Przypomnienie o DeepSeek’s R1

Jako wykładowca college’u i były weteran branży IT, uważam, że hype wokół chińskiego modelu DeepSeek R1 jest przydatnym przypomnieniem trzech rzeczy.

Pierwsza to fakt, że generative AI nie jest już tylko przetwarzaniem ogromnych ilości treści w celu generowania odpowiedzi na podstawie podanych danych; jest to również kwestia rozumowania („R” w R1).

Obietnica modeli językowych (LLM) polega na tym, że ogromne możliwości pozyskiwania wiedzy i przetwarzania poznawczego – które wcześniej były zarezerwowane dla ludzi z superkomputerami – są teraz w zasięgu niemal każdego. Dzięki nowej generacji technik zwiększających wydajność, istnieją modele na tyle małe, że mogą być uruchamiane na konwencjonalnym laptopie, które mogą wspierać wiele inteligentnych agentów, które mogą wykonywać złożone, interaktywne zadania w sposób autonomiczny.

Drugą rzeczą jest to, że rewolucja generatywnej AI jest przede wszystkim kwestią innowacji i kreatywności – nie jest to wyścig zbrojeń o najpotężniejsze sprzęty, największe zbiory danych szkoleniowych czy największą liczbę parametrów modelu. Pomyślne wdrożenie tych technologii nie zostanie określone przez duże firmy technologiczne z ogromnymi, pochłaniającymi energię superkomputerami szkolącymi modele wartymi miliardy dolarów – ale przez kraje i organizacje, które inwestują w kapitał ludzki, aby przygotować się do tej nowej fali.

Trzecią rzeczą, która wynika z poprzedniego punktu, jest to, że Ameryka nie wydaje się być dobrze przygotowana do dramatycznych zmian, które nadchodzą w naszej gospodarce i społeczeństwie. Przytoczę dwa przykłady: edukację wyższą i korporacyjny świat biznesu.

Edukacja wyższa

W większości instytucji edukacji wyższej pierwszą dużą decyzją, jaką podejmuje student, jest wybór między uzyskaniem tytułu licencjata sztuk (BA), który jest związany z bardziej interdyscyplinarną edukacją, a tytułem licencjata nauk (BS), który jest bardziej ukierunkowany na rozwijanie umiejętności i zdobywanie doświadczenia w określonych dziedzinach.

W erze AI ta dychotomia jest absolutnie przestarzała, ponieważ oba zestawy dyscyplin stają się niezbędne w miejscu pracy.

Faktem jest, że większość studentów pierwszego roku nie ma nawet pojęcia, co to znaczy pracować w różnych rodzajach pracy, czy nawet jakie są ich własne mocne i słabe strony, talenty, umiejętności i zdolności. I mimo to, większość studentów pierwszego roku jest zobowiązana do wyboru kierunku, co będzie łatwą decyzją tylko dla tego niewielkiego procentu, którzy (na dobre lub na złe) wiedzą (lub przynajmniej myślą, że wiedzą), jaki kierunek chcą podążać: inżynierię, naukę, medycynę, prawo itd.

Potrzebujemy zupełnie innego, przygotowującego do kariery, interdyscyplinarnego podejścia do edukacji wyższej, które uznaje, że pierwsza praca absolwenta może nie mieć nic wspólnego z uzyskanym tytułem lub kierunkiem; że ich doświadczenie college’u będzie stanowiło tylko pierwszy etap w drodze życia pełnej ciągłego uczenia się – podnoszenia kwalifikacji, zdobywania certyfikatów, reinwencji, zmiany kariery – dla ról, których nawet nie możemy teraz wyobrazić sobie.

Ponadto, jako edukatorzy, musimy opracować nowe strategie, aby poradzić sobie z plagiatem AI i nawigować niebezpieczeństwa, jakie niosą ze sobą czaty boty stające się intelektualnymi skrótami, czy „cognitive offloading” – tendencją do polegania na zewnętrznych narzędziach zamiast rozwijania wewnętrznych zdolności.

W erze, gdy wiedza jest oddzielona od zrozumienia, jest zbyt wielka pokusa, aby po prostu poprosić AI o natychmiastową odpowiedź lub rozwiązanie, zamiast zmagania się z zrozumieniem pojęcia lub rozwiązaniem problemu.

Świat korporacyjny

Większość korporacji również nie zdaje się rozumieć organizacyjnych implikacji tych nowych technologii.

Obecne role i struktury IT odzwierciedlają organizacyjne wymagania poprzedniej rewolucji cyfrowej. Te funkcje powstały z uwzględnieniem specjalistycznej wiedzy wymaganej dla ludzi, aby korzystać z komputerów – programowania, inżynierii danych, architektury komputerowej, administracji sieci, bezpieczeństwa informacji itd.

W przeciwieństwie do tego, generatywna AI (i całe pole przetwarzania języka naturalnego, które ją poprzedziło) dotyczy projektowania i szkolenia komputerów, aby mogły one współpracować z ludźmi.

W rezultacie, pracownicy szeregowi wymyślają genialne (i czasem niebezpieczne) sposoby, aby wykorzystywać te technologie. Organizacje mają trudności z opracowaniem skutecznych polityk, procedur i kontroli, aby maksymalizować potencjalne korzyści produktywności, jednocześnie minimalizując ryzyko.

Kluczowym problemem jest to, że w większości korporacji, ekspertyza w dziedzinie nauki o danych jest skoncentrowana w departamentach IT, które nadal działają jako tajne gildie ze swoim tajemniczym językiem i praktykami, które są organizacyjnie i funkcjonalnie odizolowane od podstawowych jednostek biznesowych. Uważam, że nadchodząca rewolucja produktywności wymaga nowych rodzajów organizacyjnych ról i struktur, w których ekspertyza w dziedzinie danych nie jest odizolowana w specjalistycznej funkcji, ale połączona z niemal każdym aspektem działania.

Istnieje również wyzwanie związane z danymi. W większości organizacji, wdrożenie AI polega na dostosowaniu modeli LLM do wykonywania specjalistycznych przypadków użycia przy użyciu danych własnych. Podczas gdy użytkownicy danych w jednostkach biznesowych chcą danych, które są całkowicie dokładne, czyste i dobrze zarządzane, poszczególni właściciele danych w IT nie mają budżetu, finansowych zachęt ani organizacyjnej władzy, aby zapewnić ten poziom jakości i przejrzystości.

W rezultacie, wewnętrzne zestawy danych nie są dobrze zarządzane w całej firmie. Zwykle różne rodzaje danych są przechowywane w różnych miejscach. W odpowiedzi na wnioski użytkowników biznesowych, IT zapewnia różne widoki danych, tworzy różne kopie (i kopie kopii) danych oraz tworzy ekspozycje i abstrakcje danych z różnych powodów… W tym momencie nikt nie wie, które wersje są nieaktualne, niepełne, duplikaty, niedokładne lub ich kontekst.

Podsumowanie

Generatywna AI ma potencjał, aby przekształcić wszystkie rodzaje pracy związanej z wiedzą. W swojej istocie, ta technologia dotyczy demokratyzacji ekspertyzy (dobrej i złej) – pośredniczenia specjalistów, takich jak programiści, wideografowie, ilustratorzy, pisarze, redaktorzy i każdy rodzaj pracownika wiedzy lub „eksperta”. Nigdy wcześniej ludzie nie mieli do czynienia z technologią, która rywalizowałaby z ich własnymi możliwościami przetwarzania poznawczego i rozumowania – tylko ich siłą fizyczną, wytrzymałością, precyzyjną zręcznością i zdolnością do przetwarzania ogromnych ilości danych.

Ta ekscytująca nowa rewolucja produktywności wymaga nowych umiejętności, zdolności i struktur organizacyjnych, w których ekspertyza w dziedzinie danych jest integralną częścią niemal każdego rodzaju procesu biznesowego.

Ironią jest to, że w miarę jak maszyny osiągają większe możliwości analityczne, status i wartość pracownika w hierarchii organizacyjnej może stać się mniej funkcją specjalistycznej wiedzy, doświadczenia i kwalifikacji, a bardziej ich kreatywnych, interdyscyplinarnych i międzyludzkich umiejętności.

Czas, aby rozwinąć i zainwestować w te możliwości, jest teraz.