Создание AI-родной рабочей среды: уроки из первых рядов

Что бы вы сделали, если бы вы участвовали в 10-километровом забеге, боролись с трудным подъемом, и вдруг правила забега изменились? Что, если водители начали подбирать бегунов на машинах и затем гонялись друг за другом до финиша? Продолжили бы вы бежать, зная, что вы окажетесь в конце пачки? Или сели бы в машину, нажали бы на газ и боролись бы за главный приз?

В бизнесе сегодня AI – это та машина, которая нарушает способ, которым компании работают. Компании могут выбрать продолжать двигаться так, как они всегда делали – разрабатывать долгосрочные планы, следовать процессам, заставлять сотрудников работать усерднее, чем когда-либо, чтобы добиться успеха в все более конкурентной среде. Но AI меняет природу забега. Она дает компаниям новую машину, чтобы двигаться быстрее и давать работникам новые маршруты, чтобы обойти проблемы. Любая компания, которая не возьмет руль и не внедрит силу AI в свою рабочую силу, будет оставлена позади на том длинном и крутом подъеме.

Принятие будущего, ставая менеджером AI

Здесь, в Cockroach Labs, мы быстро узнали, что Gen AI может помочь нам сделать вещи, которые мы никогда не считали возможными. Мы использовали его по всей компании для генеративного поиска AI, систем рекомендаций и семантического поиска.

Одним из лучших примеров того, как AI может преобразовать процесс рабочей силы, является то, что происходит в нашем образовательном отделе. Наша команда использует AI, чтобы ускорить разработку учебных программ, которые помогают клиентам, партнерам и нашей собственной рабочей силе стать экспертами в эксплуатации нашей линии баз данных.

Мы недавно создали курс, который включал 21 практическое упражнение и 20 слайд-деcks с подробными заметками студентов. До начала проекта мы оценили, что, используя наш обычный процесс разработки – учитывая отраслевые стандартные оценки того, сколько времени требуется разработчикам для производства одного часа контента – это займет три-пять месяцев.

Итак, что произошло? Включив Gen AI в наши существующие процессы, мы смогли завершить задачу за пять недель.

В процессе мы узнали ряд уроков.

• Мы все менеджеры AI. Каждый из нас имеет возможность думать очень по-другому, используя AI. Каждый из нас должен действовать как менеджер, независимо от того, есть ли у него прямые подчиненные или нет, потому что мы управляем практически неограниченным запасом интеллектуальных возможностей, которые мы можем использовать для сложных проектов. Как много можно автоматизировать? Как творчески можно быть? Как эффективно можно использовать AI-инструмент, бросать ему вызов и развертывать новую модель, которую он генерирует? Вы можете использовать его. Вы можете управлять им. Вы можете сделать практически все, что ваша личная способность позволяет вам сделать.
• Не ожидайте, что AI сделает все. Есть задачи, которые он просто не способен выполнять. Но вы можете поручить ему делать вещи, которые работники не должны делать больше – работы, которые требуют времени, но все еще требуют определенного уровня интеллекта.
• Не слепо принимайте результаты, которые он выдает. Проверьте, проверьте и еще раз проверьте. Доверяйте технологии, но всегда проверяйте – потому что точность превращает предположения в достижения.

Поэтапный процесс развертывания AI для управления задачами

Вот краткий обзор некоторых способов, которыми AI помог нам подняться на холм, к финишу, намного быстрее, чем мы ожидали.

• Разные модели: Разные модели имеют разные сильные стороны. Итак, как производители используют лучшие компоненты, когда строят решение, не стесняйтесь менять модели, когда это имеет смысл, чтобы воспользоваться их сильными сторонами. Мы использовали Claude Sonnet 3.5 для создания первого проекта упражнения, потому что он преуспел в создании интересного текста и инструкций. Мы использовали ChatGPT 4o&”o” модели рассуждения в качестве технических рецензентов, чтобы усовершенствовать команды и обеспечить техническую точность во втором проекте.
• Повторяемые результаты: Когда мы выполняли высокотехнические задачи, мы хотели иметь возможность обеспечить четкие технические ограничения и производить структурированные выходные данные, которые поддерживали повторяемые результаты. Чтобы сделать это, мы предоставили явные требования к структуре и примеры формата.
• Промпты для высокотехнических задач: Будьте очень конкретными о том, что вы просите AI сделать –

иначе он может сделать сумасшедшие вещи. Ясно укажите любые предположения об входных данных или условиях окружающей среды и попросите модель обработать неожиданные случаи.

• Усовершенствованные промпты: Важно побудить AI-инструменты задавать уточняющие вопросы. Первые промпты не будут идеальными, поэтому ожидайте нескольких раундов. Включите любые улучшения или шаги, которые модель предлагает, обратно в ваш базовый промпт, и итерируйте с AI и вашими коллегами.
• Тестирование, тестирование, тестирование: Проверки последовательности имеют решающее значение. Одним из способов измерить эффективность вашего промпта является обеспечение последовательного выходного результата. Итак, мы часто тестируем, чтобы убедиться, что мы вводим одинаковые входные данные и что выходной результат остается одинаковым.

Человеческая экспертиза у руля: Необходимая роль надзора AI

Хотя AI удаляет время-consuming задачи из дня работников, он не удаляет их из рабочих процессов совсем. Люди все еще играют критические роли в нашей разработке учебных программ, и им необходимо быть интегрированными в AI-ориентированные процессы, чтобы обеспечить их успех.

Хорошим примером является то, как наша образовательная команда проводит инжиниринг промптов. Люди отвечают за создание первоначального промпта, включая контекст из соответствующих источников. Затем, после того, как инструмент Gen AI выполняет промпт, человек проверяет выходной результат инструмента. Это важно, чтобы этот человек был экспертом в предмете, который может обнаружить ошибки на ранней стадии процесса. Коллеги продолжают сотрудничать с инструментом и итерировать, пока команда не будет удовлетворена, что промпт готов к публикации.

Хотя это сотрудничество между человеком и AI оказалось эффективным, оно требует, чтобы человек управлял контекстом и переходами между моделями.

Без людей в цикле команды будут на милости AI-инструментов, которые могут быть печально известны своей ненадежностью. Когда мы впервые начали с нашего проекта учебных программ, инструменты хорошо суммировали или объясняли концепции, учитывая правильный контекст. Однако они часто галлюцинировали. Сегодня модели лучше в рассуждениях, но человек все еще должен управлять процессом. Теперь люди могут сосредоточиться на проверке и творчестве, а не только на управлении процессом.

В будущем AI-агенты будут играть большую роль в процессе. Вместо того, чтобы люди вручную собирали контекст из источников, создавали промпты с контекстом, перемещали работу между AI-моделями и проверяли и совершенствовали выходные результаты, мы разрабатываем агентов, которые могут выполнять многие из этих задач – с немного помощью. Агент может автономно собирать и обрабатывать контекст из источников, генерировать таксономии навыков и планы курсов, выполнять наши установленные рабочие процессы и представлять только ключевые точки принятия решений экспертам-людям.

Заключение

Хотя бег на длинные дистанции полезен для поддержания формы, машины давно изменили способ, которым люди перемещаются. AI предоставляет те же преимущества на рабочем месте – помогая компаниям улучшать процессы и генерировать лучшие результаты. Те, кто принимает его и использует его сложные выгоды от эффективности, оставят конкурентов позади.