对训练有素的软件工程师和程序员的依赖)都有其特殊性。在这里，我们关注ML，它是21世纪第二个十年AI的主要形式。Catherine Dong(2017)解释说，“机器学习工程分为三个阶段:数据处理、模型构建、部署和监控。她说，这个“三明治”中的“肉”是模型的构建。软件工程师就是在这里开发算法来识别给定的输入数据，无论是猫的数字图像，还是过马路的行人，还是搜索词的配置，或者购买记录，或者社交媒体话题。这个学习过程在数千或数百万个训练样本上进行测试、调整和改进，然后在原始数据上进一步测试，其中模式信号与噪声混合(猫的图像与狗、羚羊和大象的图像;独轮车、邮筒和独轮车旁的行人，等等)。在这一过程的最后，AI应该能够以可接受的置信度识别其目标对象，并在不同模式之间建立统计相关性(白天过马路的行人比晚上多;女性比男性更频繁地发布猫的图像等)。正是这些能力赋予了ML不可思议的、非人的预测关联和结果的能力。
有许多技术可以构建算法模型一一“线性/逻辑回归、随机森林和增强决策树”——计算机科学家已经熟悉了一段时间(Dong2017)。这些技术被用来创建朋友建议、广告定位、推荐和搜索排名，这些都是日常互联网使用的一部分。然而，最复杂的机器学习建模涉及“深度神经网络”，“很难训练………需要更多的时间和计算能力”，以及“直觉和试错的结合”(Dong2017)。虽然ML方面的课程和diy指导正在激增，开源工具库也广泛可用，但神经网络方面的深度专业知识却很少见;全球有能力的计算机科学家可能只有几千人(《经济学人》2017b)。这就解释了为什么企业会为这些人才展开激烈的竞购战，以及他们可以获得的高薪和福利。因此，机器学习强化了基本的软件开发劳动过程，在这个过程中，核心活动是由一小群高技能的技术科学工作者进行的。
虽然机器学习的“肉”是算法模型的制作，但它是“三明治过程的面包”——在训练算法之前和之后发生的事情——“将一切结合在一起”(Dong2017)。这两种
76
. inhuman power