Ma már szinte bárki használhatja a mesterséges intelligenciát, bonyolult kódok helyett mindenki számára hozzáférhető, hétköznapi nyelven is. De pontosan mire tudjuk használni – és hogyan használhatjuk igazán jól? A Harvard Business Review szerzői az ember és a gép együttműködésének új korszakát vizsgálták, kutatásuk szerint az AI a munkatevékenységek több mint 40%-át fogja hamarosan átalakítani.
A generatív AI átalakítja a munkát - és a munkahelyeket
A generatív mesterséges intelligencia várhatóan radikálisan átalakít mindenféle munkakört a következő években.
Ma már nem csak a fejlesztők és az IT-szakemberek kiváltsága az AI, bárki utasíthatja a nagy nyelvi modelleket hétköznapi nyelven kiadott parancsokkal. A Harvard Business Review szerzőinek kutatása szerint az USA-ban alkalmazott legtöbb üzleti funkció és az összes munkaköri tevékenység több mint 40%-a kiterjeszthető, automatizálható vagy újragondolható a generatív AI segítségével. A változások várhatóan a legnagyobb hatással a jogi, banki, biztosítási és tőkepiaci szektorokra lesznek – ezt követi a kiskereskedelem, az utazás, az egészségügy és az energiaszektor.
A jövőben sokan tapasztalják majd, hogy szakmai sikerük függ attól, mennyire tudják a legjobb teljesítményt kihozni a ChatGPT-hez hasonló nagy nyelvi modellekből – és hogy képesek-e velük együtt tanulni és fejlődni.
3 fúziós készség az AI hatékony használatához
A HBR gondolatébresztő cikkében három olyan fúziós készségről esik szó, amelyekre mindenkinek szüksége lesz, aki szeretné hatékonyan, jó eredményekkel használni az AI-t.
Az intelligens kérdezés képessége magában foglalja a nagy nyelvi modellek olyan módon történő utasításait, amely jobb eredményeket generál. Értenünk kell az AI nyelvén, át kell látnunk, hogyan érhetjük el segítségével a legjobb válaszokat: például általános utasítások helyett az egyes folyamatok lépésekre bontásával vagy többféle lehetséges megoldási út vizualizálásával.
Például egy pénzügyi szolgáltató ügyfélszolgálati munkatársa használhatja ezt egy bonyolult ügyfélkérdés megválaszolásához; egy gyógyszeripari kutató gyógyszervegyületek és molekuláris kölcsönhatások vizsgálatához; egy marketinges pedig adathalmazok elemzéséhez az optimális kiskereskedelmi árazás megtalálása érdekében.
Az ítélőképesség integrációja olyan – főleg szakmai és etikai – emberi megítélés beépítését jelenti, amelynek célja, hogy az AI által létrehozott válaszok, megoldások megbízhatók és precízek legyenek.
A nagy nyelvi modellek sok esetben nincsenek olyan szakmai vagy üzleti háttértudás birtokában, amely az adott probléma megoldásához hasznos lenne, a bizonytalanságot pedig gyakran AI-hallucinációkkal töltik ki. Fontos, hogy átlássuk, mely pontokon lehet szüksége további tanulásra a használt modellnek, és ehhez milyen hiteles forrásokat használhatunk, ugyanakkor felelősen kell eljárnunk adatbiztonsági szempontból is.
Végezetül a kölcsönös tanulás magában foglalja a használt mesterséges intelligencia forrásainak kibővítését hiteles tudásbázisokkal, amikor szükséges.
Ez a tanulás kölcsönös, hiszen miközben a generatív AI az adott vállalat szervezeti adataiból, know-how-jából tanul, az őt betanító ember egyre inkább képes lesz arra, hogy az AI-t összetettebb kihívások kezelésére használja – így válhat a gép hasznos csapattaggá, társalkotóvá a folyamatban.
Miért érdemes tudatosan fejleszteni ezeket a készségeket?
Az empirikus kutatások következetesen azt mutatják, hogy az ad hoc utasítások – ahogyan a legtöbb alkalmazott ma promptolja az AI-modelleket – megbízhatatlan vagy gyenge eredményekhez vezetnek, különösen összetett érvelési feladatok esetén. Ez igaz minden funkcióra, az ügyfélszolgálattól kezdve a marketingen, logisztikán át a K+F-ig. Kritikus fontosságú mindannyiunk számára, hogy nagyobb szigort vigyünk a gen-AI munkahelyi használatába.
Hogyan kérdezd okosan az AI-t?
Gondolkodj mindig lépésről-lépésre: az AI promptolásakor fel kell bontanod a követendő folyamatot annak alkotóelemeire, majd törekedned kell az egyes lépések optimalizálására. Egy gondolatláncot képzelj magad elé, amelyen keresztül egy eredményt keresünk. Empirikus kutatások sora mutatja azt, hogy amikor a generatív AI eszközöket arra utasítjuk, hogy ilyen módon bontsák fel az érvelési feladatokat, teljesítményük drámaian javul.
Érdemes még a legegyszerűbb feladatok esetén is beépíteni a promptba a “gondolkodjunk lépésről-lépésre” utasítást, hiszen így az AI el kell hogy magyarázza, miként jutott a kapott eredményre, ahelyett, hogy a fekete dobozból egyszerűen csak kipottyanna a válasz.
A kölcsönös tanulás is történjen szakaszosan
Az ember-gép együttműködés során a szakértelmet vagy üzleti kontextust igénylő összetett feladatoknál – mint például a jog, orvostudomány, K+F vagy épp a készletgazdálkodás – jobb eredményeket érhetsz el, ha szakaszosan vezeted be az AI-t a munkába.
Az MIT kutatói például azt vizsgálták, lehetséges-e olyan “AI-tudós” kifejlesztése, amely képes különféle kísérleti adatok integrálására és tesztelhető hipotézisek generálására. Azt találták, hogy a ChatGPT 3.5-Turbo finomhangolható volt a DNS strukturális biofizikájának megtanulására, amikor a kutatók ezt a bonyolult feladatot egy sor részfeladatra bontották, amelyeket a modellnek el kellett sajátítania. Így van ez nem tudományos területeken is, mint például a készletgazdálkodás: a részfeladatok szakaszai magukban foglalhatják a kereslet előrejelzését, a készletszintekre vonatkozó adatok gyűjtését, az újrarendelések előrejelzését, a rendelési mennyiség értékelését és a teljesítmény értékelését. Minden újabb részfeladatnál a saját szakértelmünkkel és információinkkal taníthatjuk, tesztelhetjük és validálhatjuk a modellt.
Adj teret a kreativitásnak
Sok munkafolyamat, a stratégia megtervezésétől a termékfejlesztésig, nyílt végű és iteratív. Az ember-AI interakció maximális kihasználásához ezekben a tevékenységekben úgy érdemes irányítani a gépeket, hogy több lehetséges megoldási útban gondolkodhassanak, és kevésbé lineáris és bináris módon reagáljanak.
Az intelligens kérdezés ezen formája növelheti az AI képességét a pontos előrejelzések készítésére komplex pénzügyi vagy politikai eseményekről is, ahogy azt Philipp Schoenegger és Philip Tetlock kutatása megmutatta. Ebben a kísérletben emberi elemzőket, előrejelzőket párosítottak GPT-4 asszisztensekkel, így “super-forecastereket”, szuperelőrejelzőket hoztak létre.
Ennek az együttműködésnek az volt a lényege, hogy valószínűségeket és bizonytalansági intervallumokat rendeljenek a lehetséges kimenetekhez, és érveket sorakoztassanak fel mindegyik mellett és ellen. A kutatók azt találták, hogy az így felkészített asszisztenseknek az előrejelzései (a Dow Jones egy adott napi záróértékétől kezdve a Földközi-tengeren át Európába érkező migránsok 2023 decemberi számáig mindenféle témában) 43%-kal pontosabbak voltak, mint az általánosan használt, fel nem készített GPT-k által generált előrejelzések.
Kritikus gondolkodás és ítélőképesség
Integráld a RAG-et
A nagy nyelvi modellek nemcsak hallucinálhatnak, de a képzésükhöz használt információk és adatkészletek gyakran több évesek. Ezért a velük végzett munka során gyakran kell arról emberi döntést hoznunk, hogy mennyire kritikus a megbízható, releváns és naprakész információ a kimenetekben. Azokon a területeken, ahol a friss és pontos információ létfontosságú (ilyen lehet például az egészségügy vagy a pénzügy), a RAG, azaz a visszakereséssel kiterjesztett generálás egy kulcseszköz lehet: ennek a módszernek a lényege, hogy lehetővé tesszük a nagy nyelvi modellek számára, hogy olyan adatforrásokból is dolgozzanak, amelyeken nem képezték ki őket.
Figyelj az adatbiztonságra
Ha bizalmas adatokat vagy védett információkat használsz az AI-jal végzett munkád során, kerüld a nyílt forráskódú vagy nyilvános nyelvi modelleket és mindig csak vállalati jóváhagyással rendelkező LLM-eket használj vállalati tűzfalak mögött.
Figyelj a torzításokra
Figyelj oda azokra a torzításokra, amelyek megjelenhetnek a promptjaidban. Mondunk egy példát: ha egy pénzügyi elemző arra kéri az LLM-et, hogy magyarázza el, hogyan jelzi a tegnapi negyedéves jelentés, hogy a vállalat készen áll egy ötéves növekedési ciklusra, az recency bias-t (újdonsági torzítást) mutat, vagyis azt a tendenciát, hogy túlzott súlyt helyezünk a legfrissebb információkra a jövőbeli események előrejelzésekor.
A nagy szolgáltatók most dolgozzák ki azokat a módszereket, amelyekkel segíthetik a felhasználókat az ilyen problémák leküzdésében. A Microsoft és a Google olyan funkciókat ad hozzá szolgáltatásaihoz, amelyek segítenek a felhasználóknak ellenőrizni a káros promptokat és válaszokat. A Salesforce olyan AI-architektúrát fejleszt, amely elfedi a bizalmas ügyféladatokat a promptok létrehozásakor; megakadályozza, hogy ezek az adatok harmadik féltől származó LLM-ekkel megosztásra kerüljenek; pontozza a kimeneteket olyan kockázatok szempontjából, mint a toxicitás, elfogultság vagy az adatvédelem; valamint visszajelzéseket gyűjtenek a prompt sablonok fejlesztéséhez is.
Vizsgáld meg mindig alaposan a gyanús válaszokat
A hallucinációk és hibák a jelenlegi kutatások szerint elkerülhetetlenek még gondos tervezés mellett is. Ezért kezeld mindig fenntartásokkal az AI válaszait, keresd a hibákat vagy gyanús jeleket.
Amikor felhasználók olyan kimenettel találkoznak, ami nem tűnik helyesnek, gyakran reflexszerűen arra késztetik a modellt, hogy újra és újra próbálkozzon, ami fokozatosan csökkenti a válasz minőségét, ahogy azt a UC Berkeley kutatói, Jinwoo Ahn és Kyuseung Shin kimutatták. A kutatók azt javasolják, hogy ehelyett azonosítsd azt a lépést, ahol az AI hibát vétett, és használj egy másik nagy nyelvi modellt ennek az egy lépésnek a végrehajtására, először kisebb egyedi problémákra bontva azt, majd használd a kimenetet az első modell válaszának finomhangolására. Képzelj el egy tudóst, aki az OpenAI ChatGPT-jét használja egy új polimer kifejlesztéséhez egy sor lépésenkénti számítással. Ha bármilyen hibát talál a láncban, megkérheti az Anthropic Claude-ját, hogy bontsa le azt a lépést kisebb részproblémákra és magyarázza el az érvelését. Ezután betáplálhatja a kapott információt a ChatGPT-be és kérheti, hogy finomítsa a válaszát. Lényegében ez a technika a gondolatláncszerű elveket alkalmazza az általunk hibásnak ítélt kimenet javítására.
Te és az AI, avagy mester és tanítványa
Ahogy az LLM-ek mérete és összetettsége növekszik, olyan haladó új képességeket mutathatnak, amelyekre nem képezték ki ugyan őket, de mégis megjelennek, miután kontextuális adatokkal vagy tudással testreszabod őket. Fejlődésük ösztönzéséhez a következő lépéseket teheted:
Adj gondolkodási mintákat az AI-nak
Mielőtt átadnál egy problémát a nagy nyelvi modellnek, felkészítheted egy adott gondolkodásmódra. Például megtaníthatod neki a “least to most” gondolkodást, amelynek a lényege, hogy egy összetett kihívást mindig bontson le több kisebb, egyszerűbb kihívásra: először a legkevésbé nehezet oldja meg, majd használja a választ alapként a következő kihívás megoldásához, és így tovább. Denny Zhou és csapata a Google DeepMind-nál kimutatták, hogy “least to most” megközelítés 16%-ról 99%-ra javította az AI kimenetének pontosságát.
Vegyünk például egy marketingmenedzsert egy sportruházati márkánál, aki segítséget szeretne kapni egy új kollekció átgondolásához. Így bonthatja le a problémát az AI számára:
- Célközönség. Azonosítsa azokat a fitneszrajongókat, akik potenciális vásárlók lehetnek – ez egy viszonylag egyszerű feladat, különösen egy olyan modell számára, amelyet a vállalat ügyféladatain képeztek ki.
- Üzenetek. Alakítson ki olyan üzeneteket, amelyek a teljesítményt, a kényelmet és a stílust hangsúlyozzák – ez egy nehezebb és kreatívabb probléma, amely már a célközönség azonosítására épül.
- Csatornák. Válassza ki azokat a közösségi média platformokat, fitneszre specializálódott blogokat és influenszer együttműködéseket, amelyek segítenek eljuttatni ezeket az üzeneteket a célközönséghez.
- Erőforrások. Ossza be a költségvetést (ami gyakran a legvitatottabb kérdés bármely szervezetben) a kiválasztott csatornáknak megfelelően.
Tanítsd meg az AI-t új folyamatokra
Átadhatod az AI-nak egy feladat végrehajtását azáltal, hogy példákon keresztül vezeted végig a promptjaidban lévő kontextuson belül.
Például kutatók a Nature folyóiratban arról számoltak be, hogy úgy tanították meg a nagy nyelvi modelleknek az orvosi információk összefoglalását, hogy radiológiai jelentések, betegkérdések, állapotjelentések és orvos-beteg párbeszédek példáival promptolták őket. Ezt követően azt találták, hogy a nagy nyelvi modellek által készített összefoglalók 81%-a egyenértékű vagy jobb volt, mint az emberek által készített összefoglalók.
Úgy is betaníthatod az AI-t, hogy kontextuális információkkal látod el, majd kérdéseket teszel fel neki, amíg meg nem oldja a problémát. Vegyünk két szoftvercéget, amelyek mindketten növelni szeretnék az értékesítésüket. Az első cégnél az értékesítési csapat nehezen tudja hatékonyan előrejelezni a szoftverlicencek iránti keresletet. Ezért a vezetőjük azzal kezdi, hogy történeti értékesítési adatokat ad az AI-nak, majd rákérdez a következő negyedév várható keresletére. Ezután ellátja a modellt információkkal az ügyfelek szoftverfrissítéseiről és éves költségvetéseiről, és rákérdez a szezonalitás hatásaira. Végül részletes statisztikákat ad neki a CRM rendszerekből és marketing jelentésekből, és rákérdez a marketing kampányok értékesítésre gyakorolt hatására.
A második cégnél az értékesítési csapat javítani szeretné az ügyfélkiválasztást. A vezetőjük konkrét pénzügyi adatokat adhat meg, és arra kérheti az AI-t, hogy rangsorolja az ügyfeleket költéseik alapján, majd továbbléphet olyan követő kérdésekre, mint a földrajzi elhelyezkedés, technikai szakértelem és így tovább. Minden lépésnél mindkét vezető tanítja az AI-t és finomítja annak képességét, hogy a feladatot a vállalat sajátos értékesítési stratégiájának kontextusában hajtsa végre. Szervezeti és iparági tudást visznek az interakciókba. Ahogy az egyes cégek által használt AI egyre több tapasztalatot szerez a cég specifikus értékesítési folyamatával, egyre jobb válaszokat generál.
Új fúziós készségek elsajátítása
A generatív AI-készségek széles körű elsajátításához nem csak jelentős szervezeti befektetésre, hanem egyéni kezdeményezésre, tanulásra és kemény munkára is szükség lesz. Bár néhány vállalat már kínál releváns képzést, a legtöbben még nem fejlesztettek ki széles körben használható programokat. Jó bizonyíték erre a HBR kutatása: a 2024-es, 7000 szakember körében végzett felmérésükben azt találták, hogy míg a válaszadók 94%-a mondta azt, hogy készen áll új készségek elsajátítására a generatív AI-jal való munkához, csak 5% számolt be arról, hogy munkáltatójuk aktívan képzi munkaerejét ezen a területen.
Sokan lesznek, akiknek saját kezükbe kell venni az irányítást, és lépést tartani az AI gyors fejlődésével.
Az AI forradalom már nem közeleg: itt van, és a vezető vállalatok az új technológiát az iparágak, funkciók és munkakörök folyamatainak újragondolására használják. A generatív AI drámaian megemelte a mércét, megkövetelve az embertől, hogy együtt gondolkodunk, hogy tegyünk azért tudatosan, hogy megbízhassunk benne, és folyamatosan alakítsuk – ahogy magunkat is –, hogy jobban teljesítsünk. A történelem során egyetlen más nagy innováció sem terjedt még el ennyire gyorsan. A munka gyorsabban és erőteljesebben fog átalakulni, mint azt sokan el tudjuk képzelni. Készülj fel: az üzlet jövőjét nem egyedül az AI fogja meghatározni, hanem azok az emberek, akik a leghatékonyabban tudják használni.