Будівництво AI-родового робочого місця: Уроки з передової

Що б ви зробили, якщо б ви брали участь у 10-километровому забігу, боролися з підйомом на складну гору, і раптом правила забігу змінилися? Що, якщо водії почали підбирати бігунів на автомобілях і потім гонялися один з одним до фінішної лінії? Чи продовжили б ви бігати, знаючи, що ви опинитеся в кінці пелотону? Або сіли б у машину, натиснули б на газ і боролися б за головний приз?

У бізнесі сьогодні AI – це автомобіль, який порушує традиційний порядок роботи компаній. Компанії можуть продовжувати рухатися традиційним шляхом – розробляти довгострокові плани, дотримуватися процесів, штовхати працівників, щоб вони працювали ще більше, щоб успішно конкурувати в усе більш конкурентному середовищі. Але AI змінює природу забігу. Це дає компаніям новий транспортний засіб, щоб рухатися швидше і давати працівникам нові маршрути, щоб об’їхати проблеми. Будь-яка компанія, яка не візме кермо і не впровадить силу AI у свою робочу силу, залишилася б позаду на довгій і складній горі.

Приняття майбутнього шляхом ставання менеджером AI

Тут, у Cockroach Labs, ми швидко зрозуміли, що Генеративний AI може допомогти нам зробити речі, які ми раніше вважали неможливими. Ми використали його по всій компанії для генеративного пошуку, систем рекомендацій і семантичного пошуку.

Одним з найкращих прикладів того, як AI може трансформувати процес роботи, є те, що відбувається в нашому освітньому відділі. Наша команда використовує AI для прискорення розробки навчальних програм, які допомагають клієнтам, партнерам і нашим власним працівникам стати експертами у роботі з нашими базами даних.

Ми недавно створили курс, який включав 21 практичне завдання і 20 слайд-шоу з детальними нотатками для студентів. Перед початком проекту ми оцінили, що, використовуючи наш звичайний процес розробки – враховуючи стандартні оцінки часу, необхідного розробникам для створення одного години контенту – це займе три-п’ять місяців.

Що ж відбулося? Включивши Генеративний AI у наш існуючий процес, ми змогли завершити завдання за п’ять тижнів.

У процесі ми вивчили ряд уроків.

• Ми всі менеджери AI. Кожен з нас має можливість думати зовсім по-іншому за допомогою AI. Кожен з нас повинен діяти як менеджер, незалежно від того, чи має він прямих підлеглих чи ні, оскільки ми керуюємо майже необмеженою інтелектуальною потужністю, яку можна використовувати для складних проєктів. Як багато можна автоматизувати? Як творчо можна бути? Як ефективно можна керувати своїм інструментом AI, викликати його, і розгортати нову модель, яку він генерує? Ви можете керувати ним. Ви можете керувати ним. Ви можете робити майже все, що ваша особиста потужність дозволяє вам робити.
• Не очікуйте, що AI зробить все. Є завдання, які воно просто не підходить для виконання. Але ви можете доручити йому робити речі, які працівники вже не повинні робити – завдання, які є часоємними, але все ж вимагають певного рівня інтелекту.
• Не сліпо приймайте результати, які воно видає. Перевірте, перевірте і ще раз перевірте. Довіряйте технології, але завжди перевіряйте – оскільки точність перетворює припущення на досягнення.

Покроковий процес розгортання AI для управління завданнями

Ось короткий підсумок деяких способів, як AI допоміг нам піднятися на гору, до фінішної лінії, значно швидше, ніж ми очікували.

• Різні моделі: Різні моделі мають різні сильні сторони. Отже, як виробники використовують найкращі компоненти при створенні рішення, відчуйте себе вільно, щоб міняти моделі, коли це має сенс, щоб скористатися їхніми сильними сторонами. Ми використали Claude Sonnet 3.5 для створення першого проекту завдання, оскільки воно було хорошим у створенні цікавого тексту і інструкцій. Ми використали ChatGPT 4o&”o” моделі розуміння для уточнення команд і забезпечення технічної точності у другому проекті.
• Відтворювані результати: Коли ми виконували дуже технічні завдання, ми хотіли мати можливість забезпечити чіткі технічні обмеження і створювати структуровані виходи, які підтримували відтворювані результати. Для цього ми надали явні вимоги до структури і приклади формату.
• Підказки для дуже технічних завдань: Будьте дуже конкретними щодо того, чого ви просите AI зробити –

інакше воно може зробити дивні речі. Чітко зазначте будь-які припущення про вхідні дані або умови середовища і просіть модель обробляти несподівані випадки.

• Уточнені підказки: Це важливо, щоб інструменти AI запитували уточнюючі питання. Перші підказки не будуть досконалими, тому очікуйте декілька раундів. Включіть будь-які покращення або кроки, які модель пропонує, назад у вашу базову підказку, і ітеруйте з AI і вашими колегами.
• Тестування, тестування, тестування: Перевірки на узгодженість критичні. Одним з способів виміряти ефективність вашої підказки є забезпечення узгодженого виходу. Отже, ми часто тестували, щоб переконатися, що ми вводили однакові вхідні дані і що вихід залишався тим самим.

Людський досвід на чолі: Необхідна роль нагляду за AI

Хоча AI видаляє часоємні завдання з дня працівників, воно не видаляє їх із робочих процесів зовсім. Люди все ж відіграють критичні ролі у нашому навчальному розвитку, і їм потрібно інтегруватися в процеси, керовані AI, щоб забезпечити успіх цих процесів.

Хороший приклад цього є те, як наша освітня команда проводить інженерію підказок. Люди відповідають за створення початкової підказки, включаючи контекст з відповідних джерел. Потім, після виконання Генеративним інструментом AI підказки, людина переглядає вихід інструменту. Це важливо, щоб ця людина була експертом у галузі, який може виявити помилки на ранній стадії процесу. Колеги продовжують співпрацювати з інструментом і ітерувати, поки команда не буде задоволена тим, що підказка готова до публікації.

Хоча цей колаборативний людський/AI процес виявився ефективним, він все ж вимагає людини, яка керує контекстом і переходами між моделями.

Без людей у процесі команди були б під владою інструментів AI, які можуть бути досить ненадійними. Коли ми вперше почали з нашим проєктом навчальної програми, інструменти добре працювали з підсумками або поясненнями концепцій, якщо були правильні контексти. Однак вони часто “галюцинували”. Сьогодні моделі краще розуміють, але людина все ж повинна керувати процесом. Тепер люди можуть зосередитися на огляді і творчості, а не тільки на керуванні процесом.

У майбутньому агенти AI будуть відігравати більшу роль у процесі. Замість того, щоб люди вручну збирали контекст з джерел, створювали підказки з контекстом, переміщали роботу між інструментами AI і переглядали та уточнювали виходи, ми розробляємо агентів, які можуть виконувати багато цих завдань – з певною допомогою. Агент може автономно зібрати і обробити джерела контексту, створити таксономії навичок і плани курсів, виконати наш встановлений робочий процес і представити тільки ключові рішення експертам.

Висновок

Хоча біг на довгу дистанцію корисний для підтримання форми, автомобілі давно змінили можливість людей рухатися туди, куди їм потрібно. AI надає такі ж вигоди на робочому місці – допомагає компаніям покращувати процеси і генерувати кращі результати. Ті, хто приймає його і використовує його складні вигоди з ефективності, залишать конкурентів позаду.