شغل پردرآمدی که با آموزش هوش مصنوعی گره خورده است!

به گزارش مجله خبری نگار/زومیت، دو زن لپ‌تاپ‌شان را باز می‌کنند. هر دو مادرند و هر دو برای شیفت کاری‌شان وارد سیستم می‌شوند. کارشان داده‌کاری است، یعنی همان نیروی انسانی که هوش مصنوعی را آموزش می‌دهد. بروک هنسن وقتی شش ماه باردار بود از شغل خدمات مشتریانش کنار گذاشته شد و از آن زمان جدی‌تر سراغ داده‌کاری رفت. او حالا مادری خانه‌دار است و با همین کار درآمد همسرش را تکمیل می‌کند و هفته‌ای چند صد دلار به دست می‌آورد.

آنو بریکسی، رادیولوژیست، همان مبلغ را در یک ساعت درمی‌آورد. داده‌کاری که سال‌ها با دستمزد پایین شناخته می‌شد و معادل دیجیتال کار‌های یَدی به شمار می‌رفت، حالا متخصصان پردرآمد را هم جذب می‌کند؛ کسانی که می‌توانند مبالغ بسیار بالاتری بگیرند. لینکدین امسال نقش «حاشیه‌نویس داده» را چهارمین شغل پررشد آمریکا معرفی کرد.

با پیشرفت مدل‌های هوش مصنوعی، شرکت‌های استخدام‌کننده دنبال نیرو‌هایی با تخصص‌های مشخص می‌گردند و آگهی‌هایشان یک هدف را تکرار می‌کند: «کمک به آموزش نسل بعدی سیستم‌های هوش مصنوعی.»

مهندس نرم‌افزار، تا ۱۲۰ دلار در ساعت

متخصص فیزیک ماده‌ی چگال، ۱۷۰ دلار در ساعت

وکیل حقوق مدنی، ۴۰۰ دلار در ساعت

در صنعت به این گروه «متخصص» می‌گویند. آنها اقتصاد داده را با داده‌کار‌های عمومی‌تری شریک‌اند که کار‌های کم‌تخصصی‌تر انجام می‌دهند و دستمزد کمتری می‌گیرند.

شکاف روبه‌رشد میان دو گروه برای هر دو طرف پیامد دارد

شکاف روبه‌رشد میان دو گروه برای هر دو طرف پیامد دارد. داده‌کار‌های عمومی از بدتر شدن شرایط شکایت می‌کنند، چون وظایفشان دشوارتر شده و پیدا کردن کار، پیوسته سخت‌تر. از سوی دیگر ورود متخصصان به این نگرانی دامن زده که مدل‌های هوش مصنوعی در حال جذب تخصص پزشکان، ریاضی‌دانان، حسابداران و دانشمندان هستند.

دانیل لی، استاد مؤسسه‌ی فناوری ماساچوست (MIT) که اثر هوش مصنوعی بر بازار کار را مطالعه می‌کند، می‌گوید کار، چه یدی و چه فکری، همیشه چیزی بوده که کارفرما اجاره می‌کند. اگر شرکتی پرداخت را متوقف کند، دسترسی‌اش را از دست می‌دهد. به گفته‌ی لی، این منطق وقتی فرو می‌پاشد که کارفرما بتواند نسخه‌ای از همان کار را در قالب یک مدل هوش مصنوعی در اختیار داشته باشد.

«هوش مصنوعیِ مصنوعی»

هنسن ده سال پیش، وقتی کارش را شروع کرد، بیشتر صدا‌ها را پیاده می‌کرد یا در عکس‌ها دور آدم‌ها و ماشین‌ها کادر می‌کشید. بستر کارش مکانیکال ترک آمازون بود که جف بیزوس زمانی آن را «هوش مصنوعیِ مصنوعی» نامیده بود. این خرده‌کار‌ها تمرکز زیادی نمی‌خواستند و دستمزدشان به چند سنت می‌رسید.

هنسن، که از سازمان‌دهندگان گروه ترکوپتیکان برای بهبود شرایط داده‌کار‌ها است، می‌گوید دستمزد کم برایش منبع استرس بود، اما هر وقت بچه‌ها به او نیاز نداشتند می‌توانست وارد کار شود و بیرون بیاید. با ظهور مدل‌های زبانی بزرگ در دهه‌ی ۲۰۲۰، کارهایش پیچیده‌تر شد. حالا باید اسناد را راستی‌آزمایی می‌کرد یا پاسخ چت‌بات‌ها را مقایسه می‌کرد، کار‌هایی که گاهی یک ساعت طول می‌کشید و تمرکز عمیق می‌خواست.

اکنون پلتفرم‌ها اغلب داده‌کار‌هایی با تخصص در موضوعاتی مثل ریاضی یا زیست‌شناسی می‌خواهند. هنسن گاهی برای کار‌هایی پذیرفته می‌شود که به مدرک حفاظت از محیط زیستش ربط دارد، اما بیشتر روز‌ها میان پلتفرم‌ها می‌چرخد و دنبال کار می‌گردد.

شرکت‌ها حالا به دنبال داده‌های سفارشی و خصوصی‌اند

مکانیکال ترک که روزگاری مهم‌ترین پلتفرم برای داده‌کار‌های آمریکایی بود، ماه گذشته بعد از ۲۱ سال تعطیل شد. در همان حال پلتفرم‌های تازه‌تر رونق گرفته‌اند. مرکور (Mercor) که سه سال سن دارد و داده‌کار‌های متخصص جذب می‌کند، درباره‌ی جذب سرمایه‌ی جدید با ارزش‌گذاری ۲۰ میلیارد دلار مذاکره کرده است.

تقاضای فزاینده برای داده‌کار‌های متخصص، تغییری گسترده‌تر در آموزش هوش مصنوعی را نشان می‌دهد. اطلاعات عمومی که از اینترنت جمع شده بود، پایه‌ی مدل‌های امروزی را ساخت، اما شرکت‌ها حالا برای متمایز کردن نسخه‌های آینده از رقبا به دنبال داده‌های سفارشی و خصوصی‌اند.

ویل دی‌پیو، مهندس پیشین اوپن‌ای‌آی، در یادداشتی اخیر استدلال کرد که داده برای این صنعت به اندازه‌ی توان محاسباتی اهمیت دارد. شرکت‌های واسطه فقط مهارت متخصصانی مثل رادیولوژیست‌ها را نمی‌خرند. آنها برای گفت‌و‌گو‌های خصوصی دوستان در تلفن و ویدیو‌های اول‌شخص از آدم‌های معمولی در حال انجام کار‌های خانه هم پول می‌پردازند. شرکت‌هایی مثل اسپیس‌ایکس‌ای‌آی (SpaceXAI) نیز «مربی هوش مصنوعی» درون‌سازمانی استخدام کرده‌اند، با تخصص‌هایی به گستردگی مسائل مالی، زبان فنلاندی و کمدی.

استخدام‌کننده‌ها برای یافتن چنین مهارت‌هایی لینکدین را زیر و رو می‌کنند. چهار سال پیش پیامی از یکی از همین شرکت‌ها به بریکسی رسید که رادیولوژیست‌هایی می‌خواست تا تصاویر قفسه‌ی سینه، ریه و قلب را برای یک شرکت هوش مصنوعی تفسیر کنند. او پیش‌تر در مرکزی پزشکی که کار می‌کرد با این فناوری برخورد کرده بود. مدلی که برای شناسایی ندول‌های ریوی طراحی شده بود، زیاد هشدار کاذب می‌داد. با این حال بریکسی باور داشت هوش مصنوعی می‌تواند به رادیولوژیست‌ها کمک کند تا با تقاضای روزافزون برای تصویربرداری کنار بیایند.

به همین دلیل گاهی بعد از یک هفته‌ی طولانی کار، آخر هفته‌اش را صرف برچسب‌گذاری داده می‌کند؛ مثلا نشانه‌گذاری نواحی کلسیم در تصویر قلب. او سالی حداکثر در دو پروژه شرکت می‌کند و انگیزه‌اش بیش از دستمزد، توانایی بالقوه‌ی فناوری است. او می‌گوید: «این کار را برای بهبود مراقبت از بیماران انجام می‌دهم.»

تغییر واقعا چقدر بزرگ است؟

پژوهشگرانی که مسیر تحول داده‌کاری را بررسی کرده‌اند، نسبت به مقیاس حرکت به‌سوی متخصصان تردید دارند. آنتونیو کازیلی، استاد مؤسسه‌ی پلی‌تکنیک پاریس، معتقد است متخصصان پردرآمد در مقایسه با داده‌کار‌های عمومی، در شمار نسبتا کمی پروژه مشارکت دارند. به گفته‌ی او شرکت‌هایی که به سرمایه‌گذاران ماشین‌های فراهوشمند وعده می‌دهند، ترجیح می‌دهند آدم‌های فراهوشمند استخدام کنند، هرچند همچنان به همان نیروی کار قبلی تکیه دارند. او این متخصصان را «صرفا گیلاسِ روی کیک» می‌نامد. بیشتر داده‌کاری هنوز به دست کارگران کم‌دستمزدی انجام می‌شود که با شرایط ناپایدار و غیرفعال شدن ناگهانی حساب‌هایشان روبه‌رویند.

میانگین دستمزد در مرکور اکنون ساعتی ۱۱۰ دلار است، هرچند شرکت اعلام کرده داده‌ای درباره‌ی سهم کار‌هایی که با این نرخ پرداخت می‌شوند ندارد. پلتفرم بریتانیایی پرولیفیک (Prolific) هم از اعلام تعداد کار‌هایی که «متخصص» هایش انجام می‌دهند خودداری کرد. این گروه ۳۰ درصد کل شرکت‌کنندگان پلتفرم را تشکیل می‌دهد.

برون‌سپاری بی‌پایان

فن یانگ، پژوهشگر دانشکده‌ی حقوق ملبورن که با داده‌کار‌ها در استرالیا، کانادا، چین و ژاپن مصاحبه کرده، می‌گوید رشد داده‌کاری شکل تازه‌ای از برون‌سپاری می‌سازد. کسب‌وکار‌ها به‌جای استخدام مستقیم آدم‌ها می‌توانند ابزار‌های هوش مصنوعی بخرند که برای تنظیم دقیق‌شان هنوز به انسان‌ها وابسته‌اند، آن هم در قالب داده‌کار‌هایی با قرارداد‌های موقت‌تر. یانگ می‌گوید هوش مصنوعی بیش از آن‌که جای انسان‌ها را بگیرد، جایگاهشان را در بازار کار جابه‌جا می‌کند.

اما لی از MIT فکر می‌کند مقایسه با برون‌سپاری، ابعاد تغییر را کوچک جلوه می‌دهد. به گفته‌ی او گروه کوچکی از داده‌کار‌ها در نظر می‌تواند جایگزین یک حرفه‌ی کامل شود یا ارزش آن را به‌شدت کاهش دهد. او تأکید می‌کند: «وقتی شما داده تامین می‌کنید، انتخاب‌های دیگران به‌شدت از انتخاب‌های شما تاثیر می‌پذیرد.»

برای بعضی متخصصان، همین احتمال همین حالا منبع اضطراب است. پولی چیا، رادیولوژیست دیگری که کنار شغل اصلی‌اش داده‌کاری می‌کند، می‌گوید «مردم نگران‌اند.» به گفته‌ی او این بلاتکلیفی میان دانشجویان پزشکی و دستیارانی که سال‌ها آموزش پیش رو دارند، بیشتر به چشم می‌خورد.

پلتفرم‌ها برای جذب متخصصان پرمشغله دستمزد‌های سخاوتمندانه‌تری پیشنهاد می‌کنند

جذب از بعضی حرفه‌ها آسان‌تر است. کار دوم در میان پزشکان بالینی رایج است، اما بانکداران سرمایه‌گذاری اغلب با قرارداد‌های استخدامی محدود شده‌اند و وقت آزاد کمی دارند، چنان‌که کاربران انجمن Wall Street Oasis در پاسخ به استخدام‌کننده‌ها یادآوری کردند.

آنا پرایس، معاون پرولیفیک، می‌گوید پلتفرم‌ها برای جذب متخصصان پرمشغله دستمزد‌های سخاوتمندانه‌تری پیشنهاد می‌کنند. او توضیح می‌دهد: «با توجه به نیاز به متخصص‌ها، اینها معمولا کسانی‌اند که من آنها را کم‌وقت، اما پرپول دسته‌بندی می‌کنم. پاداش باید وسوسه‌کننده باشد.»

بعضی شرکت‌های داده آینده‌ای را تصور می‌کنند که دیگر وابسته به جذب متخصصان نباشند و داده را عمده از کارفرما‌ها بخرند. در چنین آینده‌ای تقریبا هر کسی که با کامپیوتر کار می‌کند، خواه‌ناخواه داده‌کار حساب می‌شود.

علی انصاری، بنیان‌گذار و مدیرعامل Micro۱، استارتاپ داده‌ی هوش مصنوعی با ارزش‌گذاری ۴ میلیارد دلار، معتقد است شرکت‌ها باید کارکنانشان را فقط تولیدکننده‌ی کالا و خدمات ندانند، بلکه تولیدکننده‌ی داده‌ای با ارزش بازاری مستقل هم بدانند. او می‌گوید: «هر ساعت کار می‌تواند هم‌زمان سازمان را اداره کند، مدل‌های هوش مصنوعی را آموزش دهد و برای سازمان درآمد اضافی بسازد.»

بعضی شرکت‌ها همین حالا کار‌های روزمره‌ی کارکنانشان را به داده‌ی آموزشی تبدیل می‌کنند. متا بهار امسال نصب نرم‌افزاری را آغاز کرد که کلیک‌ها، ضربه‌های صفحه‌کلید و حرکت‌های ماوس کارکنانش را ردیابی می‌کند. در یادداشت داخلی مربوط به این تغییر آمده بود: «همه‌ی کارکنان متا می‌توانند صرفا با انجام کار‌های روزمره‌شان به بهتر شدن مدل‌های ما کمک کنند.»

هنسن که ده سال تحول داده‌کاری را از نزدیک دیده، مطمئن نیست هوش مصنوعی روزی از آدم‌هایی مثل او بی‌نیاز شود. بیشتر کار‌های اخیرش گفت‌وگوی ۲۰ دقیقه‌ای در یک اتاق زوم با فردی بوده که تا آن لحظه ندیده است. او حدس می‌زند این مکالمه‌ها برای آموزش هوش مصنوعی به کار می‌رود تا طبیعی‌تر و کمتر ربات‌وار حرف بزند.