సింఫోనిక్ ఇంటెలిజెన్స్ యుగం

ఆధునిక వ్యాపార ప్రక్రియలలో, జనరేటివ్ AI వినియోగం కేవలం ఒక పనిముట్టుగా ఉపయోగించడం నుండి వ్యవస్థీకృత అనుసంధానం యొక్క దశలోకి ప్రవేశిస్తోంది.

దీనికి మించి, "సింఫోనిక్ ఇంటెలిజెన్స్" అనే కొత్త మేధస్సు యొక్క శకం ఉంది.

ఈ వ్యాసం ఇటరేటివ్ వర్క్ మరియు ఫ్లో వర్క్ అనే రెండు దృక్కోణాల నుండి జనరేటివ్ AI వినియోగం యొక్క ప్రస్తుత స్థితిని మరియు భవిష్యత్ అవకాశాలను విశ్లేషిస్తుంది.

పునరావృత పని (ఇటరేటివ్ వర్క్)

మునుపటి వ్యాసంలో, జనరేటివ్ AI వ్యాపార పనులను నిర్వహించడానికి వీలు కల్పించే దృక్కోణాలుగా "పునరావృత పని మరియు సాధనాలు" వర్సెస్ "ఫ్లో పని మరియు వ్యవస్థలు" అనే అంశాలను విశ్లేషించాము.

పునరావృత పని అనేది మానవులు అనేక విభిన్న నిర్దిష్ట పనులను దాదాపు అచేతనంగా కలిపి, ట్రయల్ అండ్ ఎర్రర్ ద్వారా ముందుకు సాగే పనులను సూచిస్తుంది.

మరియు ఈ పునరావృత పనికి, సాధనాలు సరైనవి. వివిధ పనులకు సరిపోయే సాధనాలను ఎంచుకోవడం ద్వారా, పనిని సమర్థవంతంగా ముందుకు తీసుకెళ్లవచ్చు. కాబట్టి, అవసరమైన టూల్‌కిట్‌ను సమకూర్చుకోవడం మరియు దాని ఉపయోగంలో నైపుణ్యం సాధించడం అవసరం.

ప్రస్తుతం, వ్యాపారంలో జనరేటివ్ AIని ఉపయోగించినప్పుడు, చాలా వరకు జనరేటివ్ AI ఒక సాధనంగా ఉపయోగించబడుతుంది.

జనరేటివ్ AIతో వ్యాపార సామర్థ్యాన్ని మెరుగుపరచడం గురించిన చర్చలో ఎక్కువ భాగం, మానవులు పునరావృత పని కోసం ఉపయోగించే ప్రస్తుత టూల్‌కిట్‌కు ఈ కొత్త మరియు శక్తివంతమైన సాధనాన్ని జోడించడాన్ని సూచిస్తుంది.

పునరావృత పనితో సమస్య (ఇటరేటివ్ వర్క్)

మరోవైపు, మునుపటి వ్యాసంలో చెప్పినట్లుగా, పునరావృత పనిలో సాధనాల నుండి పొందే సామర్థ్య లాభాలు సాపేక్షంగా పరిమితంగా ఉంటాయి.

సాధనాలు మరింత సమర్థవంతంగా మారినప్పుడు, చివరికి మానవులే అడ్డంకిగా మారతారు. అంతిమంగా, మానవ పని గంటల పరిమితిని అధిగమించలేము.

అంతేకాకుండా, అనుభవజ్ఞులైన ఉద్యోగులకు మరియు కొత్త ఉద్యోగులకు మధ్య పునరావృత పని యొక్క సామర్థ్యం మరియు ఖచ్చితత్వంలో గణనీయమైన వ్యత్యాసం ఉంది, మరియు ఈ వ్యత్యాసాన్ని పూడ్చడం కష్టం. అందువల్ల, వచ్చే నెలలో పనిభారాన్ని రెట్టింపు చేయాలనుకున్నా, అనుభవజ్ఞులైన నైపుణ్యాలు ఉన్నవారు లేకుండా దానిని నిర్వహించలేరు.

మానవులు అడ్డంకిగా మారడం అనే సమస్యను పరిష్కరించడానికి, అంతిమంగా ప్రతిదాన్ని కృత్రిమ మేధస్సుతో భర్తీ చేయాల్సి ఉంటుంది.

అయితే, ప్రస్తుత జనరేటివ్ AIకి ఆ స్థాయి పనితీరు ఇంకా లేదు.

అంతేకాకుండా, పైకి సులభంగా కనిపించే పునరావృత పనులు కూడా, నిశితంగా పరిశీలిస్తే, చాలా పెద్ద సంఖ్యలో అచేతన పనులను కలిగి ఉంటాయి.

ఈ కారణంగా, వాటిని సంప్రదాయ IT వ్యవస్థలుగా లేదా ఎవరైనా అనుసరించగలిగే మాన్యువల్‌లుగా తగ్గించలేకపోయారు, అందువల్ల మానవ నైపుణ్యంపై ఆధారపడాల్సి వచ్చింది.

ఈ అనేక అచేతన, నైపుణ్యం అవసరమయ్యే పనులను వ్యవస్థీకరించకపోతే మరియు ప్రతిదానికీ అవసరమైన జ్ఞానాన్ని క్రోడీకరించకపోతే, జనరేటివ్ AI పనితీరు ఎంత మెరుగుపడినా, మానవ పనిని భర్తీ చేయలేదు.

ఫ్లో వర్క్ మరియు సిస్టమైజేషన్‌గా మార్చడం

జనరేటివ్ AI యొక్క ప్రస్తుత పనితీరు పరిమితుల్లో పనులను పంపిణీ చేయాలనే లక్ష్యాన్ని చేరుకోవడానికి, మరియు అచేతన పనులను నిర్వహించడానికి, నైపుణ్యాన్ని క్రోడీకరించడానికి, ట్రయల్-అండ్-ఎర్రర్ ఇటరేటివ్ వర్క్‌ను ప్రామాణికమైన ఫ్లో వర్క్‌గా నిర్వహించడం చాలా ముఖ్యమైనది.

ప్రామాణికమైన ఫ్లో వర్క్ సాధనాలకు మాత్రమే కాకుండా వ్యవస్థలకు కూడా సరిపోతుంది.

ఫ్లో వర్క్‌లో, జనరేటివ్ AI ద్వారా నిర్వహించబడే పనులు మరియు మానవుల ద్వారా నిర్వహించబడే పనులు ఉంటాయి. వీటిని ఒక సిస్టమ్‌తో అనుసంధానించడం ద్వారా, మొత్తం ఫ్లో వర్క్ అమలు చేయబడుతుంది.

ఫ్లో వర్క్‌గా మరియు సిస్టమైజేషన్‌గా మార్చడం అనేక ముఖ్యమైన ప్రభావాలను ఇస్తుంది.

ఒకటి ఏమిటంటే, జనరేటివ్ AI వ్యక్తిగత పనుల కోసం ప్రత్యేకించబడుతుంది, తద్వారా ప్రతి పనికి జనరేటివ్ AI యొక్క సామర్థ్యం మరియు ఖచ్చితత్వాన్ని ఎలా ఆప్టిమైజ్ చేయాలో స్పష్టమవుతుంది.

రెండవది, బహుళ కార్మికులు జనరేటివ్ AIకి జ్ఞానాన్ని జోడించవచ్చు, మరియు దాని ప్రయోజనాలు అందరికీ విస్తరిస్తాయి.

మూడవది, ఈ పనిలో పనుల విభజనను జనరేటివ్ AIకి క్రమంగా మార్చడం సులభం అవుతుంది.

ఈ విధంగా, పునరావృత పనిని ఫ్లో వర్క్‌గా మార్చడం ద్వారా మరియు ప్రతి పనికి జనరేటివ్ AIకి అవసరమైన జ్ఞానాన్ని ఒక వ్యవస్థగా పోగుచేయడం ద్వారా, మేధోపరమైన పని ఒక కర్మాగార లైన్ వలె ఆటోమేషన్‌కు చేరుకుంటుంది.

మరియు కాలక్రమేణా అభివృద్ధి చెందే జనరేటివ్ AI యొక్క ప్రాథమిక పనితీరులో మెరుగుదలలను కలుపుకోవడం ద్వారా, మరియు వివిధ పనుల కోసం ప్రత్యేకించబడిన సేకరించిన జ్ఞానాన్ని ఉపయోగించడం ద్వారా, మొత్తం ఫ్లో వర్క్‌ను జనరేటివ్ AI ద్వారా నడపబడే స్వయంచాలక ప్రక్రియగా మార్చడం సాధ్యమవుతుంది.

వర్చువల్ ఇంటెలిజెన్స్ (వర్చువల్ మేధస్సు)

ఇక్కడితో ఇటరేటివ్ వర్క్ మరియు టూల్స్, అలాగే ఫ్లో వర్క్ మరియు సిస్టమ్స్ దృక్పథం నుండి విశ్లేషణ ముగిసింది.

నేను ఇటీవల వ్రాసిన మరో వ్యాసం ఈ చర్చను మరింత ముందుకు తీసుకువెళుతుంది.

ఆ వ్యాసంలో, వర్చువల్ ఇంటెలిజెన్స్ ద్వారా ఆర్కెస్ట్రేషన్ (సమన్వయం) అనే అంశాన్ని నేను ప్రస్తావించాను.

ప్రస్తుతం, మరియు అతి తక్కువ భవిష్యత్తులో, పనితీరు పరిమితుల కారణంగా, జనరేటివ్ AI నిర్దిష్ట పనులపై దృష్టి సారించినప్పుడు సామర్థ్యం మరియు ఖచ్చితత్వం పరంగా మెరుగ్గా పనిచేస్తుంది.

అందువల్ల, ఫ్లో వర్క్ మరియు సిస్టమ్స్‌తో ముందు చర్చించినట్లుగా, ప్రతి వ్యక్తిగత పని కోసం ప్రత్యేక జనరేటివ్ AIలను ఒక సిస్టమ్ ద్వారా అనుసంధానించడం ఒక ఆదర్శవంతమైన యంత్రాంగం.

అయినప్పటికీ, జనరేటివ్ AI పనితీరు గణనీయంగా మెరుగుపడినప్పటికీ, వివిధ పనులను సమాంతరంగా ప్రాసెస్ చేయడం కంటే, ఒకే ప్రాసెసింగ్ రన్‌లో పాత్రలను మార్చుకుంటూ మరియు విభిన్న జ్ఞానాన్ని ఉపయోగించుకుంటూ ప్రాసెస్ చేయడం మరింత సమర్థవంతంగా మరియు ఖచ్చితంగా ఉండవచ్చు.

ఈ పద్ధతి జనరేటివ్ AIలను ఒకదానికొకటి లింక్ చేయడానికి ఒక సిస్టమ్ అవసరాన్ని తొలగిస్తుంది. సిస్టమ్ ఇంటిగ్రేషన్‌తో సమానమైన కార్యకలాపాలు జనరేటివ్ AIలోనే జరుగుతాయి.

అంతేకాకుండా, సిస్టమ్ మార్పులు లేకుండా టాస్క్ రీఅరేంజ్‌మెంట్ లేదా అడిషన్స్ అసాధ్యం అనే పరిస్థితి నుండి, జనరేటివ్ AI స్వయంగా సరళంగా స్పందించగలదు.

దీని అర్థం ఫ్లో-వర్క్ చేయబడిన మరియు క్రమబద్ధీకరించబడిన పనులను తిరిగి ఇటరేటివ్ వర్క్‌కు తీసుకురావడం.

అయితే, ఈ ఫ్లో-వర్కింగ్ మరియు క్రమబద్ధీకరణ ప్రక్రియ తర్వాత తిరిగి వచ్చే ఇటరేటివ్ వర్క్, జనరేటివ్ AIల సంఖ్య పెరిగినప్పటికీ లేదా వాటి వెర్షన్లు మార్చబడినప్పటికీ, పునర్వినియోగపరచదగిన జ్ఞానం ఏర్పడిన స్థితిలో ఉంటుంది.

ఇది మానవ ఇటరేటివ్ వర్క్ సమస్యలను పరిష్కరిస్తుంది మరియు మానవులు చేసే పనుల మాదిరిగానే సౌకర్యవంతమైన పనులను నిర్వహించడానికి వీలు కల్పిస్తుంది.

ఇక్కడ, ఒకే ఎగ్జిక్యూషన్‌లో పాత్రలను మరియు జ్ఞానాన్ని మార్చగల జనరేటివ్ AI సామర్థ్యాన్ని నేను "వర్చువల్ ఇంటెలిజెన్స్" అని పిలుస్తున్నాను. ఇది కంప్యూటర్ యొక్క వర్చువల్ మెషీన్‌తో సమానంగా ఉంటుంది.

వర్చువల్ మెషీన్ టెక్నాలజీ ఒకే హార్డ్‌వేర్‌లో పూర్తిగా విభిన్నమైన కంప్యూటర్‌లను నడుపుతున్నట్లుగా అనుకరించినట్లే, ఒకే జనరేటివ్ AI బహుళ పాత్రల మధ్య మారుతూ ప్రాసెస్ చేస్తుంది.

జనరేటివ్ AI ఇప్పటికే ఈ వర్చువల్ ఇంటెలిజెన్స్ సామర్థ్యాన్ని సహజంగా పొందింది. అందుకే జనరేటివ్ AI బహుళ వ్యక్తులు పాల్గొనే చర్చలను అనుకరించగలదు లేదా బహుళ పాత్రలను కలిగి ఉన్న నవలలను సృష్టించగలదు.

ఈ వర్చువల్ ఇంటెలిజెన్స్ సామర్థ్యం మెరుగుపడి, తగినంత జ్ఞానంతో అందించబడితే, ఇటరేటివ్ వర్క్‌ను నిర్వహించడం సాధ్యమవుతుంది.

ఇంటెలిజెన్స్ ఆర్కెస్ట్రేషన్ (మేధస్సు సమన్వయం)

అంతేకాకుండా, బహుళ పాత్రలు మరియు జ్ఞానాన్ని స్వేచ్ఛగా కలిపి పనులను నిర్వహించగల సామర్థ్యాన్ని నేను "ఇంటెలిజెన్స్ ఆర్కెస్ట్రేషన్" అని పిలుస్తున్నాను.

ఇది బహుళ వర్చువల్ మెషీన్‌లను నిర్వహించే ఆర్కెస్ట్రేషన్ టెక్నాలజీని పోలి ఉంటుంది.

అవసరమైనప్పుడు అవసరమైన వర్చువల్ మెషీన్‌లను ప్రారంభించడం ద్వారా ఆర్కెస్ట్రేషన్ టెక్నాలజీ సిస్టమ్‌లను సమర్థవంతంగా నిర్వహించినట్లే, మెరుగైన ఇంటెలిజెన్స్ ఆర్కెస్ట్రేషన్ నైపుణ్యాలు కలిగిన జనరేటివ్ AI—వర్చువల్ ఇంటెలిజెన్స్ యొక్క సామర్థ్యం—అనేక పాత్రలు మరియు జ్ఞానాన్ని సముచితంగా ఉపయోగించుకుంటూ, సామర్థ్యం మరియు ఖచ్చితత్వాన్ని కాపాడుకుంటూ, పునరావృత పనులను సరళంగా నిర్వహించగలదు.

సింఫోనిక్ ఇంటెలిజెన్స్

ఈ దశకు చేరుకున్న జనరేటివ్ AI ని సింఫోనిక్ ఇంటెలిజెన్స్ అని పిలవవచ్చు.

ఒక ఆర్కెస్ట్రాలో, ప్రతి సంగీతకారుడు తమ వాయిద్యంలో నిష్ణాతులై, తమ తమ పాత్రలను నిర్వర్తిస్తూ ఒకే సంగీత భాగాన్ని ఎలా వాయిస్తారో, అలాగే సింఫోనిక్ ఇంటెలిజెన్స్ మేధోపరమైన పని యొక్క సింఫనీని ప్లే చేయగలదు.

ఈ సింఫోనిక్ ఇంటెలిజెన్స్ ఒక కొత్త భావన, ఇది జనరేటివ్ AIకి ఒక అంతిమ బిందువును సూచిస్తుంది.

అయితే, సింఫోనిక్ ఇంటెలిజెన్స్ ఇప్పటికే ఉంది.

అది మన మానవ మేధస్సు.

మనకు సింఫోనిక్ ఇంటెలిజెన్స్ ఉంది కాబట్టే, మనం అనేక రకాల నైపుణ్యాలను ఉపయోగించుకుంటూ, పునరావృత పని ద్వారా సంక్లిష్టమైన మేధోపరమైన పనులను అచేతనంగా సరళంగా చేయగలుగుతాము.

చివరగా: AGI స్వరూపం

సింఫోనిక్ ఇంటెలిజెన్స్‌ను అనుకరించగల జనరేటివ్ AIకి, ఇతర పనుల కోసం ఫ్లో వర్క్ ప్రక్రియలు మరియు నాలెడ్జ్ బేస్‌లను అందించడం ద్వారా, అది బహుళ పునరావృత పనులను నిర్వహించగలుగుతుంది.

అది అనేక విభిన్న పునరావృత పనులను నిర్వహించగలిగినప్పుడు, ఆ పనుల అంతటా జ్ఞానంలో సాధారణ సూత్రాలు మరియు నిర్మాణ నమూనాలను గ్రహించగలదు.

ఆ సమయంలో, పూర్తిగా తెలియని పునరావృత పనుల కోసం, మానవుని నుండి కేవలం ఒక సాధారణ వివరణతో, ఒక మానవుడు దానిని ఎలా నిర్వహిస్తాడో గమనించడం ద్వారా ఆ పని యొక్క నైపుణ్యాన్ని అది నేర్చుకోగలుగుతుంది.

ఇదే నిజమైన సింఫోనిక్ ఇంటెలిజెన్స్. ఈ దశకు చేరుకున్న తర్వాత, మానవులు ఫ్లో-వర్కింగ్ లేదా నైపుణ్యాన్ని కోడిఫై చేయడానికి కృషి చేయవలసిన అవసరం లేదు.

అంతేకాకుండా, జనరేటివ్ AI ద్వారా స్వయంచాలకంగా సేకరించబడిన జ్ఞానాన్ని జనరేటివ్ AIల మధ్యనే పంచుకోవచ్చు.

అలా జరిగినప్పుడు, జనరేటివ్ AI యొక్క అభ్యాస సామర్థ్యం మానవుల సామర్థ్యాన్ని మించిపోతుంది.

దీనిని AGI యొక్క ఒక రూపంగా చెప్పవచ్చు.