Xây dựng Nơi làm việc bản địa AI: Bài học từ tiền tuyến

Bạn sẽ làm gì nếu bạn đang chạy một cuộc đua đường bộ 10K, cố gắng vượt qua một ngọn đồi khó khăn, và đột nhiên luật của cuộc đua thay đổi? Bạn sẽ làm gì nếu các tài xế bắt đầu đón các vận động viên bằng ô tô và sau đó đua nhau đến đường kết thúc? Bạn sẽ tiếp tục chạy, biết rằng bạn sẽ đứng ở cuối đám, hoặc vào ô tô, tăng tốc và cạnh tranh cho giải thưởng lớn?

Trong kinh doanh ngày nay, AI là chiếc ô tô đó đang phá vỡ cách thức các công ty hoạt động. Các công ty vẫn có thể chọn tiến bước theo cách họ luôn làm – phát triển kế hoạch dài hạn, tuân thủ quy trình, đẩy nhân viên làm việc chăm chỉ hơn bao giờ hết để thành công trong môi trường cạnh tranh ngày càng tăng. Nhưng AI đang thay đổi bản chất của cuộc đua. Nó đang cung cấp cho các công ty một phương tiện mới để di chuyển nhanh hơn và mang lại cho người lao động những tuyến đường mới để vượt qua các vấn đề. Bất kỳ doanh nghiệp nào không nắm lấy cơ hội và tích hợp sức mạnh của AI vào lực lượng lao động của mình sẽ bị bỏ lại trên ngọn đồi dài và dốc.

Chấp nhận Tương lai bằng cách Trở thành Quản lý AI

Tại đây, ở Cockroach Labs, chúng tôi đã học rất nhanh rằng Gen AI có thể giúp chúng tôi làm những việc mà chúng tôi không bao giờ nghĩ có thể. Chúng tôi đã sử dụng nó trên toàn công ty cho tìm kiếm gen AI, hệ thống khuyến nghị và tìm kiếm ngữ nghĩa.

Một trong những ví dụ tốt nhất về cách AI có thể biến đổi quy trình lao động là việc đang diễn ra trong bộ phận giáo dục của chúng tôi. Đội ngũ của chúng tôi đang sử dụng AI để tăng tốc phát triển chương trình giảng dạy giúp khách hàng, đối tác và lực lượng lao động của chính chúng tôi trở thành chuyên gia trong việc vận hành dòng sản phẩm cơ sở dữ liệu.

Chúng tôi gần đây đã tạo ra một khóa học có 21 bài tập thực hành và 20 bộ slide với ghi chú chi tiết cho sinh viên. Trước khi bắt đầu dự án, chúng tôi ước tính rằng, sử dụng quy trình phát triển bình thường của chúng tôi – tính đến các ước tính tiêu chuẩn của ngành về thời gian cần thiết để các nhà phát triển sản xuất một giờ nội dung – điều này sẽ mất từ ba đến năm tháng để hoàn thành.

Vậy, điều gì đã xảy ra? Bằng cách tích hợp Gen AI vào các quy trình hiện có của chúng tôi, chúng tôi đã có thể hoàn thành nhiệm vụ trong năm tuần.

Trong quá trình này, chúng tôi đã học được một số bài học.

• Chúng ta đều là quản lý AI. Mỗi người trong chúng ta có cơ hội suy nghĩ rất khác nhau bằng cách sử dụng AI. Mỗi người trong chúng ta nên hành động như các nhà quản lý, cho dù chúng ta có báo cáo trực tiếp hay không, vì chúng ta quản lý một nguồn cung cấp trí tuệ vô tận mà chúng ta có thể đưa vào các dự án đầy thách thức. Bạn có thể tự động hóa bao nhiêu? Bạn có thể sáng tạo như thế nào? Bạn có thể kích thích công cụ AI của mình, thách thức nó và triển khai mô hình mới mà nó tạo ra như thế nào? Bạn có thể tận dụng nó. Bạn có thể quản lý nó. Bạn có thể làm gần như mọi thứ mà khả năng cá nhân của bạn cho phép bạn làm.
• Đừng mong đợi AI làm mọi thứ. Có những nhiệm vụ mà nó không phù hợp để thực hiện. Nhưng bạn có thể giao cho nó thực hiện những việc mà người lao động không nên làm nữa – những công việc tốn thời gian, nhưng vẫn đòi hỏi một mức độ trí tuệ.
• Đừng mù quáng chấp nhận kết quả mà nó tạo ra. Kiểm tra, kiểm tra và kiểm tra lại. Tin tưởng vào công nghệ, nhưng luôn xác minh – vì độ chính xác biến các giả định thành thành tựu.

Quy trình Từng bước để Triển khai AI cho Quản lý Nhiệm vụ

Đây là một bản tóm tắt nhanh về một số cách AI giúp chúng tôi lên dốc, đến đường kết thúc, nhanh hơn nhiều so với chúng tôi dự kiến.

• Các mô hình khác nhau: Các mô hình khác nhau có những điểm mạnh khác nhau. Vì vậy, giống như các nhà sản xuất sử dụng các thành phần tốt nhất khi xây dựng một giải pháp, hãy cảm thấy tự do khi thay đổi mô hình khi nó có ý nghĩa để tận dụng những điểm mạnh đó. Chúng tôi đã sử dụng Claude Sonnet 3.5 để viết bản thảo đầu tiên của bài tập vì nó excelled trong việc tạo ra văn bản hấp dẫn và hướng dẫn. Chúng tôi đã sử dụng ChatGPT 4o&”o” các mô hình lý luận như người xem kỹ thuật để tinh chỉnh lệnh và đảm bảo độ chính xác kỹ thuật trong bản thảo thứ hai.
• Kết quả có thể tái tạo: Khi thực hiện các nhiệm vụ kỹ thuật cao, chúng tôi muốn có thể áp dụng các ràng buộc kỹ thuật rõ ràng và tạo ra đầu ra có cấu trúc hỗ trợ kết quả có thể tái tạo. Để làm điều đó, chúng tôi đã cung cấp các yêu cầu cấu trúc rõ ràng và ví dụ về định dạng.
• Các lời nhắc cho các nhiệm vụ kỹ thuật cao: Hãy rất cụ thể về những gì bạn yêu cầu AI làm –

khác nó có thể làm những việc điên rồ. Hãy nêu rõ bất kỳ giả định nào về đầu vào hoặc điều kiện môi trường và yêu cầu mô hình xử lý các trường hợp không mong đợi.

• Các lời nhắc tinh chỉnh: Điều quan trọng là phải khuyến khích các công cụ AI đặt câu hỏi làm rõ. Các lời nhắc đầu tiên sẽ không hoàn hảo, vì vậy hãy mong đợi nhiều vòng. Hãy kết hợp bất kỳ cải tiến hoặc bước nào mà mô hình đề xuất vào lời nhắc cơ bản của bạn và lặp lại với AI và các thành viên trong nhóm.
• Thử nghiệm, thử nghiệm, thử nghiệm: Kiểm tra tính nhất quán là rất quan trọng. Một cách để đo lường hiệu quả của lời nhắc của bạn là đảm bảo đầu ra nhất quán. Vì vậy, chúng tôi đã thử nghiệm thường xuyên để đảm bảo rằng chúng tôi đang đưa vào cùng một đầu vào và đầu ra vẫn như nhau.

Chuyên môn Con người tại Tay lái: Vai trò Quan trọng của Giám sát AI

Mặc dù AI loại bỏ các nhiệm vụ tốn thời gian khỏi ngày làm việc của người lao động, nhưng nó không loại bỏ chúng khỏi các quy trình làm việc hoàn toàn. Con người vẫn đóng vai trò quan trọng trong việc phát triển chương trình giảng dạy của chúng tôi, và họ cần được tích hợp vào các quy trình được thúc đẩy bởi AI để đảm bảo rằng các quy trình đó thành công.

Một ví dụ tốt là cách đội ngũ giáo dục của chúng tôi thực hiện kỹ thuật lời nhắc. Con người chịu trách nhiệm tạo lời nhắc ban đầu, bao gồm cả ngữ cảnh từ các nguồn liên quan. Sau đó, sau khi công cụ Gen AI thực hiện lời nhắc, con người sẽ xem xét đầu ra của công cụ. Điều quan trọng là người này phải là một chuyên gia trong lĩnh vực chủ đề có thể bắt lỗi sớm trong quá trình. Các thành viên trong nhóm tiếp tục cộng tác với công cụ và lặp lại cho đến khi nhóm hài lòng rằng lời nhắc đã sẵn sàng để xuất bản.

Mặc dù sự cộng tác giữa con người và AI đã chứng minh là hiệu quả, nhưng nó đòi hỏi một con người phải quản lý ngữ cảnh và chuyển đổi giữa các mô hình.

Nếu không có con người trong vòng lặp, các đội sẽ phụ thuộc vào các công cụ AI mà có thể là không đáng tin cậy. Khi chúng tôi bắt đầu dự án chương trình giảng dạy, các công cụ đã làm tốt việc tóm tắt hoặc giải thích các khái niệm, cho trước ngữ cảnh đúng. Tuy nhiên, chúng thường xuyên “ảo giác”. Ngày nay, các mô hình tốt hơn trong việc lý luận, nhưng con người vẫn cần quản lý quá trình. Bây giờ, con người có thể tập trung vào việc xem xét và sáng tạo, không chỉ quản lý quy trình.

Trong tương lai, các đại lý AI sẽ đóng vai trò lớn hơn trong quy trình. Thay vì con người thu thập ngữ cảnh từ các nguồn, tạo lời nhắc với ngữ cảnh, di chuyển công việc giữa các mô hình AI và xem xét, tinh chỉnh đầu ra, chúng tôi đang phát triển các đại lý có thể thực hiện nhiều nhiệm vụ này – với một chút giúp đỡ. Đại lý có thể tự động thu thập và xử lý các tài liệu nguồn làm ngữ cảnh, tạo ra các phân loại kỹ năng và đề cương khóa học, thực hiện các quy trình làm việc đã thiết lập và chỉ trình bày các điểm quyết định chính cho các chuyên gia con người.

Kết luận

Mặc dù chạy bộ nhanh là rất tốt để giữ gìn sức khỏe, nhưng ô tô đã lâu đã biến đổi khả năng di chuyển của con người. AI đang cung cấp những lợi ích tương tự trong nơi làm việc – giúp các công ty cải thiện quy trình và tạo ra kết quả tốt hơn. Những người chấp nhận nó và tận dụng lợi thế hiệu suất tổng hợp của nó sẽ bỏ lại phía sau các đối thủ.