from distinguishing between jobs, tasks, and labor, explaining that tasks is the level of replacement in our theory. We then identify two relevant service of AI characteristics that help enable them to outperform HI in many cases. Finally, we build a formal model of AI job replacement to predict when and how AI will impact human service labor.
4가지 지능 체계를 바탕으로 우리는 인공지능이 인간의 서비스 노동에 어떻게 영향을 미칠지 예측하기 위해 인공지능 일자리 대체 이론을 만들었습니다. 우리는 일자리, 업무, 노동을 구분하는 것에서 시작하여, 업무가 우리 이론의 대체 수준이라고 설명합니다. 그런 다음 많은 경우에 인간 지능을 능가할 수 있도록 도와주는 두 가지 인공지능의 특징적인 서비스를 설명합니다. 마지막으로 언제 어떻게 인공지능이 인간 서비스 노동에 영향을 미칠 예측하기 위한 인공지능 일자리 대체 이론의 모델을 제시합니다.
Service Jobs, Tasks, Labor ( 서비스 일자리, 업무, 노동)
Jobs. A job is comprised of a set of tasks that an employee performs. It requires the employee to have certain skills to get the tasks done. Jobs include, for example, the service-providing occupations listed in the Bureau of Labor Statistics’ Standard Occupational Classification (Moncarz, Wolf, and Wright 2008), such as customer service representatives, sales
representatives, and sales managers. Jobs are comprised of tasks for back-end operations (e.g., data scientists) and front- end interactions (e.g., frontline employees) and can be in either virtual or physical workspaces.
일자리. 일자리는 직원이 수행하는 일련의 업무들로 구성됩니다. 직업은 직원들이 업무들을 완수할 수 있도록 특정 기술들을 요구합니다. 예를 들면, 직업은 고객 서비스 담당자, 영업 담당자, 영업 매니저와 같이, 노동 통계국의 표준 일자리 분류에 열거된 서비스 제공 직업을 포함합니다. 일자리는 데이터 과학자와 같은 영업 지원 일자리와 영업 일자리로 구성되고 가상이나 실제 업무 공간에 있을 수 있습니다.
Tasks. A single job typically consists of numerous tasks. These tasks are activities involved in an occupation (Chui, Manyika, and Miremadi 2015). The nature of tasks involved in a job varies. Some tasks are simple and mechanical, some are technical and systematic, some are complex and chaotic, and some are social and emotional. For example, a customer service manager’s job may include basic daily routines (simple, routine, and mechanical tasks), analyzing customer preferences (analytical and complex tasks), developing customer service strategies (complex, intuitive, and creative tasks), and communicating and empathizing with customers (communicative, empathetic, and emotional tasks). Table 2 uses four exemplar jobs to illustrate tasks requiring mechanical, analytical, intuitive, and empathetic intelligences. It shows that jobs at different job statuses and pay levels may involve all four intelligences.
업무. 하나의 일자리는 전형적으로 수많은 업무로 구성됩니다. 수많은 업무는 일자리과 관련된 활동들입니다. 일자리에 있어서 업무의 성격은 다양합니다. 어떤 일은 간단하고 기계적이며, 어떤 일은 기술적이고 체계적이며, 어떤 일은 복잡하고 혼란스럽고, 어떤 일은 사회적이고 감정적입니다. 예를 들어, 고객 서비스 관리자의 업무에는 기본적인 일상 업무(단순, 일상 업무 및 기계 업무), 고객 선호 분석(분석 및 복잡한 업무), 고객 서비스 전략(복잡하고 직관적이며 창의적인 업무), 고객 커뮤니케이션 및 공감(커뮤니케이션, 공감, 감정) 등이 포함될 것입니다. <표 2>는 기계, 분석, 직관 및 공감 지능이 필요한 업무를 설명하기 위해 네 가지 예시적인 업무를 보여줍니다. 서로 다른 일자리 상황과 급여 수준이 다른 일자리들은 모든 4가지 지능을 모두 포함한다는 것을 보여줍니다.
Labor. Labor is humans (employees and customers) involved in coproducing service. The service literature has long recognized employee–customer coproduction as a key concept (e.g., Vargo and Lusch 2004). Labor varies in skill levels ranging from unskilled labor performing routine tasks to skilled labor per- forming abstract, creative, problem-solving, and coordination tasks (Autor and Dorn 2013).
노동. 노동은 서비스를 제공에 관여하는 인간(종업원 및 고객)입니다. 서비스 연구자료는 오랫동안 직원과 고객의 공동 생산을 핵심 개념으로 인식합니다. 노동은 일상적인 업무를 수행하는 숙련되지 않은 노동에서 추상적인, 창의적인, 문제 해결 및 조정 업무를 수행하는 숙련된 노동에 이르기까지 기술 수준이 다양합니다.
Service AI (서비스 인공지능)
We identify two dominant characteristics of AI that matter most to service: (1) self-learning and (2) connectivity.
우리는 서비스를 제공하기 위해 가장 중요한 인공지능의 두 가지 지배적인 특정을 파악합니다.: (1) 자가 학습과 (2) 연결성
Self-learning. Self-learning in AI implies a machine that can automatically improve with experience (Mitchell 1997). Self-learning can be achieved by algorithm-based machine learning that learns from data and makes predictions (Soucy 2016), by artificial neural networks (deep learning) that observe the world and generate their own internal representation based on sensory data (Genmod Project 2013), and by even automated machine learning to learn from other AIs (Simonite 2017). Regardless of the methods of self-learning, the key is that sufficiently intelligent AI can self-improve. For example, Amazon or Netflix’s machine learning algorithms can improve their own recommendations over time based on customers’ responses to the recommendations. Adaptive personalization systems (Chung, Rust, and Wedel 2009; Chung, Wedel, and Rust 2016) observe a customer’s behavior and adapt the service over time.
자가 학습. 인공지능의 자가 학습은 경험을 통해 자동으로 개선될 수 있는 기계를 의미합니다. 자가 학습은 데이터를 학습하고 예측하는 알고리즘 기반의 기계 학습, 세계를 관찰하고 센서 데이터를 바탕으로 자체적인 표현을 생성하는 인공신경망(딥러닝)에 의한 학습, 심지어 다른 인공지능에게 배우기 위한 자동화된 기계 학습입니다. 자가 학습 방식과 상관없이 핵심은 충분히 지능화된 인공지능은 자기 스스로 발전할 수 있다는 것입니다. 예를 들어 Amazon 또는 Netflix의 기계 학습 알고리즘은 추천에 대한 고객의 반응을 기반으로 시간이 지남에 따라 추천 사항을 개선할 수 있습니다. 적응형 개인화 시스템은 고객의 행동을 관찰하고 시간이 지남에 따라 서비스를 적응시킨다.
Connectivity. The advance of the Internet and communication technologies significantly scale up AI’s self-learning ability to the entire network rather than individual machines. Networked AI gives rise to the emergent phenomenon of collective intelligence. AI pioneer Marvin Minsky’s (1986) book, The Society of Mind, reflects the view of the mind as comprised of individual agents with limited agendas. Individual agents try to achieve disparate goals, and a more complex intelligence emerges from it.
연결성. 인터넷과 통신기술의 발전은 인공지능의 자가 학습 능력을 개별 기계가 아닌 전체 네트워크로 대폭 확대합니다. 네트워크 기반 인공지능은 집단 지능이라는 경이로운 현상을 낳습니다. 인공지능의 선구자 마빈 민스키의 저서 '정신의 사회'는 제한된 의제를 가진 개체들로 구성된 정신의 시각을 반영합니다. 개체들은 서로 다른 목표를 달성하려고 노력하며, 그것으로부터 더 복잡한 지능이 생겨납니다.
An example of such connectivity is the Internet of Things (IoT) that enables smart service–based simple sensors (Hoffman and Novak 2016; I. C. L. Ng and Wakenshaw 2017). For example, in the 2016 documentary, “Lo and Behold: Reveries of the Connected World,” Raj Rajkumar, a Carnegie-Mellon professor who is working on self-driving cars, said that AI will learn much faster than people, because when a self-driving car makes a mistake, all self-driving cars will learn from it because of connectivity. A B2B example is that IBM’s (2017) Watson leverages cognitive document visibility across all supply chain partners or the entire collaboration network to build a strategic integration platform that improves performance for the entire network.
연결성의 사례는 스마트 서비스 기반의 단순 센서를 가능하게 하는 IoT(Internet of Things)가 있습니다. 예를 들어 2016년 다큐멘터리 영화 '로 앤 보어: 연결된 세상'에서 자율주행차를 연구하고 있는 라즈쿠마르 카네기멜론 교수는 이렇게 말했습니다. 인공지능은 사람보다 훨씬 빨리 배울 수 있습니다. 왜냐하면 자율주행차가 실수를 하면 모든 자율주행차가 연결성을 통해 학습하기 때문입니다. B2B 사례는 IBM(2017년) 왓슨이 있습니다. 왓슨은 전체 네트워크 성능을 향상하는 전략적 통합 플랫폼을 구축하기 위해 모든 공급망 파트너 또는 전체 협업 네트워크에서 인지적인 문서 가시성을 활용하였습니다.