Генеративният изкуствен интелект (AI) се очаква радикално да трансформира всички видове работни места през следващите няколко години. AI вече може да бъде пуснат в работа от почти всеки, като се използват команди на ежедневен език вместо код.

Според различни изследвания повечето бизнес функции и повече от 40% от цялата работна дейност в САЩ могат да бъдат увеличени, автоматизирани или преоткрити с AI, пише Harvard Business Review. Очаква се промените да окажат най-голямо въздействие върху правния, банковия, застрахователния и капиталовия сектор, следвани от търговията на дребно, пътуванията, здравеопазването и енергетиката.

За организациите и техните служители тази задаваща се промяна има огромни последици. В бъдеще много от нас ще открият, че нашият професионален успех зависи от способността ни да извличаме възможно най-добрия резултат от големи езикови модели (LLM) като ChatGPT - и да учим и да растем заедно с тях.

За да се отличат в тази нова ера на сътрудничество между AI и човек, повечето хора ще се нуждаят от това, което наричаме "умения за синтез" - интелигентно разпитване, интегриране на преценка и реципрочно чиракуване.

Интелигентното разпитване включва подсказване на LLM (или казано на обикновен език, даване на инструкции) по начини, които ще доведат до измеримо по-добри разсъждения и резултати. Казано просто, това е умението да мислиш с AI. Например представител за обслужване на клиенти в компания за финансови услуги може да го използва, когато търси отговор на сложно клиентско запитване; фармацевтичен учен, който да изследва лекарствени съединения и молекулярни взаимодействия; маркетолог, за да извлича информация от набори от данни, и т.н.

Интегрирането на преценката е свързано с въвеждането на човешка проницателност, когато езиковият модел не е сигурен какво да прави или му липсва необходимият бизнес или етичен контекст в разсъжденията му. Идеята е резултатите от взаимодействието човек-машина да станат по-надеждни. Интегрирането на преценката изисква усещане къде, кога и как да се намеси и нейната ефективност се измерва от надеждността, точността и обяснимостта на резултатите.

С реципрочно чиракуване AI научава за вашите бизнес задачи и нужди, като включва богати данни и организационни познания в подканите, които му давате. По този начин го обучавате да бъде ваш създател. Това е умението да приспособявате генеративния AI към конкретния бизнес контекст на вашата компания, така че да може да постигне желаните от вас резултати.

Докато правите това, вие сами се научавате как да обучавате AI да се справя с по-сложни предизвикателства. Някога способност, от която се нуждаеха само учените по данни и експертите по анализи, изграждащи модели на данни, реципрочното чиракуване става все по-решаващо за нетехнически позиции.

Защо трябва систематично да развивате тези нови умения за мислене, изграждане на доверие и приспособяване? Емпиричните изследвания последователно показват, че ad hoc инструкциите - начинът, по който повечето служители правят запитвания към големи езикови модели, водят до ненадеждни или лоши резултати, особено за сложни задачи за разсъждение. Това важи за всички функции, от обслужване на клиенти, през маркетинг и логистика, до научно-изследователска дейност. За всички нас е изключително важно да внесем по-голяма организация в използването на изкуствен интелект от ново поколение на работа.

Интелигентно разпитване

Как да подобрите изхода на изключително сложна система като LLM, която се обучава върху планини от данни и се ръководи от вероятности вместо от човешка логика? Има няколко техники, които можете да използвате.

Мислете стъпка по стъпка. Когато задавате команди на AI, трябва да разбиете процеса, който той трябва да следва, на съставните части и след това да се стремите да оптимизирате всяка стъпка - точно както първата вълна на научното управление направи в промишленото производство. Това е на практика верига от мисли, чрез които се търси резултат.

Според проучванията AI инструментите от ново поколение са инструктирани да разбиват задачите за разсъждение по този начин. Когато това се спазва, тяхната производителност се подобрява драстично. Това е особено вярно при по-трудни проблеми, както демонстрира Джейсън Уей, изследовател на OpenAI, който пръв изследва разсъжденията по веригата на мислите.

LLM (които работят много по-бързо) могат да бъдат накарани да описват подробно работата си по сложни количествени проблеми. Това създава проследима верига от разсъждения, вместо да "изплюе" отговор в края на процес, който изглежда като "черна кутия". Това позволява проверка на точността на резултатите.

Обучете LLM на етапи. За сътрудничество човек-машина при сложни задачи, които изискват професионална експертиза, като право, медицина, научноизследователска и развойна дейност или управление на инвентара, можете да въведете AI в работата на етапи, за да генерирате по-добри резултати.

В ненаучна област като управление на инвентара, етапите на подзадачата могат да включват прогнозиране на търсенето, събиране на данни за инвентара, прогнози за повторни поръчки, оценка на количеството на поръчката и оценка на ефективността. За всяка следваща подзадача мениджърите ще обучават, тестват и валидират модела със своя опит и информация в областта.

При научни задачи AI може да бъде прецизно настроен, за да научи структурната биофизика на ДНК например.

Изследвайте креативно с LLM. Много работни процеси, от проектиране на стратегия до разработване на нов продукт, са отворени и повтарящи се. За да се възползвате максимално от взаимодействието човек-AI в тези дейности, трябва да насочвате машините да визуализират множество потенциални пътища към решение и да реагират по начини, които не са линейни и двоични.

Този вид интелигентно запитване може да повиши способността на големите езикови модели да произвеждат точни прогнози за сложни финансови и политически събития.

Включване на преценка. Включването на експертно и етично човешко разбиране в уравнението ще бъде от решаващо значение за генериране на AI резултати, които са надеждни, точни и обясними и имат положително влияние върху обществото.

Една от техниките, които могат да се приложат за това, е RAG, или разширено генериране на извличане. LLM могат да халюцинират, но информацията и наборите от данни, върху които се обучават, често са от много години. Когато работят с LLM, хората трябва често да правят преценки за степента, в която надеждната, уместна и актуална информация в резултатите ще бъде критична. Можете да използвате разширено генериране на извличане (RAG), за да добавите информация от авторитетни бази данни към готови източници за обучение на LLM. Това може да помогне за предотвратяване на дезинформация, остарели отговори и неточности.

Един фармацевтичен изследовател, например, може да използва RAG, за да се докосне до бази данни с човешки геном, скорошни публикации в научни списания, бази данни, обхващащи предклинични изследвания и насоки на FDA.

Ако използвате поверителни данни или частна информация във вашите подкани за AI, трябва да се използват само одобрени от компанията модели зад корпоративни защитни стени, никога LLM с отворен код или публични. Обърнете внимание на пристрастията, които може да вградите в подканата си.

LLM доставчиците измислят начини да помогнат на потребителите да се справят с подобни проблеми. Microsoft и Google добавят функции, които помагат на потребителите да проверяват за опасни подкани и отговори. Salesforce разработи AI архитектура, която маскира всички поверителни данни на клиента при конструирането на подкани; предотвратява споделянето на такива данни с LLM на трети страни; оценява резултатите за рискове; събира отзиви за подобряване на шаблоните за подкана.

Внимавайте за подозрителни резултати. Бъдете нащрек за халюцинации и грешки, които според текущите изследвания са неизбежни дори при значително инженерство на данни и други интервенции. Когато потребителите на LLM се сблъскат с резултат, който изглежда неправилен, те често рефлексивно подканват модела да опитва отново и отново, а това още повече намалява качеството на отговора.

Изследователите препоръчват вместо това да идентифицирате стъпката, в която AI е допуснал грешка, и да накарате отделен LLM да изпълни тази една стъпка, като първо я раздели на по-малки отделни проблеми. След това можете да използвате кода, за да коригирате първия LLM.

Превръщане на AI във ваш чирак

С нарастването на размера и сложността на езиковите модели те могат да проявят мощни нови способности, като усъвършенствани разсъждения, за които не са били обучени и които се появяват след приспособяването им към контекстуални данни или знания. За да стимулирате тяхното развитие, можете да осигурите "демонстрации на мисълта".

Преди да дадете на LLM проблем за решаване, можете да го подготвите да мисли по определен начин. Например можете да го научите на разсъждение "от най-малко към най-голямо" и до му покажете как да раздели сложно предизвикателство на няколко по-малки, по-прости предизвикателства.

Можете да научите AI как да изпълни дадена задача, като преминете през набор от примери в рамките на контекст във вашите подкани. Това се нарича "обучение в контекст" и ви позволява да адаптирате предварително обучени LLM като GPT-4, Claude и Llama без понякога трудоемкия процес на коригиране на техните параметри.

Можете също така да обучите LLM, като му предоставите контекстуална информация и след това му задавате въпроси, докато реши проблема ви.

Реципрочното учене се случва, когато потребителите напредват от използването на прости въпроси или инструкции и постепенно описват задачата с все по-голяма сложност и нюанси. Те могат да добавят контекст, да коригират формулировката и да видят как моделът реагира, като експериментират, докато постигнат желаните резултати.

Придобиване на нови умения за синтез

Широко разпространеното придобиване на умения за работа с изкуствен интелект ще изисква не само значителни инвестиции от организациите, но и индивидуална инициатива, обучение и упорит труд.

AI революцията не идва, тя вече е тук и водещи компании използват технологията, за да преосмислят процесите в индустрии, функции и работни места. Генеративният изкуствен интелект драстично вдигна летвата и изисква от нас да мислим с AI, да гарантираме, че му се доверяваме, и непрекъснато да го адаптираме - и себе си - за да се представяме по-добре.

Никоя друга голяма иновация в историята не се е развивала толкова бързо. Работата със знания е настроена да се трансформира по-бързо и мощно, отколкото много от нас могат дори да си представят. Бъдещето на бизнеса ще се движи не само от изкуствения интелект от ново поколение, но и от хората, които знаят как да го използват най-ефективно.

Маркетинговата индустрия е сред секторите, които изкуственият интелект трансформира най-бързо. Ако искате да се подготвите за задълбочено разбиране на ролята на AI технологиите в маркетинга в социалните мрежи, обучението AI in Social Media Masterclass ще бъде интересно за вас. Повече за обучението можете да прочетете тук!