วิธีที่ฉันถ่ายทอดความรู้ของฉันเข้าสู่ระบบ AI ที่สามารถตัดสินใจได้เหมือนผู้เชี่ยวชาญมนุษย์

เมื่อฉันออกจากไมโครซอฟท์และยังคงทำงานกับองค์กรต่างๆ ในการนำ AI ไปใช้ ฉันเห็นอย่างต่อเนื่องว่าระบบ AI ส่วนใหญ่ที่ผู้คนตื่นเต้นนั้นไม่สามารถตัดสินใจได้ด้วยความสามารถในการตัดสินใจของมนุษย์ที่แท้จริง ได้ พวกเขาสามารถเขียน สรุป และผลิตข้อความที่น่าประทับใจได้ แต่เมื่อระบบเหล่านี้ถูกนำไปใช้ในสภาพแวดล้อมที่แท้จริงที่มีการแลกเปลี่ยน ความไม่แน่นอน การสั่งการไม่สมบูรณ์ และผลที่ตามมา พวกเขาก็ยังคงดิ้นรนอย่างรวดเร็ว ซึ่งสอดคล้องกับข้อมูลจาก MIT Project NANDA ที่แสดงให้เห็นว่าในขณะที่ 60% ขององค์กรประเมินเครื่องมือ AI มีเพียง 20% ที่เข้าสู่ขั้นตอนการทดลอง และเพียง 5% ที่เข้าสู่ขั้นตอนการผลิต ในอีกคำหนึ่ง อุตสาหกรรมกำลังดิ้นรนในการสร้างระบบที่สามารถรองรับได้ภายในกระบวนการทำงานที่แท้จริง

ในสถานการณ์องค์กร โดยเฉพาะในด้านโซ่อุปทาน การผลิต และการดำเนินงาน การได้รับคำตอบไม่ใช่เรื่องที่ยาก แต่การรู้ว่าคำตอบใดที่ควรเชื่อถือ ซึ่งปัจจัยที่สำคัญที่สุด และสิ่งที่อาจเกิดขึ้นในทางที่ผิดหากคุณทำผิดพลาด นั่นคือทั้งปัญหาเรื่องความเชี่ยวชาญและความสามารถในการตัดสินใจ

เพื่อความชัดเจน AI ได้ทำความก้าวหน้าอย่างน่าประทับใจในการผลิตผลลัพธ์ที่ดีขึ้น แต่ผลลัพธ์ที่ดีขึ้นไม่ใช่การตัดสินใจที่ดีขึ้น นี่เป็นสองปัจจัยที่แตกต่างกัน และฉันคิดว่าอุตสาหกรรมได้ใช้เวลาในการรักษาให้เหมือนกัน

การขาดความเชี่ยวชาญและความสามารถในการตัดสินใจทำให้ฉันสนใจในการสร้าง AI ที่ผู้เชี่ยวชาญสามารถสอนให้ตัดสินใจที่ซับซ้อนได้ AI ไม่ควรเป็นเพียงการทำให้กระบวนการทำงานอัตโนมัติเท่านั้น แต่ยังเป็นการถ่ายทอดความสามารถในการตัดสินใจของมนุษย์เข้าสู่ระบบ AI ที่สามารถรองรับได้เมื่อสภาพแวดล้อมเปลี่ยนแปลง

โมเดลภาษาขนาดใหญ่ (LLMs) พูดเหมือนผู้ตัดสินใจ แต่ไม่ใช่

ไม่มีข้อสงสัยว่า LLMs มีประโยชน์ แต่พวกมันไม่ใช่ระบบการตัดสินใจโดยธรรมชาติ พวกมันเป็นระบบการทำนายที่ห่อหุ้มด้วยภาษา และภาษาเป็นสิ่งพูดได้ ซึ่งเป็นส่วนหนึ่งของปัญหา หากระบบสามารถอธิบายตัวเองได้อย่างชัดเจน เราจะมองข้ามสิ่งที่มันเข้าใจได้อย่างง่ายดาย คุณถามคำถามทางธุรกิจ และมันให้คำตอบที่มีโครงสร้างพร้อมกับการแลกเปลี่ยน ข้อจำกัด และสรุปสั้นๆ ที่ดูเหมือนฉลาดกว่าที่เป็นจริง การฟังดูสอดคล้องกันและความสามารถในการทำงานไม่ใช่สิ่งเดียวกัน และนี่คือจุดที่ AI องค์กรหลายๆ ระบบล้มเหลว โมเดลสามารถบอกคุณว่าการตัดสินใจที่ดีควรฟังดูเหมือนอย่างไรโดยไม่มีความเข้าใจว่าอะไรทำให้การตัดสินใจดีภายใต้แรงกดดัน เมื่อเวลาผ่านไป หรือในบริบท นี่คือเหตุผลที่หลายองค์กรต้องดิ้นรนในการพัฒนาไปไกลกว่าการทดลอง Gartner พบว่าอย่างน้อย 50% ของโครงการ AI ที่สร้างขึ้นถูกทิ้งหลังจากการแสดงตัวอย่าง ก่อนที่จะส่งผลกระทบการทำงานที่แท้จริง ซึ่งมักเกิดจากคุณค่าและความเสี่ยงที่ไม่ชัดเจน

ข้อมูลไม่ใช่ความเชี่ยวชาญ

หนึ่งในหลุมพรางที่ง่ายที่สุดที่จะหล่นลงไปกับ AI คือการสมมติว่าหากระบบมีข้อมูลเพียงพอ มันควรจะทำงานได้เหมือนผู้เชี่ยวชาญ ฟังดูสมเหตุสมผล แต่เมื่อคุณคิดเกี่ยวกับมันในชีวิตประจำวัน การเพิ่มข้อมูลเกี่ยวกับบางสิ่งไม่ได้ทำให้คุณเป็นผู้เชี่ยวชาญโดยอัตโนมัติ คุณสามารถอ่านคู่มือการบินได้ทุกเล่มและยังไม่พร้อมที่จะลงจอดเครื่องบิน คุณสามารถจดจำแนวทางปฏิบัติที่ดีที่สุดในโซ่อุปทานได้และยังคงหยุดชะงักเมื่อสิ่งหนึ่งผิดพลาดสามครั้ง

ฉันสามารถดำเนินต่อไปได้ แต่จุดสำคัญคือข้อมูลไม่เท่ากับความสามารถ ความสามารถมาจากประสบการณ์ โดยเฉพาะการได้รับประสบการณ์ที่ซับซ้อนซึ่งคำตอบไม่ชัดเจน

ทุกวัน ฉันเห็นว่าระบบ AI ส่วนใหญ่ในปัจจุบันถูกฝึกฝนจากตัวอย่างที่คงที่ ซึ่งเป็นประโยชน์สำหรับการทำนาย แต่นั่นเป็นเพียงส่วนหนึ่งของการตัดสินใจ องค์กรไม่ได้ขาดข้อมูล แต่ต้องการสภาพแวดล้อมที่มีโครงสร้างสำหรับการฝึกซ้อม ซึ่งหมายถึงการให้ระบบสภาพแวดล้อมที่สามารถ:

• พบกับสถานการณ์ที่สมจริง
• ตัดสินใจ
• ดูสิ่งที่เกิดขึ้น
• ได้รับการตอบกลับ
• ปรับปรุงเมื่อเวลาผ่านไป

AI สามารถถูกฝึกฝนด้วยอัลกอริทึมการทำนาย แต่มีข้อจำกัดที่ต้องการ AI ที่สามารถฝึกฝนได้ในสภาพแวดล้อมที่จำลองด้วยการดูแลของมนุษย์ ฉันเรียกสิ่งนี้ว่า “การฝึกสอนเครื่อง” ซึ่งเป็นวิธีการที่แบ่งการตัดสินใจที่ซับซ้อนออกเป็นสถานการณ์และทักษะ โดยให้คำแนะนำสำหรับผู้เชี่ยวชาญในการสอน AI ผ่านการจำลอง การตอบกลับและการทดลองที่ตามมาในที่สุดจะช่วยให้ตัวแทนสามารถเรียนรู้และดำเนินการด้วยความเป็นอิสระที่แท้จริงจากผู้ที่สร้างกระบวนการเหล่านั้น

หยุดพิจารณา AI เหมือนกับโมโนลิธ

อีกข้อผิดพลาดที่ฉันเห็นบ่อยคือการสมมติว่าโมเดลขนาดใหญ่หนึ่งควรทำทุกสิ่ง ไม่มีทีมบาสเก็ตบอลที่ประกอบด้วยคนเดียว ไม่มีโรงงานที่ดำเนินการโดยบุคคลเดียว ระบบที่ซับซ้อนทำงานเพราะส่วนประกอบต่างๆ ทำงานที่แตกต่างกัน และมีโครงสร้างที่ยึดพวกมันไว้ด้วยกัน

AI ควรสร้างขึ้นในลักษณะเดียวกัน ฉันไม่คิดว่าอนาคตของการตัดสินใจในองค์กรคือโมเดลขนาดใหญ่หนึ่งที่นั่งอยู่ตรงกลางของบริษัทและแสร้งว่าเป็นมืออาชีพทั่วไป มันอาจจะดูเหมือนเป็นทีมของตัวแทนพิเศษมากกว่า

ตัวแทนหนึ่งอาจเป็นผู้เชี่ยวชาญด้านการดึงข้อมูล อีกตัวหนึ่งดีกว่าในการประเมินสถานการณ์ อีกตัวหนึ่งจัดการการวางแผน หนึ่งตรวจสอบการปฏิบัติตามข้อกำหนดหรือจับข้อขัดแย้ง อีกตัวหนึ่งทำหน้าที่เหมือนผู้ดูแล โดยตัดสินใจว่าเมื่อใดที่จะยกเลิกหรือเมื่อความมั่นใจต่ำเกินไปที่จะดำเนินการต่อ โครงสร้างทีมนี้มีเหตุผลมากกว่าสำหรับฉันเพราะมันสอดคล้องกับวิธีการทำงานขององค์กรที่แท้จริงและเป็นไปตามแนวโน้มตลาดที่กว้างขึ้น ผลการวิจัยของ McKinsey ยืนยันว่าองค์กรได้รับคุณค่าสูงสุดจาก AI โดยการออกแบบกระบวนการทำงานและโครงสร้างการดำเนินงานใหม่รอบๆ AI

การตัดสินใจไม่ได้ทำในลักษณะเดียวกันเสมอไป และเรามักจะสมมติว่าโมเดลเดียวกัน ข้อมูลเดียวกัน และลักษณะการให้เหตุผลเดียวกันสามารถจัดการกับทุกสิ่งได้ ในความเป็นจริง การตัดสินใจที่แตกต่างกันต้องการกลไกที่แตกต่างกัน

สี่วิธีที่การตัดสินใจเกิดขึ้นจริง

จากประสบการณ์ของฉัน การตัดสินใจส่วนใหญ่มักจะอยู่ในกลุ่มเหล่านี้:

1. ระบบควบคุม (กฎและสูตร): การตัดสินใจทำโดยการนำสมการหรือกฎที่กำหนดไว้ล่วงหน้าไปใช้กับข้อมูลเข้า
2. การค้นหาและปรับให้เหมาะสม: การตัดสินใจทำโดยการประเมินตัวเลือกที่เป็นไปได้หลายอย่างและเลือกตัวเลือกที่ดีที่สุดตามวัตถุประสงค์ที่กำหนด
3. การเรียนรู้แบบเสริม (การลองผิดลองถูก): การตัดสินใจเรียนรู้เมื่อเวลาผ่านไปโดยการดำเนินการ ดูผลลัพธ์ และปรับเปลี่ยนตามรางวัลหรือการลงโทษ
4. การฝึกซ้อมและประสบการณ์ (การเรียนรู้แบบมนุษย์): การตัดสินใจถูกกำหนดรูปโดยการได้รับประสบการณ์อย่างต่อเนื่อง การให้คำแนะนำที่มีการดูแล และการสะสมความสามารถในการตัดสินใจในสถานการณ์จริง

AI องค์กรส่วนใหญ่ทำงานได้ดีในสองหมวดแรก หมวดที่สามและสี่เป็นเรื่องที่ท้าทายสำหรับ AI เนื่องจากนั่นคือที่ที่ความสามารถในการตัดสินใจของมนุษย์อาศัยอยู่

ความเป็นอิสระโดยไม่มีโครงสร้างคือความเสี่ยง

เมื่อคนพูดถึง AI ที่มีความเป็นอิสระ การสนทนามักจะแบ่งออกเป็นสองด้านขั้ว ด้านหนึ่งคิดว่าระบบเหล่านี้เป็นเหมือนเวทมนตร์และพร้อมที่จะควบคุมทุกสิ่ง อีกด้านหนึ่งทำเหมือนพวกมันไม่ควรไว้วางใจในเรื่องสำคัญใดๆ

ฉันไม่คิดว่ามุมมองใดมีประโยชน์ เราควรเน้นไปที่ความเป็นอิสระภายในโครงสร้าง เนื่องจากความเป็นอิสระโดยไม่มีการดูแล การยกเลิก การกำหนดขอบเขต หรือความรับผิดชอบคือแหล่งที่มาหลักของความเสี่ยง ความกังวลเรื่องความเสี่ยงกำลังปรากฏขึ้นในขณะนี้ รวมถึงในหัวข้อที่ได้รับแรงบันดาลใจจากความพยายาม เช่น National Institute of Standards and Technology’s AI Risk Management Framework ซึ่งสะท้อนถึงวิธีการที่องค์กรต่างๆ ให้ความสำคัญกับคำถามเรื่องการดูแล การรับผิดชอบ และความไว้วางใจในการดำเนินงาน

อนาคตของ AI องค์กรอยู่ที่ทีมของตัวแทน องค์กรที่ได้รับคุณค่าสูงสุดจาก AI จะไม่ใช่ผู้ที่ทำให้คำพูดอัตโนมัติมากที่สุด แต่เป็นผู้ที่ค้นหาวิธีการถ่ายทอดความเชี่ยวชาญที่แท้จริงเข้าสู่ระบบที่สามารถรองรับได้เมื่อสภาพแวดล้อมเปลี่ยนแปลง นั่นคือความแตกต่างระหว่าง AI ที่ดูเหมือนน่าประทับใจและ AI ที่กลายเป็นมีประโยชน์จริงๆ โดยสร้าง ROI ที่แท้จริง