Rozhovory

Dr. Anthony Lee, prezident a generální ředitel Westcliff University – série rozhovorů

Antoine Tardif
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyPracovní připravenost nyní vyžaduje lidský dohled nad výstupy umělé inteligence a…
Zobrazit více
  • Pracovní připravenost nyní vyžaduje lidský dohled nad výstupy umělé inteligence a odpovědné rozhodování.
  • Gramotnost v oblasti AI musí být začleněna do učebních plánů všech oborů, nikoli považována za doplněk.
  • Hodnocení musí měřit skutečné uvažování a aplikovanou kompetenci, nikoli pouze automatizovanou produkci.

Dr. Anthony M. Lee je prezidentem Westcliff University v kalifornském Irvine, jedné z nejrychleji rostoucích univerzit v USA, která se za posledních deset let rozrostla z méně než několika set studentů na více než 3 000 studentů. Dr. Lee zastával vedoucí pozice na různých univerzitách a školách v USA i v zahraničí. Díky své odbornosti v inovativních hybridních a online programech spustil Dr. Lee nové programy, které kombinují a integrují technologii s tradičními prezenčními kurzy pro zlepšení výukového zážitku. Úspěšně vedl školy prostřednictvím akreditačního procesu na univerzitní a K-12 úrovni. Má zkušenosti s vedením v mnoha kritických oblastech vysokoškolského vzdělávání, včetně marketingu, financí, provozu, dodržování předpisů a akreditace.

Jak se vaše definice připravenosti na trh práce vyvinula v éře generativní umělé inteligence a automatizace?

Připravenost na trh práce dříve znamenala technickou způsobilost a schopnost okamžitě přispívat v rámci definované role. V éře generativní umělé inteligence je tato definice již nedostatečná, protože sama povaha práce se mění.

Dnes znamená připravenost efektivní činnost v prostředích, kde je inteligence rozdělena mezi lidi a stroje, kde se nástroje neustále vyvíjejí a kde výkon práce stále více podporuje technologie. Konkurenční výhoda již není pouze znalost, jak provádět úkoly, ale znalost, jak formulovat problémy, dohlížet na výstupy umělé inteligence, zpochybňovat předpoklady a uplatňovat úsudek v reálných podmínkách.

Jsme svědky posunu od provádění úkolů ke kognitivnímu dohledu. Práce na nástupních pozicích se nově vymezuje. Rutinní výroba může být automatizována, zodpovědnost nemůže. To klade větší důraz na kritické myšlení, etické uvažování, kontextuální povědomí a schopnost překládat výstupy umělé inteligence do zodpovědných rozhodnutí.

Na Westcliff University chápeme připravenost na trh práce jako integraci odborných znalostí, dovedností práce s umělou inteligencí a disciplinovaného lidského úsudku. Studenti musí rozumět, jak fungují generativní systémy, kde vytvářejí výhodu a kde představují riziko. Ještě důležitější je, že se musí naučit spolupracovat s těmito systémy bez delegování intelektuální zodpovědnosti.

Náš model prakticky zaměřeného vzdělávání vychází ze strukturované práce s novými technologiemi v autentických kontextech. Cílem není pouze ovládnutí nástrojů, ale adaptivní schopnost, schopnost zůstat efektivní, když se nástroje mění.

V této éře vyniknou profesionálové, kteří nebudou s umělou inteligencí soutěžit, ale dokážou ji uvážlivě řídit, důsledně prověřovat a nést odpovědnost za výsledky, které ovlivňuje. To je to, co připravenost na trh práce nyní vyžaduje.

Co znamená pro instituci brát umělou inteligenci vážně na úrovni kurikula a instituce, spíše než ji považovat za doplněk?

Umělá inteligence není pouze další výukový nástroj. Mění architekturu vzdělávání samotného.

Brát umělou inteligenci vážně znamená začít novým návrhem vzdělávání. Každý obor musí prozkoumat, jak generativní systémy mění profesní očekávání a určit, co vyžaduje profesní způsobilost podpořená umělou inteligencí. Hodnocení musí měřit způsob uvažování a aplikovanou způsobilost, ne pouze výstup.

Ale vážnost také vyžaduje institucionální soudržnost. Gramotnost umělé inteligence nemůže být izolována v samostatných kurzech. Profesní rozvoj vyučujících, správa, strategie hodnocení a dohled nad dodavateli musí být sladěny kolem jasného principu, že technologie by měla posílit akademickou kvalitu, nikoli ji oslabovat.

V tomto okamžiku se umělá inteligence stává součástí intelektuální infrastruktury univerzity. Utváří, jak je učení strukturováno, jak je prokazována způsobilost a jak je udržována institucionální důvěryhodnost v pracovním prostředí, kde lidský úsudek a strojová schopnost fungují vedle sebe. To je způsob, kterým se na Westcliff University pohybujeme dopředu.

Jak vyvažujete základní lidské dovednosti s učením studentů, aby účinně pracovali vedle umělé inteligence?

Nevnímám to jako volbu jednoho na úkor druhého. Naopak, generativní umělá inteligence zvyšuje hodnotu základních lidských schopností.

Když se rutinní kognitivní výroba stává levnou, diferenciátorem se stává vyšší řád myšlení. Kritické myšlení znamená formulovat lepší otázky a kriticky prověřovat výstupy umělé inteligence. Úsudek znamená vědět, kdy se spolehnout na systém a kdy se zastavit. Etika se stává praktickou a souvisí s porozuměním důsledkům nasazení inteligentních systémů ve velkém měřítku.

Studenti se musí naučit myslet v prostředí, kde je umělá inteligence přítomna. Formulování promptů je výchozím bodem, ale kognitivní dohled je hlubší dovednost. Absolventi musí být schopni formulovat a obhajovat závěry, které využívají informace od inteligentních systémů, ale nejsou jimi určovány.

Na Westcliff University považujeme dovednosti práce s umělou inteligencí za posílení základních dovedností. Studenti pracují s inteligentními nástroji, zatímco zůstávají zodpovědní za jasnost, důvěryhodnost a důsledky. Dlouhodobě vyniknou profesionálové, kteří spojí intelektuální hloubku s technologickou pružností. Umělá inteligence poskytuje rychlost a rozsah. Lidé musí přinášet rozvahu, zodpovědnost a vedení.

Které části vysokoškolského vzdělávání jsou nejvíce zranitelné vůči narušení umělou inteligencí a které oblasti jsou odolnější, než se lidé domnívají?

Nejzranitelnějšími oblastmi jsou ty, které jsou založeny na přenosu informací a standardizovaném výstupu. Pokud se model spoléhá primárně na přednášky nebo hodnocení, která měří výrobu, umělá inteligence jej brzy postaví před zásadní výzvu.

Vysokoškolské vzdělávání je odolnější, když se zaměřuje na strukturovaný rozvoj, mentorství, aplikovanou praxi, týmovou práci, klinické učení a utváření profesní identity. Umělá inteligence může tyto zkušenosti podpořit, nemůže však nahradit rozvoj založený na zpětné vazbě a odpovědnosti.

Rozhodující je způsob návrhu vzdělávání. Instituce, které se považují primárně za poskytovatele obsahu, jsou zranitelné. Ty, které fungují jako záměrně navržené vzdělávací systémy, zaměřené na uvažování, aplikovanou způsobilost a měřitelný růst, zůstávají vysoce relevantní.

Umělá inteligence zvyšuje standard pro to, jaké schopnosti musí dokládat získaná kvalifikace.

Jak by měly univerzity přehodnotit návrh studijních programů, když umělá inteligence zkracuje čas potřebný k získání dovedností a snižuje bariéry vstupu?

Když umělá inteligence zkracuje čas potřebný k získání technických dovedností, univerzity musí vyjasnit, v čem spočívá přidaná hodnota vysokoškolského titulu.

Pokud nástroje urychlují odbornou způsobilost, vysokoškolské vzdělávání se musí zaměřit na to, co nelze automatizovat, konceptuální hloubku, strukturované řešení problémů, etické úsudky a dlouhodobě udržitelný výkon v podmínkách omezení.

Studijní programy by měly být modulární a prakticky zaměřené, ale zároveň soudržné. Cílem je kumulativní způsobilost, spojující technickou způsobilost s uvažováním a adaptabilitou.

Umělá inteligence snižuje bariéry vstupu. Univerzity musí reagovat tak, že zvýší práh pro integraci, úsudek a prokázanou způsobilost. Titul musí dokládat trvalé kompetence, ne pouze seznámení s oborem.

Na Westcliff University považujeme studijní programy za dynamické ekosystémy spíše než pevné lineární pokroky. Kombinovatelné dílčí kvalifikace a postupné vzdělávací cesty umožňují studentům vracet se ke studiu při změnách v odvětvích a zachovávat přitom soudržnost i náročné akademické standardy. Flexibilita je důležitá, ale intelektuální pokrok je důležitější.

Jakou roli hraje umělá inteligence v hodnocení a udělování kvalifikací?

Umělá inteligence nutí vysokoškolské vzdělávání, aby se vypořádalo s realitou, která předchází této technologii. Mnoho tradičních hodnocení měřilo výrobu spíše než porozumění. Pokud lze úkol nyní automatizovat s minimálním úsilím, musíme se zeptat, zda vůbec někdy zachycoval způsob uvažování.

Hodnocení se musí posunout směrem k autentickému prokázání způsobilosti, ústnímu obhajování, scénářovému řešení problémů, iterativnímu zdokonalování, aplikovaným simulacím a portfoliu, které činí myšlení viditelným. V prostředí s umělou inteligencí nezáleží jen na samotném výstupu, ale také na kognitivním procesu, který za ním stojí.

Na Westcliff University jsme se přesunuli k ústnímu a iterativnímu modelu hodnocení, který vyžaduje, aby studenti formulovali a obhajovali svůj postup uvažování v reálném čase. Umělá inteligence může asistovat generováním adaptivních promptů a podporou škálovatelné zpětné vazby, ale odpovědnost za návrh zůstává na lidech. Instituce musí zajistit, aby hodnotily myšlenkové procesy studentů, ne výstup modelu.

Udělování kvalifikací se stále více týká prokázané způsobilosti spíše než nahromaděného času stráveného v lavici. Zaměstnavatelé chtějí důkazy o aplikované způsobilosti a zodpovědném úsudku. Instituce, které redesignují hodnocení proaktivně, posílí důvěryhodnost svých titulů.

Když je implementována uvážlivě, umělá inteligence odhaluje, kde akademické standardy musí být zvýšeny.

Jak přistupujete k řízení a dohledu, když zavádíte umělou inteligenci do výuky a správy?

Přistupujeme k umělé inteligenci, jako bychom přistupovali k jakémukoli systému, který významně ovlivňuje akademickou kvalitu a institucionální důvěryhodnost. Řízení začíná jasným účelem, definovanými hranicemi a jasnými liniemi zodpovědnosti.

Účinný dohled zajišťuje, že inovace posilují důvěru místo aby ji oslabovaly. To znamená přísné standardy ochrany dat a bezpečnosti, přezkum předpojatosti a spravedlnosti, když systémy ovlivňují výsledky studentů, a transparentnost o tom, které nástroje se používají a jak se data zpracovávají.

To také vyžaduje aktualizaci rámců akademické poctivosti, aby odrážely současné reality spíše než zastaralé předpoklady. Profesní rozvoj vyučujících je zásadní, aby zavádění technologií bylo záměrné a sladěné s cíli učení, nikoli roztříštěné nebo reaktivní.

Když jsme na Westcliff University zavedli modely hodnocení podporované umělou inteligencí, dohled byl vestavěn do designu. Vyučující sledovali zavádění, hodnotili dopady a zdokonalovali procesy na základě důkazů. Hodnocení dodavatelů probíhá průběžně, nikoli jen nárazově. Instituce musí pravidelně přehodnocovat sladění s akademickými standardy a ochranou studentů.

Cílem je zodpovědná inovace.

Jaké jsou nejčastější omyly, kterých se dopouštějí pedagogové, pokud jde o umělou inteligenci, a jaký je vyžadován posun myšlení?

Dva omyly se opakují. První je, že umělá inteligence je primárně problémem podvodu. Druhý je, že je to prostě nástroj produktivity. Ani jeden z těchto pohledů sám o sobě nestačí. Mnohem fundamentálněji odráží posun v tom, jak je generována, hodnocena a aplikována znalost.

Když instituce vnímají umělou inteligenci pouze jako problém akademické poctivosti, automaticky volí omezení. Když ji vnímají pouze jako nástroj efektivity, podceňují její důsledky. Důležitější otázkou je, jak navrhnout učení, aby bylo uvažování viditelné a spojené s odpovědností v prostředí s umělou inteligencí.

Požadovaný posun myšlení je od kontroly k designu. Vyučující se tak dostávají ještě více do centra dění jako tvůrci vzdělávacích zkušeností, které zdůrazňují úsudek, syntézu a aplikovanou způsobilost.

S institucionální podporou, sdílenými postupy a koherentním řízením mohou pedagogové opravdu postupovat tam, kde umělá inteligence zvyšuje laťku pro uvážlivou pedagogiku a činí akademický design důležitějším než kdykoli předtím.

Jak by měly univerzity připravovat studenty na trh práce, kde se role průběžně mění a umělá inteligence předefinovává vstupní úroveň práce?

Vstupní role tradičně sloužily jako výcvikové prostředí pro rutinní výrobní úkoly. V mnoha oblastech umělá inteligence nyní absorbuje většinu této počáteční práce. V důsledku toho se od absolventů očekává, že budou fungovat na vyšší úrovni dříve.

Příprava se musí proto zaměřit na schopnosti, které jsou obtížně automatizovatelné – formulování problémů, komunikace, rozhodování a zodpovědná supervize inteligentních systémů. Studenti musí být schopni pracovat v nejistotě, kde se nástroje vyvíjejí a role se průběžně mění.

Univerzity by měly zdůrazňovat adaptivní kompetence, které se uplatní v různých kontextech, spíše než úzkou specializaci. Strukturované, projektové učení s reálnými omezeními je nezbytné. Když studenti řeší komplexní problémy a obhajují svá doporučení, praktikují zodpovědné myšlení, které zaměstnavatelé stále více cení.

Znalost práce s umělou inteligencí se musí stát základní kompetencí. Ne každý potřebuje stavět modely, ale každý musí rozumět, jak inteligentní systémy ovlivňují rozhodnutí v jejich profesi.

Trh práce se bude nadále měnit. Odpovědností vysokoškolského vzdělávání není předpovídat každou roli, ale připravovat absolventy, kteří mohou přecházet mezi rolemi, učit se kontinuálně a přispívat smysluplně v prostředích formovaných stále rychlejším technologickým vývojem.

Co by signalizovalo, že univerzita se úspěšně adaptovala na změny vyvolané umělou inteligencí, spíše než pouze přežila?

Úspěch bude měřen výsledky, nikoli veřejným obrazem nebo povrchními ukazateli úspěchu.

Univerzita se skutečně adaptovala, když její kurikulum a modely hodnocení jsou přestavěny kolem kompetencí založených na reálném světě, spíše než na předávání obsahu. Vyučující dokážou promyšleně navrhovat výuku namísto opožděného přebírání nových postupů a studenti mohou jasně formulovat a obhajovat svůj úsudek způsoby, které nelze generovat na vyžádání.

Institucionální adaptace je také viditelná v řízení. Používání umělé inteligence je transparentní, dohled je vestavěn a můžeme prokázat, že důvěra v akademické výsledky se posiluje, spíše než eroduje.

Nejspolehlivějším indikátorem je však externí validace. Zaměstnavatelé uznávají, že absolventi prokázali vyzrálý úsudek, aplikovanou způsobilost, rozhodování a dovednost práce v prostředí podporovaném umělou inteligencí.

Adaptace znamená pružnost bez kompromisu. Instituce se vyvíjí spolu s technologií a přitom zachovává přísné standardy a etickou jasnost. Na Westcliff University věříme, že vytváříme vzdělávací model, který zůstává důvěryhodný, odolný a cenný, zatímco umělá inteligence dál proměňuje prostředí.

Děkujeme za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více o této univerzitě, by měli navštívit Westcliff University.

Antoine je vizionářský lídr a zakládající partner Unite.AI, kterého pohání neochvějné nadšení pro utváření a podporu budoucnosti umělé inteligence a robotiky. Jako podnikatel, který založil několik společností, věří, že AI promění společnost stejně zásadně jako elektřina, a často s nadšením hovoří o potenciálu převratných technologií a obecné umělé inteligence (AGI).

Jako futurista se věnuje zkoumání toho, jak tyto inovace budou utvářet náš svět. Je také zakladatelem Securities.io, platformy zaměřené na investice do špičkových technologií, které nově definují budoucnost a proměňují celá odvětví.