膂力和脑力劳动都在被机器疾速替换，咱们还能做些什么？这时候就很有必要提一提，长期被治理者疏忽，员工却始终没少付出的情绪劳动了。
所谓情绪劳动，实在并不是一个新概念，早在1980年代，美国社会学家Arlie Russell Hochschild就提出了这个词。重要讲的是员工为了在工作中表示出令组织满意的情绪状况，试图去转变情绪或感到的水平/品质所采用的举动。
最初，Hochschild是用它来形容空乘即便在面对惧怕、恼怒或出言不逊的乘客时，也必需坚持安静、友善、专业的风范；后来，Hochschild又将该词的定义扩展，表示不论任何工作，只有波及人际互动，员工都可能需要进行情绪劳动。
对于情绪劳动，目前最大的问题就是，付出的时候并不必定就比做体力或脑力活儿来得轻松，却常常得不到相应的认可和回报。而这可能导致员工不仅轻易呈现职业疲倦，还会对公司心存埋怨。
当机器人越来越厉害，将来工作的实质或者都是服务业，最稀缺的资源是人与人之间的接触。尊敬情绪劳动，是现在公司为了提高员工满足度和保存率而应当斟酌改良的主要方向，尤其员工大都是器重工作环境休会和成绩感的职场新世代时。
简略来说，就是应用机器学习来提示组织和其余员工向付出了情感劳动的人表现感激，从而进步员工工作效力和幸福感，下降散失率。
据报道，网约车巨头Uber的无人驾驶汽车卷入致命车祸的起因仿佛是软件层面的。详细来说，决议哪些对象需要疏忽、哪些对象须要特殊关注的功效出了问题，这就把错误推到了Uber身上。
考虑到这辆无人驾驶汽车上装备有庞杂的视觉系统和备份系统，它们中的任何一个都能辅助汽车感知到伊莱恩・赫茨伯格(Elaine Herzberg)，她直接从车载激光雷达和前置摄像头前穿过马路。
然而，这辆车甚至没有刹车迹象，也不发出警报声。再加上大意的保险驾驶员，这些失败导致了赫茨伯格的逝世亡。
造成此次惨剧的可能性包含：A.对象辨认系统故障；B:汽车高等逻辑过错，它决定了要留神哪些对象以及如何处置它们。新闻人士称，Uber已经断定了B是车祸产生的原因。详细地说，是体系设置出了问题，本应加倍关注的对象却被其忽略。
据国外媒体报道，依照通例，谷歌很可能在本周四举办年度开发者大会，而今年将再次把人工智能放到重要地位。
谷歌数字助手Google Assistant将取得一些处理义务的新才能，比方在没有人类帮助的情形下赞助客人预订。
谷歌可能还会宣布更新版Android挪动操作系统，从谷歌舆图中失掉更好AI支撑，并进一步推动其加强事实技术。
谷歌的目的是让它的助手变得更加有用，让人们的日常生涯离不开它――或者是让搜寻成果驱动它的广告业务。谷歌也会展示了开发职员如何利用人工智能技巧来改善医疗保健、维护环境，以及做出迷信新发明。
OpenAI 近日的一篇新文章简述了如何通过辩论使 AI 系统改正本身的问题来保证系统的安全，人类是辩论的终极评价者。
因为人类直接决定辩论输赢，所以人类能够让 AI 系统的价值取向始终与人类保持一致，作者认为这种方式可以保障 AI 系统的平安。
我们如何使人类可能有效地监督进步的 AI 系统呢？一种办法是利用 AI 自身来帮助监视，即请求 AI 系统指出所有自身行动中存在的缺点。
为了到达这个目标，我们将学习进程从新定义为两个智能体之间进行辩论，而后人类对辩论过程进行评判。即使智能体对问题有比人类更深档次的懂得，人类也可以去判定哪个智能体有更好的论点（相似于专家和证人辩论说服陪审团）。
MNIST 争辩游戏的构造。辩手 Alice 跟 Bob 看到一个图像，Alice 试图诈骗评估者以为它是一个 6，Bob 试图准确压服评价者是一个 5。他们交替向评价者展现非玄色像素，评价者在看完 6 个像素后正确地将其标识为 5。
Alice 追踪显示底部曲线（红色像素），然而 Bob 通过揭示右上角的像素（蓝色像素）来有效地针对 Alice 的策略，由于这是 MNIST 中大多数 6 所没有的部位。
上图是对角线设置为零的混杂矩阵。用作对 6 像素 MNIST 数据进行断定，左侧是随机像素，右侧是用于辩论的像素。6 个随机像素的识别错误之间没有显明的关系模式，而用作辩论的像素识别毛病则集中在数字 8 和 9 上。
推荐文章： 相关的主题文章：此文由 广西资讯网 编辑，未经允许不得转载！本文地址：http://www.krqzj.com/qiwen/2629.html