Thomas H. Davenport, Steven M. Miller

Working with AI (eBook, ePUB)

Real Stories of Human-Machine Collaboration

• Format: ePub

Produktbeschreibung

Two management and technology experts show that AI is not a job destroyer, exploring worker-AI collaboration in real-world work settings. This book breaks through both the hype and the doom-and-gloom surrounding automation and the deployment of artificial intelligence-enabled-"smart"-systems at work. Management and technology experts Thomas Davenport and Steven Miller show that, contrary to widespread predictions, prescriptions, and denunciations, AI is not primarily a job destroyer. Rather, AI changes the way we work-by taking over some tasks but not entire jobs, freeing people to do other, more important and more challenging work. By offering detailed, real-world case studies of AI-augmented jobs in settings that range from finance to the factory floor, Davenport and Miller also show that AI in the workplace is not the stuff of futuristic speculation. It is happening now to many companies and workers. These cases include a digital system for life insurance underwriting that analyzes applications and third-party data in real time, allowing human underwriters to focus on more complex cases; an intelligent telemedicine platform with a chat-based interface; a machine learning-system that identifies impending train maintenance issues by analyzing diesel fuel samples; and Flippy, a robotic assistant for fast food preparation. For each one, Davenport and Miller describe in detail the work context for the system, interviewing job incumbents, managers, and technology vendors. Short "insight" chapters draw out common themes and consider the implications of human collaboration with smart systems.

---

Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, HR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.

Produktdetails

• Verlag: MIT Press
• Seitenzahl: 312
• Erscheinungstermin: 27. September 2022
• Englisch
• ISBN-13: 9780262371193
• Artikelnr.: 63209929

Autorenporträt

Thomas H. Davenport is Distinguished Professor of Information Technology and Management at Babson College, Visiting Professor at Oxford's Saïd Business School, Fellow of the MIT Initiative on the Digital Economy, and Senior Advisor to Deloitte's AI practice. He is the author of The AI Advantage (MIT Press) and coauthor of Only Humans Need Apply and other books. Steven M. Miller is Professor Emeritus of Information Systems at Singapore Management University, where he previously served as Founding Dean of the School of Computing and Information System Vice Provost for Research. He is coauthor of Robotics Applications and Social Implications.

Inhaltsangabe

Series Foreword ix
Introduction xi
I Case Studies
Morgan Stanley: Financial Advisors and the Next Best Action System 3
ChowNow: Growth Operations and RingDNA 9
Stitch Fix: AI-Assisted Clothing Stylists 15
Arkansas State University: Fundraising with Gravyty 21
Shopee: The Product Manager's Role in AI-Driven E-Commerce 27
Haven Life and MassMutual: The Digital Life Underwriter 35
Radius Financial Group: Intelligent Mortgage Processing 41
DBS Bank: AI-Driven Transaction Surveillance 47
Medical Diagnosis and Treatment Record Coding with AI 53
Dentsu: RPA for Citizen Automation Developers 59
84.51° and Kroger: AutoML to Improve Data Science Productivity 67
Mandiant: AI Support for Cyberthreat Attribution 75
DBS Digibank India: Customer Science for Customer Service 83
Intuit: AI-Assisted Writing with Writer.com 89
Lilt: The Computer-Assisted Translator 95
Salesforce: Architects of Ethical AI Practices 101
The Dermatologist: AI-Assisted Skin Imaging 109
Good Doctor Technology: Intelligent Telemedicine in Southeast Asia 115
Osler Works: The Transformation of Legal Services Delivery 125
PBC Linear: AI-Enabled Virtual Reality for Employee Training 131
Seagate: Improving Automated Visual Inspection of Wafers and Fab Tooling
with AI 137
Stanford Health Care: Robotic Pharmacy Operations 141
Fast Food Hamburger Outlets: Flippy--Robotic Assistants for Fast Food
Preparation 147
FarmWise: Digital Weeders for Robotic Weeding of Farm Fields 151
Wilmington, North Carolina, Police Department: AI-Driven Policing 155
Certis: AI Support for the Multifaceted Security Guard at Jewel Changi
Airport 161
Southern California Edison: Machine Learning Safety Data Analytics for
Front-Line Accident Prevention 169
Massachusetts Bay Transportation Authority: AI-Assisted Diesel Oil Analysis
for Train Maintenance 175
Singapore Land Transport Authority: Rail Network Management in a Smart City
179
II Insights
It Takes a Village to Change a Job with AI 187
Everybody's a Techie--Or at Least Has a Hybrid Job Role 201
The Platforms That Make AI Work 209
Intelligent Case Management Systems 217
Opportunities for Entry-Level Workers: Diminishing or Not? 225
Remote and Independent Work 239
What Machines Can't Do (Yet) 249
III Conclusions 
Looking Ahead to the Future of Work with Smart Machines 259
Notes 267
Index 279

Rezensionen

Frankfurter Allgemeine Zeitung | Besprechung von 20.09.2022

Zum Wohle der Mitarbeiter und des Profits von KI-Entwicklern
Thomas Davenport und Steven Miller präsentieren erhellende Einsichten in eine von Pandemie, halbintelligenten Maschinen und Kontrollsystemen geprägte Arbeitswelt

Apple-Mitgründer Steve Jobs hat den PC gerne als "Fahrrad für den Geist" bezeichnet. Thomas H. Davenport und Steven M. Miller beschreiben die aktuelle Generation statistikgetriebener Software, bekannt unter Bezeichnungen wie "Maschinelles Lernen" (ML) oder "Künstliche Intelligenz" (KI), eher wie ein Bündel von Assistenzsystemen im Auto - oder eine Art Servolenkung fürs Geschäft. Der Soziologe Davenport lehrt Management und Informationstechnologie in den USA, Miller ist Emeritus der Informatikfakultät der Singapore Management University. Ihre zentrale Botschaft: KI wird den Menschen in der Wirtschaft nicht ersetzen, sondern ihm hilfreich zur Hand gehen.

Anhand zahlreicher Interviews und Firmenprofile, die wie klassische Fallbeispiele aus den Wirtschaftswissenschaften aufgebaut sind, aber ohne genauere Kennzahlen auskommen müssen, skizzieren Davenport und Miller den Einsatz von ML/KI-Software in verschiedensten Sparten und Aufgabengebieten vom Versicherungsvertrieb über Universitäts-Fundraising bis hin zur Telemedizin. Am Ende jedes Beispiels sammeln die Autoren drei oder vier Aspekte daraus, die sie bemerkenswert finden. Abgerundet wird das Buch durch eine Systematisierung der Beobachtungen. Davenport und Miller fassen darin zusammen, was ML/KI heute kann und was (noch) nicht. Es bietet damit einen guten Überblick, zumal es auf aktuelle Herausforderungen wie Telearbeit in und nach der Covid-19-Pandemie eingeht.

Wer Genaueres über die technischen Grundlagen der beschriebenen Systeme wissen will, wird es hier allerdings nicht finden, die Sicht auf die Dinge ist meistens die der befragten Nutzer. In den meisten Fällen ist ML ein fertiger externer Dienst, den das Unternehmen als Paket dazukauft, modifiziert und in seine bestehenden Prozesse integriert, um effizienter zu werden. Stillschweigend vorausgesetzt ist, dass die Geschäftsprozesse bereits vor dem Einsatz der ML/KI-Software weitestgehend digitalisiert und vernetzt sind.

Ohne umfangreiche und gut gepflegte Daten- und Metadatenbestände und ohne hausinternes Wissen darüber kann Maschinelles Lernen im Unternehmen nicht wirklich gut funktionieren, trotz des Blackbox-Charakters ist es eben kein Gerät, das man sich einkauft und das dann, einmal eingeschaltet, vor sich hin funktioniert, sondern ein Prozess, der alle Strukturen durchdringt und ständiger Weiterentwicklung bedarf.

Nicht alle Beispiele lassen sich vom amerikanischen in den EU-Raum übertragen. Die beschriebene Teilautomatisierung des Marketings und der Kundenbeziehungen setzen eine totale Erfassung aller Tätigkeiten der Mitarbeiter voraus, oft läuft im Hintergrund eine öffentliche Leistungskontrolle mit, "naming and shaming" inklusive. Das befragte Personal findet diese Kontrollen in den Berichten meistens in Ordnung, sie steigerten schließlich die Produktivität. Mit dem nagelneu glänzenden KI-Humanismus geht in solchen Momenten ein knallharter Taylorismus ganz alter Schule einher, speziell in den unteren Breichen der Dienstleistungsjobs. Einige Beispiele - etwas die Einführung einer KI-Ethik-Expertin beim Business-Software-Konzern Salesforce oder über den Anbieter einer einfach anzuwendenden automatisierten Erkennung von Hautkrebs - weisen über die bloße Optimierung bestehender Prozesse hinaus.

Die Autoren erachten ML/KI als unverzichtbar für den Geschäftserfolg. Ebenso sind sie - wie die meisten der von ihnen Interviewten - davon überzeugt, dass diese Systeme menschliche Arbeitskraft nicht ersetzen, sondern eher ergänzen. Ihre Argumentations ist stringent, auch weil sie die Probleme nicht aussparen. Eines davon durchzieht auffällig viele der Fallbeispiele: Je besser die Automatisierung stumpfer bürokratischer Tätigkeiten funktioniert, desto weniger billige Berufseinsteiger werden gebraucht. Denn nur erfahrene Fachkräfte können komplexere Fälle bearbeiten und - noch wichtiger - auch beurteilen, ob die KI ihren Job richtig gemacht hat.

Vor ein ähnliches Problem stellen automatische Bildergeneratoren wie Dall-e, Midjourney (F.A.Z. von gestern) oder Stable Diffusion Einsteiger in den Bereichen der Illustration oder Gebrauchsgrafik. Das KI-Produkt ist gut genug für die meisten Zwecke, für die wichtigeren Aufgaben werden aber Profis gebucht. Dumm nur, wenn diese Profis in Rente gehen oder das Unternehmen verlassen und kein Nachwuchs mehr da ist, der den Prozess auch ohne KI-Unterstützung durchschauen würde.

Dass Davenport und Miller an dieser Stelle von ihrem optimistischen Grundton deutlich abweichen, lässt aufhorchen, denn sie meinen hier ein grundsätzliches Problem beim Einsatz von ML/KI-Werkzeugen ausgemacht zu haben: "Der Abbau von Einstiegsjobs für Wissensarbeiter stellt immer noch eine wichtige und aktuelle Bedrohung dar. Die Situation ist im Fluss, mit einigen Gegenströmungen und Einflussnahmen durch wirtschaftliche Kräfte. Es ist eine ernste Situation, die von Firmenchefs und Politikern sehr genau beobachtet und kontrolliert werden sollte." Sie schildern auch Beispiele, in denen die KI neuen Mitarbeitern dabei hilft, sich in ihren neuen Jobs zurechtzufinden, aber diese sind, wie Davenport und Miller selbst schreiben, deutlich in der Minderzahl.

Die Vignetten aus dem Alltag einer von Pandemie, halbintelligenten Servo-Elementen und Kontrollsystemen geprägten Arbeitswelt funktionieren im dargebrachten Stakkato und ihrer utilitaristischen Kühle nicht zuletzt als eine Form von Literatur. James G. Ballard, Doyen der "New Wave" in der britischen Science-Fiction, hat schon in den Sechzigerjahren immer wieder betont, die Inspiration für seine Geschichten in der "grauen Literatur" zu finden, in wissenschaftlichen Tagungsbänden und Fachzeitschriften - er selbst verdiente sein Brot lange genug als Redakteur des Journals "Chemistry and Industry".

Viele der durchformatierten Fallbeispiele, in denen innovationsfreundliche Chefs ihre Prozesse zum Wohle glücklicher Mitarbeiter und zum Profit diverser Machine-Learning-Start-ups wissenschaftsbasiert optimieren, wirken wie Blaupausen für die nächste Staffel der dystopischen Serie "Black Mirror", die es vermutlich nicht mehr geben wird, weil der darin beschriebene Zustand bereits den realen Alltag prägt, wie Davenport und Miller vortrefflich dokumentiert haben. GÜNTER HACK

Thomas H. Davenport und Steven M. Miller: "Working with AI". Real Stories of Human-Machine Collaboration.

MIT Press, Cambridge 2022. 312 S., geb., 36,- Euro.

Alle Rechte vorbehalten. © F.A.Z. GmbH, Frankfurt am Main