به نقل از زومیت، دو زن لپ تاپ شان را باز می کنند. هر دو مادرند و هر دو برای شیفت کاری شان وارد سیستم می شوند. کارشان داده کاری است، یعنی همان نیروی انسانی که هوش مصنوعی را آموزش می دهد. بروک هنسن وقتی شش ماه باردار بود از شغل خدمات مشتریانش کنار گذاشته شد و از آن زمان جدی تر سراغ داده کاری رفت. او حالا مادری خانه دار است و با همین کار درآمد همسرش را تکمیل می کند و هفته ای چند صد دلار به دست می آورد.

آنو بریکسی، رادیولوژیست، همان مبلغ را در یک ساعت درمی آورد.

به گزارش بلومبرگ، داده کاری که سال ها با دستمزد پایین شناخته می شد و معادل دیجیتال کارهای یَدی به شمار می رفت، حالا متخصصان پردرآمد را هم جذب می کند؛ کسانی که می توانند مبالغ بسیار بالاتری بگیرند. لینکدین امسال نقش حاشیه نویس داده را چهارمین شغل پررشد آمریکا معرفی کرد.

با پیشرفت مدل های هوش مصنوعی، شرکت های استخدام کننده دنبال نیروهایی با تخصص های مشخص می گردند و آگهی هایشان یک هدف را تکرار می کند: کمک به آموزش نسل بعدی سیستم های هوش مصنوعی.

در صنعت به این گروه متخصص می گویند. آن ها اقتصاد داده را با داده کارهای عمومی تری شریک اند که کارهای کم تخصصی تر انجام می دهند و دستمزد کمتری می گیرند.

شکاف رو به رشد میان دو گروه برای هر دو طرف پیامد دارد. داده کارهای عمومی از بدتر شدن شرایط شکایت می کنند، چون وظایفشان دشوارتر شده و پیدا کردن کار، پیوسته سخت تر. از سوی دیگر ورود متخصصان به این نگرانی دامن زده که مدل های هوش مصنوعی در حال جذب تخصص پزشکان، ریاضی دانان، حسابداران و دانشمندان هستند.

دانیل لی، استاد مؤسسه ی فناوری ماساچوست (MIT) که اثر هوش مصنوعی بر بازار کار را مطالعه می کند، می گوید کار، چه یدی و چه فکری، همیشه چیزی بوده که کارفرما اجاره می کند. اگر شرکتی پرداخت را متوقف کند، دسترسی اش را از دست می دهد. به گفته ی لی، این منطق وقتی فرو می پاشد که کارفرما بتواند نسخه ای از همان کار را در قالب یک مدل هوش مصنوعی در اختیار داشته باشد.

هنسن ده سال پیش، وقتی کارش را شروع کرد، بیشتر صداها را پیاده می کرد یا در عکس ها دور آدم ها و ماشین ها کادر می کشید. بستر کارش مکانیکال ترک آمازون بود که جف بیزوس زمانی آن را هوش مصنوعیِ مصنوعی نامیده بود. این خرده کارها تمرکز زیادی نمی خواستند و دستمزدشان به چند سنت می رسید.

هنسن، که از سازمان دهندگان گروه ترکوپتیکان برای بهبود شرایط داده کارها است، می گوید دستمزد کم برایش منبع استرس بود، اما هر وقت بچه ها به او نیاز نداشتند می توانست وارد کار شود و بیرون بیاید. با ظهور مدل های زبانی بزرگ در دهه ی 2020، کارهایش پیچیده تر شد. حالا باید اسناد را راستی آزمایی می کرد یا پاسخ چت بات ها را مقایسه می کرد، کارهایی که گاهی یک ساعت طول می کشید و تمرکز عمیق می خواست.

اکنون پلتفرم ها اغلب داده کارهایی با تخصص در موضوعاتی مثل ریاضی یا زیست شناسی می خواهند. هنسن گاهی برای کارهایی پذیرفته می شود که به مدرک حفاظت از محیط زیستش ربط دارد، اما بیشتر روزها میان پلتفرم ها می چرخد و دنبال کار می گردد.

مکانیکال ترک که روزگاری مهم ترین پلتفرم برای داده کارهای آمریکایی بود، ماه گذشته بعد از 21 سال تعطیل شد. در همان حال پلتفرم های تازه تر رونق گرفته اند. مرکور (Mercor) که سه سال سن دارد و داده کارهای متخصص جذب می کند، درباره ی جذب سرمایه ی جدید با ارزش گذاری 20 میلیارد دلار مذاکره کرده است.

تقاضای فزاینده برای داده کارهای متخصص، تغییری گسترده تر در آموزش هوش مصنوعی را نشان می دهد. اطلاعات عمومی که از اینترنت جمع شده بود، پایه ی مدل های امروزی را ساخت، اما شرکت ها حالا برای متمایز کردن نسخه های آینده از رقبا به دنبال داده های سفارشی و خصوصی اند.

ویل دی پیو، مهندس پیشین اوپن ای آی، در یادداشتی اخیر استدلال کرد که داده برای این صنعت به اندازه ی توان محاسباتی اهمیت دارد. شرکت های واسطه فقط مهارت متخصصانی مثل رادیولوژیست ها را نمی خرند. آن ها برای گفت وگوهای خصوصی دوستان در تلفن و ویدیوهای اول شخص از آدم های معمولی در حال انجام کارهای خانه هم پول می پردازند. شرکت هایی مثل اسپیس ایکس ای آی (SpaceXAI) نیز مربی هوش مصنوعی درون سازمانی استخدام کرده اند، با تخصص هایی به گستردگی مسائل مالی، زبان فنلاندی و کمدی.

استخدام کننده ها برای یافتن چنین مهارت هایی لینکدین را زیر و رو می کنند. چهار سال پیش پیامی از یکی از همین شرکت ها به بریکسی رسید که رادیولوژیست هایی می خواست تا تصاویر قفسه ی سینه، ریه و قلب را برای یک شرکت هوش مصنوعی تفسیر کنند. او پیش تر در مرکزی پزشکی که کار می کرد با این فناوری برخورد کرده بود. مدلی که برای شناسایی ندول های ریوی طراحی شده بود، زیاد هشدار کاذب می داد. با این حال بریکسی باور داشت هوش مصنوعی می تواند به رادیولوژیست ها کمک کند تا با تقاضای روزافزون برای تصویربرداری کنار بیایند.

به همین دلیل گاهی بعد از یک هفته ی طولانی کار، آخر هفته اش را صرف برچسب گذاری داده می کند؛ مثلا نشانه گذاری نواحی کلسیم در تصویر قلب. او سالی حداکثر در دو پروژه شرکت می کند و انگیزه اش بیش از دستمزد، توانایی بالقوه ی فناوری است. او می گوید: این کار را برای بهبود مراقبت از بیماران انجام می دهم.

پژوهشگرانی که مسیر تحول داده کاری را بررسی کرده اند، نسبت به مقیاس حرکت به سوی متخصصان تردید دارند. آنتونیو کازیلی، استاد مؤسسه ی پلی تکنیک پاریس، معتقد است متخصصان پردرآمد در مقایسه با داده کارهای عمومی، در شمار نسبتا کمی پروژه مشارکت دارند. به گفته ی او شرکت هایی که به سرمایه گذاران ماشین های فراهوشمند وعده می دهند، ترجیح می دهند آدم های فراهوشمند استخدام کنند، هرچند همچنان به همان نیروی کار قبلی تکیه دارند. او این متخصصان را صرفا گیلاسِ روی کیک می نامد. بیشتر داده کاری هنوز به دست کارگران کم دستمزدی انجام می شود که با شرایط ناپایدار و غیرفعال شدن ناگهانی حساب هایشان روبه رویند.

میانگین دستمزد در مرکور اکنون ساعتی 110 دلار است، هرچند شرکت اعلام کرده داده ای درباره ی سهم کارهایی که با این نرخ پرداخت می شوند ندارد. پلتفرم بریتانیایی پرولیفیک (Prolific) هم از اعلام تعداد کارهایی که متخصص هایش انجام می دهند خودداری کرد. این گروه 30 درصد کل شرکت کنندگان پلتفرم را تشکیل می دهد.

فن یانگ، پژوهشگر دانشکده ی حقوق ملبورن که با داده کارها در استرالیا، کانادا، چین و ژاپن مصاحبه کرده، می گوید رشد داده کاری شکل تازه ای از برون سپاری می سازد. کسب وکارها به جای استخدام مستقیم آدم ها می توانند ابزارهای هوش مصنوعی بخرند که برای تنظیم دقیق شان هنوز به انسان ها وابسته اند، آن هم در قالب داده کارهایی با قراردادهای موقت تر. یانگ می گوید هوش مصنوعی بیش از آن که جای انسان ها را بگیرد، جایگاهشان را در بازار کار جابه جا می کند.

اما لی از MIT فکر می کند مقایسه با برون سپاری، ابعاد تغییر را کوچک جلوه می دهد. به گفته ی او گروه کوچکی از داده کارها در نظر می تواند جایگزین یک حرفه ی کامل شود یا ارزش آن را به شدت کاهش دهد. او تأکید می کند: وقتی شما داده تامین می کنید، انتخاب های دیگران به شدت از انتخاب های شما تاثیر می پذیرد.

برای بعضی متخصصان، همین احتمال همین حالا منبع اضطراب است. پولی چیا، رادیولوژیست دیگری که کنار شغل اصلی اش داده کاری می کند، می گوید مردم نگران اند. به گفته ی او این بلاتکلیفی میان دانشجویان پزشکی و دستیارانی که سال ها آموزش پیش رو دارند، بیشتر به چشم می خورد.

جذب از بعضی حرفه ها آسان تر است. کار دوم در میان پزشکان بالینی رایج است، اما بانکداران سرمایه گذاری اغلب با قراردادهای استخدامی محدود شده اند و وقت آزاد کمی دارند، چنان که کاربران انجمن Wall Street Oasis در پاسخ به استخدام کننده ها یادآوری کردند.

آنا پرایس، معاون پرولیفیک، می گوید پلتفرم ها برای جذب متخصصان پرمشغله دستمزدهای سخاوتمندانه تری پیشنهاد می کنند. او توضیح می دهد: با توجه به نیاز به متخصص ها، این ها معمولا کسانی اند که من آن ها را کم وقت اما پرپول دسته بندی می کنم. پاداش باید وسوسه کننده باشد.

بعضی شرکت های داده آینده ای را تصور می کنند که دیگر وابسته به جذب متخصصان نباشند و داده را عمده از کارفرماها بخرند. در چنین آینده ای تقریبا هر کسی که با کامپیوتر کار می کند، خواه ناخواه داده کار حساب می شود.

علی انصاری، بنیان گذار و مدیرعامل Micro1، استارتاپ داده ی هوش مصنوعی با ارزش گذاری 4 میلیارد دلار، معتقد است شرکت ها باید کارکنانشان را فقط تولیدکننده ی کالا و خدمات ندانند، بلکه تولیدکننده ی داده ای با ارزش بازاری مستقل هم بدانند. او می گوید: هر ساعت کار می تواند هم زمان سازمان را اداره کند، مدل های هوش مصنوعی را آموزش دهد و برای سازمان درآمد اضافی بسازد.

بعضی شرکت ها همین حالا کارهای روزمره ی کارکنانشان را به داده ی آموزشی تبدیل می کنند. متا بهار امسال نصب نرم افزاری را آغاز کرد که کلیک ها، ضربه های صفحه کلید و حرکت های ماوس کارکنانش را ردیابی می کند. در یادداشت داخلی مربوط به این تغییر آمده بود: همه ی کارکنان متا می توانند صرفا با انجام کارهای روزمره شان به بهتر شدن مدل های ما کمک کنند.

هنسن که ده سال تحول داده کاری را از نزدیک دیده، مطمئن نیست هوش مصنوعی روزی از آدم هایی مثل او بی نیاز شود. بیشتر کارهای اخیرش گفت وگوی 20 دقیقه ای در یک اتاق زوم با فردی بوده که تا آن لحظه ندیده است. او حدس می زند این مکالمه ها برای آموزش هوش مصنوعی به کار می رود تا طبیعی تر و کمتر ربات وار حرف بزند.

به گفته ی هنسن، مدل ها بدون ما هرگز کامل نمی شوند.