. Sie könnten Ihren Job wegen KI verlieren. Vielleicht hast du es schon getan. Vielleicht haben Sie Schwierigkeiten, in eine Branche einzusteigen, in der jetzt weniger Nachwuchskräfte eingestellt werden. Und wenn Ihr Job bestehen bleibt, wird der Wettbewerb möglicherweise härter: weniger offene Stellen, höhere Erwartungen, geringere Verhandlungsmacht.

KI allein stellt jedoch keine Gefahr dar. Dabei handelt es sich um KI, die in einer Wirtschaft eingesetzt wird, in der die Arbeitnehmer kaum Einfluss darauf haben, wie Produktivitätsgewinne verteilt werden.

KI-Angst ist rational

Der technologische Wandel hat die Arbeitsmärkte schon immer verändert. Manche Arbeitsplätze verschwinden, andere entstehen und die Gesellschaft passt sich an. Ist KI additionally nicht nur eine weitere Technologie, die einige Arbeitsplätze zugunsten von mehr Effizienz überflüssig machen und gleichzeitig neue Arbeitsplätze schaffen wird? Viele argumentieren, dass dies nicht der Fall sei. Obwohl es schwierig ist, eine klare Vorstellung davon zu haben, wie die Zukunft aussehen wird, herrscht die Überzeugung vor, dass KI aufgrund des Ausmaßes und der Geschwindigkeit der Störungen, die sie verursachen könnte, grundlegend anders ist.

Neue Agentenmodelle können einige Programmieraufgaben auf einem Niveau ausführen, das erfahrenen Entwicklern nahekommt oder dieses übertrifft, und sogar menschliche Qualitäten wie Urteilsvermögen und Geschmack zeigen (1). Software program-Engineering ist nur die erste von vielen Wissensbranchen, die sich verändern, da eine KI, die programmieren kann, „dabei helfen kann, die nächste Model ihrer selbst zu erstellen“.

Die Auswirkungen von KI sind jedoch in vielen verschiedenen Berufen sichtbar. Ein Übersetzer, der sich auf routinemäßige Geschäftsdokumente spezialisiert hat, muss mit ansehen, wie Kunden quick über Nacht verschwinden. Einem Kundenbetreuer wird gesagt, er solle Chatbots beaufsichtigen, anstatt mit Menschen zu sprechen. Ein Junior-Rechtsassistent, der einst durch die Zusammenfassung der Rechtsprechung oder durch juristische Recherchen gelernt hat, konkurriert nun mit Senioren, die durch KI-Instruments unterstützt werden.

Manche sind besorgt dass ein großer Teil der computergestützten Wissensarbeit irgendwann automatisiert werden könnte, was gleichzeitig zu massiven Entlassungen führen würde (2). Auch wenn KI einige neue Arbeitsplätze schaffen könnte, sieht es nicht so aus, als ob die durch KI geschaffenen neuen Arbeitsplätze das Ausmaß und die Qualität der verdrängten Arbeitsplätze ausgleichen werden.

Schlimmer noch: Arbeitsplatzverlagerungen sind nicht nur ein Nebeneffekt. Viele Unternehmen betrachten KI explizit als Instrument zur Personalreduzierung. Wir sehen dies aus der Idealisierung von „einem Ein-Personen-Unternehmen (…), das eine Milliardenbewertung erreicht“ (3) und dem Kontroversen Werbekampagnen Anstiftung dazu, „keine Menschen mehr einzustellen“ zugunsten von KI, die „sich nicht über die Work-Life-Steadiness beschweren wird“ (4).

KI-Automatisierung ist nicht das eigentliche Drawback

Unternehmen, die in wettbewerbsintensiven Märkten tätig sind, erhalten strukturelle Anreize, Kosten zu senken und die Produktivität zu steigern. Ein wichtiger Teil davon ist die Reduzierung der Arbeitskosten. Wenn es additionally eine Technologie gibt, die billiger und effizienter als menschliche Arbeitskraft ist, liegt es im Interesse des Unternehmens, die Zahl der an der Produktion beteiligten Menschen zu ersetzen oder zu reduzieren. Die Kosten sinken, die Dividenden steigen. Niemand würde gegen dieses Bild argumentieren. Aber diese Imaginative and prescient macht Technologie intestine für Firmeninhaber und schlecht für Arbeitnehmer und fördert technologiefeindliche Haltungen wie den Luddismus.

Es gibt überraschenderweise übersehene Möglichkeiten, wie Technologie den Arbeitnehmern zugute kommen könnte.

Stellen Sie sich einen Arbeiter vor, der dank KI zehnmal produktiver wird. Nehmen wir an, dass die Produktion aufgrund der unveränderten Nachfrage unverändert bleiben muss. Die Gesellschaft könnte auf mindestens zwei Arten reagieren:

• Ein Arbeiter behält seinen Job, neun verlieren ihren Job.
• Zehn Arbeiter behalten ihren Arbeitsplatz, aber alle arbeiten deutlich weniger Stunden.

Die Technologie allein bestimmt nicht, welches Ergebnis eintritt.
Politik, Arbeitskräfte und Wirtschaftsinstitutionen tun dies.

Eine höhere Produktivität führte nicht zu einer Verkürzung der Arbeitszeiten

Die Geschichte zeigt, dass Produktivitätsgewinne selten automatisch zugunsten der Arbeitnehmer verteilt werden. Da beispielsweise das Wertvollste, was wir im Leben haben, Zeit ist und Technologie immer weniger Zeit für die Erledigung von Aufgaben benötigt, würden wir erwarten, dass sich dies auf die Arbeitszeiten auswirkt. Seit dem Zweiten Weltkrieg wurden die Arbeiter dank Industrialisierung, Laptop, Logistik und Automatisierung deutlich produktiver.

Doch die meisten Produktivitätssteigerungen wurden nicht in Freizeit umgewandelt.² Sie wurden in Gewinne, Führungskräftevergütung und Shareholder Worth umgewandelt.

Natürlich bedeutet die Teilhabe an Produktivitätssteigerungen nicht unbedingt nur kürzere Arbeitszeiten. Es kann auch höhere Löhne, stärkere öffentliche Dienstleistungen, Arbeitnehmerbeteiligung oder eine breitere gesellschaftliche Teilhabe am durch die Automatisierung geschaffenen Wohlstand bedeuten. Aber wenn die Gesamtwirkung einer Technologie die Ungleichheit erhöht, wissen wir, dass die Vorteile nicht ausreichend geteilt wurden.

Die entscheidende politische und wirtschaftliche Frage ist additionally, wie die daraus resultierenden Gewinne verteilt werden. Wenn sie zu sehr zugunsten der Eigentümer ausfallen, könnte dies die katastrophalen Auswirkungen haben, die wir zuvor beschrieben haben. Wenn es zugunsten der Arbeitnehmer eingesetzt wird, kann es das Leben der einfachen Leute verbessern. Große historische Ökonomen von Mill bis Keynes vertraten einen ähnlichen utopischen Standpunkt und argumentierten, dass der ultimative Zweck der Technologie darin bestehen würde, die für die Arbeit aufgewendete Zeit zu reduzieren (5, 6).

Produktivitätssteigerungen waren schon immer politisch

Der wichtigste Punkt ist additionally, wie wir mit diesem Spannungsverhältnis zwischen dem Nutzen für Investoren und nicht für Arbeitnehmer umgehen können. Während der Industriellen Revolution profitierten¹ die Arbeitnehmer nicht automatisch von Produktivitätssteigerungen. Fabrikbesitzer erlangten enormen Reichtum, während die Arbeiter unter brutalen Bedingungen und langen Arbeitszeiten litten (7). Später kam es zu Verbesserungen – durch Gewerkschaften, politischen Druck, Arbeitsgesetze und Tarifverhandlungen.

Seit den 1980er Jahren wurden die Arbeiterbewegungen schwächer und der allgemeine Development geht dahin, dass die Auswirkungen der Technologie zunimmt gebracht Eigentümer profitieren viel mehr davon als Arbeitnehmer (8). Die Arbeiterbewegungen sind mittlerweile so schwach, dass wir davon ausgehen, dass alle mit der Technologie verbundenen Vorteile den Firmeninhabern zugutekommen sollten.

KI könnte zwei Zukunftsaussichten schaffen

Wenn die Vorteile der KI auf den Nutzen von Investoren ausgerichtet sind (wie es in den letzten 50 Jahren der Fall struggle), könnte dies zu schwerwiegenden Arbeitsplatzverlusten, steigender Obdachlosigkeit und extremer Ungleichheit führen. Die Wirtschaftskraft könnte sich auf eine kleine Zahl von Unternehmen und Investoren konzentrieren, während große Teile der Bevölkerung zunehmend in prekäre Verhältnisse geraten. Sogar Vorschläge wie das universelle Grundeinkommen (2) werfen letztendlich dieselbe Frage auf: Wem gehört der durch Automatisierung geschaffene Reichtum?³

Wenn es uns gelingt, die Vorteile der KI zugunsten der Arbeitnehmer zu verteilen, wird der technologische Fortschritt nicht zwangsläufig zu Massenunsicherheit führen. Die Menschen werden in der Lage sein, weniger zu arbeiten, anstatt wegwerfbar zu werden. Weniger Stunden zu arbeiten würde mehr Zeit für Kreativität, Beziehungen, Gesundheit, Bürgerbeteiligung und Ruhe lassen.

Die Frage lautet additionally nicht „Wird KI uns ersetzen?“, sondern vielmehr:

„Wer nutzt die Produktivitätssteigerungen der KI?“?

Wofür Sie und ich kämpfen sollten

Additionally, KI stiehlt Ihnen nicht den Job. Mit KI können Sie Ihren Job behalten und gleichzeitig ein besseres Leben führen. Dies erfordert jedoch die Anerkennung der bestehenden Machtverhältnisse mit der Arbeit. Wenn es keine Mechanismen gibt, um die Vorteile der KI zugunsten der Gemeinschaft insgesamt zu nutzen, wird die KI die Ungleichheit drastisch erhöhen. Dazu müssen Sie vielleicht kämpfen, um Ihre Rechte zu verteidigen, aber wenn Sie das falsche Ziel wählen, werden Sie scheitern.

Ihr Ziel ist Ungleichheit, nicht Technologie.

Natürlich können Unternehmen nicht einfach von heute auf morgen die Arbeitszeit reduzieren und dabei die Gehälter unverändert lassen. Wettbewerb, internationale Märkte und Gewinndruck sind echte Hemmnisse. Aber genau darum geht es: Das Wirtschafts- und Gesellschaftssystem bestimmt, wie technologische Errungenschaften verteilt werden. Wenn der wirtschaftliche und gesellschaftliche Druck nur die Gewinnmaximierung belohnt, wird KI die Arbeitsbedingungen nicht verbessern. Stattdessen werden bestehende Ungleichheiten verschärft.

Wenn stattdessen das Interesse der Arbeitskräfte berücksichtigt wird, können wir hoffen, dass der optimale Candy Spot zwischen Produktion und Wohlbefinden erreicht wird. Dies kann durch den Kampf für Arbeitnehmerrechte und bessere Regulierung erreicht werden, aber es gibt viele Möglichkeiten. Arbeitergenossenschaften sind ein Beispiel für eine Wirtschaftsstruktur, in der Arbeitnehmer direkt von Produktivitätssteigerungen profitieren, und staatliche KI – wie sie beispielsweise in der Schweiz betrieben wird (9) – ist ein weiteres Beispiel.

Die wahre Frage

KI zwingt Ihren Arbeitgeber nicht, Sie zu entlassen. Dies ist eine aktive Entscheidung. Jede große technologische Revolution wirft die gleiche politische Frage auf:

Wer profitiert?

Wenn die Gewinne der KI ausschließlich von Eigentümern und Anteilseignern erzielt werden, wird sich die Ungleichheit dramatisch verschärfen.

Wenn die Gewinne allgemein geteilt werden, könnte KI die Arbeitszeit verkürzen, die Lebensqualität verbessern und die menschliche Freiheit in einem Ausmaß erweitern, das sich frühere Generationen nur vorstellen konnten.

KI wird nicht darüber entscheiden, welche Zukunft wir bekommen.

Das werden wir.

---

Referenzen

(1) Matt Schumer, Etwas Großes passiert, 2026. https://x.com/mattshumer_/standing/2021256989876109403

(2) A. Yang, The Finish of the Workplace, 2026, https://weblog.andrewyang.com/p/the-end-of-the-office

(3) A. Ohanian, https://x.com/alexisohanian/standing/1752753792058294725

(4) MA Bitoon, „Hört auf, Menschen einzustellen“-Werbetafeln provozieren eine Gegenreaktion gegen KI inmitten von Entlassungen im Technologiebereich. https://www.greenbot.com/stop-hiring-humans-billboards/

(5) JS Mill, Rules of Political Economic system, 1848.

(6) Keynes, JM (1930). Essays zum Thema Überzeugungsarbeit. Palgrave Macmillan London. https://doi.org/10.1007/978-1-349-59072-8

(7) EJ Hobsbawm. „Der Lebensstandard während der Industriellen Revolution: eine Diskussion.“ Der Rückblick auf die Wirtschaftsgeschichte 16.1 (1963): 119–134.

(8) The Productiveness–Pay Hole, Financial Coverage Institute, März 2026 https://www.epi.org/productivity-pay-gap/

(9) https://apertvs.ai/; https://ethz.ch/en/news-and-events/eth-news/information/2025/09/pressemitteilung-apertus-ein-vollständig-offenes-transparentes-mehrsprachiges-sprachmodell.html

(10) Die genannten Daten können über die Datenbank ourworldindata abgerufen werden: https://ourworldindata.org/grapher/labor-productivity-per-hour-pennworldtable?tab=line&nation=USA~DEU~KOR~GRC. Diese Statistiken stammen von Feenstra et al. — Penn World Desk (2025)

Fußnoten

1. In vielen Teilen der Welt lief es sehr unterschiedlich, zum Beispiel zwischen kolonisierten und kolonisierten Staaten, unterschiedlicher Gesetzgebung, unterschiedlichem Demokratie- und Wirtschaftsniveau. Ich bevorzuge es immer noch, allgemein zu bleiben, da eine spezifischere Formulierung uns vom Hauptpunkt des Textes, nämlich der KI, wegführen würde.
2. Daten des World Penn Desk zeigen, dass die durchschnittliche Produktivität seit 1950 in den USA um etwa den Faktor 4, in Griechenland um den Faktor 10, in Deutschland um den Faktor 15 und in Südkorea um den Faktor 30 gestiegen ist (10). Allerdings hat sich die Arbeitszeit nicht um einen vergleichbaren Faktor verringert. Mit Ausnahme einiger weniger europäischer Länder sind sie überhaupt nicht zurückgegangen.
3. In einer Gesellschaft, in der Arbeit durch KI ersetzt wird, wären die Arbeitssteuern sehr niedrig. Um ein universelles Grundeinkommen gesund zu unterstützen, wäre daher ein Wechsel von der Arbeits- zur Vermögensbesteuerung notwendig.

Bilder in diesem Artikel

Alle Bilder wurden vom Autor mit chatGPT5.5 generiert.

Bild vom Herausgeber

# Einführung

Alle paar Monate erscheint eine neue Studie, die vorhersagt, wie viele Millionen Arbeitsplätze durch KI vernichtet werden. LinkedIn explodiert. Twitter-Spiralen. Um 2 Uhr morgens fangen die Leute an, nach „Rezessionssicheren Karrieren“ zu googeln, und Ihr Cousin bittet um Geld, um ein Bauunternehmen zu gründen, weil es dieses Jahr zum dritten Mal „sicher gegen künstliche Intelligenz“ ist.

Aber eines sagt eigentlich niemand laut: Die Bedrohung, die jeder immer wieder der KI zuschreibt, geht konkreter auf die Automatisierung zurück.

Und bevor Sie denken, das sei nur ein semantisches Argument, bleiben Sie bei mir, denn die Unterscheidung ist wichtiger, als den meisten Menschen bewusst ist, insbesondere wenn Sie herausfinden möchten, in welche Fähigkeiten Sie jetzt tatsächlich investieren sollten.

# Schädigung der beruflichen Landschaft durch Verwirrung

„KI“ und „Automatisierung“ werden weiterhin als Synonyme behandelt, und diese Vermischung führt viele Fachleute in die falsche Richtung. KI ist eine Fähigkeit. Automatisierung ist das, was passiert, wenn diese Fähigkeit erreicht wird wird in einen Workflow eingebunden um eine wiederholbare menschliche Handlung zu ersetzen. Sie sind zwar verwandt, aber sie sind nicht dasselbe, und die Kluft zwischen ihnen ist der Grund für die meisten Missverständnisse.

Stellen Sie sich das so vor: KI kann einen ersten Entwurf einer Produktbeschreibung schreiben. Aber es ist die automatisierte Pipeline, der Auslöser, die Vorlage, die Routing-Logik, die darüber entscheidet, ob ein Mensch diesen Entwurf überhaupt jemals sieht. Die KI hat den Inhalt generiert, aber Es ist das darauf aufbauende System, das darüber entscheidet, was als nächstes passiert.

Wenn man es so formuliert, wird viel klarer, was tatsächlich Arbeitsplätze verschlingt. Dem Modell die Schuld zu geben ist so, als würde man dem Motor und nicht dem Fließband die Schuld geben.

# Identifizieren, worauf die Automatisierung tatsächlich abzielt

Die Automatisierung zielt auf Aufgaben ab, nicht auf ganze Jobs. Konkret geht es um diejenigen, die vorhersehbar sind, ein hohes Volumen haben und einem klaren Regelwerk folgen. Dateneingabe, Rechnungsverarbeitung, Ticketweiterleitung und grundlegende Inhaltsformatierung sind alle äußerst anfällig – Sie wurden von ihren Vorgesetzten auf Veralterung vorbereitet. Auch Nachwuchsentwickler sind unglaublich wichtig – nur die veraltete Ansicht, dass sie „Code-Affen“ sind, lässt die Leute glauben, dass KI sie ersetzt, obwohl das nicht der Fall ist.

Hier gibt es eine nützliche Denkübung: Gehen Sie Ihren eigenen Job durch und identifizieren Sie anhand einer Checkliste die Aufgaben, die Sie einem einigermaßen klugen Praktikanten übergeben könnten. Das sind Ihre Expositionspunkte. Die Arbeit, die wirklich einen Beziehungskontext oder eine Echtzeit-Beurteilung erfordert, steht, zumindest im Second, auf viel sichererem Boden.

Das Schwierige daran ist, dass die meisten Menschen bei dieser Selbsteinschätzung schlecht sind. Sie geraten entweder wegen allem in Panik oder fühlen sich fälschlich sicher, weil ihre Berufsbezeichnung anspruchsvoll klingt. Ein Qualitätssicherungstester (QA), der kritisch denkt, ist wertvoller als ein Chief Know-how Officer (CTO), der bei jeder Entscheidung nur eine Münze wirft.

# Verstehen, warum das Erlernen von KI kaum an der Oberfläche kratzt

Die ganze Erzählung „KI lernen oder zurückbleiben“ ist nützlich, aber unvollständig. Ja, Der KI-Markt wächst im Jahresvergleich um 120 %aber die Fähigkeiten, die Sie tatsächlich schützen, sind nicht nur technischer Natur. Sie sind diejenigen, die Sie wertvoll machen in einer Welt, in der die Automatisierung die mechanischen Teile der Arbeit übernimmt und von Menschen erwartet wird, dass sie sich um alles andere kümmern.

Das bedeutet Urteil. Zu wissen, wann die KI-Ausgabe plausibel, aber falsch ist. Den Kontext intestine genug verstehen, um zu erfassen, was das Modell nicht kann. Die Particular person im Raum zu sein, die einem Stakeholder, der dem Algorithmus nicht vertraut und sich nicht einfach auf Ihr Wort verlässt, eine Entscheidung erklären kann.

Es bedeutet auch, Fehlermodi zu verstehen. Ein automatisiertes System, das in 95 % der Fälle funktioniert, klingt großartig, bis man erkennt, was in den restlichen 5 % passiert und wer dafür verantwortlich ist, es zu erkennen. Das wird quick immer eine Particular person sein, und diese Particular person muss es tatsächlich sein Workflow-ArchitekturProzessautomatisierungsberatung und Pipeline-Design verzeichnen eine echte Nachfrage. Hierbei handelt es sich um reale Stellen, die derzeit auf LinkedIn veröffentlicht werden, nicht um theoretische zukünftige Jobs, und die Gehälter spiegeln wider, wie dringend Unternehmen Menschen brauchen, die diese Aufgaben tatsächlich intestine erfüllen können.

Gemeinsam ist ihnen, dass sie an der Schnittstelle zwischen menschlichem Urteilsvermögen und automatisierten Systemen stehen. Sie erfordern jemanden, der sowohl die Fähigkeiten als auch den Kontext intestine genug versteht, um das Ganze in der Produktion zum Laufen zu bringen, wo die Dinge chaotischer und mehrdeutiger sind als bei jeder ausgefeilten Demo. Die Versorgung mit Menschen der sowohl denken als auch mit Agentenautomatisierung umgehen kann ist kleiner als man denkt.

Bemerkenswert ist auch ein ruhigerer Pattern: Unternehmen, die schlecht automatisieren, verursachen Aufräumarbeiten. Rollen, die sich auf Qualitätskontrolle, Ausnahmebehandlung und Human-in-the-Loop-Überprüfung konzentrieren, vervielfachen sich schnell in Bereichen, in denen die Automatisierung zu aggressiv eingesetzt wird, ohne dass genügend Aufsicht eingebaut ist.

# Letzte Gedanken

Folgendes wird in der Diskussion „KI wird Ihren Job übernehmen“ immer wieder übersehen: Beim eigentlichen Wandel geht es nicht um Intelligenz, sondern um Hebelwirkung. Automatisierung gibt Unternehmen die Möglichkeit, mit weniger Handgriffen an den mechanischen Teilen der Arbeit mehr zu leisten.

Das ist nicht grundsätzlich schlecht. Aber es bedeutet, dass der Wert von echtem Urteilsvermögen, kontextbezogenem Denken und echter Kontrolle steigt und nicht sinkt. Wenn Sie gerade darüber nachdenken, wo Sie Ihre Zeit investieren sollten, lernen Sie nicht nur die Instruments kennen. Erfahren Sie, wie Sie über die Systeme nachdenken, in denen diese Instruments leben. Das ist die Fähigkeit, die auch dann noch von Bedeutung sein wird, wenn die nächste Werkzeugwelle eintrifft.

Nahla Davies ist Softwareentwickler und technischer Autor. Bevor sie sich hauptberuflich dem technischen Schreiben widmete, schaffte sie es – neben anderen faszinierenden Dingen –, als leitende Programmiererin bei einer Inc. 5.000-Organisation für experimentelles Branding zu arbeiten, zu deren Kunden Samsung, Time Warner, Netflix und Sony gehören.

Es gibt keine Modalität, die von AI nicht behandelt wird. Und KI -Systeme erreichen noch weiter, planen Werbung und Marketingkampagnen, Automatisierung von Social -Media -Postings. Das meiste davon warfare vor nur zehn Jahren undenkbar.

Aber dann haben die ersten maschinell lernbasierten Algorithmen ihre ersten Schritte gemacht: aus den Forschungslabors, in erste Produkte. Sie begannen, Inhalte auf YouTube- und Social -Media -Web sites zu kuratieren. Sie begannen, Filme zu Netflix und Songs auf Spotify zu empfehlen. Die Ranglisten -Suchergebnisse. Sie spielten strategische Spiele mit Menschen. Der allgemeine Aufstieg der AI-fähigen Dinge warfare spektakulär.

KI am Arbeitsplatz

Und der Arbeitsplatz ist nicht dagegen immun. Als Scholar untersuchte ich, wie Hyperplane, Zentroide und Backpropagationsregeln konstruiert werden sollen, und für die meisten meiner Studien wurde KI hauptsächlich als akademische Forschungsrichtung angesehen. Seit ich in den Arbeitsmarkt eingetreten bin, hat sich dies sehr verändert. Arbeitgeber und Arbeitnehmer erkannten das Potenzial von KI für die Arbeit. An den meisten (digitalen) Arbeitsplätzen wird KI schnell zu einem unsichtbaren Kollegen.

Viele dedizierte KI-Instruments haben bereits den Sprung auf unsere Desktops gemacht: Programmierer verwenden AI-unterstützte Codierungs-Instruments, Datenanalysten bereiten Pipelines aus einzelnen Beispieldateien über AI vor, und Designer ziehen mit AI-generierten Visuals schneller ein. Diese Werkzeuge erleichtern unbestreitbar die Arbeit. Aber sie werfen auch eine tiefere Frage auf:

Was ist die eigene Arbeit?

Was ist wirklich meine eigene Arbeit? Muss ich noch mit meinem Code interagieren, wirklich im Element?

Je mehr wir unsere Workflows veröffentlichen, desto weniger müssen wir uns mit unserem Arbeitsmaterial beschäftigen. Es könnte sich herausstellen, dass wir nicht mehr brauchen Experten zu werden, ein tiefes Wissen über ein ziemlich enges Thema zu besitzen, sondern eher flache Surfer, hier und da einen Ai-Glimpse nehmen.

Mit anderen Worten, wir werden zu bloßen Managern, wie die Arbeit von KI erledigt wird. Beachten Sie, dass es kein „unser“ vor arbeiten.

Kann das erfüllt sein? Brauchen wir in unserer Arbeit kein Gefühl der Tiefe?

Ich erinnere mich intestine an eine Zeit, in der ich mehrere gleichzeitige Projekte behandeln musste. Zu dieser Zeit, die vor der KI in den Büros eintrat, wechselte ich oft zwischen drei verschiedenen und meist nicht verwandten Projekten professional Tag. Zusammen mit semi-dringenden Unterbrechungen kann man sich vorstellen, dass es nicht viel Zeit gab, längere Zeit für ein einzelnes Thema zu verbringen. Bevor ich tief genug in ein Thema eingehen konnte, um den tatsächlichen Fortschritt zu erzielen, musste ich bereits wechseln.

Heutzutage fungieren KI -Systeme häufig als Stellvertreter, was uns daran hindert, sich überhaupt mit einem Projekt zu beschäftigen. Auch wenn wir vielleicht nur an einem einzigen Projekt arbeiten, sind wir den Weg nach vorne auffordern – was zu der Frage führt:

Wenn wir AI verwenden, um unsere Arbeit zu erledigen, was ist dann unsere Arbeit?

Ist unsere Arbeit einfach mehr Arbeit? KI wird oft gefeiert, als dass wir mehr tun können, was impliziert, dass wir angesichts der gleichen Arbeitszeiten noch weniger mit dem Materials in Kontakt treten müssen.

Dies impliziert, dass wir per Definition nicht tiefgreifende Erfahrungen in einem Thema sammeln können.

Außerdem impliziert dies, dass wir im Prinzip jeden Job machen könnten, der mit unseren Fähigkeiten verwandt ist.

Was schließlich bedeutet, dass jemand anderes unseren Job machen kann.

Wir sind somit austauschbar, sobald die KI -Automatisierungsskalen skaliert werden.

Wie können wir das verhindern?

Verwenden Sie die KI absichtlich: Denken Sie zuerst nach, um später zu fordern

Meiner Meinung nach ist der einzige Weg*: Verwenden Sie KI absichtlich selektiv. Lagern Sie Ihr Denken nicht aus. Lassen Sie sich nicht von Ihrer Fähigkeit, tief und kritisch durch unbewusste Nichtverwendungen zu denken, zugänglich zu denken.

Es ist völlig in Ordnung – oft sogar clever -, KI -Instruments für die wirklich langweiligen Aufgaben zu verwenden, die eine anständig qualifizierte Individual ausführen könnte. Für Programmierer gehören sicher (im Sinne, uns dümmer zu dumber) sicher: Zusammenfassung von Codebasen, Erstellen von ReadMe -Dokumenten, Generieren von Kesselplatten oder Laden und Reinigen von Daten.

Wenn die vorliegende Aufgabe jedoch menschliches Urteilsvermögen, Interpretationen oder spezifische Designentscheidungen und Kompromisse erfordert, sollten Sie der Versuchung widerstehen, sie abzugeben. Dies sind genau die Momente, in denen Sie das Fachwissen aufbauen, das Sie unersetzlich hält.

Um dies konkreter zu gestalten, können Sie diese einfache Heuristik verwenden, wenn Sie sich für die Verwendung von AI -Unterstützung entscheiden:

1. Aufgabe, die niedrige, sich wiederholte, intestine definierte → AI-Hilfe sind.
   Beispiele sind: Formatierungscode, Teststubs generieren, SQL -Abfragen schreiben.
2. Aufgabe, die hohe Stake, mehrdeutig oder ein menschliches Urteilsvermögen erfordern → Machen Sie es selbst. Beispiele sind: Entwerfen von Systemarchitektur, Interpretation von Experimentergebnissen, ethischen Entscheidungen.

Diese Faustregel hält das „langweilige“ Zeug automatisiert und schützt gleichzeitig die Arbeit, die Ihr Fachwissen tatsächlich aufbaut. Um die Heuristiken in die tägliche Praxis zu integrieren, sollten Sie vor einer Aufgabe absichtlich innehalten. Fragen Sie sich: Möchte ich das tief verstehen oder einfach erledigen?

Dann, wenn das Ziel Verständnis → manuell starten. Codieren Sie den ersten Entwurf, debuggen Sie sich selbst, skizzieren Sie das Design. Sobald Sie es überlegt haben, können Sie Ihre Arbeiten mit der Ausgabe eines KI -Methods erweitern.

Wenn das Ziel jedoch nur Ausgabe ist → AI beschleunigen Sie. Rufen Sie es auf, passen Sie es an und wiederholen Sie dies mit der nächsten Aufgabe.

Betrachten Sie es als Mantra: „Denken Sie zuerst nach, um später zu fordern.“

Am Ende einer Arbeitswoche können Sie dann zurück nachdenken: Welche Aufgaben haben Sie diese Woche an KI ausgelagert? Hast du? lernen Etwas aus diesen Aufgaben oder erledigen Sie sie einfach? Wo hätten Sie davon profitieren können, tiefer zu engagieren?

Schließdacht

Es stellt sich heraus, dass AI, da am Arbeitsplatz immer mehr verwendet wird, unsere eigentliche Aufgabe möglicherweise nicht darin besteht, mehr Output mit KI zu produzieren. Stattdessen ist es unsere Aufgabe, sich direkt mit dem Materials zu beschäftigen, wenn es wichtig ist – die Artwork von Urteilsvermögen, Einsichten und Tiefe aufzubauen, die kein System ersetzen kann.

Verwenden Sie additionally die KI absichtlich. Ja, automatisieren Sie die langweiligen Teile, aber schützen Sie die Teile, die Sie wachsen lassen. Dieses Gleichgewicht wird Ihre Arbeit nicht nur wertvoll, sondern auch erfüllen.

---

* Ein nicht alternate options für die meisten maschinellernden Leute, die eine beträchtliche Zeit damit verbracht haben, eine Karriere in der Datenwissenschaft aufzubauen: Karriere zu wechseln, um etwas Handbuches und Offline zu machen. Beispiele sind Bauarbeiten, Haardressing, Warten usw.

Sie möchten Datenwissenschaftler werden und nicht wissen, wo Sie anfangen sollen?

In diesem Artikel möchte ich Ihnen eine unkomplizierte, unsinnige Lernroadmap zur Verfügung stellen, die Sie befolgen können, um in die Branche einzudringen.

Am Ende haben Sie endlich ein klares Verständnis dafür, was erforderlich ist und die besten Ressourcen zu verwenden, die hoffentlich alle Überwältigung reduzieren sollten, die Sie möglicherweise haben, und Ihnen helfen, diesen Datenwissenschaftsjob schneller zu landen!

Ein Hügel, auf dem ich bereit bin zu sterben, ist, dass Statistik meiner Meinung nach der wichtigste Bereich ist, den Sie als Datenwissenschaftler kennen sollten.

Neue Traits für maschinelles Lernen kommen und gehen, Technologien werden häufig ersetzt, aber Statistiken haben seit Jahrhunderten den Check der Zeit bestanden.

Entsprechend Wikipedia:

Statistik ist die Disziplin, die die Sammlung, Organisation, Analyse, Interpretation und Darstellung von Daten betrifft.

Angesichts des Titels „Daten“ -Schüreer ist es offensichtlich, wie wichtig Statistiken für unser Gebiet sind.

Glücklicherweise müssen Sie keinen Doktortitel in kausaler Schlussfolgerung oder stochastischer Berechnung haben, um über das erforderliche Statistikwissen zu verfügen. Die Grundlagen sind die wichtigsten und buchstäblich 90% des Jobs.

Was zu lernen?

Die Bereiche, die Sie stark erfassen müssen, sind:

• Zusammenfassungsstatistik – Mittelwert, Median, Modus, Varianz, Korrelationen, alles, was Sie ermöglicht, Daten zusammenzufassen, um interessante Schlussfolgerungen zu ziehen.
• Visualisierungen – Lernen Sie, Daten mit Grafiken wie Balkendiagramm, Zeilendiagramm, Kreisdiagramm usw. zu zeichnen. Schließlich spricht ein Bild 1000 Wörter.
• Wahrscheinlichkeitsverteilungen – Lernen Sie die häufigsten wie regular, Poisson, Binomial und Gamma. Dies sind diejenigen, die ich am häufigsten verwende.
• Wahrscheinlichkeitstheorie – Dieser Bereich ist ziemlich groß, aber die wichtigsten Dinge, die zu lernen sind, sind: Zufällige Variablen, Zentralgrenze, Stichproben und maximale Wahrscheinlichkeitsschätzung.
• Hypothesentest – Wenn Sie an Experimenten arbeiten, müssen Sie verstehen, wie sie statistisch ausgeführt werden. Dies beinhaltet das Erlernen von Konfidenzintervallen, Signifikanzniveaus, Z-Check, T-Check und Teststatistik. Sie müssen lediglich wissen, wie man Hypothesentests durchführt.
• Bayes’sche Statistik – Es lohnt sich, einige Bayes’sche Statistiken zu kennen, da Menschen die ganze Zeit über diesen Begriff lose auf dem Feld herumwerfen, ohne wirklich zu verstehen. Es ist ein massives Gebiet, aber wie immer lernen Sie die Grundlagen wie Bayes ‚Theorem, konjugierte Priors, glaubwürdige Intervalle und Bayes’sche Regression.

Wie man lernt

Wie ich zu Beginn erwähnt habe, möchte ich, dass diese Roadmap einfach ist und jede Analyse -Lähmung verhindern kann, die Sie möglicherweise erleben. Um quick alle oben genannten zu lernen, empfehle ich, das zu bekommen Praktische Statistiken für die Datenwissenschaft (Affiliate -Hyperlink) Lehrbuch.

Es deckt jedoch keine Bayesian -Statistiken ab, und dafür empfehle ich dies jedoch nicht Denken Sie an Bayes (Affiliate -Hyperlink) Lehrbuch.

Diese beiden Bücher sind alles, was Sie brauchen, und sie sind speziell für Datenwissenschaftler konzipiert und befinden sich in Python.

Statistiken sind von Natur aus ein ziemlich angewandtes Feld, und einige der Konzepte erfordern reine Mathematikwissen, um vollständig zu verstehen.

Wenn es um Bereiche wie maschinelles Lernen geht, benötigen Sie außerdem ein gutes Verständnis der linearen Algebra und des Kalküls, um zu erfassen, was unter der Motorhaube passiert.

Was zu lernen?

Infinitesimalrechnung

Infinitesimalrechnung ist, wie Algorithmen für maschinelles Lernen tatsächlich „lernen“. Ihr „Lernen“ erfolgt durch numerische kontinuierliche Optimierung, und die Bereiche, die Sie lernen sollten, sind:

• Was ist ein Derivat und was misst es?
• Erfahren Sie die Derivate von Standardfunktionen wie Sinus, Cosinus, Exponential, Tan usw.
• Was sind Wendepunkte, Maxima und Minima?
• Ketten- und Produktregeln sind der Grund, warum neuronale Netze so intestine funktionieren, da sie der Kernprozess für die Backpropagation sind.
• Verstehe Teilungsderivate und ihre Verwendung im multivariablen Kalkül.
• Was ist die Integration und was macht das?
• Integration durch Teile und Substitution.
• Das Integral von Standardfunktionen wie Sinus, natürliches Log und andere Polynome.

Lineare Algebra

Lineare Algebra ist ein mathematisches Feld, das sich mit Vektoren, Matrizen und ihren Transformationen befasst.

Sie sollten lernen:

• Vektoren, ihre Größe, Ausrichtung und Komponente. Darüber hinaus Operationen wie die DOT- und Kreuzproduktregeln.
• Matrizen und deren Operationen, einschließlich Spuren, Inverse, Transponieren, DOT -Produkt- und Kreuzproduktregeln.
• Erfahren Sie, wie Sie Systeme von linearen Gleichungen durch Techniken wie Eliminierung, Reihenreduzierung und Cramers Regel lösen können.
• Ein Verständnis für Eigenwerte und Eigenvektoren erlangen. Dies sind die Grundlage von Techniken wie der Hauptkomponentenanalyse, die dazu beiträgt, die Dimensionalität in Datensätzen zu verringern.

Wie man lernt

In früheren Movies habe ich einige Lehrbücher empfohlen, die zwar nützlich waren, aber für die meisten Menschen in nur wenigen Monaten nicht praktisch waren.

Deshalb schlage ich jetzt vor, das zu nehmen Mathematik für maschinelles Lernen und Datenwissenschaftspezialisierung auf Coursera.

Dieser Kurs ist speziell für Datenwissenschaft mit Übungen in Python zugeschnitten. Es überspringt die unnötige Theorie und konzentriert sich auf das, was Sie für reale Arbeiten benötigen.

Es gibt zwei und nur zwei Programmiersprachen, die Sie benötigen: Python Und Sql.

Was zu lernen?

Python

Halten Sie es einfach und lernen Sie die Grundlagen:

• Variablen und Datentypen
• Boolesche und Vergleichsbetreiber
• Kontrollfluss und Bedingungen
• Für und während Schleifen
• Funktionen und Klassen

Sie möchten auch bestimmte wissenschaftliche Computerbibliotheken lernen:

Sql

Sie möchten alle grundlegenden Funktionen lernen, die für die Analyse in SQL erforderlich sind. Es ist eine ziemlich kleine Sprache, additionally gibt es nicht viele Dinge zu lernen.

• Wählen Sie * aus (Standardabfrage)
• Ändern, einfügen, erstellen (Tabellen ändern)
• Gruppe von, bestellen von
• Wo und, oder zwischen, in, haben(Filtertabellen)
• AVG, Graf, min, max, summe(Aggregatfunktionen)
• Full Be a part of, hyperlinks Be a part of, rechts bei, innere Beitritt, Union, Union
• FALL(wenn Aussagen)
• DATEADD, DEMEDIFF, DATERAPT(Datums- und Zeitfunktionen)

Wie man lernt

Es gibt viele einleitende Python- und SQL -Kurse, und alle lehren das gleiche Materials. Additionally, wählen Sie einen und machen Sie sich damit los. Sie können hier buchstäblich nichts falsch machen.

Wenn Sie eine Empfehlung wünschen, können Sie es auschecken W3schools oder Freecodecamp -Movies. Ich habe beide benutzt und sie sehr intestine gefunden.

Neben Python und SQL müssen Sie einige Zeit investieren, um andere Technologien zu lernen, die bei der Arbeit verwendet werden.

Was zu lernen?

Es gibt so viele Instruments, und jedes Unternehmen ist anders, aber diese sind diejenigen, die durchweg konsistent bleiben:

• Git und Github– Praktisch jedes Unternehmen verwendet dies für die Versionskontrolle, sodass Sie es lernen müssen. Ich fürchte, es gibt keine Möglichkeit, es zu tun.
• Verprügeln/ZSH –Sie werden viel im Terminal arbeiten, und die Mehrheit der Unternehmen ist auf Unix-ähnliche Systeme angewiesen, sodass Sie in der Befehlszeile bequem sein müssen.
• Poesie / Pyenv / UV–Das Verwalten von Paketen und Python-Versionen ist in jeder realen Anwendung von entscheidender Bedeutung. Daher lohnt es sich, sich mit diesen Instruments vertraut zu machen.

Wie man lernt

Für Git empfehle ich diesen Crashkurs von Freecodecamp:

Für das Lernterminal und das Bash -Shell -Skripte empfehle ich dieses Video auch vom Freecodecamp.

Und um Pyenv, Poesie und UV zu lernen, schauen Sie sich folgende Artikel an:

Richtig, Zeit für das lustige Zeug!

Maschinelles Lernen ist ein riesiges Gebiet, und wir können nicht alles lernen, auch wenn wir unser ganzes Leben lang versucht haben.

Um ein Datenwissenschaftler zu sein, wie ich immer sage, müssen wir nur die Grundlagen und ein wenig tiefes Lernen kennen.

Vergessen Sie das Lernen von LLMs, Transformatoren, Diffusionsmodellen usw., die für die meisten Einstiegspositionen nicht erforderlich sind, und um ehrlich zu sein, für viele Jobs im Allgemeinen.

Konzentrieren Sie sich auf das Nageln der Grundlagen, wenn sie in alles andere übergehen. Bis heute verwende ich immer noch grundlegende Regressionsmodelle, ebenso wie viele leitende Ingenieure für maschinelles Lernen, mit denen ich zusammenarbeite.

Es geht nur um die Anwendung und das Verständnis Ihres Issues, anstatt zu versuchen, durch die neueste hochmoderne Technologie auffällig zu sein, wenn sie nicht benötigt wird.

Was zu lernen?

Die wichtigsten Algorithmen und Konzepte, die Sie lernen sollten, sind:

• Lineare, logistische und polynomiale Regression.
• Entscheidungsbäume, zufällige Wälder und laufende Bäume.
• Vektormaschinen unterstützen.
• Regelmäßige neuronale Netze.
• Okay-Means und Okay-nearste Nachbarn.
• Regularisierung, Vorurteile gegen Varianz Kompromisse und Kreuzvalidierung.

Wie man lernt

Die folgenden zwei Ressourcen sind alles, was Sie brauchen. Arbeiten Sie additionally iterativ durch, und Ihr Wissen über maschinelles Lernen übertrifft das der meisten Praktiker in der Branche. Vertrau mir.

Der erste Kurs ML -Kurs, den ich absolvierte, struggle Spezialisierung des maschinellen Lernens von Andrew Ng Und ich denke, es ist wahrscheinlich das Beste da draußen. Sie könnten davon einfach davonkommen, dies selbst zu tun, da es so intestine ist.

Das zweite ist wahrscheinlich das beste maschinelles Lernenbuch, das jemals geschrieben wurde: Praktische ML mit Scikit-Be taught, Keras und Tensorflow (Affiliate -Hyperlink).Wenn ich nur ein Buch geben müsste, um maschinelles Lernen zu lernen, wäre es das!

Meiner Meinung nach ist dies optionally available, aber ich weiß, dass viele von Ihnen sich für tiefes Lernen interessieren, additionally habe ich es hier zur Vollständigkeit aufgenommen.

Ich persönlich würde hier nicht zu viel Zeit verschwenden, da es leicht sein kann, sich in den neuesten Entwicklungen zu verlieren.

Was zu lernen?

Diese tiefen Lernkonzepte haben den Check der Zeit bestanden, daher sind sie es wert, Ihr Lernen in zu investieren: in:

Wie man lernt

Dies sind die Ressourcen, die ich verwendet habe, um tiefes Lernen zu lernen, und sie sind alles, was Sie brauchen.

Deep Studying Spezialisierung von Andrew Ng. -Dies ist der Folgekurs aus der Spezialisierung des maschinellen Lernens und wird alles lehren, was Sie über Deep Studying, CNNs und RNNs wissen müssen.

Wieder das Praktische ML mit Scikit-Be taught, Keras und Tensorflow (Affiliate -Hyperlink)Lehrbuch als exzellenter Abschnitt Deep Studying ab Kapitel 14.

Schließlich haben einige von Ihnen vielleicht gehört Andrej KarpathyWenn Sie es nicht getan haben, ist er derzeit wahrscheinlich einer der besten KI -Forscher und hat bei Tesla und Openai gearbeitet.

Wie auch immer, seine Neuronale Netze: Null zu Helden YouTube Der Kurs ist phänomenal und lehrt Sie, wie Sie Ihre eigenen generativen vorgeschriebenen Transformatoren (GPT) von Grund auf neu erstellen.

---

Wenn Sie in diesem Artikel alles durchlaufen, haben Sie hervorragendes Wissen, um in das Feld Information Science einzugeben.

Dieses Wissen reicht jedoch nicht aus; Sie müssen ein solides Portfolio bauen, um einen Job zu landen.

Aus diesem Grund empfehle ich, meinen vorherigen Artikel anzusehen, in dem ich genau die Projekte erkläre, die Sie erstellen müssen, um einen Job so schnell wie möglich zu sichern.

Wir sehen uns dort!

Hören Sie auf, nutzlose ML -Projekte aufzubauen – was eigentlich funktioniert | Auf Information Science
So finden Sie Projekte für maschinelles Lernen, mit denen Sie eingestellt werden.in RichtungDatascience.com

Ich biete 1: 1 -Teaching -Anrufe an, bei denen wir uns über alles unterhalten können, was Sie brauchen – sei es Projekte, Karriereberatung oder einfach nur Ihren nächsten Schritt herauszufinden. Ich bin hier, um Ihnen zu helfen, vorwärts zu kommen!

1: 1 Mentoring -Anruf mit Egor Howell
Karriereanleitung, beratende Beratung, Projekthilfe, Lebenslaufüberprüfungtopmate.io

Sind Sie ein Datenwissenschaftler, der von einem Job in der Large Tech-Branche träumt, sich aber nicht sicher ist, welche Fähigkeiten Sie dafür benötigen?

Nun, ich habe eine Geheimwaffe, die genau das sein könnte, was Sie brauchen, um Ihren Traumjob bei einem Prime-Technologieunternehmen zu ergattern.

Vor ein paar Monaten schrieb ich dies Artikel über alle wesentlichen Fähigkeiten, die Sie benötigen, um bei den besten Technologieunternehmen eingestellt zu werden, und heute werden wir uns auf eine dieser entscheidenden Fähigkeiten konzentrieren: Experimentieren.

Experimentieren ist ein statistischer Ansatz, der uns hilft isolieren Und auswerten die Auswirkungen von Produktänderungen – Einführungsfunktionen, UX-Updates und alles!

Aber warum ist das Experimentieren so wichtig, um sich von anderen Datenwissenschaftlern abzuheben?

Es ist ganz einfach. Den größten Technologieunternehmen geht es darum, großartige Produkte zu entwickeln, und Experimente sind dabei ein wichtiges Mittel.

Wenn Sie ein Experte im Experimentieren werden, haben Sie einen bedeutenden Vorteil gegenüber anderen Bewerbern, weil die meisten Arbeitssuchenden diese Fähigkeit übersehen und nicht wissen, wie sie sie entwickeln können.