亚马逊已经利用AI系统跟踪每个员工的生产率，在没有主管的意见的情况下能够自动生成有关质量或生产力的任何警告或终止。通过这个AI自动系统，超过300名履行中心员工被解雇了。
该系统是评估员工绩效期望的工具。对于没有达到预期的人员，亚马逊将通过专门辅导帮助达到预期考核水平，以帮助他们改善亚马逊的职业生涯并取得成功。该工具有助于帮助亚马逊员工实现更加长远的职业发展。
该项人工智能系统正在夺走人力资源和经理日常考核的部分工作。尽管亚马逊推迟了解雇，但它仍为企业管理尤其是对员工的工作进度的管理做出了高效的提升，通过该系统，企业能够实时掌控工作进度。
人工智能技术淘汰部分岗位已经成为技术的重要共识。人工智能专家兼风险投资家李开复表示，世界上40％的工作将被能够自动完成任务的机器人所取代。在高薪机械重复性工作人才中，AI技术更具取代性，例如贷款人员、招待员等岗位。
教育和就业培训比以往任何时候都更加重要。你的小时工资越少，你的工作就越有可能被取代。
当谈到摧毁低技能工作时，人工智能将成为工作创造者，在新领域创造更多就业机会。
资料来源：Gartner，IKMResearch，2018
以零售行业为例，零售企业拥有大量关于客户、购物体验等方面的信息。使用人工智能具有更直接的预测分析，帮助企业优化劳动力，加速创造和提升产品质量的过程，包括提供企业了解何时设备可能需要维护，维修或更换等系列管理信息。
AI偏见问题不断进入人们生活视野。例如，Facebook的AI正在创建自己的语言，而不是能够与人交谈，Twitter机器人似乎变得种族偏见。这种偏见，使得技术发展过程中备受争议。
AI偏见难以解决。偏见可以在深度学习过程的许多阶段蔓延，而计算机科学中的标准实践并非旨在检测它。
AI偏见问题不断进入人们生活视野。例如，Facebook的AI正在创建自己的语言，而不是能够与人交谈，Twitter机器人似乎变得种族偏见。这种偏见，使得技术发展过程中备受争议。
AI偏见难以解决。偏见可以在深度学习过程的许多阶段蔓延，而计算机科学中的标准实践并非旨在检测它。偏见诞生且不可消除的原因在于：
1）未知的未知
在模型构建过程中引入偏差并不总是很明显，可能直到很久以后数据和选择的下游影响才开始显露。很难追溯识别偏差的来源，然后弄清楚如何摆脱它。
2）流程引入偏见
深度学习模型在部署之前会对性能进行测试，在测试过程中不可避免出现偏见。一般流程中，计算机科学家在训练之前随机将他们的数据分成一组实际用于训练的组，另一组在训练完成后保留用于验证。这意味着用于测试模型性能的数据与用于训练模型的数据具有相同的偏差。
3）机器缺乏社会语义的理解
数据存在的背景建立在特定的语义上。计算机科学家教授框架问题的方式往往与思考社会问题的最佳方式不相容。
4）对公平的定义存在误差
在数学书，对公平性的定义会出现相互排斥的现象。
感谢阅读，如果喜欢请打赏！
