W nowoczesnych procesach biznesowych, adaptacja generatywnej sztucznej inteligencji (AI) wykracza poza zwykłe wykorzystanie narzędzi i wchodzi w etap systemowej integracji.
Poza tym leży nowa era inteligencji: „Inteligencja Symfoniczna”.
Ten artykuł zbada obecny stan i przyszłe perspektywy wykorzystania generatywnej AI z dwóch perspektyw: pracy iteracyjnej i pracy przepływowej.
Praca Iteracyjna
W poprzednim artykule analizowaliśmy perspektywy „pracy iteracyjnej i narzędzi” versus „pracy przepływowej i systemów” jako punkty widzenia umożliwiające generatywnej sztucznej inteligencji wykonywanie zadań biznesowych.
Praca iteracyjna odnosi się do zadań, w których ludzie pół-nieświadomie łączą wiele odrębnych, konkretnych zadań i postępują metodą prób i błędów.
Dla tej pracy iteracyjnej narzędzia są optymalne. Poprzez wybór narzędzi pasujących do różnych zadań, praca może postępować efektywnie. Dlatego konieczne jest skompletowanie wymaganego zestawu narzędzi i osiągnięcie biegłości w ich używaniu.
Obecnie, gdy generatywna AI jest wykorzystywana w biznesie, w zdecydowanej większości przypadków generatywna AI pełni rolę narzędzia.
Większość dyskusji na temat poprawy efektywności biznesowej za pomocą generatywnej AI prawie zawsze odnosi się do dodania tego nowego i potężnego narzędzia do istniejącego zestawu narzędzi, których ludzie używają do pracy iteracyjnej.
Problem z Pracą Iteracyjną
Z drugiej strony, jak zauważono w poprzednim artykule, wzrost efektywności wynikający z użycia narzędzi w pracy iteracyjnej jest stosunkowo ograniczony.
W miarę jak narzędzia stają się bardziej efektywne, człowiek w końcu staje się wąskim gardłem. Ostatecznie bariera ludzkich godzin pracy nie może zostać pokonana.
Co więcej, istnieje znacząca różnica w efektywności i dokładności pracy iteracyjnej między doświadczonymi pracownikami a nowymi rekrutami, i trudno jest tę różnicę zasypać. Dlatego nawet jeśli chcesz podwoić obciążenie pracą w przyszłym miesiącu, nie poradzisz sobie bez osób posiadających umiejętności weteranów.
Aby rozwiązać problem człowieka jako wąskiego gardła, ostatecznie sprowadza się to do zastąpienia wszystkiego sztuczną inteligencją.
Jednak obecna generatywna AI nie osiągnęła jeszcze tego poziomu wydajności.
Co więcej, nawet pozornie proste zadania iteracyjne, po dokładnym zbadaniu, składają się z dużej liczby nieświadomych zadań.
Z tego powodu nie mogły one zostać sprowadzone do konwencjonalnych systemów IT ani instrukcji, które każdy mógłby śledzić, i w związku z tym polegały na ludzkich umiejętnościach.
Dopóki te liczne nieświadome, wymagające biegłości zadania nie zostaną zorganizowane, a niezbędne dla każdego z nich know-how nie zostanie skodyfikowane w wiedzę, generatywna AI, niezależnie od tego, jak bardzo poprawi się jej wydajność, nie będzie w stanie zastąpić pracy ludzkiej.
Przekształcenie w Pracę Przepływową i Systematyzację
Aby osiągnąć cel rozdzielania zadań w ramach obecnych limitów wydajności generatywnej sztucznej inteligencji, a także cel organizacji nieświadomych zadań i kodyfikacji know-how, niezwykle istotne jest zorganizowanie iteracyjnej pracy opartej na próbach i błędach w standaryzowaną pracę przepływową.
Standaryzowana praca przepływowa pasuje nie tylko do narzędzi, ale także do systemów.
W ramach pracy przepływowej istnieją zadania wykonywane przez generatywną AI oraz zadania wykonywane przez ludzi. Poprzez połączenie ich w system, cała praca przepływowa staje się wykonalna.
Przekształcenie w pracę przepływową i systematyzacja przynosi kilka znaczących efektów.
Po pierwsze, generatywna AI jest specjalizowana dla poszczególnych zadań, co jasno określa, jak zoptymalizować efektywność i dokładność generatywnej AI dla każdego zadania.
Po drugie, wielu pracowników może dodawać wiedzę do generatywnej AI, a korzyści z tego rozciągają się na wszystkich.
Po trzecie, łatwo staje się stopniowo przenosić podział zadań w ramach tej pracy na generatywną AI.
W ten sposób, poprzez przekształcenie pracy iteracyjnej w pracę przepływową i gromadzenie wiedzy, której generatywna AI potrzebuje do każdego zadania, jako systemu, praca intelektualna zbliża się do automatyzacji, niczym linia produkcyjna w fabryce.
A dzięki włączeniu ulepszeń w podstawowej wydajności generatywnej AI, które ewoluują wraz z czasem, oraz wykorzystaniu zgromadzonej wiedzy wyspecjalizowanej w różnych zadaniach, możliwe stanie się uczynienie całej pracy przepływowej zautomatyzowanym procesem napędzanym przez generatywną AI.
Inteligencja Wirtualna
Niniejsze podsumowanie kończy analizę z perspektywy pracy iteracyjnej i narzędzi oraz pracy przepływowej i systemów.
Inny artykuł, który niedawno napisałem, dalej rozwija tę dyskusję.
W tamtym artykule poruszyłem temat orkiestracji przez wirtualną inteligencję.
Obecnie, i w bardzo bliskiej przyszłości, ze względu na ograniczenia wydajności, generatywna sztuczna inteligencja (AI) osiąga lepsze wyniki pod względem efektywności i dokładności, gdy skupia się na konkretnych zadaniach.
Dlatego, jak wcześniej omawiano w kontekście pracy przepływowej i systemów, idealnym mechanizmem było łączenie wyspecjalizowanych generatywnych AI dla każdego indywidualnego zadania za pośrednictwem systemu.
Jednakże, nawet jeśli wydajność generatywnej AI znacząco się poprawi, bardziej efektywne i dokładne może być przetwarzanie poprzez przełączanie ról i wykorzystywanie różnej wiedzy w ramach jednego przebiegu przetwarzania, zamiast po prostu przetwarzania różnych zadań równolegle.
Ta metoda wyeliminowałaby potrzebę istnienia systemu łączącego generatywne AI. Operacje podobne do integracji systemów odbywałyby się wewnątrz samej generatywnej AI.
Co więcej, z sytuacji, w której zmiana układu zadań lub ich dodanie są niemożliwe bez zmian w systemie, generatywna AI sama będzie w stanie elastycznie reagować.
Oznacza to powrót zadań wykonanych w trybie przepływowym i usystematyzowanych do pracy iteracyjnej.
Jednak praca iteracyjna, która powróci po przejściu przez ten proces przepływu i systematyzacji, będzie w stanie, w którym uformowana została wiedza wielokrotnego użytku, nawet jeśli liczba generatywnych AI zostanie zwiększona lub ich wersje zostaną zmienione.
To rozwiązuje problemy ludzkiej pracy iteracyjnej i umożliwia wykonywanie elastycznych zadań podobnych do tych wykonywanych przez ludzi.
Tutaj nazywam zdolność generatywnej AI do przełączania ról i wiedzy podczas pojedynczego wykonania „wirtualną inteligencją”. Jest to analogiczne do maszyny wirtualnej komputera.
Tak jak technologia maszyn wirtualnych symuluje zupełnie różne komputery działające na jednym sprzęcie, tak pojedyncza generatywna AI przetwarza, przełączając się między wieloma rolami.
Generatywna AI już naturalnie nabyła tę zdolność wirtualnej inteligencji. Dlatego generatywna AI może symulować dyskusje z udziałem wielu osób lub generować powieści z udziałem wielu postaci.
Jeśli ta zdolność wirtualnej inteligencji się poprawi i zostanie jej dostarczona wystarczająca wiedza, możliwe stanie się wykonywanie pracy iteracyjnej.
Orkiestracja Inteligencji
Co więcej, zdolność do swobodnego łączenia wielu ról i wiedzy w celu wykonywania zadań nazywam „orkiestracją inteligencji”.
Jest to podobne do technologii orkiestracji, która obsługuje wiele maszyn wirtualnych.
Tak jak technologia orkiestracji efektywnie zarządza systemami poprzez uruchamianie niezbędnych maszyn wirtualnych w razie potrzeby, tak generatywna AI z udoskonalonymi umiejętnościami orkiestracji inteligencji — zdolnością inteligencji wirtualnej — będzie w stanie elastycznie wykonywać pracę iteracyjną, utrzymując wydajność i dokładność, jednocześnie odpowiednio wykorzystując liczne role i wiedzę.
Inteligencja Symfoniczna
Generatywna AI, która osiąga ten etap, może być nazwana Inteligencją Symfoniczną.
Tak jak orkiestra, w której każdy muzyk biegle posługuje się swoim instrumentem, wykonuje jeden utwór, spełniając swoje odpowiednie role, tak Inteligencja Symfoniczna może zagrać symfonię pracy intelektualnej.
Ta Inteligencja Symfoniczna to nowa koncepcja, reprezentująca punkt docelowy dla generatywnej AI.
Jednak sama Inteligencja Symfoniczna już istnieje.
Jest nią nasza ludzka inteligencja.
To właśnie dlatego, że posiadamy Inteligencję Symfoniczną, możemy nieświadomie, elastycznie wykonywać złożone zadania intelektualne poprzez pracę iteracyjną, wykorzystując mnóstwo know-how.
Na koniec: Forma AGI
Dostarczając generatywnej AI, zdolnej do symulowania Inteligencji Symfonicznej, procesów pracy przepływowej i baz wiedzy dla innych zadań, będzie ona w stanie obsługiwać wiele zadań iteracyjnych.
W miarę jak stanie się ona zdolna do obsługi wielu różnych zadań iteracyjnych, prawdopodobnie zrozumie wspólne zasady i wzorce strukturalne w wiedzy w obrębie tych zadań.
W tym momencie, dla całkowicie nieznanych zadań iteracyjnych, wystarczy proste wyjaśnienie od człowieka, aby nauczyła się ona know-how tego zadania po prostu obserwując, jak wykonuje je człowiek.
To jest prawdziwa Inteligencja Symfoniczna. Po osiągnięciu tego etapu, ludzie nie będą już musieli wkładać wysiłku w przepływową pracę ani kodyfikację know-how.
Co więcej, wiedza automatycznie gromadzona przez generatywną AI może być współdzielona między samymi generatywnymi AI.
Kiedy to nastąpi, zdolność uczenia się generatywnej AI znacznie przewyższy tę ludzką.
Można powiedzieć, że jest to jedna z form AGI.