機器學習計算機系統隨著經驗的提高而變得更好，它有可能像過去的蒸汽機和電力一樣改變經濟。他們可以在許多任務中勝過人，盡管他們不可能在所有工作中取代人。

卡內基梅隆大學的Tom Mitchell和麻省理工學院的Erik Brynjolfsson在政策論壇評論中說，將在12月22日出版的“ 科學 ”雜志上發表。Mitchell在CMU創立了世界上第一個機器學習部門，而斯隆管理學院數字經濟MIT計劃主任Brynjolfsson描述了評估任務或工作是否適合機器學習的21個標準(ML )。

他們寫道：“盡管今天ML 的經濟影響相對有限，而且我們并未面臨有時宣布的'即將結束的工作'，但對經濟和未來的勞動力的影響是深遠的。” 他們認為，人們選擇發展的技能和企業的投資將決定誰在日常生活中根深蒂固，誰會茁壯成長和躊躇不前。

ML是人工智能的一個要素。ML的快速進步已經在面部識別，自然語言理解和計算機視覺方面取得了最近的進步。它已被廣泛用于信用卡欺詐檢測，推薦系統和金融市場分析，醫學診斷等新應用即將出現。

預測ML將如何影響特定的工作或職業可能很困難，因為ML傾向于自動化或半自動化單個任務，但工作通常涉及多個任務，其中只有一些適合ML方法。

“我們不知道這一切將如何發揮作用，”CMU計算機科學學院的E. Fredkin大學教授Mitchell承認。例如，今年早些時候，研究人員表明，ML程序可以比皮膚科醫生更好地檢測皮膚癌。這并不意味著ML將取代皮膚科醫生，除了評估病變外，還做很多其他事情。

“我認為皮膚科醫生會發生什么，他們將成為更好的皮膚科醫生，并有更多的時間與患者共度，”米切爾說。“那些工作涉及人與人之間互動的人將變得更有價值，因為他們無法實現自動化。”

Mitchell和Brynjolfsson寫道，適合ML的任務包括可獲得大量數據的任務。例如，要學習如何檢測皮膚癌，ML程序能夠研究超過130,000個標記的皮膚病變樣本。同樣，信用卡欺詐檢測程序可以通過數億個示例進行培訓。

ML可以是已經在線的任務的游戲改變者，例如日程安排。不需要靈活性，身體技能或移動性的工作也更適合ML。涉及根據數據做出快速決策的任務非常適合ML計劃; 如果決定取決于長長的推理鏈，不同的背景知識或常識，則不是這樣。

這組作者說，如果用戶需要詳細解釋如何做出決定，ML不是一個好的選擇。換句話說，ML在檢測皮膚癌方面可能比醫生更好，但皮膚科醫生更善于解釋為什么病變是癌性的。

然而，在“可解釋的”ML系統上正在開展工作。

作者說，了解ML在勞動力中的準確適用性對于理解其可能的經濟影響至關重要。今年早些時候，Mitchell和Brynjolfsson共同主持的國家科學院，工程和醫學院對信息技術和勞動力的研究指出，信息技術的進步導致了工資不平等的加劇。

“雖然有許多因素導致不平等，例如全球化程度的提高，但由于ML在很多情況下十年之內發生巨大而迅速變化的可能性，這表明經濟效應可能具有高度破壞性，創造了贏家和輸家。”他們寫。“這需要政策制定者，商業領袖，技術專家和研究人員的高度關注。”