DeepSeek’s R1: Корисне нагадування

Як викладач вищої школи та колишній ветеран галузі ІТ, я вважаю, що ажіотаж навколо китайської моделі DeepSeek R1 є корисним нагадуванням про три речі.

По-перше, генераційна ІІ є не тільки обробкою великих обсягів контенту для генерації відповідей на запити; це також про когнітивне мислення („R“ у R1).

Обіцянка моделей великих мовних моделей (LLM) полягає в тому, що масова витягування знань і когнітивна обробка – раніше виключна область людей з суперкомп’ютерами – тепер знаходиться в руках майже кожної людини. Завдяки новому поколінню вдосконалень у техніках підвищення ефективності існують моделі, достатньо малих, щоб працювати на звичайному ноутбуці, які можуть підтримувати кілька інтелектуальних агентів, які можуть автономно виконувати складні, інтерактивні завдання.

По-друге, революція генераційної ІІ в першу чергу стосується інновацій та творчості – це не тільки гонка озброєння за найпотужніше апаратне забезпечення, розмір навчальних наборів даних чи кількість параметрів моделі. Успішне впровадження цих технологій не буде визначатися великими технологічними фірмами з величезними, енергозатратними суперкомп’ютерами, які тренують моделі вартістю мільярди доларів – а країнами та організаціями, які інвестують у людський капітал, щоб підготувати їх до цієї нової хвилі.

По-третє, і як наслідок попередньої точки, Америка не здається дуже добре підготовленою до драматичних змін, які прийдуть до нашої економіки та суспільства. Я наведу два приклади: вищу освіту та корпоративну Америку.

Вища освіта

У більшості закладів вищої освіти перша велика рішення студента – вибрати між здобуттям ступеня бакалавра мистецтв (BA), який пов’язаний із більш широкою, міжгалузевою освітою, або ступеня бакалавра наук (BS), який більше орієнтований на розвиток навичок і практичного досвіду в конкретних галузях.

У епоху ІІ це відстале протиставлення, оскільки обидва набори дисциплін стають необхідними на робочому місці.

Факт полягає в тому, що більшість першокурсників не мають ні знань, ні уявлення про те, чим є робота в різних видах робіт, або навіть про відносні сильні та слабкі сторони своїх власних здібностей, талантів, навичок і схильностей. І все ж, більшість першокурсників зобов’язані обрати спеціальність, що буде легким рішенням тільки для тієї маленької частини, хто (на краще чи на гірше) знає (або хоча б думає, що знає), яку галузь вони хочуть переслідувати: інженерію, науку, медицину, право тощо.

Нам потрібен зовсім інший, кар’єрно-орієнтований, міжгалузевий підхід до вищої освіти, який визнає, що перша робота випускника коледжу може не мати нічого спільного з здобутим ступенем або спеціальністю; що їхній досвід у коледжі буде представляти тільки першу стадію в життєвому шляху безперервного навчання – підвищення кваліфікації, здобуття сертифікатів, переосмислення, зміна кар’єри – для ролей, яких ми ще не можемо уявити.

Також як педагогам, нам потрібно розробити нові стратегії для боротьби з плагіатом ІІ та подолання небезпеки того, що чат-боти стають інтелектуальними скороченнями, або „когнітивним відкладанням“ – тенденцією покладатися на зовнішні інструменти, а не розвивати внутрішні здібності.

У добу, коли знання відокремлені від розуміння, існує занадто велика спокуса просто запитати ІІ про негайну відповідь або рішення, а не боротися за розуміння концепції чи розв’язання проблеми.

Корпоративні ІТ

Більшість корпорацій також не здаються усвідомленими щодо організаційних наслідків цих нових технологій.

Поточні ролі ІТ та структури відображають організаційні вимоги попередньої цифрової революції. Ці функції виникли з спеціалізованої експертизи, необхідної для людей, щоб використовувати та взаємодіяти з комп’ютерами – програмування, інженерія даних, архітектура комп’ютера, адміністрування мереж, інформаційна безпека тощо.

Натомість генераційна ІІ (і вся область природної мови, що передувала їй) полягає в розробці та навчанні комп’ютерів взаємодіяти з людьми.

В результаті рядові співробітники винаходять блискучі (і іноді небезпечні) способи використання цих технологій. Організації борються за створення дієвих політик, процедур та контролю для максимізації потенційних продуктивних вигод, одночасно мінімізуючи ризики.

Ключовою проблемою є те, що в більшості корпорацій експертиза у галузі науки про дані зосереджена в ІТ-відділах, більшість яких все ще діють як секретні гільдії зі своєю таємничою мовою та практиками, які організаційно та функціонально ізольовані від основних бізнес-підрозділів. Я вважаю, що майбутня продуктивна революція вимагає нових типів організаційних ролей та структур, у яких експертиза у галузі даних не ізольована в спеціалізованій функції, а взаємопов’язана з майже кожним аспектом операції.

І існує також проблема даних. У більшості організацій впровадження ІІ полягає у налаштуванні моделей великих мовних моделей для виконання спеціалізованих випадків використання з використанням власних даних. Хоча користувачі даних у лінії бізнесу хочуть абсолютно точні, чисті та добре керовані дані, окремі власники даних в ІТ не мають бюджету, фінансової мотивації чи організаційної влади, щоб забезпечити цей рівень якості та прозорості.

У результаті внутрішні набори даних не відкриті/керуються добре по всьому підприємству. Зазвичай різні типи даних зберігаються в різних місцях. У відповідь на запити бізнес-користувачів ІТ надає різні види даних, створює різні копії (і копії копій) даних та створює експозиції та абстракції даних для різних причин… На цьому етапі ніхто не знає, які версії застаріли, неповні, дублікатні, неточні чи їх контекст.

Висновок

Генераційна ІІ має потенціал трансформувати всі форми знань. У своєму ядрі ця технологія полягає у демократизації експертизи (як доброї, так і поганої) – посередництві спеціалістів, таких як програмісти, відеографери, ілюстратори, письменники, редактори та майже будь-який тип знавця чи „експерта“. Ніколи раніше люди не мали справу з технологією, яка дорівнювала б їхнім власним когнітивним можливостям та здібностям до міркування – тільки їхній фізичній силі, витривалості, точності рухів, здатності обробляти великі обсяги даних.

Ця цікава нова продуктивна революція вимагає нових навичок, можливостей та організаційних структур, у яких експертиза у галузі даних є інтегральною частиною майже кожного типу бізнес-процесу.

Іронія полягає в тому, що коли машини досягають більших аналітичних можливостей, статус і вартість співробітника в організаційній ієрархії можуть стати менш функцією спеціалізованої експертизи, досвіду та кваліфікації, а більш творчих, міжгалузевих та міжособистісних навичок.

Час розробляти та інвестувати в ці можливості – зараз.