เทคโนโลยีจะสร้างงานมากมายปัญหาอยู่ที่จะหาคนที่มาทำงานได้หรือไม่

image: Getty Images/iStockphoto

การวิเคราะห์ทางเศรษฐกิจโดย Boston Consulting Group (BCG) ระบุว่าเทคโนโลยีใหม่จะสร้างงานหลายสิบล้านตำแหน่งภายในปี 2030 แต่ไม่น่าจะชดเชยการสูญเสียงานจากระบบอัตโนมัติในช่วงเวลาเดียวกันได้ ตัวแบบของการเปลี่ยนแปลงที่คาดหมายของอุปสงค์และอุปทานด้านแรงงานในเยอรมนี ออสเตรเลียและสหรัฐอเมริกา คาดการณ์ว่าการสูญเสียงานในทศวรรษหน้าจะถูกจับคู่กับการสร้างงานที่ใหญ่กว่าเดิม Miguel Carrasco จาก BCG กล่าวว่า "มันเป็นไปไม่ได้ที่จะคาดหวังการแทนที่ที่สมบูรณ์แบบ - แรงงานส่วนเกินไม่สามารถนำไปใช้เพื่อตอบสนองความต้องการใหม่ ๆ หรือที่ความต้องการที่เพิ่มขึ้นได้ทั้งหมด" อาชีพที่ประสบปัญหาการขาดแคลนมากที่สุด ได้แก่ อาชีพที่เกี่ยวข้องกับคอมพิวเตอร์ และงานด้านวิทยาศาสตร์ เทคโนโลยี วิศวกรรม และคณิตศาสตร์ BCG แนะนำให้ยกระดับทักษะ และให้การฝึกอบรมใหม่กับพนักงาน เพื่อให้แน่ใจว่าสามารถตอบสนองความต้องการบุคลากรที่มีความสามารถได้อย่างทันท่วงที

อ่านข่าวเต็มได้ที่: ZDNet

ระบบตรวจจับข้อผิดพลาดสำหรับคนไข้ที่รักษาตัวเอง

ภาพจาก MIT News

นักวิจัยของ Massachusetts Institute of Technology (MIT) ได้พัฒนาระบบเพื่อตรวจจับและลดข้อผิดพลาดเมื่อผู้ป่วยใช้ยาด้วยตนเอง โซลูชันนี้รวมการตรวจจับแบบไร้สายเข้ากับปัญญาประดิษฐ์ (AI) เพื่อตรวจสอบว่าผู้ป่วยใช้ปากกาฉีดอินซูลิน หรือเครื่องช่วยหายใจเมื่อใด และบ่งชี้ข้อผิดพลาดที่สำคัญที่เกิดขึ้น จากการที่คนไข้รักษาตนเอง เซ็นเซอร์ติดตามการเคลื่อนไหวของผู้ป่วยภายในรัศมี 10 เมตร (32 ฟุต) จากอุปกรณ์ทางการแพทย์ผ่านคลื่นวิทยุ จากนั้น AI จะตีความคลื่นที่สะท้อนกลับ เพื่อดูท่าทางของผู้ป่วยที่ใช้ยาสูดพ่นหรือปากกาฉีดอินซูลินด้วยตนเอง ขั้นตอนสุดท้ายคือการแจ้งเตือนผู้ป่วย หรือผู้ให้บริการด้านการแพทย์เมื่อตรวจพบข้อผิดพลาด Mingmin Zhao จาก MIT กล่าวว่า“ เราไม่เพียงสามารถดูได้ว่าผู้ป่วยใช้อุปกรณ์บ่อยเพียงใด แต่ยังประเมินวิธีการใช้งานของเขา เพื่อดูว่าพวกเขาทำได้ดีแค่ไหน”

อ่านข่าวเต็มได้ที่: MIT News

ใช้การเรียนรู้ของเครื่องเพื่อค้นพบยาใหม่ได้เร็วขึ้น

ภาพจาก MIT News

เทคนิค DeepBAR ที่พัฒนาโดยนักวิจัยของ Massachusetts Institute of Technology (MIT) ผสมผสานระหว่างเคมีและการเรียนรู้ของเครื่อง (machine learning) เพื่อคำนวณความสัมพันธ์ที่ผูกพันระหว่างสิ่งที่จะเป็นยาและยาเป้าหมายได้อย่างรวดเร็ว DeepBAR ใช้เวลาในการคำนวณเร็วกว่าวิธีเดิมเกือบ 50 เท่า ในการทดสอบกับโมเลกุลคล้ายโปรตีนขนาดเล็ก Bin Zhang จาก MIT กล่าวว่าประสิทธิภาพที่ได้นี้หมายความว่า "เราสามารถเริ่มคิดถึงการใช้วิธีนี้เพื่อตรวจคัดกรองยา โดยเฉพาะอย่างยิ่งในเรื่องที่เกี่ยวกับ Covid"

อ่านข่าวเต็มได้ที่: MIT News

ใช้ภาษาเขียนโปรแกรมที่ไม่ได้ใช้กันทั่วไปเขียนมัลแวร์เพื่อเลี่ยงการตรวจจับ

Markus Spiske on Unsplash

นักวิจัยจาก Proofpoint บริษัท รักษาความมั่นคงทางไซเบอร์ได้ระบุว่ากลุ่มแฮ็กที่รู้จักกันในชื่อ TA800 กำลังแจกจ่ายมัลแวร์ (malware) ใหม่ที่เขียนด้วยภาษาโปรแกรม Nim เพื่อให้ตรวจจับได้ยากขึ้น มัลแวร์ NimzaLoader ซึ่งเผยแพร่ผ่านอีเมลฟิชชิ่งที่เชื่อมต่อกับโปรแกรมดาวน์โหลด PDF ปลอม มีวัตถุประสงค์เพื่อให้แฮกเกอร์สามารถเข้าถึงคอมพิวเตอร์ที่ใช้ระบบปฏิบัติการ Windows และสามารถป้อนคำสั่งให้ทำงานกับเครื่องคอมพิวเตอร์ Sherrod DeGrippo จาก Proofpoint กล่าวว่า“ TA800 มักใช้ประโยชน์จากมัลแวร์ที่แตกต่างและไม่เหมือนใคร และนักพัฒนาอาจเลือกใช้ภาษาโปรแกรมที่ไม่ค่อยมีใครใช้กันเช่น Nim เพื่อหลีกเลี่ยงการตรวจจับ เนื่องจากวิศวกรย้อนกลับ (reverse engineer) อาจไม่คุ้นเคยกับโปรแกรมที่เขียนด้วย Nim หรือไม่ได้มุ่งเน้นไปที่การพัฒนาโปรแกรมตรวจจับสำหรับโปรแกรมดังกล่าว ดังนั้นเครื่องมือและแซนด์บ็อกซ์อาจมีปัญหาในการวิเคราะห์ตัวอย่างของพวกมัน"

อ่านข่าวเต็มได้ที่: ZDNet

เทคโนโลยีโต้แย้งเพื่อโต้วาทีกับมนุษย์

Project Debater โต้วาทีกับมนุษย์ Credit: Jason Henry/NYT/Redux/eyevine

นักวิทยาศาสตร์จาก IBM Research AI ใน Haifa อิสราเอลและ Dublin ประเทศไอร์แลนด์ ได้พัฒนา Project Debater ซึ่งเป็นระบบปัญญาประดิษฐ์ที่สามารถโต้วาทีกับมนุษย์  เทคโนโลยีนี้ผสมผสานกลยุทธ์ใหม่ในการรวบรวมและตีความเนื้อหาที่มีความเกี่ยวข้องในเชิงโต้แย้งจากข้อความ เข้ากับเทคนิคในการซ่อมแซมไวยากรณ์ของประโยค ซึ่งทำให้ระบบสามารถใช้ส่วนของประโยคจากแหล่งข้อมูลในการนำเสนอข้อโต้แย้ง โดยสิ่งที่กล่าวมาทั้งหมดนี้จะถูกรวมเข้ากับข้อมูลที่เตรียมไว้ล่วงหน้าที่ ซึ่งมีการจำแนกตามประเด็นสำคัญเพื่อใช้เป็นความรู้ ข้อโต้แย้ง และประเด็นโต้ตอบในหัวข้อต่างๆ และเสริมด้วยข้อความที่เขียนไว้ล่วงหน้าสำหรับการเกริ่นนำ และจัดโครงสร้างการนำเสนอในระหว่างการโต้วาที Project Debater แก้ปัญหาในการที่จะได้รับข้อมูลที่เพียงพอ เพื่อที่จะนำมาใช้ได้อย่างมีประสิทธิภาพโดยจำกัดหัวข้อให้แคบลงเหลือประมาณ 100 หัวข้อ และเก็บเกี่ยววัตถุดิบจากชุดข้อมูลขนาดใหญ่

อ่านข่าวเต็มได้ที่: Nature