Το DeepSeek’s R1: Μια Χρήσιμη Υπενθύμιση

Ως εκπαιδευτικός στο کالέτζ και πρώην βετεράνος της βιομηχανίας IT, βρίσκω ότι η υπεραπλήξηση γύρω από το μοντέλο DeepSeek R1 της Κίνας είναι μια χρήσιμη υπενθύμιση τριών πραγμάτων.

Το πρώτο είναι ότι η γεννητική AI δεν είναι πλέον μόνο για την επεξεργασία μεγάλων ποσοτήτων περιεχομένου για να παράγει σχετικές απαντήσεις σε προτροπές, αλλά και για την γνωστική λογική (το “R” στο R1).

Η υπόσχεση των μεγάλων μοντέλων γλωσσικών μοντέλων (LLM) είναι ότι η μαζική ανάκτηση γνώσεων και η γνωστική επεξεργασία – που ήταν κάποτε το αποκλειστικό βασίλειο των εξαιρετικών ανθρώπων με siêuυπολογιστές – είναι τώρα στα χέρια σχεδόν όλων. Χάρη σε μια νέα γενιά βελτιώσεων στην απόδοση, υπάρχουν μοντέλα που είναι αρκετά μικρά για να τρέχουν σε ένα συμβατικό λάπτοπ και να υποστηρίζουν πολλαπλά έξυπνα πράγματα που μπορούν να εκτελέσουν αυτόνομα σύνθετες, διαδραστικές εργασίες.

Δεύτερον, η επανάσταση της γεννητικής AI είναι πρώτα και πάνω από όλα για καινοτομία και δημιουργικότητα – δεν είναι μόνο ένας αγώνας για το πιο ισχυρό υλικό, το μέγεθος των συνόλων δεδομένων ή τον αριθμό των παραμέτρων του μοντέλου. Η επιτυχημένη υιοθέτηση αυτών των τεχνολογιών δεν θα καθοριστεί από τις μεγάλες εταιρείες τεχνολογίας με τα τεράστια, ενεργοβόρα σούπερ υπολογιστές που εκπαιδεύουν μοντέλα δισεκατομμυρίων δολαρίων – αλλά από τις χώρες και τις οργανώσεις που επενδύουν στο ανθρώπινο κεφάλαιο για να τις προετοιμάσουν για αυτή τη νέα κυματική.

Τρίτον, και χτίζοντας πάνω σε αυτό το τελευταίο σημείο, η Αμερική δεν φαίνεται να είναι πολύ καλά τοποθετημένη για τις δραματικές αλλαγές που έρχονται στην οικονομία και την κοινωνία μας. Θα αναφέρω δύο παραδείγματα: την ανώτατη εκπαίδευση και την εταιρική Αμερική.

Ανώτατη Εκπαίδευση

Στις περισσότερες ιδρύματα ανώτατης εκπαίδευσης, η πρώτη μεγάλη απόφαση που πρέπει να ληφθεί από ένα φοιτητή είναι να αποφασίσει αν θα ακολουθήσει πτυχίο Τεχνών (BA) που συνδέεται με μια ευρύτερη, πιο διεπιστημονική εκπαίδευση, ή πτυχίο Επιστημών (BS) που είναι πιο επικεντρωμένο στην ανάπτυξη δεξιοτήτων και πρακτικής εμπειρίας σε συγκεκριμένα πεδία.

Στην εποχή της AI, αυτή η δίληψη είναι μια απελπιστικά ξεπερασμένη δίληψη, поскольку και οι δύο σετ των επιστημών γίνονται απαραίτητες στην εργασία.

Πραγματικά, οι περισσότεροι πρωτοετείς δεν έχουν ούτε τη γνώση ούτε την εικόνα του τι είναι να εργάζονται σε διαφορετικά είδη εργασιών, ή ακόμη και των σχετικών ισχυών και αδυναμιών των δικών τους ικανοτήτων, ταλέντων, δεξιοτήτων και ικανοτήτων. Και όμως, οι περισσότεροι πρωτοετείς απαιτούν να δηλώσουν einen κλάδο, που θα είναι μια εύκολη απόφαση μόνο για εκείνη τη μικρή ποσοστό που (για καλό ή για κακό) ξέρει (ή τουλάχιστον νομίζει ότι ξέρει) ποιο πεδίο θέλει να ακολουθήσει: μηχανική, επιστήμη, ιατρική, νομική, κ.λπ.

Χρειαζόμαστε μια πολύ διαφορετική, καριέρα-έτοιμη, ευρύτερη, διεπιστημονική προσέγγιση στην ανώτατη εκπαίδευση που αναγνωρίζει ότι η πρώτη πλήρης εργασία ενός απόφοιτου κολλεγίου μπορεί να μην έχει να κάνει τίποτα με το πτυχίο που απέκτησε ή τον κλάδο του· ότι η εμπειρία του κολλεγίου θα αντιπροσωπεύει μόνο το πρώτο στάδιο σε μια ζωή μακράς συνεχούς μάθησης – αναβάθμιση, πιστοποίηση, ανανέωση, αλλαγή καριέρας – για ρόλους που δεν μπορούμε ακόμη να φανταστούμε.

Επίσης, ως εκπαιδευτικοί, πρέπει να αναπτύξουμε νέες στρατηγικές για να αντιμετωπίσουμε την πλαγίαριο της AI και να πλοηγηθούμε τους κινδύνους των chat bots που γίνονται πνευματικές συντομεύσεις, ή “γνωστική εκτόξευση” – την τάση να βασίζονται σε εξωτερικά εργαλεία αντί να αναπτύσσουν εσωτερικές ικανότητες.

Σε μια εποχή που η γνώση χωρίζεται από την κατανόηση, υπάρχει απλώς πολύ μεγάλη πειρασμός να ζητήσετε από την AI μια άμεση απάντηση ή λύση αντί να παλέψετε να κατανοήσετε μια έννοια ή να λύσετε ένα πρόβλημα.

Εταιρική Τεχνολογία

Οι περισσότερες εταιρείες δεν φαίνεται να αντιλαμβάνονται τις οργανωτικές επιπτώσεις αυτών των νέων τεχνολογιών.

Οι τρέχουσες ρόλοι και δομές της Τεχνολογίας Πληροφοριών αντανακλούν τις οργανωτικές απαιτήσεις από την προηγούμενη ψηφιακή επανάσταση. Αυτές οι λειτουργίες προέκυψαν από την εξειδικευμένη εμπειρία που απαιτείται για ανθρώπους να χρησιμοποιούν και να αλληλεπιδρούν με υπολογιστές – προγραμματισμό, μηχανική δεδομένων, αρχιτεκτονική υπολογιστών, διαχείριση δικτύων, ασφάλεια πληροφοριών, κ.λπ.

Σε αντίθεση, η γεννητική AI (και ολόκληρο το πεδίο της Φυσικής Γλωσσικής Επεξεργασίας που προηγήθηκε) είναι σχεδιασμός και εκπαίδευση υπολογιστών για να αλληλεπιδρούν με ανθρώπους.

Ως αποτέλεσμα, οι απλοί υπάλληλοι εφευρίσκουν εξαιρετικές (και μερικές φορές επικίνδυνες) τρόπους για να χρησιμοποιήσουν αυτές τις τεχνολογίες. Οι οργανώσεις αγωνίζονται να βρουν λειτουργικές πολιτικές, διαδικασίες και έλεγχο για να μεγιστοποιήσουν τα οφέλη της παραγωγικότητας ενώ ελαχιστοποιούν τους κινδύνους.

Ένα κλειδί πρόβλημα είναι ότι στις περισσότερες εταιρείες, η εμπειρία της επιστήμης δεδομένων συνήθως συγκεντρώνεται στα τμήματα Τεχνολογίας Πληροφοριών, τα οποία εξακολουθούν να λειτουργούν ως μυστικές συντεχνίες με τη δική τους μυστηριακή γλώσσα και πρακτικές που είναι οργανωτικά και λειτουργικά απομονωμένες από τις βασικές επιχειρηματικές μονάδες. Πιστεύω ότι η επερχόμενη Επανάσταση της Παραγωγικότητας απαιτεί νέους τύπους οργανωτικών ρόλων και δομών, στις οποίες η εμπειρία δεδομένων δεν είναι απομονωμένη σε μια εξειδικευμένη λειτουργία αλλά διασυνδεδεμένη με σχεδόν κάθε аспέκτ της λειτουργίας.

Και υπάρχει επίσης η πρόκληση των δεδομένων. Στις περισσότερες οργανώσεις, η υιοθέτηση της AI είναι για την προσαρμογή των LLM για την εκτέλεση εξειδικευμένων περιπτώσεων χρήσης με ιδιοκτησιακά δεδομένα. Ενώ οι χρήστες των δεδομένων στις γραμμές της επιχείρησης θέλουν完全 ακριβή, καθαρό και καλά διαχειριζόμενο δεδομένα, οι ατομικοί ιδιοκτήτες των δεδομένων στην Τεχνολογία Πληροφοριών δεν έχουν το προϋπολογισμό, την οικονομική ενθάρρυνση ή την οργανωτική εξουσία για να διασφαλίσουν αυτό το επίπεδο ποιότητας και διαφάνειας.

Ως αποτέλεσμα, τα εσωτερικά σύνολα δεδομένων δεν είναι ανακαλύψιμα/διαχειριζόμενα καλά σε όλη την επιχείρηση. Τυπικά, διαφορετικά είδη δεδομένων αποθηκεύονται σε διαφορετικά μέρη. Σε απάντηση των αιτημάτων των χρηστών της επιχείρησης, η Τεχνολογία Πληροφοριών παρέχει διαφορετικές απόψεις των δεδομένων, κάνει διαφορετικές αντίγραφα (και αντίγραφα των αντιγράφων) των δεδομένων, και δημιουργεί εκθέσεις και αφαίρεσεις των δεδομένων για διάφορους διαφορετικούς λόγους… Σε αυτό το σημείο, κανείς δεν ξέρει ποια εκδόσεις είναι παλιές, ελλιπείς, διπλότυπες, ανακριβείς ή το контέκστ τους.

Συμπέρασμα

Η γεννητική AI έχει το δυναμικό να μετασχηματίσει όλους τους τύπους εργασίας γνώσεων. Στο κέντρο, αυτή η τεχνολογία είναι για την δημοκρατικοποίηση της εξειδίκευσης (για καλό και για κακό) – μεσολαβώντας τους εξειδικευμένους, όπως οι προγραμματιστές, οι βίντεο, οι εικονογράφοι, οι συγγραφείς, οι εκδότες, και σχεδόν οποιοσδήποτε τύπος εργαζομένου γνώσεων ή “εξειδικευμένου”. Ποτέ trước από τώρα οι άνθρωποι δεν έχουν αντιμετωπίσει μια τεχνολογία που ανταγωνιζόταν τις δικές τους γνωστικές ικανότητες και τη λογική – μόνο τη φυσική τους δύναμη, την αντοχή, την ακρίβεια της δεξιοτήτας και την ικανότητα να επεξεργάζονται τεράστια ποσά δεδομένων.

Αυτή η συναρπαστική νέα επανάσταση της παραγωγικότητας απαιτεί νέες δεξιότητες, ικανότητες και οργανωτικές δομές, στις οποίες η εμπειρία δεδομένων είναι ολοκληρωμένη σε σχεδόν κάθε τύπο επιχειρηματικής διαδικασίας.

Η ειρωνεία είναι ότι καθώς οι μηχανές επιτύγχαναν μεγαλύτερες αναλυτικές δυνάμεις, η κατάσταση και η αξία ενός υπαλλήλου σε μια οργανωτική ιεραρχία μπορεί να γίνει λιγότερο μια λειτουργία της εξειδικευμένης εμπειρίας, των πιστοποιήσεων και των ικανοτήτων, και περισσότερο των δημιουργικών, διεπιστημονικών και διαπροσωπικών ικανοτήτων.

Ο χρόνος για να αναπτύξουμε και να επενδύσουμε σε αυτές τις ικανότητες είναι τώρα.