Andrew Ng, a gépi tanulás egyik legnagyobb szaktekintélye szerint a mesterséges intelligenciával kivitelezett automatizációt gyakran bináris jelenségként írják le: a folyamat vagy MI-vel történik, vagy nem. A valóságban szélesebb a spektrum, a résztvevők több lehetőség közül választhatnak.
Nagyon fontos az automatizáció társadalmi és a munkára gyakorolt hatásának súlyozása, javítása. Mindezek mellett a legjobb választást mindig az adott alkalmazás és az határozza meg, hogy mi kivitelezhető MI-vel, és mi nem valósítható meg vele.
Ng példája páciensek röntgensugaras diagnosztizálása. A kivitelezésnél öt opció közül választhatunk.
Az első, a „csak ember” értelemszerűen MI nélkül történik.
A második, „árnyék módban” az orvos elolvas egy röntgeneredményt és eldönti a diagnózist. Az MI szintén próbálkozik, de a rendszer eredményei közvetlenül nem befolyásolják az orvost és betegét, viszont lementik, hogy a gépitanulás-csoport használhassa az MI teljesítményének kiértékeléséhez, és csak ezt követően foglalkoznak az automatizáció következő szintjével.
A harmadik, „MI asszisztens” módban az orvos felelős a diagnózisért, a rendszer viszont javaslatokkal állhat elő, amelyeket az ember vagy elfogad, vagy nem. Például kiemelhet részeket, hogy az orvos jobban összpontosíthasson rájuk.
A negyedik, a „részleges automatizáció”, amikor az MI átnézi a röntgenképet, és nagyon biztos magában, ő hoz döntést. Viszont ha bizonytalan, megkéri rá a vele lévő orvost.
Az ötödik, „teljes automatizáció” módban mindent az MI csinál, ő diagnosztizál.
Ezek az opciók természetesen nemcsak orvosi diagnózisokra, hanem más területekre, például termékek vizuális felülvizsgálatára, médiatartalmak moderálására stb. is alkalmazhatók. A legmegfelelőbb mód kiválasztása nagyon sok esetben kritikus tényező, a siker titka. Komoly negatív következményei lehetnek annak, ha túl sok, vagy túl kevés az automatizáció. Mielőtt valamelyik megoldásra szavazunk, gondoljuk át az MI pontosságát, az őt segítő személyek számát, rendelkezésre állását, valamint hogy mennyire akarjuk a döntéshozásban való részvételüket.
A mai algoritmusok sokszor csak a spektrum egyik pontján működnek jól. Ha megfelelő mennyiségű adatot gyűjtünk össze, mindaddig, amíg nem lépjük át a jogi és az etikai határokat, fokozatosan próbálkozhatunk az automatizáció magasabb szintjeivel.
Mesterséges intelligencia (artificial intelligence, AI) helyett sokan inkább az intelligencia kiterjesztésére (intelligence augmentation, IA) összpontosítanak, azaz szerintük az MI-nek inkább segítenie, és nem helyettesíteni kell az embert folyamatok kivitelezésekor. (Az AI egyébként az augmented intelligence, a kiterjesztett intelligencia rövidítése is.)
Ng következtetése: az automatizációval össztársadalmi értéket, például állásokat kell teremteni, viszont meg is szüntethet azokat. A mérlegelésnél, az opciók közüli választásnál ezt a tényezőt is figyelembe kell venni.
