همراهان خلبان و عوامل گردش کار: چگونه هوش مصنوعی مولد گردش‌کارهای علمی را متحول می‌کند

همانطور که تیم‌های هوش مصنوعی برای توسعه راهکارهای مؤثر سازمانی تلاش می‌کنند، درک تجربیات استقرار در دنیای واقعی می‌تواند بسیار ارزشمند باشد. این پرسش و پاسخ، بینش‌های کلیدی را از یک مقاله تحقیقاتی اخیر با عنوان "کاربردها و خطرات هوش مصنوعی مولد برای کارکنان دانش در یک سازمان علمی" استخراج می‌کند، که به بررسی پذیرش هوش مصنوعی مولد در آزمایشگاه ملی آرگون پرداخته است. این مطالعه روش‌های کمی و کیفی را با هم ترکیب کرده، از جمله تجزیه و تحلیل آمار استفاده از دستیار هوش مصنوعی داخلی آرگون (Argo)، انجام مصاحبه با 22 کارمند و نظرسنجی از 66 نفر از کارکنان در هر دو نقش علمی و عملیاتی. محققان الگوهای پذیرش را در طول هشت ماه پیگیری کردند و دیدگاه‌های پذیرندگان اولیه از بخش‌های مختلف را ثبت کردند. یافته‌ها، راهنمایی‌های عملی برای تیم‌هایی که برنامه‌های کاربردی هوش مصنوعی را در زمینه‌های حرفه‌ای می‌سازند، ارائه می‌دهد و نشان می‌دهد که چگونه گروه‌های مختلف کاربران به ابزارهای هوش مصنوعی نزدیک می‌شوند، چه موانعی را پیش رو دارند و چه نگرانی‌های سازمانی باید برای پیاده‌سازی موفقیت‌آمیز مورد توجه قرار گیرند. چه در حال توسعه یک همراه خلبان هوش مصنوعی برای استفاده سازمانی باشید و چه در حال ساخت سیستم‌های اتوماسیون گردش کار، این بینش‌ها می‌تواند به شما در طراحی راهکارهایی کمک کند که نیازهای واقعی کارکنان دانش را برطرف کند.

بر اساس تحقیقات انجام شده در آزمایشگاه ملی آرگون، پذیرش هوش مصنوعی مولد در مراحل اولیه خود است، اما روند صعودی ثابتی را نشان می‌دهد. در حالی که کمتر از 10٪ از کارمندان در طول دوره مطالعه از دستیار هوش مصنوعی داخلی سازمان (Argo، یک نمونه خصوصی از GPT-3.5 Turbo) استفاده می‌کردند، میزان استفاده تقریباً 19.2٪ در ماه افزایش یافته است. اکثر کارمندان در حال آزمایش هستند - با هوش مصنوعی مولد آشنا هستند، اما تعداد کمی (کمتر از 30٪) آن را برای گردش‌کارهای خود ضروری می‌دانند. بسیاری در حال آزمایش ابزارهای داخلی مانند Argo و گزینه‌های تجاری مانند ChatGPT هستند.

این تحقیق دو حالت اصلی را متمایز می‌کند:

• همراه خلبان: در کنار کاربران به صورت مکالمه‌ای کار می‌کند و پاسخ‌های بی‌درنگ به سوالات ارائه می‌دهد و در انجام وظایفی مانند نوشتن، کدنویسی و بازیابی اطلاعات کمک می‌کند. این شبیه به نحوه استفاده مردم از ChatGPT است.
• عامل گردش کار: به طور مستقل‌تر عمل می‌کند و فرآیندهای پیچیده را با حداقل نظارت انجام می‌دهد. به عنوان مثال، استخراج خودکار داده‌ها از ابزارهای علمی، پردازش آن، تولید تجسم‌ها و تهیه یک گزارش اولیه - همه با مداخله محدود انسانی. اینها نشان‌دهنده کاربردهای پیشرفته‌تری هستند.

هر دو تیم علمی و عملیاتی از هر دو حالت استفاده می‌کنند، اگرچه کاربردهای فعلی عمدتاً بر تعاملات به سبک همراه خلبان متمرکز هستند.

کاربردهای فعلی عمدتاً بر تولید یا پالایش متن و کد ساختاریافته‌ای متمرکز هستند که به راحتی قابل تأیید است:

• نوشتن ایمیل با لحن تنظیم شده
• تهیه پیش‌نویس گزارش مطابق با فرمت‌های استاندارد
• مقدمه‌های مقالات علمی و پیشنهادهای کمک مالی
• توسعه کد (به ویژه اسکریپت‌های تکراری یا مبتنی بر الگو)
• ترجمه زبان و کمک نوشتن

این برنامه‌ها برای کاهش کار عاطفی و زمان صرف شده برای کارهای نوشتن روتین ارزشمند هستند.

شرکت‌کنندگان کاربردهای پیشرفته‌تری را در دو دسته تصور کردند:

• همراه خلبان پیشرفته - استخراج بینش‌ها: استفاده از LLMها برای تجزیه و تحلیل داده‌های متنی بزرگ و غیرساختاریافته، مانند:
  • تجزیه و تحلیل تعاملی ادبیات علمی
  • استخراج منابع داده عمومی برای روندها
  • خلاصه‌سازی رونوشت‌های جلسات و نظرسنجی‌های تیمی
  • بازیابی اطلاعات از سیاست‌های سازمانی
  • یافتن ارتباطات در میان مجموعه داده‌های مجزا
• عامل گردش کار: خودکارسازی یا نیمه‌خودکارسازی وظایف پیچیده:
  • علم: خودکارسازی خطوط لوله تجزیه و تحلیل داده‌ها، بهره‌برداری از ابزارهای علمی و در نهایت توسعه یک "دانشمند هوش مصنوعی" قادر به تولید و آزمایش فرضیه‌ها
  • عملیات: خودکارسازی بررسی‌های ایمنی ابزار، وظایف مدیریت پروژه (اولویت‌بندی، ایجاد نمودار گانت) و تعاملات پایگاه داده

هر دو تیم الگوهای استفاده مشابهی را نشان می‌دهند، اما با کاربردهای خاص دامنه. تیم‌های علمی از هوش مصنوعی مولد برای نوشتن مقالات علمی، توسعه کد و تجزیه و تحلیل داده‌های علمی استفاده می‌کنند. تیم‌های عملیاتی آن را در وظایف ارتباطی، مدیریت پروژه و خودکارسازی فرآیندهای اداری به کار می‌گیرند. دانشمندان اغلب بر وظایف فنی مانند نوشتن کد برای آزمایش‌ها و خلاصه‌سازی تحقیقات پیچیده تمرکز می‌کنند، در حالی که کارکنان عملیاتی بر خودکارسازی فرآیندهای اداری، ایجاد گزارش‌های ایمنی یا سازماندهی برنامه‌های پروژه تمرکز می‌کنند. هر دو گروه پتانسیل استفاده از هوش مصنوعی را برای وظایف وقت‌گیر یا تکراری می‌بینند.

پنج نگرانی اصلی ظهور کرد:

1. قابلیت اطمینان/توهم: تمایل هوش مصنوعی مولد به تولید اطلاعات نادرست با اطمینان بالا - به ویژه در مواردی که دقت بسیار مهم است.
2. اتکای بیش از حد: نگرانی‌ها مبنی بر اینکه کاربران ممکن است به خروجی‌های هوش مصنوعی بدون تأیید کافی اعتماد کنند.
3. حریم خصوصی و امنیت: خطرات به اشتراک گذاری داده‌های حساس، طبقه‌بندی شده یا منتشر نشده با مدل‌های هوش مصنوعی تجاری.
4. یکپارچگی آکادمیک: عدم اطمینان در مورد استفاده مناسب از هوش مصنوعی در نشریات علمی، شیوه‌های استناد و پتانسیل تقلب تحقیقاتی تولید شده توسط هوش مصنوعی.
5. تاثیرات شغلی: سوالاتی در مورد اینکه چگونه هوش مصنوعی مولد ممکن است بر استخدام، مجموعه‌های مهارت مورد نیاز و نقش‌های خاص تأثیر بگذارد.

نگرانی‌های مربوط به قابلیت اطمینان بیشتر از همه ذکر شد.

بسیاری از سازمان‌ها در حال استقرار نمونه‌های خصوصی از LLMها (مانند Argo آرگون) هستند که:

• پرسش‌های کاربر یا پاسخ‌های مدل را ذخیره نمی‌کنند
• داده‌ها را با خدمات شخص ثالث به اشتراک نمی‌گذارند
• در پشت فایروال‌های سازمانی عمل می‌کنند
• به احراز هویت امن نیاز دارند

سازمان‌ها به دستورالعمل‌های روشنی در مورد به اشتراک گذاری داده‌ها نیاز دارند و باید اطمینان حاصل کنند که ابزارهای هوش مصنوعی داخلی رقابتی باقی می‌مانند.

این مطالعه نظرات متفاوتی را نشان داد. شرکت‌کنندگان در نقش‌های تخصصی علمی به طور کلی هوش مصنوعی را به عنوان یک ابزار تقویت‌کننده می‌دانستند، نه جایگزین. با این حال، نگرانی بیشتری در مورد نقش‌های مربوط به پردازش یا ارتباطات روتین اطلاعات وجود داشت. مدیران اشاره کردند که هوش مصنوعی مولد احتمالاً مهارت‌های مورد نیاز را تغییر می‌دهد تا اینکه تعداد کل کارکنان را کاهش دهد، با تأکید بیشتر بر سواد هوش مصنوعی، ارزیابی انتقادی از خروجی‌های هوش مصنوعی و مهارت‌های انسانی.

محققان توصیه می‌کنند:

• تمرکز بر حریم خصوصی و امنیت: از داده‌های حساس محافظت کنید، از جمله استقرار ابزارهای هوش مصنوعی داخلی ایمن.
• توسعه سیاست‌های روشن: برای شیوه‌های انتشار، روش‌های استناد و به اشتراک گذاری مناسب داده‌ها.
• طراحی همراهان خلبان تخصصی: با دانش خاص سازمان برای لحن ایمیل، ساختارهای گزارش و مستندات داخلی.
• پشتیبانی از توسعه عامل گردش کار: الگوها و داربست‌ها را برای سفارشی‌سازی کارکنان ارائه دهید.
• شفاف باشید: در مورد اینکه چگونه هوش مصنوعی بر استخدام آینده و مهارت‌های ارزشمند تأثیر می‌گذارد.
• ایجاد سازوکارهای به اشتراک گذاری دانش: برای اینکه کارکنان بتوانند اعلان‌های مؤثر و عوامل سفارشی شده را به اشتراک بگذارند.
• در نظر گرفتن یک همراه خلبان سازمانی واحد: با توجه به همپوشانی نیازها بین علم و عملیات.

تیم‌ها باید:

• گردش‌کارها یا وظایف نوشتاری را شناسایی کنند که هوش مصنوعی در آن مزایای بازدهی واضحی با حداقل خطر ارائه می‌دهد
• یک گزینه هوش مصنوعی داخلی تأیید شده را در اختیار کارکنان قرار دهند و سیاست‌های رسیدگی به داده‌ها را تشریح کنند
• آموزش منظم در مورد محدودیت‌های هوش مصنوعی، از جمله نحوه تشخیص نادرستی یا تعصب ارائه دهند
• نظارت انسانی را در وظایف مهم حفظ کنند
• بر وظایفی تمرکز کنند که LLMها بیشترین ارزش را ارائه می‌دهند (به عنوان مثال، خلاصه‌سازی، قالب‌بندی) در حالی که تجزیه و تحلیل انتقادی را به انسان‌ها واگذار می‌کنند
• بر تأیید و ارزیابی انتقادی خروجی‌های LLM تأکید کنند
• سیستم‌هایی را طراحی کنند که قابلیت‌های انسانی را افزایش دهند، نه جایگزین آنها شوند

تیم‌های فنی باید:

• طراحی برای نیازهای خاص دامنه: رابط‌هایی ایجاد کنید که واژگان و گردش‌کارهای تخصصی را درک کنند
• ایجاد سازوکارهای استناد قابل اعتماد: سیستم‌هایی را پیاده‌سازی کنید که منابع را ردیابی و استناد می‌کنند
• توسعه عوامل گردش کار قابل تنظیم: چارچوب‌هایی ایجاد کنید که به کاربران غیرفنی اجازه می‌دهد فرآیندهای هوش مصنوعی خودکار را بسازند و اصلاح کنند
• پیاده‌سازی کنترل‌های حریم خصوصی قوی: سیستم‌هایی را طراحی کنید که به وضوح نشان می‌دهند چه داده‌هایی ذخیره یا به اشتراک گذاشته می‌شوند، با اقدامات امنیتی مناسب
• تمرکز بر استخراج داده‌های ساختاریافته: به تقاضا برای ابزارهایی که می‌توانند به طور هوشمندانه داده‌های متنی غیرساختاریافته را جستجو کنند، رسیدگی کنید
• ایجاد مسیرهای یکپارچه‌سازی: APIها و کانکتورها را برای ابزارهای علمی و پایگاه‌های داده تخصصی توسعه دهید
• ایجاد معیارهای ارزیابی: راه‌هایی را برای کاربران پیاده‌سازی کنید تا از اطمینان و قابلیت اطمینان خروجی‌های هوش مصنوعی آگاه شوند
• رسیدگی به نگرانی‌های سطح سازمانی: در نظر بگیرید که چگونه یک عامل گردش کار اساسی یا عامل الگوی کلی را ایجاد کنید که می‌تواند توسط کارمندان در نقش‌های مختلف و با طیف وسیعی از مهارت‌های فنی اقتباس شود