Создание AI-родной рабочей среды: уроки с передовой

Что бы вы сделали, если бы бежали 10-километровый забег, боролись с подъемом на трудный холм, и вдруг правила забега изменились? Что, если водители начали подбирать бегунов на машинах, а затем гонялись друг за другом до финишной линии? Продолжили бы вы бежать, зная, что окажетесь в конце пачки? Или сели бы в машину, нажали бы на газ и боролись за главный приз?

В бизнесе сегодня AI – это та машина, которая нарушает порядок работы компаний. Компании все еще могут выбирать двигаться вперед 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 суть забега. Она дает компаниям новое средство для движения быстрее и предоставления работникам новых маршрутов для обхода проблем. Любая компания, которая не возьмет руль и не внедрит силу AI в свою рабочую силу, останется позади на том длинном, крутом холме.

Принятие будущего, ставая менеджером AI

Здесь, в Cockroach Labs, мы быстро узнали, что Gen AI может помочь нам делать вещи, которые мы никогда не считали возможными. Мы использовали ее по всей компании для генеративного поиска, 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 для ускорения разработки 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-шоу с подробными заметками для студентов. До начала проекта мы оценили, что, используя наш обычный процесс разработки – учитывая отраслевые стандарты оценок 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 выполнить задачу за пять недель.

В процессе мы узнали ряд уроков.

• Мы все менеджеры AI. Каждый из нас имеет возможность думать очень по-другому с помощью AI. Каждый из нас должен действовать как менеджер, независимо от того, есть ли у нас прямые подчиненные или нет, потому что мы управляем практически неограниченным запасом интеллектуальной мощности, которую мы можем использовать для решения сложных проектов. Насколько можно автоматизировать? Насколько можно быть креативным? Насколько эффективно можно использовать инструмент AI, бросать ему вызов и развертывать новую модель, которую он генерирует? Вы можете использовать его. Вы можете управлять им. Вы можете делать практически все, что позволит вам сделать ваша личная мощность.
• Не ожидайте, что AI сделает все. Есть задачи, для которых она просто не подходит. Но вы можете поручить ей выполнение задач, которые работники не должны выполнять больше – задач, которые требуют времени, но все еще требуют определенной степени интеллекта.
• Не слепо принимайте результаты, которые она выдает. Проверьте, проверьте и еще раз проверьте. Доверяйте технологии, но всегда проверяйте – потому что точность превращает предположения в достижения.

Пошаговый процесс развертывания AI для управления задачами

Вот краткий обзор некоторых способов, которыми AI помог нам подняться на холм, достичь финишной линии, намного быстрее, чем мы ожидали.

• Разные модели: Разные модели имеют разные сильные стороны. Поэтому, как производители используют лучшие компоненты при построении решения, 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 отлично создавал увлекательный текст и инструкции. Мы использовали ChatGPT 4o&”o” модели рассуждения в качестве технических рецензентов для уточнения команд и обеспечения технической точности 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. Для этого мы предоставили явные требования к структуре и примеры формата.
• Промпты для высокотехнических задач: Будьте очень конкретными о том, что вы просите AI сделать – иначе она может делать сумасшедшие вещи. Ясно укажите любые предположения об входных данных или условиях окружающей среды и попросите модель обработать неожиданные случаи.

• Уточненные промпты: Важно поощрять инструменты AI 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. Поэтому мы тестировали часто, 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, она 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 инженерию промптов. Люди отвечают за создание первоначального промпта, включая контекст из соответствующих источников. Затем, после того, как инструмент Gen AI выполняет промпт, человек проверяет выходные данные инструмента. Это крайне 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 человека, чтобы управлять контекстом и переходами между моделями.

Без людей в цикле команды будут находиться на милости инструментов AI, 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 рассуждают, но человек все еще должен управлять процессом. Теперь люди могут сосредоточиться на проверке и креативности, а не только на управлении процессом.

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

Заключение

Хотя быстрые пробежки отлично подходят для поддержания формы, машины давно изменили способность людей добраться туда, куда им нужно. AI обеспечивает те же преимущества на рабочем месте – помогая компаниям улучшать процессы и генерировать лучшие результаты. Те, кто принимает ее и использует ее сложные эффективные выгоды, оставят конкурентов позади.