DeepSeek’s R1: Užitečné připomínání

Jako vysokoškolský pedagog a bývalý odborník z IT průmyslu, jsem si vědom, že hype kolem čínského modelu DeepSeek R1 je užitečným připomínáním tří věcí.

První je, že generativní AI již není pouze o zpracování velkých množství obsahu pro generování relevantních odpovědí na podněty; je to také o kognitivním uvažování („R“ v R1).

Slib velkých jazykových modelů (LLM) spočívá v tom, že masivní znalostní vyhledávání a kognitivní zpracování – dříve výhradní doména „mozků“ s superpočítači – je nyní v rukou téměř každého. Díky nové generaci technologií, které zvyšují efektivitu, existují modely, které jsou dostatečně malé na to, aby běžely na konvenčním laptopu a mohly podporovat několik inteligentních agentů, které mohou autonomně vykonávat složité, interaktivní úkoly.

Druhým je, že revoluce generativní AI je především o inovacích a kreativitě – nejde pouze o závod ve výkonnosti hardwaru, velikosti trénovacích datových sad nebo počtu modelových parametrů. Úspěšná adopce těchto technologií nebude určena velkými technologickými firmami s obrovskými, energeticky náročnými superpočítači, které trénují modely za miliardy dolarů – ale zeměmi a organizacemi, které investují do lidského kapitálu, aby je připravily na tuto novou vlnu.

Třetím, a navazujícím na předchozí bod, je, že Amerika nezdá se být příliš dobře připravena na dramatické změny, které přicházejí do naší ekonomiky a společnosti. Uvedu dva příklady: vysokoškolské vzdělávání a firemní Amerika.

Vysokoškolské vzdělávání

Ve většině institucí vyššího vzdělávání je prvním velkým rozhodnutím studenta prvního ročníku rozhodnout se, zda bude studovat bakalářské studium (BA), které je spojeno s širším, interdisciplinárním vzděláním, nebo bakalářské studium (BS), které je více zaměřeno na rozvoj dovedností a praktických zkušeností v konkrétních oblastech.

V éře AI je toto rozlišení nadmíru zastaralé, protože obě sady disciplín se stávají nezbytnými na pracovišti.

Skutečnost je taková, že většina studentů prvního ročníku nemá ani tušení, co to znamená pracovat v různých typech zaměstnání, nebo dokonce jaké jsou relativní silné a slabé stránky jejich vlastních schopností, talentů, dovedností a dispozic. A přesto je většina studentů prvního ročníku povinna zvolit si specializaci, což bude snadné rozhodnutí pouze pro malou část těch, kteří (pro lepší nebo horší) vědí (nebo si alespoň myslí, že vědí), jaký obor chtějí sledovat: inženýrství, vědu, medicínu, právo atd.

Potřebujeme zcela odlišný, kariérně připravený, širší, interdisciplinární přístup k vysokoškolskému vzdělávání, který uznává, že první plnohodnotné zaměstnání absolventa může mít vůbec nic společného s titulem, který získal, nebo jeho specializací; že jeho vysokoškolská zkušenost bude představovat pouze první fázi celoživotní cesty kontinuálního učení – dalšího vzdělávání, získávání nových kvalifikací, reinvenční, kariérního přepínače – pro role, které si ani nemůžeme představit.

Kromě toho, jako pedagogové, potřebujeme vyvinout nové strategie pro řešení plagiarismu AI a navigaci nebezpečí, že chatboty se stanou intelektuálními zkratkami, nebo „kognitivními odbočkami“ – tendencí spoléhat se na externí nástroje místo rozvoje vnitřních schopností.

V době, kdy je znalost oddělena od porozumění, je příliš velké pokušení prostě požádat AI o okamžitou odpověď nebo řešení, místo aby se snažilo porozumět konceptu nebo vyřešit problém.

Firemní IT

Většina firem také nezdá se být si vědoma organizačních dopadů těchto nových technologií.

Stávající role a struktury IT odrážejí organizační požadavky z předchozí, digitální revoluce. Tyto funkce vznikly z specializovaných odborných znalostí vyžadovaných pro lidi, aby používali a interagovali s počítači – programování, datové inženýrství, počítačová architektura, správa sítě, informační bezpečnost atd.

Naproti tomu je generativní AI (a celý obor přirozeného jazykového zpracování, který ho předcházel) o navrhování a trénování počítačů, aby interagovaly s lidmi.

V důsledku toho zaměstnanci vynalézají géniové (a někdy nebezpečné) způsoby, jak tyto technologie používat. Organizace se potýkají s vytvářením funkčních politik, postupů a kontrol, aby maximalizovaly potenciální výhody produktivity a minimalizovaly rizika.

Klíčovým problémem je, že ve většině firem je odborná znalost v oblasti datové vědy koncentrována v IT odděleních, která většinou stále fungují jako tajné cechy s vlastním tajemným jazykem a postupy, které jsou organizačně a funkčně izolovány od základních obchodních jednotek. Domnívám se, že nastávající produktivní revoluce vyžaduje nové typy organizačních rolí a struktur, ve kterých je odborná znalost v oblasti dat propojena s téměř všemi aspekty provozu.

A je zde také výzva spojená s daty. Ve většině organizací je adopce AI o customizaci LLM, aby vykonávaly specializované použití s využitím proprietárních dat. Zatímco uživatelé dat v obchodních jednotkách chtějí úplně přesná, čistá a dobře spravovaná data, individualizovaní vlastníci dat v IT nemají rozpočet, finanční pobídky nebo organizační autoritu, aby zajistili tuto úroveň kvality a transparentnosti.

Jako výsledek, interní datové sady nejsou dobře spravovány napříč podnikem. Obvykle jsou různé typy dat uloženy na různých místech. Na žádosti obchodních uživatelů IT poskytuje různé pohledy na data, vytváří různé kopie (a kopie kopií) dat a vytváří expozice a abstrakce dat pro různé důvody… V tomto okamžiku nikdo neví, které verze jsou zastaralé, neúplné, duplicitní, nesprávné nebo jejich kontext.

Závěr

​Generativní AI má potenciál transformovat všechny formy znalostního práce. V jeho jádru je tato technologie o demokratizaci odborné znalosti (pro dobré i špatné) – odstranění specialistů, jako jsou kodéři, videografici, ilustrátoři, spisovatelé, editoři a téměř jakýkoli typ znalostního pracovníka nebo „odborníka“. Nikdy předtím lidé nezacházeli s technologií, která se rovnala jejich vlastním kognitivním schopnostem a uvažování – pouze jejich fyzické síle, vytrvalosti, přesnosti a schopnosti zpracovávat velké množství dat.

Tato vzrušující nová produktivní revoluce vyžaduje nové dovednosti, schopnosti a organizační struktury, ve kterých je odborná znalost v oblasti dat integrována do téměř všech obchodních procesů.

Ironií je, že když stroje dosahují větších analytických schopností, postavení a hodnota zaměstnance v organizační hierarchii se může stát méně funkcí specializované odborné znalosti, zkušeností a kvalifikací a více jejich kreativních, multidisciplinárních a mezilidských dovedností.

Čas na rozvoj a investice do těchto schopností je nyní.