Bygging av en AI-nativ arbeidsplass: Leksjoner fra frontlinjen

Hva ville du gjøre hvis du løp et 10K terrengløp, kjempet for å komme opp en vanskelig bakke, og plutselig endret reglene i løpet? Hva hvis sjåfører begynte å plukke opp løpere i biler og deretter konkurrerte mot hverandre til målstreken? Ville du fortsette å løpe, vitende at du vil havne bakerst i feltet? Eller hoppe inn i bilen, gass og konkurrere om den store prisen?

I næringslivet i dag er AI den bilen som forstyrer måten bedrifter drives på. Bedrifter kan fortsatt velge å gå fremover på samme måte som de alltid har gjort – utvikle langtidsplaner, holde seg til prosesser, og presse ansatte til å jobbe harder enn noen gang for å lykkes i en stadig mer konkurransedyktig omgang. Men AI er i ferd med å endre naturen til løpet. Det gir bedrifter en ny bil til å bevege seg raskere og gi arbeidere nye ruter til å omgå problemer. Ethvert bedrift som ikke tar rattet og innfører kraften til AI i sin arbeidsstyrke, vil bli latt tilbake på den lange, bratte bakken.

Å omfavne fremtiden ved å bli en leder for AI

Her hos Cockroach Labs, lærte vi raskt at Gen AI kan hjelpe oss å gjøre ting vi aldri trodde var mulig. Vi har brukt det over hele bedriften for gen AI-søk, anbefalingsystemer og semantisk søk.

Et av de beste eksemplene på hvordan AI kan transformere en arbeidsprosess, finner sted i vår utdanningsavdeling. Vårt team bruker AI til å akselerere utviklingen av læreplaner som hjelper kunder, partnere og vår egen arbeidsstyrke til å bli eksperter i drift av våre databaseproduktlinjer.

Vi har nylig laget en kurs som består av 21 praktiske øvelser og 20 skjedebrev med detaljerte studentnotater. Før vi startet prosjektet, estimerte vi at, ved å bruke vår vanlige utviklingsprosess – med tanke på bransjestandarder for hvor lang tid det tar utviklere å produsere en time innhold – dette ville ta tre til fem måneder å fullføre.

Så, hva skjedde? Ved å innføre Gen AI i våre eksisterende prosesser, klarte vi å fullføre oppgaven på fem uker.

I prosessen lærte vi en rekke leksjoner.

• Vi er alle ledere for AI. Hver av oss har en mulighet til å tenke veldig annerledes med AI. Hver av oss bør handle som ledere, uansett om vi har direkte rapporter eller ikke, fordi vi styrer en nesten ubegrenset mengde intelligenskapasitet som vi kan sette i arbeid på utfordrende prosjekter. Hvor mye kan du automatisere? Hvor kreativ kan du være? Hvor effektivt kan du utløse din AI-verktøy, utfordre det og deployere den nye modellen det genererer? Du kan utnytte det. Du kan styre det. Du kan gjøre så mye som din egen personlige kapasitet tillater deg å gjøre.
• Forvent ikke at AI skal gjøre alt. Det finnes oppgaver det ikke er særlig godt egnet til å utføre. Men du kan beordre det til å gjøre ting arbeidere ikke bør gjøre lenger – jobber som er tidskrevende, men likevel krever en viss grad av intelligens.
• Ikke bare aksepter resultater det produserer. Sjekk, sjekk og sjekk igjen. Stol på teknologien, men verifiser alltid – fordi nøyaktighet gjør antakelser til prestasjoner.

Steg-for-steg-prosessen for å deployere AI for oppgavehåndtering

Her er en rask sammenfatning av noen av måtene AI hjalp oss å komme opp bakken, til målstreken, mye raskere enn vi forventet.

• Forskjellige modeller: Forskjellige modeller har forskjellige styrker. Så, like som produsenter bruker beste komponenter når de bygger en løsning, føl deg fri til å bytte modeller når det er nødvendig for å utnytte disse styrkene. Vi brukte Claude Sonnet 3.5 til å skrive den første utkast til øvelsen fordi det var godt på å lage engasjerende prosa og instruksjoner. Vi brukte ChatGPT 4o&”o resonneringsmodeller som tekniske reviewers til å finjustere kommandoer og sikre teknisk nøyaktighet i den andre utkast.
• Reproduserbare resultater: Når vi utfører svært tekniske oppgaver, ønsker vi å kunne påtvinge klare tekniske begrensninger og produsere strukturerte utdata som støtter reproduserbare resultater. For å gjøre det, ga vi eksplisitte strukturkrav og format-eksempler.
• Prompter for svært tekniske oppgaver: Vær svært spesifik om hva du ber AI om å gjøre –

ellers kan det gjøre gale ting. Uttrykk tydelig eventuelle antakelser om inndata eller miljøforhold og be modellen om å håndtere uventede tilfeller.

• Raffinerte prompter: Det er viktig å oppmuntre AI-verktøy til å stille klargjørende spørsmål. Første prompter vil ikke være perfekte, så forvent flere runder. Inkorporer eventuelle forbedringer eller steg som modellen foreslår tilbake i din basisprompt, og iterer med AI og ditt team.
• Testing, testing, testing: Konsistenssjekker er kritiske. En måte å måle effektiviteten av din prompt på er å sikre konsistent utdata. Så, testet vi ofte for å sikre at vi satte inn samme inndata og at utdata forble det samme.

Menneskelig ekspertise ved roret: Den essensielle rollen til AI-tilsyn

Mens AI fjerner tidskrevende oppgaver fra arbeidernes dag, fjerner det dem ikke fra arbeidsflyten helt. Mennesker spiller fortsatt kritiske roller i vår læreplanutvikling, og de må integreres i AI-drevne prosesser for å sikre at prosessene lykkes.

Et godt eksempel er hvordan vårt utdanningsteam utfører promptingeniørarbeid. Mennesker er ansvarlige for å lage den innledende prompten, inkludert kontekst fra relevante kilder. Deretter, etter at Gen AI-verktøyet har utført prompten, gjennomgår den menneskelige eksperten utdata fra verktøyet. Det er essensielt at denne personen er en fagperson som kan fange feil tidlig i prosessen. Teammedlemmer fortsetter å samarbeide med verktøyet og iterere til teamet er fornøyd med at prompten er klar til publisering.

Mens denne samarbeidende menneske/AI har vist seg å være effektiv, krever det en menneskelig til å styre konteksten og overgangene mellom modeller.

Uten mennesker i løkken, ville teamene være avhengige av AI-verktøy som kan være notorisk upålitelige. Da vi først startet med vårt læreplanprosjekt, gjorde verktøyene det bra med å sammenfatte eller forklare konsepter, gitt riktige kontekster. Likevel, hallucinerte de ofte. I dag er modellene bedre på å resonnere, men en menneskelig må fortsatt styre prosessen. Nå kan mennesker fokusere på gjennomgang og kreativitet, og ikke bare på prosesshåndtering.

I fremtiden vil AI-agenter spille en større rolle i prosessen. I stedet for at mennesker manuelt samler inn kontekst fra kilder, lager prompter med kontekst, flytter arbeid mellom AI-modeller og gjennomgår og finjusterer utdata, utvikler vi agenter som kan utføre mange av disse oppgavene – med en del hjelp. Agenten kan autonomt samle inn og prosessere kildeinformasjon som kontekst, generere ferdighetsklassifiseringer og kursplaner, utføre våre etablerte arbeidsflyter og presentere bare nøkkelbeslutningspunkter til menneskelige eksperter.

Konklusjon

Mens raske løp er bra for å holde seg i form, har biler for lenge siden forandret menneskers evne til å komme dit de trenger å gå. AI tilbyr de samme fordelene på arbeidsplassen – hjelper bedrifter å forbedre prosesser og generere bedre resultater. De som omfavner det og utnytter dets sammensatte effisiensgevinster, vil forlate konkurrentene bak.