Pengingat Berguna dari DeepSeek’s R1

Sebagai seorang pendidik di perguruan tinggi dan mantan veteran industri IT, saya merasa bahwa hype sekitar model R1 DeepSeek China adalah pengingat yang berguna tentang tiga hal.

Pertama, generative AI tidak lagi hanya tentang memproses sejumlah besar konten untuk menghasilkan respons yang relevan terhadap prompt; itu juga tentang penalaran kognitif (huruf “R” dalam R1).

Janji dari model bahasa besar (LLM) adalah bahwa kemampuan pengambilan pengetahuan yang masif dan pemrosesan kognitif – yang sebelumnya hanya dimiliki oleh orang-orang dengan superkomputer – sekarang berada di tangan hampir semua orang. Berkat generasi baru kemajuan dalam teknik peningkatan efisiensi, ada model yang cukup kecil untuk dijalankan pada laptop konvensional yang dapat mendukung beberapa agen pintar yang dapat melakukan tugas interaktif yang kompleks secara mandiri.

Kedua, revolusi AI generatif terutama tentang inovasi dan kreativitas – bukan hanya perlombaan untuk perangkat keras yang paling kuat, ukuran set data pelatihan, atau jumlah parameter model. Adopsi teknologi ini yang sukses tidak akan ditentukan oleh perusahaan Teknologi Besar dengan superkomputer yang menghabiskan energi dan mempelajari model miliaran dolar – tetapi oleh negara dan organisasi yang berinvestasi dalam modal manusia untuk mempersiapkan mereka untuk gelombang baru ini.

Ketiga, dan membangun dari poin terakhir, Amerika tampaknya tidak terlalu siap untuk perubahan dramatis yang akan datang ke perekonomian dan masyarakat kita. Saya akan menyebutkan dua contoh: pendidikan tinggi dan Amerika perusahaan.

Pendidikan Tinggi

Di sebagian besar lembaga pendidikan tinggi, keputusan besar pertama seorang sarjana adalah memutuskan untuk mengambil gelar Sarjana Seni (BA) yang terkait dengan pendidikan yang lebih luas dan multidisiplin, atau gelar Sarjana Sains (BS) yang lebih fokus pada mengembangkan keterampilan dan pengalaman tangan dalam bidang tertentu.

Di era AI, ini adalah dikotomi yang sudah ketinggalan zaman, karena kedua disiplin ilmu tersebut menjadi sangat penting di tempat kerja.

Fakta adalah, sebagian besar mahasiswa tahun pertama tidak memiliki pengetahuan atau wawasan tentang apa yang terjadi di berbagai jenis pekerjaan, atau bahkan kekuatan dan kelemahan relatif dari kemampuan, bakat, keterampilan, dan kemampuan mereka sendiri. Dan yet, sebagian besar mahasiswa tahun pertama diharuskan untuk memilih jurusan, yang akan menjadi keputusan yang mudah hanya untuk persentase kecil yang (baik atau buruk) tahu (atau setidaknya berpikir mereka tahu) bidang apa yang ingin mereka kejar: teknik, sains, kedokteran, hukum, dll.

Kita membutuhkan pendekatan yang sangat berbeda, siap karier, lebih luas, dan multidisiplin terhadap pendidikan tinggi yang mengakui bahwa pekerjaan penuh waktu pertama seorang lulusan perguruan tinggi mungkin tidak ada hubungannya dengan gelar yang mereka peroleh atau jurusan mereka; bahwa pengalaman kuliah mereka akan mewakili hanya tahap pertama dalam perjalanan belajar seumur hidup – pengembangan keterampilan, pendidikan, reinvensi, peralihan karier – untuk peran yang tidak bisa kita bayangkan sekarang.

Juga, sebagai pendidik, kita perlu mengembangkan strategi baru untuk menangani plagiarisme AI dan menavigasi bahaya bot obrolan yang menjadi jalan pintas kognitif, atau “cognitive offloading” – kecenderungan untuk mengandalkan alat eksternal daripada mengembangkan kemampuan internal.

Di era ketika pengetahuan dipisahkan dari pemahaman, ada terlalu banyak godaan untuk hanya meminta AI untuk jawaban atau solusi langsung daripada berjuang untuk memahami konsep atau memecahkan masalah.

IT Perusahaan

Sebagian besar perusahaan juga tampaknya tidak menyadari implikasi organisasi dari teknologi baru ini.

Peran dan struktur IT saat ini mencerminkan kebutuhan organisasi dari revolusi digital sebelumnya. Fungsi-fungsi tersebut muncul dari keahlian khusus yang diperlukan bagi manusia untuk menggunakan dan berinteraksi dengan komputer – pemrograman, teknik data, arsitektur komputer, administrasi jaringan, keamanan informasi, dll.

Sebaliknya, AI generatif (dan bidang Pengolahan Bahasa Alami yang mendahuluinya) adalah tentang merancang dan melatih komputer untuk berinteraksi dengan manusia.

Sebagai hasilnya, karyawan biasa menemukan cara-cara brilian (dan kadang-kadang berbahaya) untuk menggunakan teknologi ini. Organisasi berjuang untuk mengembangkan kebijakan, prosedur, dan kontrol yang efektif untuk memaksimalkan manfaat produktivitas sambil meminimalkan risiko.

Masalah utama adalah bahwa di sebagian besar perusahaan, keahlian ilmu data cenderung terkonsentrasi di departemen IT, yang sebagian besar masih beroperasi sebagai guild rahasia dengan bahasa dan praktik yang misterius yang terisolasi secara organisasi dan fungsional dari unit bisnis inti. Saya percaya bahwa Revolusi Produktivitas yang akan datang membutuhkan peran dan struktur organisasi baru, di mana keahlian data tidak terisolasi dalam fungsi khusus tetapi terhubung dengan hampir semua aspek operasi.

Dan ada juga tantangan data. Di sebagian besar organisasi, mengadopsi AI adalah tentang mengkustomisasi LLM untuk menjalankan kasus penggunaan khusus menggunakan data propietary. Sementara pengguna data di unit bisnis ingin data yang akurat, bersih, dan dikelola dengan baik, pemilik data individual di IT tidak memiliki anggaran, insentif keuangan, atau otoritas organisasi untuk memastikan tingkat kualitas dan transparansi ini.

Sebagai hasilnya, set data internal tidak dikelola dengan baik di seluruh perusahaan. Biasanya, jenis data yang berbeda disimpan di tempat yang berbeda. Sebagai tanggapan atas permintaan pengguna bisnis, IT menyediakan berbagai tampilan data, membuat salinan (dan salinan dari salinan) data, dan membuat eksposur dan abstraksi data untuk berbagai alasan yang berbeda… Pada titik ini, tidak ada yang tahu versi mana yang sudah ketinggalan, tidak lengkap, duplikat, tidak akurat, atau konteksnya.

Kesimpulan

​AI generatif memiliki potensi untuk mengubah semua bentuk pekerjaan pengetahuan. Di intinya, teknologi ini adalah tentang demokratisasi keahlian (baik dan buruk) – memotong perantara spesialis seperti pengkode, videografer, ilustrator, penulis, editor, dan hampir semua jenis pekerja pengetahuan atau “ahli”. Tidak pernah sebelumnya manusia berhadapan dengan teknologi yang menyaingi kemampuan pemrosesan kognitif dan penalaran mereka sendiri – hanya kekuatan fisik, daya tahan, presisi keterampilan, dan kemampuan untuk memproses sejumlah besar data.

Revolusi produktivitas yang menarik ini membutuhkan keterampilan, kemampuan, dan struktur organisasi baru, di mana keahlian data menjadi integral bagi hampir semua proses bisnis.

Ironisnya, ketika mesin mencapai kekuatan analitik yang lebih besar, status dan nilai seorang karyawan dalam hierarki organisasi mungkin menjadi kurang berfungsi sebagai keahlian khusus, pengalaman, dan kredential, dan lebih sebagai keterampilan kreatif, multidisiplin, dan antar-pribadi mereka.

Waktunya untuk mengembangkan dan berinvestasi dalam kemampuan ini adalah sekarang.