DeepSeek’s R1: En nyttig påminnelse

Som lærer på college og tidligere IT-industriveteran, finner jeg at hypeen rundt Kinas DeepSeek R1-modell er en nyttig påminnelse om tre ting.

Det første er at generativ AI ikke lenger bare handler om å prosessere store mengder innhold for å generere relevante svar på forespørsler; det handler også om kognitiv resonnering (den “R” i R1).

Løftet om resonnerende store språkmodeller (LLM’er) er at massive kunnskapsinnsamling og kognitiv prosessering – tidligere det eksklusive domenet til hjernetrænede med superdatamaskiner – nå er i hendene på nesten alle. Takk til en ny generasjon av effektivitetsforbedrings-teknikker, finnes det modeller som er små nok til å kjøre på en vanlig laptop som kan støtte flere intelligente agenter som kan utføre komplekse, interaktive oppgaver selvstendig.

For det andre er den generative AI-revolusjonen først og fremst om innovasjon og kreativitet – det handler ikke bare om en kappløp for den mest kraftfulle maskinvaren, størrelsen på treningsdataene eller antall modellparametere. Vellykket tilpasning av disse teknologiene vil ikke bli bestemt av de store teknologiselskapene med massive, energislukende superdatamaskiner som trener milliarddollarmodeller – men av land og organisasjoner som investerer i menneskelig kapital for å forberede dem på denne nye bølgen.

Tredje, og bygget på det siste punktet, ser det ikke ut til at Amerika er særlig godt posisjonert for de dramatiske endringene som kommer til vår økonomi og samfunn. Jeg vil nevne to eksempler: høyere utdanning og bedrifts-USA.

Høyere utdanning

I de fleste institusjoner for høyere utdanning, er en students første store beslutning å bestemme om de skal søke om en Bachelor of Arts (BA)-grad, som er assosiert med en bredere, mer tverrfaglig utdanning, eller en Bachelor of Science (BS)-grad, som er mer fokusert på å utvikle ferdigheter og praktisk erfaring i bestemte fag.

I AI-tiden er dette en håpløst foreldet dikotomi, da begge disiplinene blir essensielle på arbeidsplassen.

Faktum er at de fleste førsteårsstudenter ikke har noen nær kunnskap eller innsikt i hva det er å jobbe i forskjellige typer jobber, eller selv de relative styrkene og svakhetene i deres egne evner, talenter, ferdigheter og egenskaper. Og likevel, må de fleste førsteårsstudenter erklære en hovedfag, som vil være en enkel beslutning bare for den lille prosenten som (for bedre eller verre) vet (eller i det minste tror de vet) hvilket felt de vil forfølge: ingeniør, vitenskap, medisin, jus osv.

Vi trenger en mye annen, karriereklar, bredere, tverrfaglig tilnærming til høyere utdanning som anerkjenner at en college-utdannets første faste jobb kanskje ikke har noe å gjøre med graden de tok eller deres hovedfag; at deres college-erfaring vil representere bare den første fasen i en livslang reise av kontinuerlig læring – oppgradering, sertifisering, omdefinering, karriere-skifting – for roller vi ikke engang kan forestille oss nå.

Også, som lærere, må vi utvikle nye strategier for å håndtere AI-plagiat og navigere i farene med at chat-bots blir intellektuelle kortveier, eller “kognitiv avlasting” – tendensen til å stole på eksterne verktøy i stedet for å utvikle interne evner.

I en tid når kunnskap er skilt fra forståelse, er det bare for mye fristelse til å bare be AI om et umiddelbart svar eller løsning i stedet for å kjempe for å forstå et konsept eller løse et problem.

Bedrifts-IT

De fleste bedriftene ser heller ikke ut til å forstå de organisatoriske implikasjonene av disse nye teknologiene.

Den nåværende IT-rolle og -struktur reflekterer de organisatoriske kravene fra den forrige, digitale revolusjonen. Disse funksjonene oppstod fra den spesialiserte ekspertisen som var nødvendig for mennesker for å bruke og samhandle med datamaskiner – programmering, dataingeniør, datamaskinarkitektur, nettverksadministrasjon, informasjonssikkerhet osv.

I motsetning til dette er generativ AI (og hele feltet naturlichspråkbehandling som gikk forut det) om å designe og trene datamaskiner til å samhandle med mennesker.

Som et resultat, oppfinner vanlige ansatte geniale (og noen ganger farlige) måter å bruke disse teknologiene på. Organisasjoner sliter med å komme opp med fungerende politikker, prosedyrer og kontroller for å maksimere produktivitetsfordelene samtidig som de minimerer risikoen.

Et nøkkelproblem er at i de fleste bedrifter, tenderer datasvarekspertisen å være konsentrert i IT-avdelinger, som for det meste fremdeles opererer som hemmelige laug med sin egen mystiske språk og praksis som er organisatorisk og funksjonelt isolert fra kjernforretningsenhetene. Jeg tror at den kommende produktivitetsrevolusjonen krever nye typer organisatoriske roller og strukturer, hvor datasvarekspertisen ikke er isolert i en spesialisert funksjon, men forbundet med nesten alle aspekter av operasjonen.

Og det er også datautfordringen. I de fleste organisasjoner, handler det om å tilpasse LLM’er til å utføre spesialiserte brukstilfeller med proprietær data. Mens brukerne av data i forretningslinjene ønsker fullstendig nøyaktig, ren og godt styrt data, har de enkelte eierne av data i IT ikke budsjett, finansiell incentiv eller organisatorisk myndighet til å sikre dette nivået av kvalitet og gjennomsiktighet.

Som et resultat, er interne datasamlinger ikke godt oppdagelige/styrt over hele bedriften. Vanligvis lagres forskjellige typer data på forskjellige steder. I respons til forretningsbrukernes forespørsler, gir IT forskjellige visninger av data, gjør forskjellige kopier (og kopier av kopier) av data, og skaper eksponeringer og abstraksjoner av data for forskjellige årsaker…På dette tidspunktet, vet ingen hvilke versjoner som er utdaterte, ufullstendige, duplikate, uriktige eller uten kontekst.

Konklusjon

​Generativ AI har potensialet til å transformere all form for kunnskapsarbeid. I kjernen, handler denne teknologien om demokratisering av ekspertise (for godt og vondt) – å mellomliggende spesialister som kodere, videografere, illustratører, forfattere, redaktører og nesten alle typer kunnskapsarbeidere eller “eksperter”. Aldri før har mennesker håndtert en teknologi som rivaliserer deres egen kognitive prosessering og resonans-evner – bare deres fysiske styrke, utholdenhet, presisjon av fingrenes finmotorikk og evne til å prosessere store mengder data.

Dette spennende nye produktivitetsrevolusjonen krever nye ferdigheter, evner og organisatoriske strukturer, hvor datasvarekspertisen er integrert i nesten alle typer forretningsprosesser.

Ironien er at når maskiner oppnår større analytiske krefter, kan statusen og verdien av en ansatt i en organisatorisk hierarki bli mindre en funksjon av spesialisert ekspertise, erfaring og kvalifikasjoner, og mer av deres kreative, tverrfaglige og mellompersonlige ferdigheter.

Tiden til å utvikle og investere i disse evnene er nå.