På samme måte som roboter har forvandlet hele deler av produksjonsøkonomien, endrer kunstig intelligens og automatisering nå informasjonsarbeidet, og lar mennesker overføre kognitiv arbeidskraft til datamaskiner. I journalistikk, for eksempel, varsler datautvinningssystemer reportere om potensielle nyhetssaker , mens nyhetsroboter tilbyr nye måter for publikum å utforske informasjon. Automatiserte skrivesystemer genererer økonomisk, sportslig og valgdekning .
Et vanlig spørsmål ettersom disse intelligente teknologiene infiltrerer ulike bransjer er hvordan arbeid og arbeidskraft vil bli påvirket . I dette tilfellet, hvem – eller hva – skal drive med journalistikk i denne AI-forsterkede og automatiserte verdenen, og hvordan vil de gjøre det?
Bevisene jeg har samlet i min nye bok " Automating the New: How Algorithms are Rewriting the Media " antyder at fremtiden for AI-aktivert journalistikk fortsatt vil ha mange mennesker rundt. Men jobbene, rollene og oppgavene til disse menneskene vil utvikle seg og se litt annerledes ut. Menneskelig arbeid vil bli hybridisert – blandet sammen med algoritmer – for å passe AIs evner og imøtekomme dens begrensninger.
Forsterke, ikke erstatte
Noen estimater tyder på at dagens nivåer av AI-teknologi kun kan automatisere omtrent 15 % av en reporters jobb og 9 % av en redaktørs jobb. Mennesker har fortsatt et forsprang på ikke-Hollywood AI på flere nøkkelområder som er avgjørende for journalistikk, inkludert kompleks kommunikasjon, eksperttenkning, tilpasningsevne og kreativitet.
Å rapportere, lytte, svare og presse tilbake, forhandle med kilder, og deretter ha kreativiteten til å sette det sammen – AI kan ikke gjøre noen av disse uunnværlige journalistiske oppgavene. Det kan imidlertid ofte øke menneskelig arbeid for å hjelpe folk til å jobbe raskere eller med forbedret kvalitet. Og det kan skape nye muligheter for å utdype nyhetsdekningen og gjøre den mer personlig for en individuell leser eller seer.
Nyhetsromsarbeid har alltid tilpasset seg bølger av ny teknologi, inkludert fotografering, telefoner, datamaskiner – eller til og med bare kopimaskinen. Journalister vil også tilpasse seg arbeid med AI. Som en teknologi er den allerede og vil fortsette å endre nyhetsarbeidet, som ofte komplementerer, men erstatter sjelden, en utdannet journalist.
Nytt arbeid
Jeg har funnet ut at oftere enn ikke ser det ut til at AI-teknologier faktisk skaper nye typer arbeid innen journalistikk.
Ta for eksempel Associated Press, som i 2017 introduserte bruken av computer vision AI-teknikker for å merke de tusenvis av nyhetsbildene den håndterer hver dag. Systemet kan merke bilder med informasjon om hva eller hvem som er på et bilde, dets fotografiske stil og om et bilde viser grafisk vold.
Systemet gir bilderedigerere mer tid til å tenke på hva de skal publisere og frigjør dem fra å bruke mye tid på å bare merke det de har. Men å utvikle det tok massevis av arbeid, både redaksjonelt og teknisk: Redaktører måtte finne ut hva de skulle merke og om algoritmene var opp til oppgaven, og deretter utvikle nye testdatasett for å evaluere ytelsen. Når alt dette var gjort, måtte de fortsatt overvåke systemet, manuelt godkjenne de foreslåtte taggene for hvert bilde for å sikre høy nøyaktighet.
Stuart Myles, AP-sjefen som fører tilsyn med prosjektet, fortalte meg at det tok rundt 36 personmåneder med arbeid, fordelt på et par år og mer enn et dusin redaksjonelle, tekniske og administrative ansatte. Omtrent en tredjedel av arbeidet, fortalte han meg, innebar journalistisk ekspertise og skjønn som er spesielt vanskelig å automatisere. Selv om noe av det menneskelige tilsynet kan bli redusert i fremtiden, tror han at folk fortsatt trenger å gjøre pågående redaksjonelt arbeid etter hvert som systemet utvikler seg og utvides.
Halvautomatisert innholdsproduksjon
I Storbritannia RADAR -prosjektet halvautomatisk ut rundt 8000 lokaliserte nyhetsartikler per måned . Systemet er avhengig av en stall på seks journalister som finner statlige datasett tabellert etter geografisk område, identifiserer interessante og nyhetsverdige vinkler, og deretter utvikler disse ideene til datadrevne maler. Malene koder for hvordan du automatisk kan skreddersy biter av teksten til de geografiske stedene identifisert i dataene. En historie kan for eksempel snakke om aldrende befolkninger over hele Storbritannia, og vise lesere i Luton hvordan samfunnet deres endrer seg, med forskjellige lokaliserte statistikker for Bristol. Historiene sendes deretter ut via ledningstjeneste til lokale medier som velger hvilke de skal publisere.
Tilnærmingen gifter journalister og automatisering sammen til en effektiv og produktiv prosess. Journalistene bruker sin ekspertise og kommunikasjonsevne til å legge ut alternativer for historier dataene kan følge. De snakker også med kilder for å samle nasjonal kontekst, og skriver malen. Automatiseringen fungerer da som en produksjonsassistent, og tilpasser teksten for ulike lokasjoner.
RADAR-journalister bruker et verktøy kalt Arria Studio, som gir et glimt av hvordan det å skrive automatisert innhold ser ut i praksis. Det er egentlig bare et mer komplekst grensesnitt for tekstbehandling. Forfatteren skriver fragmenter av tekst kontrollert av datadrevne if-then-else-regler. For eksempel, i en jordskjelvrapport vil du kanskje ha et annet adjektiv for å snakke om et skjelv med styrke 8 enn et som er på styrke 3. Så du vil ha en regel som, HVIS styrke > 7 SÅ tekst = "sterkt jordskjelv," ANDERS HVIS styrke < 4 SÅ tekst = "mindre jordskjelv." Verktøy som Arria inneholder også språklig funksjonalitet for automatisk å bøye verb eller avslå substantiver, noe som gjør det lettere å jobbe med tekstbiter som må endres basert på data.
Nicholas Diakopoulos skjermbilde av Arria Studio , CC BY-ND
Forfattergrensesnitt som Arria lar folk gjøre det de er gode på: logisk strukturere overbevisende historier og lage kreativ, ikke-repetitiv tekst. Men de krever også noen nye måter å tenke skriving på. For eksempel må malforfattere nærme seg en historie med en forståelse av hva de tilgjengelige dataene kan si – for å forestille seg hvordan dataene kan gi opphav til forskjellige vinkler og historier, og avgrense logikken for å drive disse variasjonene.
Tilsyn, ledelse eller det journalister kan kalle «redigering» av automatiserte innholdssystemer opptar også i økende grad folk i redaksjonen. Å opprettholde kvalitet og nøyaktighet er av største interesse i journalistikk.
RADAR har utviklet en tre-trinns kvalitetssikringsprosess. Først vil en journalist lese et utvalg av alle artiklene som er produsert. Så sporer en annen journalist påstander i historien tilbake til sin opprinnelige datakilde. Som en tredje sjekk vil en redaktør gå gjennom logikken til malen for å prøve å oppdage eventuelle feil eller utelatelser. Det er nesten som arbeidet et team av programvareingeniører kan gjøre med å feilsøke et skript – og det er alt arbeid mennesker må gjøre for å sikre at automatiseringen gjør jobben sin nøyaktig.
Utvikle menneskelige ressurser
Initiativer som de på Associated Press og på RADAR viser at AI og automatisering langt fra ødelegger jobber innen journalistikk. De skaper nytt arbeid – i tillegg til å endre eksisterende jobber. Morgendagens journalister må trenes til å designe, oppdatere, justere, validere, korrigere, overvåke og generelt vedlikeholde disse systemene. Mange kan trenge ferdigheter for å jobbe med data og formell logisk tenkning for å handle på disse dataene. Flytende med grunnleggende dataprogrammering ville heller ikke skade.
Etter hvert som disse nye jobbene utvikler seg, vil det være viktig å sikre at de er gode jobber – at folk ikke bare blir tannhjul i en mye større maskinprosess. Ledere og designere av dette nye hybridarbeidet må vurdere de menneskelige bekymringene om autonomi, effektivitet og brukervennlighet. Men jeg er optimistisk at fokus på den menneskelige erfaringen i disse systemene vil tillate journalister å blomstre, og samfunnet til å høste fruktene av hastighet, bredde i dekning og økt kvalitet som AI og automatisering kan tilby.
Nicholas Diakopoulos , assisterende professor i kommunikasjonsstudier, Northwestern University
Denne artikkelen er publisert på nytt fra The Conversation under en Creative Commons-lisens. Les originalartikkelen .
