Tehnoloogiline progress ja ebavõrdsus

(Peamiselt toetun siin tuntud majandusteadlaste1 ideedele, aga kui teen mingi jubeda majandusteadusliku vea, siis tulistage mind kommentaarides alla.)

Tehnoloogia vähendab meie vajadust inimeste järele. Isejuhtivad autod nõuavad oluliselt vähem inimtähelepanu kui praegused autod; üks traktor asendab sadu põllutöölisi; e-riigi tõttu on meil vähem ametnikke vaja; tootmisliinidel asendavad masinad järjest inimesi.

See on hea ja õige. Need muutused toovad tüüpiliselt hinda alla või kvaliteeti üles ning vabastavad meid vajadusest ise raskeid tüütuid töid teha. Kui võrrelda sajanditagust tüüpilist tööd (raske ja füüsiline) tänasega (põnevam ja tervisele vähem koormav), ei tahaks keegi meist ajamasinasse astuda.

Lisaks füüsilisele heaolule kasvatab tehnoloogiline progress kujundlikku majanduspirukat meie kõigi jaoks. Kahanev hind tähendab tõenäoliselt tarbimise kasvu2: kui suvaline (isejuhtiv) taksosõit Tallinnas maksaks alla 1€, kasutataks seda varianti palju rohkem kui praeguseid taksosid hinnaga 4-6€/sõit. Transpordi odavnemisel on omakorda positiivne mõju kõigile toodetele, mille hinnas on kohaletoomine oluline komponent (nt toit). Seega võidab ühiskond ja võidab uue tehnoloogia väljaarendaja/tootja (sest tal on võimalik seda kõigile kasumiga müüa), aga on ka ilmselged kaotajaid: need, kes ära automatiseeritakse.

Liigume selgelt lihttööde (sellised, mida saab ilma pikema hariduseta teha) äraautomatiseerimise suunas, seega lihttööjõud muutub aina vähem vajalikuks ja väärtuslikuks. Eeldatavasti langeb seega ka madalapalgaliste palk3. Kapitali (investeeringute) pealt saab samal ajal aga aina rohkem teenida: kuna rohkem tööd teevad ära masinad, siis annab masinate omamine võrreldes ise töötamisega aina rohkem tulu. Inimkeeli: rikastel muutub rahateenimine aina lihtsamaks ja vaestel aina keerulisemaks.

See efekt kandub edasi ka üle põlvkondade, sest rikkad pärandavad oma lastele absoluutsummas palju rohkem kui vaesed. Teine oluline viis, kuidas see põlvkonna piiri ületab, on haridus. Haritud töötajad on turul paremas positsioonis (teenivad rohkem ja leiavad kergemini tööd), aga kooliskäimisel on kulu4 ja jõukamad vanemad suudavad oma laste õpinguid (kauem) toetada.

Kõik eelnev kokku tähendab, et kuigi pirukas kokkuvõttes kasvab, jääb mitterikastele jaotatav lõik aina väiksemaks: kindlasti protsentuaalselt ja võimalik, et ka absoluutselt.

Lahendused

Tavaliselt kirjutaksin siin lahti ka hulga lahendusi: näiteks võiks aidata tasuta kõrgharidus5, negatiivne tulumaks, kodanikupalk või muu sarnane skeem. Detailid ei ole aga praegu olulised: mulle tundub, et tihti vaieldakse väljapakutud skeemile vastu just detailide tõttu6. Kui teeme endale selgeks, et ebavõrdsus muutub aina suuremaks probleemiks, saame ühiselt hakata otsima aktsepteeritavaid lahendusi ning mitte vasak- ja parempoolsuse pinnal vastanduma.

Ja võib-olla tundub, et haletsen üleolevalt neid vaeseid, aga paarikümne aasta pärast võib sellesse gruppi kuuluda 90% elanikkonnast, sealhulgas sina ja mina.

NB: vaata altpoolt Kristjani ja Sandri kommentaare, mis vähendasid mu enesekindlust ülaltoodud argumentatsioonis.

 

Kaanepilt: Bob Jagendorf, avaldatud litsentsi CC BY-NC all.

Neli sõnakõlksu: masinõpe, tehisintellekt, suurandmed, andmeteadus

Jagan nelja enda definitsiooni mõistetest, mida kasutatakse palju, aga mille jaoks üldlevinud definitsioone kokku lepitud pole.

Masinõpe [machine learning]: hulk meetodeid, mis võimaldavad arvutil õppida kogemuste põhjal keerulisi ülesandeid lahendama.

Masinõppe kohta kirjutasin paar kuud tagasi ka põhjaliku postituse.

Tehisintellekt [artificial intelligence]:

1) inimese poolt loodud agent, mis on intelligentne, kus “intelligentne” tähendab ligikaudu “inimtasemel”. Mõnikord mõeldakse ka tehisintellekti all üldist intellekti, mis tähendab, et agent on võimeline õppima erinevaid ülesandeid lahendama ja teadmisi ühest ülesandest teise üle kandma.

2) uurimissuund, mille eesmärk on arendada ülalmainitud agente.Tehisintellekt kasutab palju masinõppe meetodeid, aga ka klassikalisemaid arvutiteaduse algoritme (nt otsingupuid).

Suurandmed [big data]: andmestikud, mis ei mahu ühe arvuti mällu (RAMi).

Suurima mäluga Amazoni virtuaalmasinal on praegu mälu 2 TB (2000 GB). Mõnikord mahuvad andmed küll ära, aga nende töötlemine võib nõuda kordades rohkem mälu.

Andmeteadus [data science]: ükskõik milline tegevus, mis aitab andmete põhjal kasulikke otsuseid teha.

See võib tähendada väga mittetehnilisi asju nagu kirjalikke analüüse või lihtsat kirjeldavat statistikat, veidi tehnilisemat tööd nagu andmete ettevalmistamist või visualiseerimist, või matemaatiliselt keerulisemaid asju nagu ennustamist (masinõppe meetodeid kasutades).

Kust leida usaldusväärset infot?

I

Hiljuti Tartus toimunud tõepõhjahäkatonil arutasin osalejate ja mentoritega küsimust: kuidas leida tõtt? Kui meil on konkreetne küsimus, näiteks “kas kofeiini tarbimine on sinu jaoks hea“, siis kust leiaksime infot, mis oleks täielik ja kallutamata? (Kui tahad laiemat ettekujutust mingist alast, annab head juhised LW artikkel “Scholarship: How to Do It Efficiently“.)

Continue reading

Veidi andmeid asendusteenistusest

Hiljuti oli meedias juttu asendusteenistuse kvaliteedist. Kuna mõtlesin samale teemale paar aastat tagasi palju (enne tervislikel põhjustel vabastuse saamist), on teema mulle hingelähedane.

Seaduse kohaselt saab asendusteenistust läbida asutustes, mis kuuluvad ühte kolmest kategooriast:
a) sotsiaalteenuse osutaja juures, nt hoolde- ja lastekodud, päeva- ja rehabilitatsioonikeskused
b) õppeasutuses, kus on loodud hariduslike erivajadustega õpilaste klassid, nt eriavajadustega õpilaste koolid
c) päästesündmuse lahendamisega tegelevad asutused

Kuna ma ei teadnud kedagi, kes teaks kedagi, kes oleks teenistuse läbinud mõnes päästeasutuses, tahtsin teada, kui paljud on seda teinud. Kaitseressursside amet jagas mulle teabenõude järel lahkelt tabeli kõigi seniste teenistuskohtadega ja seal asendusteenistuse läbinute arvuga. Tuleb välja, et kõik teenistujad on seni olnud a) või b) kategooria asutustes.

See fakt pole kuidagi sisemiselt halb, aga annab ettekujutuse selle kohta, milline asendusteenistus tavaliselt välja näeb. Kui keegi argumenteerib, et “mõtle, kui lahe oleks tuletõrjes töötada” või et päästeasutused on üks võimalik teenistuskoht, saab vastuvaidlemise asemel anda lihtsalt lingi.

Projektiideed andmeteaduses

Paar aastat tagasi otsustasin, et andmetega tegelemine on pikaajaliselt mõistlik: esiteks tundus see mu olemasolevate kalduvustega sobivat, teiseks tundus masinõppe kontseptsioon mulle äge ja võimas ja kolmandaks tundus, et tegu on tulevikus aina olulisemaks muutuva alaga.

Tagantjärele tundub objektiivselt — töö- ja koostööpakkumiste ja üldise huvi põhjal –, et mu valik oli õige. Arvan, et see on siiani mõistlik suund, kuhu siseneda: soovitan praegu ülikoolis esimestel kursustel õppijatele keskenduda andmetöötlusele. See soovitus kehtib sõltumata erialast ja tegelikult isegi juba ammu ülikooli lõpetanutele: olla “see tüüp, kes andmetega värki teha oskab” oma alal (olgu see sotsiaalteadus ülikoolis või tootearendus firmas) on hea nišš ja hea viis olla kasulik paljudele kolleegidele.

Pealegi on tegu üldistuvate oskustega, mistõttu ei ole keeruline liikuda teise firmasse või teadussuunda ja seal samasugust väärtust pakkuda. Ma tean vähemalt kaht psühholoogia taustaga andmeteadlast, üht keemikut, üht majandusteadlast ja hunnikut arvutiteadlasi/matemaatikuid/statistikuid/füüsikuid. Tugeva matemaatilise taustaga on võimalik päris kiiresti masinõppega järje peale saada ja ülejäänutel on võimalus võtta ette andmeteaduse teine pool: visualiseerimine ja sisuline analüüs — kaks asja, mis on ettevõtetes väga kasulikud.

Ülalkirjutatust on paljud kindlasti aru saanud ja leidnud, et andmetega töötamine on tõepoolest äge, ning võib-olla isegi võtnud paari kursust sel teemal. Selles positsioonis olles on õppimise mõttes väga väärtuslik teha praktilisi projekte, aga kohe kerkivad küsimused: mis küsimusele oleks huvitav vastata? Mis andmeid võiks selleks kasutada (ja mis on üldse kättesaadav)?

Nendele küsimustele vastamiseks lõin datasci.ee alla lehe, kus on praegu 10 projektiideed, igaühe kohta lühike motivatsioon, kirjeldus ja raskusaste. Projekte on nii lihtsaid kui keerulisi ning nad eeldavad eri taustaga inimesi, seega loodan, et sealt on igaühel midagi põnevat leida.

PS: Lehele saab uusi projektiideid Githubi kaudu lisada igaüks, seega ära jäta oma ideed sahtlisse vedelema!

Elustiilipuhitus: asjade ja kogemuste tagaajamine

Tüüpiliselt tõuseb sissetulek elu jooksul: karjääri edenedes ja oskuste kasvades oleme tööjõuturul rohkem väärt. Seetõttu peaks rahaline olukord vanusega ka aina paremaks minema: suurem sissetulek tähendab rohkem sääste, rohkem investeeringuid ja rohkem finantsturvalisust.

Kasvavale palgale töötab aga vastu elustiilipuhitus (lifestyle bloat): kulude automaatne kasv koos tulude tõusuga. Kui töökohta vahetades tõuseb palk 1500€ pealt 2000€ peale, tekib palju häid mõtteid raha kulutamiseks: auto on juba mitu aastat vana; 50-ruutmeetrine korter hakkab kahele inimesele väikeseks jääma; tavalise õlle asemel tahaks käsitööõlut, mis on filtreeritud läbi kolme liustiku ja käärinud Rooma paavsti keldris.

Continue reading