پذیرفتن هوش مصنوعی مولد در محیط کار
مهارت‌هایی که برای موفقیت در عصر مدل‌های زبانی بزرگ نیاز دارید
پیش‌بینی می‌شود که طی چند سال آینده، هوش مصنوعی مولد انواع مختلفی از مشاغل را به‌طور بنیادین متحول کند. این فناوری دیگر در انحصار فناوران نیست؛ اکنون تقریباً هر کسی می‌تواند با استفاده از دستورات به زبان روزمره به‌جای کدنویسی، از آن استفاده کند. بر اساس تحقیقات ما، اغلب کارکرد‌های مربوط به کسب‌وکار و بیش از ۴۰ درصد از فعالیت‌های شغلی در ایالات متحده می‌توانند با استفاده از هوش مصنوعی مولد تقویت، خودکارسازی یا بازآفرینی شوند. انتظار می‌رود این تغییرات بیشترین تأثیر را بر بخش‌های حقوقی، بانکی، بیمه و بازار سرمایه بگذارند و پس از آن بر خرده‌فروشی، سفر، سلامت و انرژی اثر بگذارند.
برای سازمان‌ها و کارکنانشان، این تحول عظیم پیامدهای بسیار مهمی دارد. در آینده، بسیاری از ما خواهیم دید که موفقیت حرفه‌ای‌مان وابسته به توانایی ما در گرفتن بهترین خروجی ممکن از مدل‌های زبانی بزرگ (LLMها) مانند چت‌جی‌پی‌تی خواهد بود و همین طور به توانایی‌مان در یادگیری و رشد همراه با آن‌ها. برای درخشش در این عصر تازه از همکاری انسان و هوش مصنوعی، اکثر افراد به یک یا چند مورد از آنچه ما «مهارت‌های آمیختگی» می‌نامیم نیاز خواهند داشت؛ از جمله پرسش‌گری هوشمندانه، وارد کردن قضاوت انسانی و کارآموزی دوطرفه.
پرسش‌گری هوشمندانه شامل دادن دستورات به مدل‌های زبانی بزرگ به گونه‌ای است که منجر به استدلال و نتایجی قابل اندازه‌گیری و بهتر شود. ساده بگوییم، این در واقع مهارتِ فکر کردن با هوش مصنوعی است. برای مثال، یک نمایندۀ خدمات مشتری در یک شرکت خدمات مالی ممکن است هنگام جستجوی پاسخ یک سؤال پیچیده از مشتری، از آن استفاده کند؛ یا یک دانشمند داروسازی برای بررسی ترکیبات دارویی و مولکولی؛ یا یک بازاریاب برای استخراج داده‌ها به‌منظور یافتن بهترین قیمت‌گذاری در خرده‌فروشی.
وارد کردن قضاوت انسانی، در واقع به‌کارگیری تشخیص انسانی است. زمانی که یک مدل هوش مصنوعی مولد دربارۀ آنچه باید انجام دهد اطمینان ندارد یا در استدلال خود فاقد اطلاعات زمینه‌ای درمورد کسب‌وکار و یا مسائل اخلاقی لازم است. ایده این است که نتایج تعاملات انسان و ماشین را قابل‌اعتمادتر کنیم. وارد کردن قضاوت انسانی نیازمند آن است که بدانیم کِی، کجا و چگونه باید وارد عمل شویم و اثربخشی آن از طریق قابل‌اعتماد بودن، دقت و قابلیت توضیح‌پذیری خروجی هوش مصنوعی سنجیده می‌شود.
با کارآموزی دوطرفه، شما به هوش مصنوعی کمک می‌کنید تا دربارۀ وظایف و نیازهای کسب‌وکار شما بیاموزد. با وارد کردن داده‌های غنی و دانش سازمانی در دستورهای خود، آن را برای تبدیل شدن به یک همکار برای تولید محتوا آموزش می‌دهید. این همان مهارت شخصی‌سازی هوش مصنوعی مولد بر اساس زمینۀ خاص کسب‌وکار شماست، تا به نتایج مطلوب برسید. در این فرآیند، خود شما هم می‌آموزید که چگونه هوش مصنوعی را برای مواجهه با چالش‌های پیچیده‌تر آموزش دهید. کارآموزی دوطرفه، که زمانی فقط مختص دانشمندان داده و کارشناسان تحلیلی برای ساخت مدل‌های داده بود، اکنون در نقش‌های غیر‌فنی نیز به‌شدت ضروری شده است.
چرا باید این مهارت‌های جدید برای فکر کردن، ایجاد اعتماد و شخصی‌سازی را به‌طور نظام‌مند توسعه دهید؟ پژوهش‌های تجربی به‌طور مداوم نشان می‌دهند که دستورات پراکنده و بدون ساختار (روشی که اکثر کارکنان امروزی از مدل‌های زبانی بزرگ استفاده می‌کنند) به نتایجی نامطمئن یا ضعیف منجر می‌شوند، به‌ویژه برای وظایف استدلالی پیچیده. این موضوع در بخش‌های مختلف از خدمات مشتری گرفته تا بازاریابی، لجستیک و تحقیق و توسعه صادق است. برای همۀ ما لازم است که در استفاده از هوش مصنوعی مولد در محل کار، رویکردی دقیق‌تر و نظام‌مندتر در پیش بگیریم. در ادامۀ این مقاله، توضیح خواهیم داد که چگونه این کار را انجام دهید.
چطور می‌توان خروجی یک سیستم فوق‌العاده پیچیده مثل یک مدل زبانی بزرگ (LLM) را بهتر کرد؟ سیستمی که بر پایۀ انبوهی از داده‌ها آموزش دیده است و به‌جای منطق انسانی، بر اساس احتمالات کار می‌کند. برای این کار چند تکنیک قابل استفاده وجود دارد:
مرحله‌به‌مرحله فکر کنید. وقتی به هوش مصنوعی مولد فرمان می‌دهید، باید فرآیندی را که قرار است دنبال کند به بخش‌های تشکیل‌دهندۀ آن بشکنید و تلاش کنید هر مرحله را بهینه کنید. درست مثل کاری که موج اول مدیریت علمی در صنعت انجام داد، با این تفاوت که فرآیند هوش مصنوعی به جای خط مونتاژ، زنجیره‌ای از تفکر را شامل می‌شود که نتیجه‌ای را دنبال می‌کنند. تحقیقات نشان داده‌اند که وقتی به ابزارهای هوش مصنوعی مولد دستور داده می‌شود که کارهای استدلالی را به این صورت تفکیک کنند، عملکردشان به‌طرز چشمگیری بهبود می‌یابد. این موضوع به‌ویژه در مورد مسائل دشوارتر صادق است. همان‌طور که جیسون وی، پژوهشگر مؤسسۀ OpenAI، که نخستین بار استدلال زنجیره‌ای را بررسی کرد، نشان داده است.
در واقع، افزودن عبارت سادۀ «بیا مرحله‌به‌مرحله فکر کنیم» به دستور یک مدل زبانی بزرگ، می‌تواند دقت خروجی آن را در طیفی از وظایف، از ریاضی گرفته تا استدلال استراتژی، بیش از سه برابر افزایش دهد. فرض کنیم فرمان شما به هوش مصنوعی مولد این باشد: «بخش ما بودجه‌ای معادل ۵۰۰۰۰۰ دلار دارد. ۲۰٪ از آن را صرف تجهیزات کرده‌ایم و ۳۰٪ را برای استخدام جدید اختصاص داده‌ایم. به‌تازگی ۵۰۰۰۰ دلار به بودجۀ ما اضافه شده است. بودجۀ باقی‌مانده چقدر است؟ بیا مرحله‌به‌مرحله فکر کنیم.» مدل این‌گونه پاسخ می‌دهد: «در ابتدا، بخش شما ۵۰۰۰۰۰ دلار بودجه داشت. ۲۰٪، یعنی ۱۰۰۰۰۰ دلار را صرف تجهیزات کردید، که ۴۰۰۰۰۰ دلار باقی می‌ماند. ۳۰٪، یا ۱۵۰۰۰۰ دلار را برای استخدام جدید اختصاص دادید، که بودجه را به ۲۵۰۰۰۰ دلار کاهش داد. در نهایت، ۵۰۰۰۰ دلار به بودجه افزوده شد. بنابراین بودجۀ باقی‌مانده ۳۰۰۰۰۰ دلار است.» هرچند بیشتر افراد می‌توانند این محاسبه را ذهنی انجام دهند، نکته اینجاست که مدل‌های زبانی بزرگ (که بسیار سریع‌تر عمل می‌کنند) می‌توانند وادار شوند که مراحل حل مسئله‌های بسیار پیچیده‌تر، مثل یافتن کوتاه‌ترین مسیر ممکن برای نمایندۀ فروش بین چند شهر، را به‌صورت مرحله‌به‌مرحله توضیح دهند. این باعث ایجاد زنجیره‌ای قابل‌ردیابی از استدلال می‌شود، که به‌جای ارائۀ یک پاسخ نهایی از دل فرآیندی مبهم، به شما امکان می‌دهد دقت نتایج را بررسی کنید.
پیش‌بینی می‌شود که طی چند سال آینده، هوش مصنوعی مولد انواع مختلفی از مشاغل را به‌طور بنیادین متحول کند. این فناوری دیگر در انحصار فناوران نیست؛ اکنون تقریباً هر کسی می‌تواند با استفاده از دستورات به زبان روزمره به‌جای کدنویسی، از آن استفاده کند. بر اساس تحقیقات ما، اغلب کارکرد‌های مربوط به کسب‌وکار و بیش از ۴۰ درصد از فعالیت‌های شغلی در ایالات متحده می‌توانند با استفاده از هوش مصنوعی مولد تقویت، خودکارسازی یا بازآفرینی شوند. انتظار می‌رود این تغییرات بیشترین تأثیر را بر بخش‌های حقوقی، بانکی، بیمه و بازار سرمایه بگذارند و پس از آن بر خرده‌فروشی، سفر، سلامت و انرژی اثر بگذارند.
برای سازمان‌ها و کارکنانشان، این تحول عظیم پیامدهای بسیار مهمی دارد. در آینده، بسیاری از ما خواهیم دید که موفقیت حرفه‌ای‌مان وابسته به توانایی ما در گرفتن بهترین خروجی ممکن از مدل‌های زبانی بزرگ (LLMها) مانند چت‌جی‌پی‌تی خواهد بود و همین طور به توانایی‌مان در یادگیری و رشد همراه با آن‌ها. برای درخشش در این عصر تازه از همکاری انسان و هوش مصنوعی، اکثر افراد به یک یا چند مورد از آنچه ما «مهارت‌های آمیختگی» می‌نامیم نیاز خواهند داشت؛ از جمله پرسش‌گری هوشمندانه، وارد کردن قضاوت انسانی و کارآموزی دوطرفه.
پرسش‌گری هوشمندانه شامل دادن دستورات به مدل‌های زبانی بزرگ به گونه‌ای است که منجر به استدلال و نتایجی قابل اندازه‌گیری و بهتر شود. ساده بگوییم، این در واقع مهارتِ فکر کردن با هوش مصنوعی است. برای مثال، یک نمایندۀ خدمات مشتری در یک شرکت خدمات مالی ممکن است هنگام جستجوی پاسخ یک سؤال پیچیده از مشتری، از آن استفاده کند؛ یا یک دانشمند داروسازی برای بررسی ترکیبات دارویی و مولکولی؛ یا یک بازاریاب برای استخراج داده‌ها به‌منظور یافتن بهترین قیمت‌گذاری در خرده‌فروشی.
وارد کردن قضاوت انسانی، در واقع به‌کارگیری تشخیص انسانی است. زمانی که یک مدل هوش مصنوعی مولد دربارۀ آنچه باید انجام دهد اطمینان ندارد یا در استدلال خود فاقد اطلاعات زمینه‌ای درمورد کسب‌وکار و یا مسائل اخلاقی لازم است. ایده این است که نتایج تعاملات انسان و ماشین را قابل‌اعتمادتر کنیم. وارد کردن قضاوت انسانی نیازمند آن است که بدانیم کِی، کجا و چگونه باید وارد عمل شویم و اثربخشی آن از طریق قابل‌اعتماد بودن، دقت و قابلیت توضیح‌پذیری خروجی هوش مصنوعی سنجیده می‌شود.
با کارآموزی دوطرفه، شما به هوش مصنوعی کمک می‌کنید تا دربارۀ وظایف و نیازهای کسب‌وکار شما بیاموزد. با وارد کردن داده‌های غنی و دانش سازمانی در دستورهای خود، آن را برای تبدیل شدن به یک همکار برای تولید محتوا آموزش می‌دهید. این همان مهارت شخصی‌سازی هوش مصنوعی مولد بر اساس زمینۀ خاص کسب‌وکار شماست، تا به نتایج مطلوب برسید. در این فرآیند، خود شما هم می‌آموزید که چگونه هوش مصنوعی را برای مواجهه با چالش‌های پیچیده‌تر آموزش دهید. کارآموزی دوطرفه، که زمانی فقط مختص دانشمندان داده و کارشناسان تحلیلی برای ساخت مدل‌های داده بود، اکنون در نقش‌های غیر‌فنی نیز به‌شدت ضروری شده است.
چرا باید این مهارت‌های جدید برای فکر کردن، ایجاد اعتماد و شخصی‌سازی را به‌طور نظام‌مند توسعه دهید؟ پژوهش‌های تجربی به‌طور مداوم نشان می‌دهند که دستورات پراکنده و بدون ساختار (روشی که اکثر کارکنان امروزی از مدل‌های زبانی بزرگ استفاده می‌کنند) به نتایجی نامطمئن یا ضعیف منجر می‌شوند، به‌ویژه برای وظایف استدلالی پیچیده. این موضوع در بخش‌های مختلف از خدمات مشتری گرفته تا بازاریابی، لجستیک و تحقیق و توسعه صادق است. برای همۀ ما لازم است که در استفاده از هوش مصنوعی مولد در محل کار، رویکردی دقیق‌تر و نظام‌مندتر در پیش بگیریم. در ادامۀ این مقاله، توضیح خواهیم داد که چگونه این کار را انجام دهید.
پرسش‌گری هوشمندانه از هوش مصنوعی
چطور می‌توان خروجی یک سیستم فوق‌العاده پیچیده مثل یک مدل زبانی بزرگ (LLM) را بهتر کرد؟ سیستمی که بر پایۀ انبوهی از داده‌ها آموزش دیده است و به‌جای منطق انسانی، بر اساس احتمالات کار می‌کند. برای این کار چند تکنیک قابل استفاده وجود دارد:
مرحله‌به‌مرحله فکر کنید. وقتی به هوش مصنوعی مولد فرمان می‌دهید، باید فرآیندی را که قرار است دنبال کند به بخش‌های تشکیل‌دهندۀ آن بشکنید و تلاش کنید هر مرحله را بهینه کنید. درست مثل کاری که موج اول مدیریت علمی در صنعت انجام داد، با این تفاوت که فرآیند هوش مصنوعی به جای خط مونتاژ، زنجیره‌ای از تفکر را شامل می‌شود که نتیجه‌ای را دنبال می‌کنند. تحقیقات نشان داده‌اند که وقتی به ابزارهای هوش مصنوعی مولد دستور داده می‌شود که کارهای استدلالی را به این صورت تفکیک کنند، عملکردشان به‌طرز چشمگیری بهبود می‌یابد. این موضوع به‌ویژه در مورد مسائل دشوارتر صادق است. همان‌طور که جیسون وی، پژوهشگر مؤسسۀ OpenAI، که نخستین بار استدلال زنجیره‌ای را بررسی کرد، نشان داده است.
در واقع، افزودن عبارت سادۀ «بیا مرحله‌به‌مرحله فکر کنیم» به دستور یک مدل زبانی بزرگ، می‌تواند دقت خروجی آن را در طیفی از وظایف، از ریاضی گرفته تا استدلال استراتژی، بیش از سه برابر افزایش دهد. فرض کنیم فرمان شما به هوش مصنوعی مولد این باشد: «بخش ما بودجه‌ای معادل ۵۰۰۰۰۰ دلار دارد. ۲۰٪ از آن را صرف تجهیزات کرده‌ایم و ۳۰٪ را برای استخدام جدید اختصاص داده‌ایم. به‌تازگی ۵۰۰۰۰ دلار به بودجۀ ما اضافه شده است. بودجۀ باقی‌مانده چقدر است؟ بیا مرحله‌به‌مرحله فکر کنیم.» مدل این‌گونه پاسخ می‌دهد: «در ابتدا، بخش شما ۵۰۰۰۰۰ دلار بودجه داشت. ۲۰٪، یعنی ۱۰۰۰۰۰ دلار را صرف تجهیزات کردید، که ۴۰۰۰۰۰ دلار باقی می‌ماند. ۳۰٪، یا ۱۵۰۰۰۰ دلار را برای استخدام جدید اختصاص دادید، که بودجه را به ۲۵۰۰۰۰ دلار کاهش داد. در نهایت، ۵۰۰۰۰ دلار به بودجه افزوده شد. بنابراین بودجۀ باقی‌مانده ۳۰۰۰۰۰ دلار است.» هرچند بیشتر افراد می‌توانند این محاسبه را ذهنی انجام دهند، نکته اینجاست که مدل‌های زبانی بزرگ (که بسیار سریع‌تر عمل می‌کنند) می‌توانند وادار شوند که مراحل حل مسئله‌های بسیار پیچیده‌تر، مثل یافتن کوتاه‌ترین مسیر ممکن برای نمایندۀ فروش بین چند شهر، را به‌صورت مرحله‌به‌مرحله توضیح دهند. این باعث ایجاد زنجیره‌ای قابل‌ردیابی از استدلال می‌شود، که به‌جای ارائۀ یک پاسخ نهایی از دل فرآیندی مبهم، به شما امکان می‌دهد دقت نتایج را بررسی کنید.
نویسنده
جیمز ویلسون مدیر مرکز تحقیق کسب‌وکار و فناوری اطلاعات مرکز اکسنچر است.
پل داهرتی مدیر ارشد نوآوری و فناوری اکسنچر است.
نظرات شما