Η κυρίαρχη ιστορία για τα μεγάλα γλωσσικά μοντέλα είναι απλή: δώστε στους εργαζομένους τεχνητή νοημοσύνη και αυξάνεται η παραγωγικότητα. Αλλά τα στοιχεία στο χώρο εργασίας είναι άνιση. Στη μηχανική λογισμικού, ορισμένες ομάδες επιταχύνουν ενώ άλλες επιβραδύνουν μετά την υιοθέτηση βοηθών AI. Στην υποστήριξη πελατών, οι κατώτεροι πράκτορες μερικές φορές κερδίζουν περισσότερα από έμπειρο προσωπικό. Τα αποτελέσματα των μισθών και των ευκαιριών φαίνονται επίσης ογκώδη, όχι ομαλά.
σε “The LLM Productivity Cliff: Threshold Productivity and AI-Native Inequality,Ο ανεξάρτητος ερευνητής τεχνητής νοημοσύνης Francesco Bisardi υποστηρίζει ότι αυτές οι αντιφάσεις δεν είναι τυχαίες. Είναι συνεπείς με ένα μοντέλο κατωφλίου παραγωγικότητας AI. Ο ισχυρισμός είναι ότι τα LLM συμπεριφέρονται λιγότερο σαν ομαλή καμπύλη μάθησης και περισσότερο σαν γκρεμός. αρνητικό ROI λόγω τριβής ολοκλήρωσης, γνωστικών γενικών εξόδων και κινδύνου ποιότητας.
Ο Bisardi χαρακτηρίζει αυτό το όριο Αρχιτεκτονικός γραμματισμός AI. Δεν πρόκειται για άμεση εξυπνάδα. Είναι η λειτουργική ικανότητα αποσύνθεσης διφορούμενων στόχων σε εργασίες που μπορούν να διευθετηθούν, ενορχηστρώνοντας ροές εργασίας πολλαπλών βημάτων, συνδέετε μοντέλα σε εργαλεία και δεδομένα και επικυρώνετε συστηματικά τα αποτελέσματα. Εν ολίγοις, είναι η διαφορά μεταξύ της χρήσης μιας διεπαφής συνομιλίας και της δημιουργίας ενός αξιόπιστου συστήματος.
Το έγγραφο συνθέτει τα αναδυόμενα στοιχεία σε ένα μοντέλο πρακτικής τριών επιπέδων.
Επίπεδο 1 είναι η επιφανειακή χρήση. Τα LLM αντιμετωπίζονται ως αυτόματη συμπλήρωση, αναζήτηση ή συντόμευση γραφής. Η ροή εργασίας παραμένει ως επί το πλείστον αμετάβλητη. Μελέτες στην ανάπτυξη λογισμικού υποδηλώνουν ότι για έμπειρους επαγγελματίες που κάνουν περίπλοκες εργασίες, αυτή η λειτουργία μπορεί να είναι ουδέτερη ή επιβλαβής στο διαδίκτυο. Το βασικό ζήτημα δεν είναι μόνο η ικανότητα του μοντέλου, αλλά η αναντιστοιχία μεταξύ της παραγωγής συνομιλίας και των απαιτήσεων ποιότητας παραγωγής.
Επίπεδο 2 είναι ενσωματωμένη χρήση. Οι χρήστες παρέχουν πλουσιότερο πλαίσιο, χρησιμοποιούν προτροπές πολλαπλών βημάτων, επαναλαμβάνουν πιο σκόπιμα και αναπτύσσουν μερική επίγνωση των τρόπων αποτυχίας. Τα στοιχεία έρευνας σε πληθυσμούς προγραμματιστών υποδηλώνουν ότι αυτή η ομάδα αναφέρει συνεπείς αλλά περιορισμένες βελτιώσεις. Τα κέρδη είναι πραγματικά, αλλά δεν μεταμορφώνουν τα μοντέλα λειτουργίας.
Επίπεδο 3 είναι επανασχεδιασμός. Εδώ η μονάδα εργασίας γίνεται μια λειτουργία συστήματος και όχι μια περίοδος συνομιλίας. Οι επαγγελματίες δημιουργούν ροές εργασίας αντιπροσώπων, συνδέουν μοντέλα με API και δομημένα δεδομένα, τυποποιούν τους ελέγχους και αυτοματοποιούν όλο και περισσότερο την επαλήθευση. Μελέτες περιπτώσεων ομάδων εγγενών τεχνητών νοημοσύνης και ατόμων υψηλής επάρκειας προτείνουν βελτιώσεις σταδιακής αλλαγής για συγκεκριμένες κατηγορίες εργασιών, όταν αυτός ο επανασχεδιασμός γίνεται σοβαρά.
Η σημαντική επίπτωση για τις επιχειρήσεις είναι ότι Η πρόσβαση και η βασική υιοθέτηση δεν είναι η τάφρο. Η τάφρος διασχίζει το κατώφλι όπου η τεχνητή νοημοσύνη είναι ενσωματωμένη στον τρόπο με τον οποίο καθορίζεται, εκτελείται και ελέγχεται η εργασία. Εκεί αρχίζουν να εμφανίζονται τα πλεονεκτήματα της σύνθεσης: ταχύτερη επανάληψη, μικρότερες ομάδες υψηλής απόδοσης και χαμηλότερο οριακό κόστος για σύνθετη εργασία γνώσης. Η σημασία του χαρτιού για τους χειριστές δεν είναι να «δοκιμάσουν περισσότερη τεχνητή νοημοσύνη», αλλά να αλλάξουν την αρχιτεκτονική της εργασίας. Προσφέρει επίσης μια πρακτική διαδρομή για να λειτουργήσει αυτή η αλλαγή.
- Προσδιορίστε ροές εργασίας κατάλληλες για γκρεμό. Δώστε προτεραιότητα σε τομείς όπου οι εργασίες είναι επαναλαμβανόμενες αλλά γνωστικά πυκνές: ανάλυση υποστήριξης, αγωγοί αναλυτικών στοιχείων, τεκμηρίωση συμμόρφωσης. Αυτά είναι τα μέρη όπου η ενορχήστρωση και η επαλήθευση μπορούν να ξεπεράσουν τις ad hoc συνομιλίες.
- Επενδύστε σε αποσύνθεση ροής εργασιών και runbooks. Δημιουργήστε τυποποιημένα δέντρα εργασιών, προτροπές ως στοιχεία, σχήματα εργαλείων και μοτίβα χειρισμού εξαιρέσεων. Αντιμετωπίστε τους ως επαναχρησιμοποιήσιμες υποδομές, όχι ως φυλετικές γνώσεις.
- Συνδέστε τα LLM με εργαλεία και δομημένα δεδομένα. Το άλμα παραγωγικότητας δεν είναι μόνο γενιά. Είναι ανάκτηση, δράση και επικύρωση. Εάν το μοντέλο δεν μπορεί να διαβάσει αξιόπιστα τα συστήματα εγγραφής σας ή να εκτελέσει ελεγχόμενες ενέργειες, έχετε κολλήσει στο Επίπεδο 1–2 για πάντα.
- Δημιουργήστε μια ελαφριά αξιολόγηση στην παραγωγή. Χρησιμοποιήστε αυτοματοποιημένους ελέγχους, επικυρωτές που μοιάζουν με δοκιμές μονάδας, red-teaming για ακραίες περιπτώσεις και πύλες ανθρώπινης αναθεώρησης σε αποτελέσματα υψηλού κινδύνου. Ο γρηγορότερος τρόπος για να σκοτώσετε το AI ROI είναι να αφήσετε τις αποτυχίες ποιότητας να πυροδοτήσουν οργανωτικές αντιδράσεις.
- Εκπαιδευτείτε για αρχιτεκτονική παιδεία, όχι ταχεία κόλπα. η εσωτερική ενεργοποίηση θα πρέπει να φαίνεται πιο κοντά στην εκπαίδευση μηχανικής παρά ένα εργαστήριο δύο ωρών. Διδάξτε την αποσύνθεση, την ενορχήστρωση, τη χρήση εργαλείων και την αξιολόγηση ως συνεκτική πρακτική.
Με αυτό το χαρτί, Φραντσέσκο Μπισάρντι χρησιμοποιεί το μοντέλο του γκρεμού για να αναδιαμορφώσει ένα μοτίβο που πολλές εταιρείες νιώθουν ήδη: «χρησιμοποιούμε τεχνητή νοημοσύνη παντού» αλλά «τίποτα υλικό δεν άλλαξε». Η ερμηνεία που υποστηρίζεται από στοιχεία είναι ότι η τεχνητή νοημοσύνη δεν επιβραβεύει την περιστασιακή χρήση σε κλίμακα. Επιβραβεύει οργανισμούς που επανασχεδιάζουν ροές εργασίας, ώστε τα μοντέλα να συμπεριφέρονται σαν αξιόπιστα στοιχεία μέσα σε ένα σύστημα.
VIA: DataConomy.com
