Ali Ansari, ιδρυτής και διευθύνων σύμβουλος της micro1 – Σειρά συνεντεύξεων

Ο Ali Ansari είναι ιδρυτής και διευθύνων σύμβουλος της micro1, όπου επικεντρώνεται στη μετατροπή της ανθρώπινης τεχνογνωσίας σε δεδομένα εκπαίδευσης και αξιολογήσεις για προηγμένα συστήματα τεχνητής νοημοσύνης. Η επιχειρηματική του πορεία περιλαμβάνει τη δημιουργία μιας εταιρείας ανάπτυξης λογισμικού και την ίδρυση της peerlinc, πριν από την έναρξη λειτουργίας της micro1 το 2022. Σπούδασε επιστήμη υπολογιστών στο UC Berkeley και στο Stanford, με έμφαση στη μάθηση ενισχύσεως, και σήμερα εργάζεται πάνω στα συστήματα που απαιτούνται για την προσέλκυση, την αξιολόγηση και τον συντονισμό της συμβολής ειδικών στην ανάπτυξη της τεχνητής νοημοσύνης.

Η micro1 είναι ένα εργαστήριο δεδομένων που συμβάλλει στην εκπαίδευση μοντέλων τεχνητής νοημοσύνης αιχμής και στην αξιολόγηση πρακτόρων τεχνητής νοημοσύνης, αξιοποιώντας τη συνεισφορά ειδικών και ρεαλιστικά εργασιακά περιβάλλοντα. Η πλατφόρμα της συνδυάζει την πρόσληψη ειδικών, την παραγωγή δεδομένων, τον έλεγχο ποιότητας και την αξιολόγηση μοντέλων σε τομείς όπως η νομική, η υγειονομική περίθαλψη, τα χρηματοοικονομικά, η μηχανική και οι επιστήμες. Σε αυτή τη συνέντευξη, ο Ansari συζητά γιατί αυξάνεται η ζήτηση για ανθρώπινη τεχνογνωσία, πώς τα επιχειρησιακά δεδομένα υποστηρίζουν τη μάθηση ενισχύσεως και ποιες ευκαιρίες σταδιοδρομίας αναδύονται γύρω από την εκπαίδευση και την αξιολόγηση της τεχνητής νοημοσύνης.

Ιδρύσατε τη micro1 το 2022, αφού προηγουμένως δημιουργήσατε και πουλήσατε την peerlinc. Ποιο πρόβλημα προσπαθούσατε αρχικά να λύσετε και πώς εξελίχθηκε η micro1 σε εταιρεία που εστιάζει στην εκπαίδευση και την αξιολόγηση μοντέλων τεχνητής νοημοσύνης αιχμής;

Αρχικά, ήταν ένα πρόβλημα που αντιμετώπιζα στη δική μου επιχείρηση. Είχα μια εταιρεία ανάπτυξης λογισμικού και κάθε νέο έργο σήμαινε ότι έπρεπε να βρίσκω και να παίρνω συνεντεύξεις από περισσότερους μηχανικούς. Αφιέρωνα πάρα πολύ χρόνο σε αυτό. Έτσι, δημιουργήσαμε ένα εργαλείο συνεντεύξεων με τεχνητή νοημοσύνη, τη Zara, για να βοηθήσει, και αυτό τελικά εξελίχθηκε στη micro1.

Ξεκινήσαμε πουλώντας το λογισμικό προσλήψεων και δημιουργώντας μια αγορά με αξιολογημένους επαγγελματίες. Στη συνέχεια, ένας πελάτης απευθύνθηκε σε εμάς επειδή χρειαζόταν εκατοντάδες μηχανικούς για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης. Αρχίσαμε να διερευνούμε γιατί χρειαζόταν τόσο πολλούς ανθρώπους και συνειδητοποιήσαμε ότι πίσω από την ανάπτυξη μοντέλων υπήρχε τεράστια ζήτηση για ανθρώπινη τεχνογνωσία.

Είχαμε ήδη περάσει χρόνια αναπτύσσοντας τη δυνατότητα να εντοπίζουμε και να αξιολογούμε ανθρώπους σε μεγάλη κλίμακα. Τα ανθρώπινα δεδομένα αποτέλεσαν μια ιδιαίτερα σημαντική εφαρμογή αυτής της υποδομής. Έτσι, αφοσιωθήκαμε πλήρως σε αυτόν τον τομέα, αξιοποιήσαμε το εργαλείο προσλήψεων με τεχνητή νοημοσύνη για να εντοπίζουμε και να αξιολογούμε ειδικούς και αναπτύξαμε γύρω του άλλες πλατφόρμες δεδομένων και συστήματα ποιότητας. Σήμερα, βοηθάμε εργαστήρια να αξιοποιούν αυτή την τεχνογνωσία για να βελτιώνουν τις δυνατότητες των μοντέλων τους.

Έχετε υποστηρίξει ότι, όσο πιο ικανά γίνονται τα μοντέλα τεχνητής νοημοσύνης, τόσο αυξάνεται —αντί να εξαφανίζεται— η ζήτηση για ανθρώπινη τεχνογνωσία. Τι εξηγεί αυτή τη σχέση;

Συμβαίνουν δύο πράγματα. Πρώτον, όσο βελτιώνονται τα μοντέλα, τους αναθέτουμε δυσκολότερες εργασίες. Ένα μοντέλο που μπορεί να απαντήσει σε μια ερώτηση είναι χρήσιμο. Ένα μοντέλο που μπορεί να αναλάβει μια ολόκληρη ροή εργασιών είναι πολύ πιο χρήσιμο, αλλά για να φτάσουμε εκεί απαιτείται πολύ μεγαλύτερη συμβολή ειδικών.

Δεύτερον, οι άνθρωποι δημιουργούν συνεχώς νέα εργασία. Αν ένας δικηγόρος μπορεί να χρησιμοποιεί την τεχνητή νοημοσύνη για πολλά από όσα γεμίζουν την εργάσιμη ημέρα του, έχει περισσότερο χρόνο για να ασχοληθεί με πιο σύνθετα προβλήματα ή να αναπτύξει μια νέα υπηρεσία για τους πελάτες του. Αυτές οι εντελώς νέες λειτουργίες γίνονται στη συνέχεια πράγματα που θέλουμε επίσης να ενσωματώσουμε στα μοντέλα. Αυτό εννοούμε όταν λέμε «δεν υπάρχει τελευταίο μίλι». Η εργασία εξελίσσεται συνεχώς.

Τα συνθετικά δεδομένα κάνουν αυτό το φαινόμενο ακόμη πιο ενδιαφέρον. Μπορεί κανείς να τα χρησιμοποιήσει για να επεκτείνει τις εργασίες και την ανατροφοδότηση που έχουν δημιουργήσει ειδικοί, ενισχύοντας έτσι την αξία της αρχικής ανθρώπινης συνεισφοράς. Πιστεύω ότι αυτός ο συνδυασμός εξηγεί γιατί η ζήτηση για ανθρώπινη τεχνογνωσία αυξάνεται παράλληλα με τις δυνατότητες των μοντέλων.

Η micro1 συνεργάζεται με ειδικούς σε τομείς όπως η νομική, η υγειονομική περίθαλψη, τα χρηματοοικονομικά, η μηχανική και οι επιστήμες. Τι μπορούν να προσφέρουν αυτοί οι επαγγελματίες στα συστήματα τεχνητής νοημοσύνης, το οποίο δεν μπορεί απλώς να αντληθεί από τα ήδη διαθέσιμα διαδικτυακά δεδομένα;

Μεγάλο μέρος όσων κάνουν κάποιον εξαιρετικό γιατρό, δικηγόρο ή μηχανικό είναι η κρίση που έχει καλλιεργήσει μέσα από την εργασία του. Κάποια από αυτά καταγράφονται, αλλά πολλά αποκαλύπτονται στον τρόπο με τον οποίο αντιμετωπίζει μια ασυνήθιστη περίπτωση, εντοπίζει πληροφορίες που λείπουν ή κρίνει ποια λεπτομέρεια έχει πραγματικά σημασία.

Αυτό έχει τεράστια αξία για την εκπαίδευση μοντέλων. Ένας ειδικός μπορεί να δημιουργήσει μια δύσκολη εργασία, να εξηγήσει πώς πρέπει να είναι ένα καλό αποτέλεσμα και να εντοπίσει ακριβώς σε τι υστερεί ένα μοντέλο. Μια απάντηση μπορεί να ακούγεται πολύ πειστική και παρ’ όλα αυτά να παραβλέπει αυτό που έχει τη μεγαλύτερη σημασία για κάποιον που ασκεί το συγκεκριμένο επάγγελμα.

Χρειαζόμαστε ειδικούς για να κάνουν αυτές τις διακρίσεις. Χρειαζόμαστε επίσης πολλαπλές οπτικές και μια ισχυρή διαδικασία ελέγχου, γιατί η κρίση ενός μόνο ατόμου δεν μπορεί να καλύψει κάθε περίπτωση. Στόχος είναι να μετατρέψουμε αυτή την εμπειρία σε ένα σήμα από το οποίο μπορεί να μάθει το μοντέλο. Σε κάθε τομέα υπάρχουν επίσης πάρα πολλές λεπτές αποχρώσεις. Για παράδειγμα, η νομική τεχνογνωσία δεν είναι ενιαία: διαφέρει ανάλογα με τον κλάδο δικαίου, την πολιτεία ή τη δικαιοδοσία, καθώς και τα νομικά συστήματα κάθε χώρας. Κάθε επίπεδο απαιτεί πιο εξειδικευμένες γνώσεις και κρίση. Η ίδια πολυπλοκότητα υπάρχει σε κάθε τομέα και στους πολλούς επιμέρους κλάδους του, γι’ αυτό χρειαζόμαστε ειδικούς που κατανοούν τι σημαίνουν αυτές οι διακρίσεις στην πράξη.

Καθώς ο κλάδος στρέφει όλο και περισσότερο την προσοχή του στη μεταεκπαίδευση, στη μάθηση ενισχύσεως και στην αξιολόγηση, πού εντοπίζετε σήμερα τα μεγαλύτερα εμπόδια στη βελτίωση των μοντέλων αιχμής;

Πιστεύω ότι η πρόσβαση σε ρεαλιστικά δεδομένα είναι ένα από τα μεγαλύτερα εμπόδια. Οι εταιρείες έχουν περάσει χρόνια λύνοντας προβλήματα, λαμβάνοντας αποφάσεις και αντιμετωπίζοντας εξαιρέσεις, και αυτή η εμπειρία είναι καταγεγραμμένη στα έγγραφα, τα συστήματα και τις ροές εργασιών τους. Είναι εξαιρετικά πολύτιμη όταν θέλεις ένα μοντέλο να μάθει να εκτελεί πραγματική εργασία.

Γι’ αυτό δημιουργήσαμε το πρόγραμμα Συνεργασιών Εταιρικών Δεδομένων (CDP). Πληρώνουμε εταιρείες για να μας παραχωρούν άδεια χρήσης των επιχειρησιακών τους δεδομένων. Αυτά μπορεί να περιλαμβάνουν εσωτερική τεκμηρίωση, ιστορικά έργων, εγγραφές CRM και τις διαδικασίες που ακολουθούν οι εργαζόμενοι για να ολοκληρώσουν τη δουλειά τους. Για πολύτιμα σύνολα εταιρικών δεδομένων, καταβάλλουμε πάνω από 2 εκατομμύρια δολάρια, ανάλογα με τα δεδομένα και τη συνεργασία.

Χρησιμοποιούμε αυτό το υλικό για να δημιουργήσουμε ρεαλιστικά περιβάλλοντα εκπαίδευσης και αξιολόγησης. Ας πάρουμε για παράδειγμα την επίλυση ενός προβλήματος πελάτη: μπορεί να χρειαστεί να εξετάσετε το ιστορικό του λογαριασμού, να εντοπίσετε την αντίστοιχη πολιτική και να αποφασίσετε ποια ενέργεια πρέπει να γίνει. Ένα περιβάλλον σχεδιασμένο γύρω από αυτή τη ροή εργασιών προσφέρει σε ένα μοντέλο χώρο για να εξασκηθεί σε αυτά τα βήματα. Οι ειδικοί ορίζουν την εργασία και τον τρόπο αξιολόγησης του αν ολοκληρώθηκε επιτυχώς. Αυτή η ανατροφοδότηση είναι που καθιστά το περιβάλλον χρήσιμο για την ενισχυτική μάθηση.

Οι εταιρείες διατηρούν την κυριότητα των υποκείμενων δεδομένων τους. Συμφωνούμε ως προς το πεδίο εφαρμογής και τις απαιτήσεις διαχείρισης, συμπεριλαμβανομένων των μέτρων προστασίας της ιδιωτικότητας, και προετοιμάζουμε τα δεδομένα για την προβλεπόμενη χρήση.

Η αξία έγκειται στην εμπειρία που αποτυπώνουν αυτά τα αρχεία. Το CDP δίνει στις εταιρείες τη δυνατότητα να αποκομίζουν έσοδα από αυτή την εμπειρία, ενώ παράλληλα βοηθά τα μοντέλα να μάθουν να λειτουργούν σε πολύ πιο ρεαλιστικά περιβάλλοντα.

Ποιες μορφές ανθρώπινης κρίσης ή εξειδίκευσης πιστεύετε ότι θα εξακολουθήσουν να είναι ιδιαίτερα δύσκολο να αναπαραγάγουν τα συστήματα τεχνητής νοημοσύνης, ακόμη κι όταν τα μοντέλα γίνουν σημαντικά πιο ικανά;

Πιστεύω ότι η ανθρώπινη αισθητική κρίση και δημιουργικότητα είναι τομείς στους οποίους τα μοντέλα θα δυσκολευτούν ιδιαίτερα. Ο λόγος έχει να κάνει με τον τρόπο με τον οποίο δημιουργούμε τα δεδομένα εκπαίδευσης.

Σε πολλές εργασίες, μπορούμε να συγκεντρώσουμε ειδικούς και να τους κάνουμε να συμφωνήσουν ως προς το τι θεωρείται καλό αποτέλεσμα. Έτσι αποκτούμε ένα χρήσιμο σήμα για την εκπαίδευση. Αν όμως ρωτήσετε τους ανθρώπους τι κάνει μια εικόνα εξαιρετική, μια ταινία σπουδαία ή ένα σχέδιο ελκυστικό, όσο περισσότερο το συζητούν τόσο περισσότερο μπορεί να αποκλίνουν οι απόψεις τους. Δεν υπάρχει πάντα μία και μοναδική απάντηση στην οποία μπορούν να καταλήξουν.

Η τεχνητή νοημοσύνη μπορεί και πάλι να γίνει πολύ χρήσιμη σε αυτούς τους τομείς. Ωστόσο, το να αποφασίσεις τι θέλεις να δημιουργήσεις, σε ποιους απευθύνεται και αν όντως έχει απήχηση απαιτεί πολλή ανθρώπινη κρίση. Πιστεύω ότι αυτή η κρίση γίνεται ακόμη πιο σημαντική όσο τα εργαλεία διευκολύνουν την παραγωγή περιεχομένου.

Βλέπετε επαγγελματίες να αντιμετωπίζουν όλο και περισσότερο την εκπαίδευση και την αξιολόγηση συστημάτων τεχνητής νοημοσύνης ως σοβαρή επαγγελματική εργασία και όχι ως παράλληλη απασχόληση. Θα μπορούσε αυτό να εξελιχθεί σε μια εντελώς νέα κατηγορία απασχόλησης και πώς θα μπορούσαν να είναι αυτές οι σταδιοδρομίες;

Αναμφίβολα. Πρόκειται ήδη για έναν νέο κλάδο εργασίας αξίας πολλών δισεκατομμυρίων δολαρίων. Ειδικοί αξιοποιούν τις γνώσεις που έχουν αποκτήσει στη διάρκεια της σταδιοδρομίας τους για να συμβάλουν στην εκπαίδευση και την αξιολόγηση συστημάτων τεχνητής νοημοσύνης. Για ορισμένους, αυτό αποτελεί πλέον σημαντικό μέρος της επαγγελματικής τους ζωής.

Η ίδια η εργασία μπορεί να είναι ιδιαίτερα απαιτητική και ουσιαστική. Ένας δικηγόρος μπορεί να δημιουργήσει ένα δύσκολο σενάριο και να ορίσει τον τρόπο αξιολόγησης της απάντησης του μοντέλου. Ένας μηχανικός μπορεί να σχεδιάσει μια εργασία που καθοδηγεί έναν πράκτορα σε ολόκληρη τη ροή εργασιών ανάπτυξης λογισμικού. Υπάρχουν επίσης άνθρωποι που εξετάζουν τα δεδομένα, βελτιώνουν τα κριτήρια αξιολόγησης και ηγούνται ομάδων ειδικών. Αυτή η εργασία μπορεί επίσης να δώσει στους ανθρώπους περισσότερο χώρο να εστιάσουν σε όσα τους έκαναν εξαρχής να επιλέξουν τον τομέα τους. Στα περισσότερα επαγγέλματα, μεγάλο μέρος του χρόνου αφιερώνεται σε διοικητικές εργασίες και υποχρεώσεις που δεν σχετίζονται με το έργο που οι άνθρωποι θεωρούν πιο ουσιαστικό. Η εκπαίδευση συστημάτων τεχνητής νοημοσύνης στον τομέα τους μπορεί να βάλει την εξειδίκευσή τους στο επίκεντρο της δουλειάς τους: να αντιμετωπίζουν σύνθετα προβλήματα, να αξιοποιούν την κρίση τους και να μοιράζονται όσα τους έχει διδάξει η εμπειρία τους. Είναι μια ευκαιρία να αφιερώνουν περισσότερο χρόνο σε όσα τους ενδιαφέρουν και στα οποία είναι καλύτεροι, συμβάλλοντας παράλληλα στη διαμόρφωση του τρόπου με τον οποίο η τεχνητή νοημοσύνη προσεγγίζει αυτή την εργασία.

Πιστεύω ότι θα αναπτυχθούν συγκεκριμένες επαγγελματικές διαδρομές γύρω από όλα αυτά. Μπορεί κανείς να εξελιχθεί πολύ στη μετατροπή της εξειδικευμένης γνώσης του σε δεδομένα εκπαίδευσης ή στη διαχείριση μιας ροής δεδομένων και στην κατανόηση των σημείων στα οποία τα μοντέλα χρειάζονται βοήθεια. Πρόκειται για πολύτιμες δεξιότητες και βρισκόμαστε ακόμη σε πολύ πρώιμο στάδιο ως προς το πώς θα διαμορφωθούν τελικά όλοι αυτοί οι ρόλοι.

Καθώς οι εταιρείες προσλαμβάνουν γιατρούς, δικηγόρους, μηχανικούς, επιστήμονες και άλλους ειδικούς για να βελτιώσουν τα μοντέλα τεχνητής νοημοσύνης, πώς επαληθεύετε την εξειδίκευσή τους και διασφαλίζετε ότι τα δεδομένα εκπαίδευσης που προκύπτουν είναι ακριβή και συνεπή;

Έχουμε δημιουργήσει ένα ολοκληρωμένο σύστημα για τον σκοπό αυτό. Όλα ξεκινούν με το Zara, το εργαλείο τεχνητής νοημοσύνης για την προσέλκυση υποψηφίων, το οποίο μας βοηθά να εντοπίζουμε και να αξιολογούμε ειδικούς με βάση τις δεξιότητες που απαιτεί κάθε έργο. Στη συνέχεια, το εργαλείο Merit μάς βοηθά να παρακολουθούμε διαχρονικά την ποιότητα, την ταχύτητα και την αξιοπιστία της συνεισφοράς τους. Χρειάζεται να κατανοούμε τόσο την εξειδίκευση κάποιου όσο και το πώς αυτή αποτυπώνεται στα δεδομένα που παράγει.

Η πλατφόρμα flow συνδυάζει την εργασία των ειδικών με τα μοντέλα που έχουμε αναπτύξει για την υποστήριξη της δημιουργίας και της αξιολόγησης δεδομένων. Οι ειδικοί ορίζουν τις εργασίες και τα χαρακτηριστικά ενός καλού αποτελέσματος. Στη συνέχεια, το flow gen χρησιμοποιεί αυτό το σημείο εκκίνησης για να δημιουργήσει περισσότερα παραδείγματα και παραλλαγές. Το flow qc ελέγχει τα δεδομένα για προβλήματα, όπως στοιχεία τεκμηρίωσης που λείπουν ή ασυμφωνία ανάμεσα σε μια εργασία και στα κριτήρια βαθμολόγησής της. Τέλος, το flow grader αξιολογεί την απόδοση του μοντέλου με βάση αυτά τα κριτήρια.

Το σημαντικό είναι τι συμβαίνει όταν ένας ειδικός εντοπίσει ένα λάθος. Η διόρθωσή του μπορεί να βελτιώσει τα δεδομένα εκπαίδευσης, αλλά μπορεί επίσης να μας βοηθήσει να βελτιώσουμε τα ίδια τα εργαλεία δημιουργίας δεδομένων και τους ελέγχους ποιότητας. Μπορούμε να μετατρέψουμε επαναλαμβανόμενα λάθη σε δοκιμές για την επόμενη έκδοση.

Αυτός είναι ο αυτοτροφοδοτούμενος κύκλος συνθετικών δεδομένων που δημιουργούμε. Η ανθρώπινη τεχνογνωσία μάς δίνει την αφετηρία και την κρίση. Τα εργαλεία μας μάς βοηθούν να τον αναπτύξουμε σε μεγάλη κλίμακα, ενώ η ανατροφοδότηση από ειδικούς συμβάλλει στη βελτίωση του επόμενου κύκλου. Στη συνέχεια, ελέγχουμε αν αυτές οι αλλαγές πράγματι οδηγούν σε καλύτερες επιδόσεις των μοντέλων. Αυτό είναι που κάνει τον κύκλο πολύτιμο.

Οι πράκτορες τεχνητής νοημοσύνης καλούνται όλο και περισσότερο να εκτελούν σύνθετες εργασίες πολλών βημάτων, αντί απλώς να δημιουργούν απαντήσεις. Σε τι διαφέρει η εκπαίδευση και η αξιολόγηση αυτών των συστημάτων από την εργασία που απαιτείται για τη βελτίωση των παραδοσιακών μεγάλων γλωσσικών μοντέλων;

Η βασική διαφορά είναι η διάρκεια της εργασίας. Ένας πράκτορας μπορεί να χρειαστεί να εκτελέσει πολλές ενέργειες σε διαφορετικά εργαλεία προτού καταλήξει σε ένα χρήσιμο αποτέλεσμα. Μπορεί να τα πάει καλά στα πρώτα βήματα και παρ’ όλα αυτά να αποτύχει συνολικά, επειδή τα λάθη συσσωρεύονται.

Χρειαζόμαστε, λοιπόν, περιβάλλοντα όπου το μοντέλο μπορεί να εξασκηθεί σε ολόκληρη τη ροή εργασίας, καθώς και αξιολογήσεις που μας δείχνουν πού αποτυγχάνει. Εντόπισε τις σωστές πληροφορίες; Χρησιμοποίησε σωστά το εργαλείο; Έφτασε πράγματι στο αποτέλεσμα που θέλαμε;

Εξίσου σημαντικό είναι το πλαίσιο της ίδιας της εταιρείας. Ένας πράκτορας που εργάζεται στο πλαίσιο μιας επιχείρησης πρέπει να κατανοεί τις διαδικασίες και τις προσδοκίες της. Οι γενικές ικανότητες αρκούν μόνο μέχρι ενός σημείου.

Εδώ ακριβώς αποκτούν ιδιαίτερη σημασία οι ειδικοί του εκάστοτε τομέα. Μας βοηθούν να διαγνώσουμε τις αστοχίες και να δημιουργήσουμε τα δεδομένα που χρειάζονται για να τις διορθώσουμε. Αξιολογείς, εντοπίζεις τα κενά, εκπαιδεύεις με βάση αυτά και αξιολογείς ξανά. Η διαδικασία συνεχίζεται καθώς ο πράκτορας αναλαμβάνει περισσότερη δουλειά.

Καθώς τα μοντέλα αιχμής γίνονται πιο ικανά, πώς αλλάζει το είδος των δεδομένων που δημιουργούνται από ανθρώπους και χρειάζονται για την εκπαίδευσή τους; Και ποιες μορφές τεχνογνωσίας ή αξιολόγησης πιστεύετε ότι θα αποκτήσουν πολύ μεγαλύτερη αξία τα επόμενα χρόνια;

Δύο παράγοντες αποκτούν ολοένα μεγαλύτερη σημασία: η διάρκεια της εργασίας και ο βαθμός στον οποίο αυτή αντανακλά τον πραγματικό κόσμο. Καθώς τα μοντέλα βελτιώνονται, τα χρήσιμα δεδομένα εκπαίδευσης αφορούν όλο και περισσότερο σύνθετες ροές εργασίας, με περισσότερες αποφάσεις, περισσότερο πλαίσιο και περισσότερες ευκαιρίες για λάθη.

Γι’ αυτό η επιχειρησιακή τεχνογνωσία έχει μεγάλη αξία. Κάποιος που έχει εργαστεί επί χρόνια σε έναν τομέα γνωρίζει τις εξαιρέσεις και τις αλληλεξαρτήσεις που εύκολα παραβλέπονται όταν σχεδιάζεις μια εργασία χωρίς να έχεις άμεση εμπειρία. Μπορεί επίσης να κρίνει αν το αποτέλεσμα ενός πράκτορα θα ήταν πράγματι αξιοποιήσιμο στην επιχείρηση.

Πιστεύω ότι οι αξιολογήσεις για επιχειρήσεις θα εξελιχθούν με τον καιρό σε μια τεράστια αγορά, που ενδέχεται να φτάσει το ένα τρισεκατομμύριο δολάρια τον χρόνο. Κάθε εταιρεία που αναπτύσσει πράκτορες θα χρειάζεται να κατανοεί πού αποδίδουν, πού αποτυγχάνουν και πώς μπορεί να τους βελτιώσει. Κομβικό ρόλο θα έχουν όσοι μπορούν να μετατρέπουν τις γνώσεις τους σε χρήσιμες αξιολογήσεις. Η ανάγκη αυτή θα είναι διαρκής, επειδή οι εταιρείες, τα μοντέλα και οι εργασίες αλλάζουν συνεχώς.

Ορισμένοι επαγγελματίες μπορεί στην πράξη να συμβάλλουν στην εκπαίδευση συστημάτων τεχνητής νοημοσύνης ώστε να εκτελούν μέρος της δικής τους εργασίας. Πώς προσεγγίζετε αυτή την ένταση και πώς πιστεύετε ότι θα διαμορφωθεί η σχέση ανάμεσα στην ανθρώπινη τεχνογνωσία και την τεχνητή νοημοσύνη τα επόμενα τρία έως πέντε χρόνια;

Πιστεύω ότι υποτιμούμε πόση νέα δουλειά θα δημιουργήσουν οι άνθρωποι όταν αποκτήσουν αυτά τα εργαλεία.

Ας πάρουμε τις προσλήψεις. Αν ένας πράκτορας μπορεί να αναλάβει μεγαλύτερο μέρος της αρχικής αξιολόγησης των υποψηφίων, ο υπεύθυνος προσλήψεων μπορεί να αφιερώσει περισσότερο χρόνο στην ανάπτυξη σχέσεων με τους υποψηφίους ή στο να βρει τρόπους να προσελκύσει ανθρώπους στους οποίους η εταιρεία δεν μπορούσε να απευθυνθεί μέχρι τότε. Ο ρόλος του αλλάζει και μπορεί να κάνει περισσότερα στον ίδιο χρόνο.

Περιμένω να συμβεί κάτι ανάλογο σε πολλούς επαγγελματικούς κλάδους. Τα επόμενα τρία έως πέντε χρόνια, οι πράκτορες θα γίνονται όλο και περισσότερο συνεργάτες τους οποίους οι άνθρωποι θα καθοδηγούν, θα ενημερώνουν για το πλαίσιο και θα αξιολογούν. Καθώς συμβαίνει αυτό, οι άνθρωποι θα αναλαμβάνουν νέες ευθύνες.

Γι’ αυτό είμαι αισιόδοξος. Βλέπουμε ήδη να δημιουργούνται νέες εργασίες γύρω από την εκπαίδευση και την αξιολόγηση της τεχνητής νοημοσύνης, και πιστεύω ότι θα προκύψουν πολλές ακόμη, καθώς οι άνθρωποι ανακαλύπτουν τι μπορούν να δημιουργήσουν και να πετύχουν με αυτήν.

Σας ευχαριστούμε για την εξαιρετική συνέντευξη. Οι αναγνώστες που θέλουν να μάθουν περισσότερα για τα δεδομένα εκπαίδευσης με καθοδήγηση ειδικών, την αξιολόγηση της τεχνητής νοημοσύνης και τις ευκαιρίες να συνεισφέρουν τη γνώση τους στον τομέα τους μπορούν να επισκεφθούν το micro1.