Ali Ansari ผู้ก่อตั้งและซีอีโอของ micro1 – บทสัมภาษณ์

Ali Ansari เป็นผู้ก่อตั้งและซีอีโอของ micro1 โดยมุ่งเน้นการเปลี่ยนความเชี่ยวชาญของมนุษย์ให้เป็นข้อมูลฝึกฝนและข้อมูลสำหรับประเมินระบบเอไอขั้นสูง ประสบการณ์การเป็นผู้ประกอบการของเขารวมถึงการก่อตั้งเอเจนซีพัฒนาซอฟต์แวร์และ peerlinc ก่อนเปิดตัว micro1 ในปี 2022 เขาศึกษาวิทยาการคอมพิวเตอร์ที่ UC Berkeley และ Stanford โดยเน้นด้านการเรียนรู้แบบเสริมกำลัง และปัจจุบันทำงานพัฒนาระบบที่จำเป็นสำหรับการค้นหา ประเมิน และประสานงานผู้เชี่ยวชาญให้มีส่วนร่วมในการพัฒนาเอไอ

micro1 เป็นแล็บข้อมูลที่ช่วยฝึกโมเดลเอไอแนวหน้าและประเมินเอเจนต์เอไอ โดยอาศัยข้อมูลจากผู้เชี่ยวชาญและสภาพแวดล้อมการทำงานที่สมจริง แพลตฟอร์มของบริษัทผสานการสรรหาผู้เชี่ยวชาญ การผลิตข้อมูล การตรวจสอบคุณภาพ และการประเมินโมเดล ครอบคลุมสาขาต่าง ๆ ทั้งกฎหมาย สาธารณสุข การเงิน วิศวกรรม และวิทยาศาสตร์ ในบทสัมภาษณ์นี้ Ansari พูดถึงสาเหตุที่ความต้องการความเชี่ยวชาญของมนุษย์เพิ่มขึ้น วิธีที่ข้อมูลการดำเนินงานสนับสนุนการเรียนรู้แบบเสริมกำลัง และโอกาสทางอาชีพที่กำลังเกิดขึ้นในแวดวงการฝึกและประเมินเอไอ

คุณก่อตั้ง micro1 ในปี 2022 หลังจากก่อนหน้านี้สร้างและขาย peerlinc คุณพยายามแก้ปัญหาอะไรในตอนแรก และ micro1 พัฒนามาเป็นบริษัทที่มุ่งเน้นการฝึกและประเมินโมเดลเอไอแนวหน้าได้อย่างไร

เดิมที ปัญหานี้เกิดขึ้นในธุรกิจของผมเอง ผมทำเอเจนซีพัฒนาซอฟต์แวร์ และทุกครั้งที่ได้โครงการใหม่ก็ต้องหาวิศวกรเพิ่มและสัมภาษณ์พวกเขา ผมใช้เวลาไปกับเรื่องนี้มหาศาล เราจึงสร้าง AI interviewer ชื่อ Zara ขึ้นมาช่วย และท้ายที่สุดก็กลายเป็น micro1

เราเริ่มจากการขายซอฟต์แวร์สรรหาบุคลากรและสร้างตลาดกลางสำหรับผู้มีความสามารถที่ผ่านการคัดกรองแล้ว จากนั้นมีลูกค้ารายหนึ่งติดต่อมา โดยต้องการวิศวกรหลายร้อยคนเพื่อฝึกโมเดลเอไอ เราเริ่มค้นหาว่าทำไมพวกเขาจึงต้องการคนจำนวนมากขนาดนั้น และตระหนักว่ามีความต้องการความเชี่ยวชาญของมนุษย์มหาศาลอยู่เบื้องหลังการพัฒนาโมเดล

เราใช้เวลาหลายปีสร้างขีดความสามารถในการค้นหาและคัดกรองบุคลากรในวงกว้างไว้แล้ว การใช้ข้อมูลจากมนุษย์เป็นประโยชน์ต่อโครงสร้างพื้นฐานนี้อย่างมาก เราจึงทุ่มเทให้กับแนวทางนี้อย่างเต็มที่ โดยใช้เครื่องมือสรรหาบุคลากรด้วยเอไอของเราเพื่อค้นหาและคัดกรองผู้เชี่ยวชาญที่มีความสามารถ พร้อมสร้างแพลตฟอร์มข้อมูลและระบบคุณภาพอื่น ๆ มารองรับ ปัจจุบันเราช่วยแล็บต่าง ๆ เปลี่ยนความเชี่ยวชาญเหล่านั้นให้เป็นขีดความสามารถของโมเดลที่ดียิ่งขึ้น

คุณเคยกล่าวว่าเมื่อโมเดลเอไอมีความสามารถมากขึ้น ความต้องการความเชี่ยวชาญของมนุษย์กลับเพิ่มขึ้นแทนที่จะหายไป อะไรเป็นปัจจัยขับเคลื่อนความสัมพันธ์นี้

มีปัจจัยอยู่สองสามอย่าง อย่างแรก เมื่อโมเดลเก่งขึ้น เราก็มอบหมายงานที่ยากขึ้นให้มัน โมเดลที่ตอบคำถามได้ย่อมมีประโยชน์ แต่โมเดลที่จัดการกระบวนการทำงานได้ครบทั้งชุดมีประโยชน์มากกว่ามาก และการจะไปถึงจุดนั้นได้ก็ต้องอาศัยข้อมูลจากผู้เชี่ยวชาญมากขึ้น

อย่างที่สอง มนุษย์ยังคงสร้างงานใหม่ ๆ อยู่เสมอ หากทนายความใช้เอไอช่วยทำงานหลายอย่างที่กินเวลาส่วนใหญ่ในแต่ละวันได้ ก็จะมีเวลามากขึ้นไปจัดการปัญหาที่ซับซ้อนและละเอียดอ่อนกว่าเดิม หรือพัฒนาบริการใหม่ให้ลูกค้า หน้าที่ใหม่เหล่านี้ก็กลายเป็นสิ่งที่เราต้องการถ่ายทอดให้โมเดลเรียนรู้ด้วย นี่คือสิ่งที่เราหมายถึงเมื่อพูดว่า “ไม่มีช่วงสุดท้าย” เพราะงานยังคงเปลี่ยนแปลงอยู่เสมอ

ข้อมูลสังเคราะห์ทำให้เรื่องนี้น่าสนใจยิ่งขึ้น เราสามารถใช้ข้อมูลดังกล่าวต่อยอดงานและข้อเสนอแนะที่ผู้เชี่ยวชาญสร้างขึ้น ซึ่งทำให้ข้อมูลจากมนุษย์ตั้งต้นนั้นมีประโยชน์มากขึ้น ผมคิดว่าการผสานสิ่งเหล่านี้เข้าด้วยกันเป็นเหตุผลที่ทำให้ความต้องการความเชี่ยวชาญของมนุษย์เพิ่มขึ้นควบคู่ไปกับขีดความสามารถของโมเดล

micro1 ทำงานร่วมกับผู้เชี่ยวชาญเฉพาะด้านในสาขาต่าง ๆ เช่น กฎหมาย สาธารณสุข การเงิน วิศวกรรม และวิทยาศาสตร์ ผู้เชี่ยวชาญเหล่านี้สามารถมอบสิ่งใดให้แก่ระบบเอไอที่ไม่อาจเรียนรู้ได้จากข้อมูลออนไลน์ที่มีอยู่แล้วเพียงอย่างเดียว

สิ่งที่ทำให้ใครสักคนเป็นแพทย์ ทนายความ หรือวิศวกรที่เก่ง มักเป็นวิจารณญาณที่สั่งสมมาจากการทำงาน ประสบการณ์บางส่วนมีการบันทึกไว้ แต่ส่วนใหญ่สะท้อนให้เห็นจากวิธีที่พวกเขาจัดการกับกรณีที่ไม่ปกติ สังเกตเห็นข้อมูลที่ขาดหายไป หรือตัดสินใจว่ารายละเอียดใดสำคัญจริง ๆ

สิ่งนี้มีคุณค่าอย่างยิ่งต่อการฝึกโมเดล ผู้เชี่ยวชาญสามารถสร้างโจทย์ที่ยาก อธิบายว่าผลลัพธ์ที่ดีควรเป็นอย่างไร และชี้ให้เห็นได้อย่างชัดเจนว่าโมเดลยังทำได้ไม่ดีตรงไหน คำตอบหนึ่งอาจฟังดูน่าเชื่อถือมาก แต่ยังพลาดประเด็นที่สำคัญที่สุดสำหรับคนที่ทำงานนั้นอยู่ก็ได้

เราต้องอาศัยผู้เชี่ยวชาญเพื่อแยกแยะความแตกต่างเหล่านั้น และเราต้องการมุมมองที่หลากหลายกับกระบวนการตรวจทานที่เข้มแข็ง เพราะวิจารณญาณของคนเพียงคนเดียวไม่อาจครอบคลุมทุกกรณีได้ เป้าหมายคือเปลี่ยนประสบการณ์เหล่านั้นให้เป็นสัญญาณที่โมเดลเรียนรู้ได้ นอกจากนี้ แต่ละสาขายังมีรายละเอียดปลีกย่อยมากมาย ตัวอย่างเช่น ความเชี่ยวชาญด้านกฎหมายไม่ได้มีเพียงแบบเดียว แต่แตกต่างกันไปตามสาขาที่ปฏิบัติงาน รัฐหรือเขตอำนาจศาล ตลอดจนระบบกฎหมายของแต่ละประเทศ ความแตกต่างในแต่ละชั้นต้องอาศัยความรู้เฉพาะทางและวิจารณญาณที่มากขึ้น ทุกสาขาและสาขาย่อยที่หลากหลายต่างมีความลึกซึ้งเช่นเดียวกัน ด้วยเหตุนี้เราจึงต้องมีผู้เชี่ยวชาญที่เข้าใจว่าความแตกต่างเหล่านั้นมีความหมายอย่างไรในการปฏิบัติงานจริง

ขณะที่อุตสาหกรรมหันมาให้ความสำคัญกับการฝึกขั้นต่อมา การเรียนรู้แบบเสริมกำลัง และการประเมินผลมากขึ้น คุณมองว่าปัจจุบันอะไรเป็นคอขวดสำคัญที่สุดในการพัฒนาโมเดลแนวหน้า

ผมคิดว่าการเข้าถึงข้อมูลที่สะท้อนสภาพการทำงานจริงเป็นคอขวดสำคัญที่สุดอย่างหนึ่ง บริษัทต่าง ๆ ใช้เวลาหลายปีแก้ปัญหา ตัดสินใจ และจัดการกับกรณียกเว้น ประสบการณ์เหล่านั้นถูกบันทึกไว้ในเอกสาร ระบบ และขั้นตอนการทำงานของบริษัท ซึ่งมีคุณค่าอย่างยิ่งหากต้องการให้โมเดลเรียนรู้วิธีทำงานจริง

นั่นจึงเป็นเหตุผลที่เราจัดตั้งโครงการ Company Data Partnerships หรือ CDP เราจ่ายเงินให้บริษัทต่าง ๆ เพื่อขอสิทธิ์ใช้งานข้อมูลการดำเนินงานของบริษัทนั้น ๆ ซึ่งอาจรวมถึงเอกสารภายใน ประวัติโครงการ บันทึก CRM และขั้นตอนที่พนักงานใช้ในการทำงานให้สำเร็จ สำหรับชุดข้อมูลของบริษัทที่มีมูลค่าสูง เราจ่ายเงินมากกว่า 2 ล้านดอลลาร์สหรัฐ โดยจำนวนเงินขึ้นอยู่กับข้อมูลและรูปแบบความร่วมมือ

เรานำข้อมูลดังกล่าวมาสร้างสภาพแวดล้อมสำหรับฝึกฝนและประเมินผลที่สมจริง ลองนึกถึงการแก้ปัญหาให้ลูกค้าสักราย คุณอาจต้องตรวจสอบประวัติบัญชี ค้นหานโยบายที่เกี่ยวข้อง และพิจารณาว่าควรดำเนินการอย่างไร สภาพแวดล้อมที่สร้างขึ้นตามขั้นตอนการทำงานดังกล่าวจะเปิดโอกาสให้โมเดลได้ฝึกทำสิ่งเหล่านั้น ผู้เชี่ยวชาญจะกำหนดงานและวิธีประเมินว่างานนั้นสำเร็จหรือไม่ ข้อมูลป้อนกลับนี้เองที่ทำให้สภาพแวดล้อมดังกล่าวมีประโยชน์ต่อการเรียนรู้แบบเสริมกำลัง

บริษัทต่าง ๆ ยังคงเป็นเจ้าของข้อมูลต้นฉบับของตน เราตกลงร่วมกันเกี่ยวกับขอบเขตและข้อกำหนดในการจัดการข้อมูล ซึ่งรวมถึงมาตรการคุ้มครองความเป็นส่วนตัว และเตรียมข้อมูลให้เหมาะกับการใช้งานตามวัตถุประสงค์

คุณค่าของข้อมูลอยู่ที่ประสบการณ์ซึ่งบันทึกเหล่านั้นสะท้อนให้เห็น CDP เปิดโอกาสให้บริษัทต่าง ๆ สร้างรายได้จากประสบการณ์ดังกล่าว พร้อมช่วยให้โมเดลเรียนรู้การทำงานในสภาพแวดล้อมที่สมจริงยิ่งขึ้นมาก

คุณคิดว่าการตัดสินใจหรือความเชี่ยวชาญด้านใดของมนุษย์จะยังคงเป็นเรื่องยากเป็นพิเศษสำหรับระบบ AI ที่จะทำซ้ำได้ แม้โมเดลจะมีความสามารถเพิ่มขึ้นอย่างมากก็ตาม

ผมคิดว่ารสนิยมและความคิดสร้างสรรค์ของมนุษย์เป็นสิ่งที่โมเดลจะรับมือได้ยากเป็นพิเศษ เหตุผลเกี่ยวข้องกับวิธีที่เราสร้างข้อมูลสำหรับฝึกโมเดล

สำหรับงานหลายประเภท เราสามารถรวบรวมผู้เชี่ยวชาญให้มาร่วมกันกำหนดได้ว่าอะไรคืองานที่ดี ซึ่งทำให้เราได้สัญญาณที่เป็นประโยชน์สำหรับใช้ฝึกโมเดล แต่หากถามผู้คนว่าอะไรทำให้ภาพยนตร์เรื่องหนึ่งยอดเยี่ยม ภาพยนตร์เรื่องหนึ่งยอดเยี่ยม หรือการออกแบบชิ้นหนึ่งน่าดึงดูดใจ ยิ่งพวกเขาพูดคุยกันมาก ความเห็นก็ยิ่งแตกต่างกันได้มากขึ้น เพราะไม่ใช่ทุกเรื่องที่จะมีคำตอบเดียวที่ทุกคนเห็นพ้องต้องกัน

AI ยังมีประโยชน์อย่างมากในด้านเหล่านั้นได้ แต่การตัดสินใจว่าคุณอยากสร้างอะไร สร้างให้ใคร และสิ่งนั้นเข้าถึงใจผู้ชมหรือไม่ ล้วนต้องอาศัยการตัดสินใจของมนุษย์อย่างมาก ผมคิดว่าการตัดสินใจเช่นนี้จะยิ่งสำคัญขึ้น เมื่อเครื่องมือช่วยให้สร้างสรรค์สิ่งต่าง ๆ ได้ง่ายขึ้น

คุณเห็นผู้เชี่ยวชาญหันมามองการฝึกและประเมินผล AI เป็นงานวิชาชีพอย่างจริงจังมากขึ้น แทนที่จะมองว่าเป็นงานเสริม เรื่องนี้จะพัฒนาเป็นสายงานประเภทใหม่ได้หรือไม่ และอาชีพเหล่านั้นอาจมีหน้าตาอย่างไร

แน่นอน เรื่องนี้ได้กลายเป็นหมวดงานใหม่ที่มีมูลค่าหลายพันล้านดอลลาร์แล้ว ผู้เชี่ยวชาญนำความรู้ที่สั่งสมมาตลอดอาชีพมาช่วยฝึกและประเมินผล AI สำหรับบางคน งานนี้กำลังกลายเป็นส่วนสำคัญของชีวิตการทำงาน

ตัวงานเองอาจมีเนื้อหาลึกซึ้งมาก ทนายความอาจสร้างสถานการณ์ที่ซับซ้อนและกำหนดวิธีประเมินคำตอบของโมเดล วิศวกรอาจสร้างงานที่พาเอเจนต์ทำงานผ่านกระบวนการซอฟต์แวร์ทั้งหมด จากนั้นยังมีผู้ตรวจสอบข้อมูล ปรับปรุงเกณฑ์การประเมิน และเป็นผู้นำทีมผู้เชี่ยวชาญ งานนี้ยังเปิดโอกาสให้ผู้คนมีเวลามากขึ้นในการมุ่งเน้นสิ่งที่ทำให้พวกเขาสนใจสาขาของตนตั้งแต่แรก ในงานส่วนใหญ่ ผู้คนใช้เวลาไปกับงานธุรการและภาระหน้าที่ต่าง ๆ มากมาย ซึ่งอยู่นอกเหนือจากงานที่พวกเขาเห็นว่ามีความหมายที่สุด การฝึก AI ในสาขาความเชี่ยวชาญของตนช่วยให้พวกเขานำความเชี่ยวชาญมาเป็นหัวใจของงานได้ ทั้งการแก้ปัญหาที่ยาก การใช้วิจารณญาณ และการถ่ายทอดบทเรียนจากประสบการณ์ นี่เป็นโอกาสให้พวกเขาได้ใช้เวลากับสิ่งที่ใส่ใจและทำได้ดีที่สุดมากขึ้น พร้อมกับช่วยกำหนดแนวทางที่ AI ใช้ทำงานเหล่านั้น

ผมคิดว่าเราจะได้เห็นเส้นทางอาชีพที่เป็นรูปธรรมเกิดขึ้นจากเรื่องเหล่านี้ ผู้คนสามารถพัฒนาความสามารถจนเชี่ยวชาญในการแปลงความรู้เฉพาะด้านของตนให้เป็นข้อมูลฝึกโมเดล หรือในการจัดการกระบวนการข้อมูลและทำความเข้าใจว่าโมเดลต้องการความช่วยเหลือในจุดใด ทักษะเหล่านี้มีคุณค่า และเรายังอยู่ในช่วงเริ่มต้นอย่างมากของการทำความเข้าใจว่าบทบาทงานเหล่านี้จะมีหน้าตาอย่างไร

เมื่อบริษัทต่าง ๆ รับสมัครแพทย์ ทนายความ วิศวกร นักวิทยาศาสตร์ และผู้เชี่ยวชาญสาขาอื่น ๆ เพื่อปรับปรุงโมเดล AI คุณตรวจสอบความเชี่ยวชาญและทำให้แน่ใจได้อย่างไรว่าข้อมูลฝึกที่ได้มีความถูกต้องและสม่ำเสมอ

เราสร้างระบบขึ้นมารองรับเรื่องนี้ทั้งระบบ โดยเริ่มจาก Zara ผู้สรรหาบุคลากรด้วย AI ซึ่งช่วยเราค้นหาและตรวจสอบผู้เชี่ยวชาญให้ตรงกับทักษะที่โครงการต้องการ จากนั้นเครื่องมือ Merit ช่วยติดตามคุณภาพ ความรวดเร็ว และความน่าเชื่อถือของผลงานที่พวกเขาส่งมอบเมื่อเวลาผ่านไป เราจำเป็นต้องเข้าใจทั้งความเชี่ยวชาญของแต่ละคนและวิธีที่พวกเขานำความเชี่ยวชาญนั้นไปใช้ในการสร้างข้อมูล

แพลตฟอร์ม flow ผสานงานของผู้เชี่ยวชาญเข้ากับโมเดลที่เราสร้างขึ้นเพื่อรองรับการสร้างและตรวจทานข้อมูล ผู้เชี่ยวชาญกำหนดงานและระบุว่าผลลัพธ์ที่ดีควรเป็นอย่างไร จากนั้น flow gen จะช่วยต่อยอดจุดเริ่มต้นดังกล่าวให้เป็นตัวอย่างและรูปแบบที่หลากหลายขึ้น ส่วน flow qc จะตรวจหาปัญหาในข้อมูล เช่น หลักฐานที่ขาดหายไป หรือความไม่สอดคล้องกันระหว่างงานกับเกณฑ์การให้คะแนน และ flow grader จะประเมินผลการทำงานของโมเดลตามเกณฑ์เหล่านั้น

สิ่งสำคัญคือสิ่งที่เกิดขึ้นเมื่อผู้เชี่ยวชาญพบข้อผิดพลาด การแก้ไขนั้นช่วยปรับปรุงข้อมูลฝึกได้ และยังช่วยให้เราพัฒนาเครื่องมือสร้างข้อมูลและระบบตรวจสอบคุณภาพได้ด้วย เราสามารถนำข้อผิดพลาดที่เกิดซ้ำมาสร้างเป็นการทดสอบสำหรับเวอร์ชันถัดไปได้

นี่คือวงจรขับเคลื่อนข้อมูลสังเคราะห์ที่เรากำลังสร้าง ความเชี่ยวชาญของมนุษย์เป็นจุดเริ่มต้นและช่วยให้เราตัดสินใจได้ เครื่องมือของเราช่วยขยายขีดความสามารถนี้ ส่วนข้อเสนอแนะจากผู้เชี่ยวชาญก็ช่วยปรับปรุงวงจรถัดไป จากนั้นเราทดสอบว่าการเปลี่ยนแปลงเหล่านั้นช่วยให้ประสิทธิภาพของโมเดลดีขึ้นจริงหรือไม่ นี่คือสิ่งที่ทำให้วงจรนี้มีคุณค่า

ตัวแทน AI ต้องทำงานที่ซับซ้อนและมีหลายขั้นตอนมากขึ้นเรื่อย ๆ แทนที่จะเพียงสร้างคำตอบ การฝึกและประเมินระบบเหล่านี้แตกต่างจากงานที่ต้องทำเพื่อพัฒนาโมเดลภาษาขนาดใหญ่แบบดั้งเดิมอย่างไร

ความแตกต่างสำคัญคือความยาวของงาน ตัวแทนอาจต้องดำเนินการหลายอย่างผ่านเครื่องมือต่าง ๆ ก่อนจะได้ผลลัพธ์ที่เป็นประโยชน์ ช่วงแรกอาจทำได้ดี แต่ก็ยังล้มเหลวกับงานโดยรวมได้ เพราะข้อผิดพลาดสะสมต่อเนื่องกัน

ดังนั้น เราจึงต้องมีสภาพแวดล้อมที่โมเดลสามารถฝึกทำงานได้ครบทั้งกระบวนการ และมีการประเมินที่บอกเราได้ว่าระบบสะดุดตรงไหน มันค้นหาข้อมูลที่ถูกต้องพบหรือไม่ ใช้เครื่องมือได้อย่างถูกต้องหรือเปล่า และทำงานจนได้ผลลัพธ์ตามที่เราต้องการจริงหรือไม่

อีกเรื่องคือบริบทของบริษัทนั้น ๆ ตัวแทนที่ทำงานภายในธุรกิจหนึ่งต้องเข้าใจกระบวนการและความคาดหวังของธุรกิจนั้น ความสามารถทั่วไปพาไปได้เพียงระดับหนึ่งเท่านั้น

ผู้เชี่ยวชาญเฉพาะด้านจึงมีความสำคัญอย่างยิ่ง พวกเขาช่วยให้เราวิเคราะห์สาเหตุของความล้มเหลวและสร้างข้อมูลสำหรับพัฒนาระบบได้ เราประเมิน หาช่องว่าง ฝึกระบบให้แก้ไขช่องว่างเหล่านั้น แล้วประเมินอีกครั้ง กระบวนการนี้ดำเนินต่อไปเมื่อตัวแทนได้รับมอบหมายงานมากขึ้น

เมื่อโมเดลแนวหน้ามีความสามารถมากขึ้นเรื่อย ๆ ข้อมูลที่มนุษย์สร้างขึ้นซึ่งโมเดลเหล่านี้ต้องใช้เปลี่ยนแปลงไปอย่างไร และในช่วงไม่กี่ปีข้างหน้า คุณคาดว่าความเชี่ยวชาญหรือการประเมินรูปแบบใดจะมีคุณค่ามากขึ้นอย่างมีนัยสำคัญ

มีสองเรื่องที่สำคัญขึ้นเรื่อย ๆ ได้แก่ ระยะเวลาของงาน และความใกล้เคียงกับโลกแห่งความเป็นจริง เมื่อโมเดลเก่งขึ้น ข้อมูลฝึกที่เป็นประโยชน์ก็จะมุ่งไปสู่งานที่มีหลายขั้นตอนและซับซ้อน ซึ่งต้องอาศัยการตัดสินใจมากขึ้น มีบริบทมากขึ้น และมีโอกาสผิดพลาดมากขึ้น

ความเชี่ยวชาญในการปฏิบัติงานจึงมีคุณค่าอย่างมาก คนที่ทำงานนั้นมาหลายปีจะเข้าใจข้อยกเว้นและความเชื่อมโยงระหว่างงานต่าง ๆ ซึ่งมักมองข้ามได้ง่ายเมื่อออกแบบงานจากมุมมองของคนนอก พวกเขายังบอกได้ด้วยว่าผลลัพธ์จากตัวแทนจะนำไปใช้ได้จริงภายในธุรกิจหรือไม่

ผมคิดว่าตลาดการประเมินระบบสำหรับองค์กรจะเติบโตอย่างมหาศาลในระยะยาว โดยอาจมีมูลค่าสูงถึงหนึ่งล้านล้านดอลลาร์ต่อปี ทุกบริษัทที่นำตัวแทนมาใช้จะต้องเข้าใจว่าตัวแทนทำงานได้ดีตรงไหน ล้มเหลวตรงไหน และจะปรับปรุงได้อย่างไร คนที่เปลี่ยนความรู้ของตนให้เป็นการประเมินที่มีประโยชน์ได้จะมีบทบาทสำคัญในเรื่องนี้ ความต้องการนี้จะมีต่อเนื่อง เพราะบริษัท โมเดล และงานต่าง ๆ ล้วนเปลี่ยนแปลงอยู่เสมอ

ผู้เชี่ยวชาญบางคนอาจกำลังช่วยฝึกระบบ AI ให้ทำงานบางส่วนในหน้าที่ของตนเอง คุณมองความขัดแย้งนี้อย่างไร และคิดว่าความสัมพันธ์ระหว่างความเชี่ยวชาญของมนุษย์กับ AI จะเป็นอย่างไรในช่วงสามถึงห้าปีข้างหน้า

ผมคิดว่าเราประเมินต่ำเกินไปว่าผู้คนจะสร้างงานใหม่ ๆ ได้มากเพียงใดเมื่อมีเครื่องมือเหล่านี้

ลองดูงานสรรหาบุคลากร หากตัวแทนจัดการคัดกรองเบื้องต้นได้มากขึ้น ผู้สรรหาบุคลากรก็จะมีเวลาสร้างความสัมพันธ์กับผู้สมัครมากขึ้น หรือคิดหาวิธีดึงดูดคนที่บริษัทไม่เคยเข้าถึงมาก่อนได้ บทบาทของพวกเขาจะเปลี่ยนไป และทำงานได้มากขึ้นภายในเวลาเท่าเดิม

ผมคาดว่าสิ่งที่คล้ายกันนี้จะเกิดขึ้นในหลายอาชีพ ในช่วงสามถึงห้าปีข้างหน้า ตัวแทนจะกลายเป็นเพื่อนร่วมงานมากขึ้นเรื่อย ๆ โดยผู้คนจะเป็นผู้กำกับ ให้บริบท และประเมินการทำงานของพวกเขา เมื่อเป็นเช่นนั้น ผู้คนก็จะรับหน้าที่ความรับผิดชอบใหม่ ๆ

นี่คือเหตุผลที่ผมมองโลกในแง่ดี เราเริ่มเห็นงานรูปแบบใหม่ที่เกี่ยวข้องกับการฝึกและประเมิน AI แล้ว และผมคิดว่าจะมีงานอีกมากตามมา เมื่อผู้คนค้นพบว่าตนสามารถสร้างสรรค์และทำสิ่งใดได้บ้างด้วยเทคโนโลยีนี้

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับข้อมูลฝึกที่ผู้เชี่ยวชาญมีส่วนร่วม การประเมิน AI และโอกาสในการนำความรู้เฉพาะด้านมาร่วมสร้างประโยชน์ สามารถเยี่ยมชม micro1 ได้