چگونه یک مشاور هوش مصنوعی شویم؟ [ویدئو و آزمون]

پاسخ کوتاه: با تکمیل یک حلقه‌ی پولی در یک گردش کار زنده، مشاور هوش مصنوعی شوید، نه با جمع‌آوری عناوین. با LLMها، بازیابی و مدل‌سازی ریسک، سپس اکتشاف، یک طرح آزمایشی، نوشتن و توانمندسازی را اجرا کنید. اگر به سیستم‌ها، داده‌ها یا افرادی که کار را انجام می‌دهند دسترسی ندارید، از پیشنهاد خودداری کنید.

نکات کلیدی:

پایان یک حلقه: تکمیل کشف پولی، یک طرح آزمایشی کوچک، نوشتن شرح محصول و توانمندسازی.

پیشنهاد را نام ببرید: بگویید «من به X کمک می‌کنم تا Y را بدون Z انجام دهد» و پول دریافت کنید.

پاسخگویی: نام یک مالک را بنویسید، یک گزارش از تصمیمات داشته باشید و بگویید چه کسی مقصر است.

شفافیت: ابتدا گردش کار را ترسیم کنید؛ یک نسخه آزمایشی به منزله تشخیص نیست.

مقاومت در برابر سوءاستفاده: هرگز قول دقت غیرقابل اندازه‌گیری یا اینکه هوش مصنوعی مولد، داده‌های بد را اصلاح خواهد کرد، ندهید.

شغلی که هیچ‌کس نمی‌تواند آن را کاملاً توصیف کند (و چرا این شغل، شغل آغازین شماست)

این یک مهندس خبره کمی شیک‌تر با یک لپ‌تاپ بهتر نیست. منظورم این است که گاهی اوقات به مدت یک هفته اینطور به نظر می‌رسد. سپس یک مصاحبه اکتشافی با یک سرپرست مالی خسته، یک بررسی آمادگی داده‌ها که سه صفحه گسترده و یک دعا را نشان می‌دهد، و یک گفتگوی مدیریت تغییر در مورد اینکه چرا نسخه آزمایشی بازیابی در تماس با مجوزهای تولید از بین می‌رود.

نسخه‌ای که ارزش ماندن دارد، بین سه اتاق شلوغ قرار دارد:

• رهبری می‌پرسد «استراتژی هوش مصنوعی ما چیست؟» بدون اینکه حتی با خواسته‌های کسب‌وکار موافق باشد

• سازندگانی که می‌توانند قبل از ناهار یک نمونه اولیه بسازند، سپس در بحث‌های مربوط به ریسک مدل ناپدید می‌شوند

• اپراتورهایی که باید با هر آنچه شما پشت سر می‌گذارید، زندگی کنند

شما بافت پیوند دهنده هستید. این بخش کمیاب است. اگر بتوانید یک کارگاه آموزشی را اداره کنید، یک شرح وظایف دقیق بنویسید و جلوی تیمی را بگیرید که یک LLM را در گردش کاری که نیاز به چک باکس دارد، پر می‌کند، شما از نیمی از افراد دیگر قابلیت استخدام بیشتری دارید.

یک راه ناقص برای تصور آن وجود دارد، و من به هر حال از آن استفاده می‌کنم: شما یک لوله‌کش هستید که باید آب را برای هیئت مدیره توضیح دهید. با خستگی وارد اتاق‌ها می‌شوید، کشف شما هنوز هم باید دقیق باشد.

چه چیزهایی هزینه می‌شود (استراتژی، ساخت و بخش میانی نه چندان جذاب)

مشتریان به شما پول نمی‌دهند که «هوش مصنوعی بلد باشید.» آنها زمانی پول می‌دهند که یک مشکل آنقدر پرهزینه، سیاسی یا شرم‌آور باشد که یک فرد خارجی ارزان‌تر از یک بن‌بست داخلی دیگر باشد.

سه سطل، و آنها به یکدیگر نشت می‌کنند:

• استراتژی. اولویت‌بندی موارد استفاده، «آیا باید حتی»، طرح‌های حاکمیتی، مذاکرات ریسک مدل که باعث ایجاد بحث‌های حقوقی می‌شوند. اعتماد بالا و اگر فقط در چارچوب‌ها صحبت کنید، جعل آن به طرز نگران‌کننده‌ای آسان است. این کار را نکنید.

• ساخت. نمونه‌های اولیه، کمک‌خلبان‌ها، بازیابی، طراحی گردش کار، اتوماسیون سبک. این شما را به درِ خروجی می‌اندازد و اگر به تیم پیاده‌سازی بدون حقوق تبدیل شوید، شما را به دام می‌اندازد.

• مدیریت تغییر و توانمندسازی. کتاب‌های راهنما، آموزش، «چگونه این اتفاق می‌افتد». جالب اینجاست که اغلب بیشترین هزینه و کمترین جلوه را دارند.

مهندسی سریع ظاهر می‌شود. بیش از حد روی آن شاخص‌گذاری نکنید. چاشنی، نه غذا. آمادگی داده‌ها، نقشه‌برداری از ذینفعان و یک فرآیند کشف تمیز، پروژه‌های بیشتری را نسبت به یک سیستم هوشمند سریع، نجات خواهد داد.

یک تناقض کوچک که با آن زندگی می‌کنم: شما به تسلط کافی برای مزخرف خواندن چیزی نیاز دارید، و به خویشتن‌داری کافی برای اینکه قبل از پرسیدن اینکه نتیجه کار متعلق به کیست، چیزی نسازید. فکر می‌کنم کل ماجرا همین است، البته به شکلی بد گفته شده.

پنج مسیری که نیازی به داستان مبدا اسطوره‌ای ندارند

فقط یک نردبان وجود ندارد. زیستگاه‌های مختلفی وجود دارد و آنها به طور متفاوتی مردم را می‌جوند. آن را که می‌توانید زنده بمانید انتخاب کنید.

هیچ‌کدام از این‌ها از نظر اخلاقی بهتر نیستند. مستقل تا زمانی که قیمت یک کشف را اشتباه تعیین نکنید، رمانتیک به نظر می‌رسد. داخلی تا زمانی که شما جادوگر تعیین‌شده برای هر ایده ربات چت نباشید، امن به نظر می‌رسد.

چگونه یک مشاور هوش مصنوعی شویم؟ با یک مشکل زنده شروع کنید، نه یک عنوان شغلی

پاسخ سرراست به سوال «چگونه مشاور هوش مصنوعی شویم؟» تقریباً به طرز توهین‌آمیزی کاربردی است: جمع‌آوری هویت را متوقف کنید. شروع به جمع‌آوری مسائلی کنید که می‌توانید آنها را حل کنید.

1. به اندازه کافی مسلط شوید تا به روش صحیح خطرناک باشید. LLM، بازیابی، کمک خلبان، اتوماسیون پایه، جایی که مدل ریسک وجود دارد. نیازی نیست چیزی را از ابتدا آموزش دهید.

2. کنار یک گردش کار زنده بنشینید. عملیات فروش، پشتیبانی، اتمام امور مالی، جستجوی دانش. ببینید کارها کجا انباشته می‌شوند.

3. یک چرخه کامل انجام دهید. کشف، یک آزمایش کوچک، شرحی از آنچه که خراب شد، توانمندسازی انسان‌هایی که باید از آن استفاده کنند.

4. روی پیشنهادتان یک اسم بگذارید. «من به X کمک می‌کنم تا Y را بدون Z انجام دهد.» زشت بودن اشکالی ندارد. مبهم بودن نه.

5. حتی اگر اولین چک شما ناخوشایند باشد، دستمزدتان را دریافت کنید. کار «نمونه‌کاری» بدون دستمزد، راهی برای بی‌حقوق ماندن دارد.

اگر پیشینه شما مهندسی است، شکاف شما معمولاً در ذینفعان و زبان بازگشت سرمایه است. اگر از بخش استراتژی یا عملیات آمده‌اید، شکاف شما در دانستن زمان اجرای نسخه نمایشی است. در هر صورت: یک مشکل زنده را قرض بگیرید، آن را تمام کنید، بدون حاشیه‌پردازی آن را توصیف کنید.

نزدیک بود اینجا بنویسم «یک برند شخصی بساز». اما این کار را نمی‌کنم. یک پیشنهاد شفاف و چند نفر که دعوت شما را بپذیرند، از یک ماشین تولید محتوا که هیچ‌وقت هزینه‌ای دریافت نمی‌کند، بهتر است. کار، پیچیده‌تر از ارائه‌ی اولیه است. مسیر همین است.

بدون قفل کردن در پشت سرتان، یک جایگاه ویژه انتخاب کنید

به هر حال. (یا: به هر حال.).

توصیه‌های تخصصی معمولاً یا این است که «یک ICP را انتخاب کن یا نابود شو» یا «در حوزه عمومی بمان». هر دو نیمه‌درست و کمی آزاردهنده هستند. حوزه‌ای که اینجا جواب می‌دهد اغلب یک گردش کار + یک خریدار، نه یک خانواده نمونه. از رهبرانی که در تیکت‌ها غرق شده‌اند حمایت کنید. از تیم‌های عملیاتی با تحویل‌های درهم‌وبرهم. از افراد ریسک‌پذیری که به مدیریتی نیاز دارند که یک فایل PDF نود صفحه‌ای نباشد که هیچ‌کس آن را نمی‌خواند.

شما مجاز به تغییر هستید. در اوایل، یک جایگاه خاص یک فیلتر است، نه یک خالکوبی. خودتان را در قالب «من فقط ابزاری را که ماه گذشته یاد گرفتم، انجام می‌دهم» قرار ندهید. ابزارها می‌چرخند. قضاوت در مورد آمادگی داده‌ها، مدیریت تغییر و اینکه آیا یک طرح آزمایشی شانسی دارد یا خیر... که به راحتی قابل اجرا است.

یک نکته‌ی دیگر، که با یک خط فاصله‌ی اشتباه گفتم چون یادداشت‌های من این شکلی هستند: جایگاه ویژه، دربازکن است، نه قفس. اگر بتوانید هفته‌ی خریدار را توضیح دهید، به اندازه‌ی کافی تخصصی هستید.

اولین مشتریان، اثبات، و مشکل ناخوشایند سبد اولیه

این بخشی است که هیچ‌کس دوست ندارد. شما به مدرک نیاز دارید. شما آن نوع مدرکی را که خریداران می‌خواهند، ندارید. اولین کار پردرآمد معمولاً یک حسابرسی گردش کار پیچیده است، نه یک مدل پرتاب به ماه. این طبیعی است.

وقتی هیچ مطالعه موردی جذابی ندارید، چه چیزی به عنوان مدرک محسوب می‌شود؟

• یک تشخیص دقیق: سیستم‌ها، آمادگی داده‌ها، جایی که یک LLM کمک می‌کند در مقابل جایی که باعث توهم سیاست

• کارگاهی که موارد استفاده رتبه‌بندی‌شده را با مالکان تولید می‌کند، نه یک ایده‌پردازی دیواری

• یک طرح آزمایشی کوچک با قبل و بعد به موقع - اعداد را محلی و بدون اغراق نگه دارید، نه افسانه‌ای

• توانمندسازی: یک دفترچه راهنمای کوتاه که تیم پس از رفتن شما همچنان از آن استفاده می‌کند

چگونه به آن اولین مشتریان نزدیک می‌شوید: همکاران سابق که از قبل به شما اعتماد دارند (اینکه اکثر مردم چگونه شروع می‌کنند، بیایید تظاهر نکنیم)؛ کارهای مجاور اگر از قبل عملیات انجام می‌دهید؛ زمان بسیار کوتاهی برای تیمی که یک روز در هفته به یک مغز متفکر نیاز دارد.

یک نمونه کار از خودتان اختراع نکنید. یک داستان واضح از یک مشکل، تلاش‌هایتان، شکست‌ها و کاری که در مرحله بعد انجام خواهید داد، اختراع کنید. خریدارانی که در بخار سوخته‌اند، بوی تئاتر را حس می‌کنند. آنها معمولاً به این جمله احترام می‌گذارند که «این کار جواب نداد چون مجموعه بازیابی، یک کشوی اوراقی بود»

کمی اغراق می‌کنم: سه ​​مشتری اول شما بیشتر از هر دوره‌ای به شما آموزش می‌دهند. از طرف دیگر، دوره‌ای که شما را مجبور به ارائه یک خلبان کند، چیز کمی نیست. من حرفم را کمی پس می‌گیرم.

قیمت‌گذاری، حق‌الزحمه و نه گفتن بدون اینکه ارزشمند به نظر برسید

قیمت‌گذاری جایی است که افراد شایسته خجالت می‌کشند. آنها تخفیف می‌دهند چون احساس می‌کنند تازه‌کار هستند. سپس از کار متنفر می‌شوند. سپس کار بی‌نقص می‌شود.

• ، برای تصمیم ارزش قائل شوید، نه برای ساعات آن. کشفی که یک گره بزرگ را باز می‌کند، در عرض «چند روز» انجام نمی‌شود.

• قراردادهای موقت برای توانمندسازی، بررسی‌های مدیریتی و مشاوره جزئی مناسب هستند. اگر مشتری بخواهد بدون حضور مالک، ساخت‌وساز سریعی داشته باشد، این قراردادها به‌خوبی با پروژه سازگار نیستند.

• مدیران عملیات باید مشخص کنند که «انجام شده» چه شکلی است. اگر نمی‌توانید آن را بنویسید، نمی‌توانید قیمت‌گذاری‌اش کنید. نقطه.

• وقتی درخواست این است که «فقط یک استراتژی هوش مصنوعی برای ما بسازید» و به سیستم‌ها، داده‌ها یا افرادی که کار را انجام می‌دهند دسترسی ندارید، نه بگویید

نرخ‌های روزانه رک و صریح هستند، اما مانع از محو شدن دامنه فعالیت می‌شوند. ترکیبی رایج است: کشف با پرداخت هزینه، سپس یک طرح آزمایشی ثابت، و در نهایت اگر هنوز شما را بخواهند، یک قرارداد موقت. من اعداد جعلی به شما ارائه نمی‌دهم. هر کسی که یک نرخ روزانه جهانی را به عنوان واقعیت ذکر می‌کند، چیزی را می‌فروشد. نزدیک به هزینه کار مشاوره‌ای مشابه در دنیای شما بنشینید - مشاوران محصول، سرنخ‌های جزئی عملیاتی.

اخلاق، ریسک و وعده‌هایی که شما را آزار خواهند داد

این بخش وجود دارد چون خماری از راه می‌رسد. قول دقتی را که نمی‌توانید اندازه‌گیری کنید. قول ندهید که «به محض فعال شدن کمک‌خلبان» کل تیم ناپدید می‌شود. قول ندهید که هوش مصنوعی مولد، مشکل کیفیت داده‌ها را حل می‌کند، در واقع، آن را تشدید می‌کند. قول محرمانگی را که عملیاتی نکرده‌اید، ندهید: داده‌ها کجا می‌روند، چه کسی دستورات را ثبت می‌کند، چه چیزی حفظ می‌شود.

مدل‌سازی ریسک شعاری نیست که روی اسلاید بنویسید. این است که «این چیز در یک گردش کار منظم با اطمینان اشتباه». مدیریت، خواهر و برادر غیرجذاب آن است: دسترسی، ارزیابی، بررسی انسانی، مسیرهای حسابرسی. اگر از آن صرف نظر کنید، شخص دیگری شکاف موجود در تولید را کشف خواهد کرد.

یک اصل اخلاقی کوچک‌تر هم وجود دارد: وقتی یک طراحی مجدد گردش کار دو هفته‌ای کافی است، مشتری را از یک برنامه‌ی بزرگ نترسانید. وقتی مشکل اصلی مجوزهای جستجوی بهتر است، یک بسته‌ی بازیابی سفارشی را به دیگران نفروشید.

یک استعاره‌ی کمی نامفهوم: مشاوره‌ی هوش مصنوعی بدون اخلاق، مانند یک آژیر خطر است که کبریت هم می‌فروشد. تا وقتی که دیگر جذاب نباشد، جذاب است. بعد از یک دموی شاد، از شما خواسته می‌شود که «فقط آن را به مرحله‌ی تولید برسانید». مکالمه‌ی آهسته‌تر درباره‌ی ارزیابی و اینکه چه کسی هنگام بداهه‌پردازی مدل مسئول است را در نظر بگیرید.

وقتی آزمایش دمو، تشخیص نیست

ابزارها اغواکننده هستند. آنها باعث می‌شوند سریع به نظر برسید. ذینفعان دست می‌زنند. سپس دوشنبه از راه می‌رسد.

یک نسخه آزمایشی به این سوال پاسخ می‌دهد که «آیا این مجموعه می‌تواند خروجی قابل قبولی تولید کند؟» یک تشخیص به این سوال پاسخ می‌دهد که «آیا این سازمان باید از آن در اینجا، با این داده‌ها، این افراد، این میزان ریسک‌پذیری استفاده کند؟» ورزش‌های مختلف.

مراقب نشانه‌ها باشید: هیچ‌کس نمی‌تواند فرآیند فعلی را از ابتدا تا انتها به شما نشان دهد؛ «پایگاه دانش» یک باتلاق اشتراکی بدون مالک است؛ موفقیت یعنی «ما چیزی را راه‌اندازی کردیم»؛ کمک‌خلبان روی گردش کاری نشسته است که از قبل به دلایلی غیر از هوش مصنوعی شکست خورده است.

وظیفه شما اغلب این است که روند کار را کند کنید. نه به این دلیل که شما ارزشمند هستید. چون یک راهنمای بد، چاه را مسموم می‌کند. اکتشاف را همانطور که واقعاً منظورتان است، اجرا کنید. گردش کار را ترسیم کنید. بپرسید که اگر اشتباه باشد، چه کسی سرزنش می‌شود. سپس ابزارها را انتخاب کنید.

قضاوت، محصول است. انبوه اطلاعات، لباس است. من می‌گویم که با علم کامل به اینکه یک نمونه اولیه واضح، هنوز درهایی را باز می‌کند، یادداشت هرگز نمی‌تواند. از نسخه آزمایشی به عنوان مدرکی در تشخیص استفاده کنید، نه به عنوان جایگزین. این روش ارزش خود را دارد؛ بسته به اتاق، یک تست بازیابی زنده، یک دسته کارت براق را شکست می‌دهد. اتاق را بخوانید. سپس به هر حال تست کنید.

عملیات، قراردادها، تحویل: نیمه‌ی بی‌روح کار

اگر مستقل یا به شکل استودیویی کار کنید، کسب‌وکار سعی می‌کند مشاوره را از آن خود کند. صندوق ورودی، فاکتورها، قراردادها، «می‌توانید فقط یک تماس بگیرید؟»

حداقل تنظیمات برای بزرگسالان:

• یک قرارداد ساده: محدوده، مالکیت فکری، محرمانگی، مدیریت داده‌ها، فسخ

• یک SOW به ازای هر تعامل، حتی برای افرادی که دوستشان دارید. مخصوصاً برای افرادی که دوستشان دارید.

• ریتم تحویل: یادداشت هفتگی، گزارش تصمیمات، ریسک‌ها. خشک. طلایی.

• مصنوعاتی که در پوشه دانلودهای شما نیستند، به علاوه قوانین دسترسی برای سیستم‌هایی که لمس می‌کنید

تحویل پروژه جایی است که اعتبار و شهرت به هم گره می‌خورد. با خواندن مستندات سر کار حاضر شوید. بین کارگاه‌ها غیبت نکنید. وقتی یک پروژه آزمایشی اشتباه می‌کند، خیلی زود و با ارائه گزینه‌های مختلف آن را اعلام کنید، نه اینکه با تأخیر عذرخواهی کنید و آن را به عنوان به‌روزرسانی وضعیت ارائه دهید.

اگر آنجا را ترک کنی و فقط خودت بتوانی آن را اداره کنی، یعنی مشورت نکرده‌ای؛ با نرخ روز به یک گلوگاه تبدیل شده‌ای. آموزش بده، مستند کن، تحویل بده.

مسیر به کجا ختم می‌شود؟

بنابراین بله، «چگونه یک مشاور هوش مصنوعی شویم؟» سوالی با پاسخی کمی خشک است. آنقدر خوب پشته را یاد بگیرید که بوی داستان را حس کنید. در یک گردش کار زنده بنشینید. یک حلقه را تمام کنید. برای قضاوت هزینه بگیرید. از تئاتر امتناع کنید.

این مسیر، یک دوره آموزشی، یک نشان یا یک تیتر پروفایل با برند جدید نیست. این مسیر، مسائل پولی و محدود است که در آن به انسان‌ها کمک کرده‌اید تا در مورد استراتژی هوش مصنوعی، اتوماسیون یا یک کمک خلبان که هنوز هیچ کسب‌وکاری وجود ندارد، تصمیم بهتری بگیرند. سپس یکی دیگر.

لازم نیست باهوش‌ترین فرد در جلسه‌ی مدل‌سازی ریسک باشید. باید کسی باشید که بعد از بسته شدن اسلایدها، هنوز بتواند کار را توضیح دهد. این اتفاق کمتر از آنچه که باید باشد، رخ می‌دهد. و برای شروع کافی است.

مثال دنیای واقعی: یک کشف پشتیبانی دو هفته‌ای به عنوان اولین تعامل پولی

سناریو

مایا ۳۴ ساله است. او شش سال در یک کارگزاری بیمه منطقه‌ای در بخش عملیات فعالیت داشته است، همان کسی که همکارانش وقتی در یک آزمایش Copilot پاسخی مطمئن و اشتباه در مورد متن بیمه ارائه شد، او را صدا زدند. او می‌تواند یک کارگاه آموزشی برگزار کند، یک خلاصه کوتاه بنویسد و بگوید چه زمانی یک گردش کار به جای یک مدل به یک چک‌باکس نیاز دارد. او نمی‌تواند چیزی را از ابتدا آموزش دهد و وانمود هم نمی‌کند که خلاف این باشد.

در ماه مارس او برای امتحان کردن کار آزاد، شرکت را ترک می‌کند. هیچ موتور ورودی وجود ندارد. دن، همکار سابق، که اکنون رئیس پشتیبانی مشتری در نورث‌لاین، یک شرکت ۱۸۰ نفره B2B SaaS در منچستر است، آنجاست. چهار نماینده. یک درایو مشترک بدون مالک. رهبری آزمایشی یک ربات چت در حال حاضر در حال انجام است. نمایندگان بی‌سروصدا باز کردن آن را متوقف کرده‌اند. دن قبل از جلسه بعدی هدایت، کمک می‌خواهد، نه تغییر نام عنوان شغلی‌اش.

مایا «یک استراتژی هوش مصنوعی» نمی‌فروشد. او یک کشف ثابت دو هفته‌ای را می‌فروشد: نقشه چگونگی پاسخ به یک تیکت در عمل، بیان اینکه هوش مصنوعی مولد در کجا کمک می‌کند و در کجا باعث ایجاد مشکل می‌شود، و یک طرح آزمایشی محدود با یک مالک مشخص را توصیه می‌کند. اگر یافته «اصلاح مجوزها و نوشتن مقالات گمشده» باشد، این نتیجه قابل دستیابی است. دن هزینه این تصمیم را می‌پردازد، نه هزینه نمونه اولیه‌ای که او بررسی نکرده است.

آنچه مشاور نیاز دارد

• یک شرح کار یک صفحه‌ای که در آن از عبارت «انجام‌شده» نام برده شده باشد: یک نقشه گردش کار، یک لیست امتیازدهی‌شده از موارد استفاده با مالکان، یک توضیح برای موافقت یا مخالفت با یک طرح آزمایشی، و یک شرح دو صفحه‌ای از آنچه که ممکن است با شکست مواجه شود

• دسترسی به ۱۲ تیکت اخیراً بسته شده از نوع «چگونه می‌توانم / سیاست چیست؟»، بدون حذف نام مشتریان

• دسترسی فقط خواندنی به مرکز راهنما، درایو مشترک و گزارش رونوشت رها شده‌ی چت‌بات

• ۴۵ دقیقه، هر کدام با دو نماینده، سرپرست تیم، و هر کسی که از لحاظ تئوری مالک پایگاه دانش است (ممکن است هیچ‌کس نباشد؛ این یک یافته است)

• دن به عنوان تصمیم‌گیرنده، با فرصتی در هفته دوم برای پذیرش یا رد توصیه

• یک قانون داده‌ای مکتوب: عدم وجود داده‌های شخصی مشتری در ابزارهای مصرفی، عدم وجود نوشته‌های تولیدی، بررسی انسانی در هر چیزی که با مشتری در ارتباط است

• یک دفترچه یادداشت تصمیم ساده. خشک. آماده برای لحظه‌ای که کسی بپرسد "چرا ما همین الان ربات را راه‌اندازی نکردیم؟"

دستورالعمل مثال

مایا این را در بیانیه کار، به زبان عادی، نه در کادر اعلان قرار می‌دهد:

شما از من می‌خواهید که مسیر پاسخگویی به پشتیبانی مشتری نورث‌لاین را تشخیص دهم، نه اینکه یک چت‌بات نصب کنم. در ده روز کاری، من (1) روند فعلی را بررسی خواهم کرد، (2) می‌گویم کدام مراحل به دلیل فقدان مقالات، مجوزها یا تحویل‌ها کند هستند، (3) امتیاز می‌دهم که یک کمک‌خلبان بازیابی در کجا می‌تواند پاسخی را تهیه کند در مقابل جایی که یک مدل زبانی ابزار نامناسبی است، و (4) یک طرح آزمایشی با یک مالک، یک قانون توقف و یک مجموعه آزمایشی از 12 تیکت را توصیه می‌کنم. من چیزی را جلوی مشتریان قرار نخواهم داد. قول صرفه‌جویی در تعداد کارکنان را نمی‌دهم. اگر طرح آزمایشی چت‌بات شکل نادرستی داشته باشد، آن را با شواهد تیکت‌ها خواهم گفت، نه با یک چارچوب.

اگر نورث‌لاین بعداً بخواهد یک آزمایش بازیابی انجام دهد، دستورالعمل ابزار به همان اندازه ساده است:

فقط با استفاده از مقالات مرکز راهنمایی مرتبط، پاسخی برای این تیکت بنویسید. عنوان مقاله را ذکر کنید. اگر پاسخ در آن مقالات نیست، بگویید «در مجموعه مقالات نیست» و متوقف شوید. از خودتان پنجره‌های بازپرداخت، استثنائات منطقه‌ای یا ارقام SLA اختراع نکنید.

پاراگراف دوم چاشنی است. شرح کار، خود غذاست.

یک پیش‌نویس خوب به این شکل است: «در متن اصلی نیست. مهلت بازپرداخت در ۴۰ ماده ذکر نشده است. به دفترچه راهنمای صورتحساب مراجعه کنید.» یک پیش‌نویس بد به این شکل است: «شما طبق استاندارد واجد شرایط بازپرداخت ۱۴ روزه هستید. من آن را تأیید کرده‌ام.» تفاوت در کل ریسک است.

چگونه آن را آزمایش کنیم

قبل از اینکه مایا کشف را قطعی اعلام کند، یک آزمایش کوچک و زشت را با دو مأمور حاضر در اتاق انجام می‌دهد.

• دوازده تیکت بسته شده، از یک نوع، که با استفاده از کرنومتر گوشی از زمان باز شدن تیکت تا زمان «من قطعه کدی را که ارسال می‌کردم، دارم» زمان‌بندی شده‌اند

• برای هر تیکت: آیا چت‌بات رها شده پاسخ قابل استفاده‌ای ارائه داد، پاسخی مطمئن و اشتباه، یا چیزی که نماینده ارسال کند؟

• پس از هرگونه آزمایش بازیابی: آیا پیش‌نویس به یک مقاله واقعی استناد می‌کند و آیا آن مقاله چنین چیزی را می‌گوید؟

• موارد حاشیه‌ای که او عمداً مطرح می‌کند: یک استثنای منطقه‌ای که در ذهن کسی وجود دارد، درخواست بازپرداخت، جریمه‌ای که در واقع یک اختلاف نظر در مورد صورتحساب است، سوالی که مقاله آن دو سال از تاریخ انقضا گذشته است

• پذیرش خودِ تعهد: دن می‌تواند به گام بعدی پیشنهادی، یک مالک، و جمله‌ای که می‌تواند بدون اغراق به رهبری بگوید، اشاره کند

اگر او نتواند زمان پایه را محاسبه کند، نمی‌تواند بعداً در مورد زمان صرفه‌جویی شده صحبت کند. اگر هیچ‌کس مالک مجموعه نباشد، خلبان «ساختن یک کمک‌خلبان» نیست، بلکه «تعیین مالک یا توقف» است

نتیجه

نتیجه‌ی نمایشی، از یک آزمایش ساختگی، نه یک شکل منتشر شده توسط نورث‌لاین.

فرضیات: ۱۲ تیکت به سبک سیاست؛ دو نماینده؛ زمان‌بندی انجام شده با کرونومتر در طول سایه‌زنی، شامل جستجو از طریق درایو مشترک؛ آزمایش بازیابی فقط از ۴۰ مقاله تمیز شده مرکز کمک استفاده کرد؛ هر پیش‌نویس باید از یک چک لیست سه مرحله‌ای (سیاست صحیح، منبع ذکر شده، بدون بند اضافی اختراع شده) عبور می‌کرد تا قابل قبول محسوب شود.

در شروع کار، هفته اول: میانگین زمان لازم برای ارسال یک تیکت قابل استفاده ۱۴ دقیقه بود. هفت تیکت از ۱۲ تیکت نیاز به پینگ اسلک به یک همکار داشتند. نسخه آزمایشی چت‌بات موجود، ۰ پاسخ از ۱۲ پاسخی که یک اپراتور مایل به ارسال آن بود را تولید کرد. دو مورد از این پاسخ‌های چت‌بات، یک بازه بازپرداخت ۱۴ روزه را ایجاد کردند که در هیچ مقاله‌ای وجود ندارد.

پس از یک جلسه ۹۰ دقیقه‌ای فعال‌سازی و آزمایش بازیابی روی مجموعه ۴۰ مقاله‌ای: میانگین زمان برای اولین پیش‌نویس ۶ دقیقه بود. بررسی مقاله ذکر شده ۳ دقیقه اضافه کرد، بنابراین زمان خالص در این نمونه ۹ دقیقه برای هر تیکت بود. این ۵ دقیقه کمتر از ۱۴ یا ۶۰ دقیقه برای ۱۲ تیکت است. هشت مورد از ۱۲ پیش‌نویس، چک لیست را در اولین بررسی برآورده کردند. سه مورد به طور سرراست «در مجموعه نیستند» (مقالات گمشده) بودند. یکی هنوز سعی داشت یک استثنای منطقه‌ای اختراع کند؛ عامل آن را گرفت زیرا دستورالعمل می‌گفت منبع را باز کنید.

این ارقام، تخمینی نمونه‌ای بر اساس آزمون بیان‌شده، یک نمونه کوچک و تیکت‌هایی هستند که آسان‌تر از اختلافات صورتحساب بودند. این‌ها دلیلی برای کاهش تعداد کارکنان نیستند و اثبات نمی‌کنند که «هوش مصنوعی ۳۶٪ زمان رسیدگی را در تولید صرفه‌جویی کرده است». زمان بررسی نیز در نظر گرفته شده بود. چت‌باتی که قبلاً داشتند، نه تنها از نظر سرعت، بلکه از نظر کیفیت نیز بدتر به نظر می‌رسید.

نتیجه‌ی شغلی چیزی است که اینجا اهمیت دارد. مایا با یک گزارش استخدامی، یک نقشه‌ی گردش کار، یک جواب منفی به چت‌بات اصلی، یک جواب مثبت محدود به یک آزمایش بازیابی با یک مالک و یک مشتری که به تماس او پاسخ خواهد داد، آنجا را ترک کرد. این یک حلقه‌ی کامل است. همچنین داستانی است که او می‌تواند بدون حاشیه‌پردازی تعریف کند.

چه چیزی می‌تواند اشتباه پیش برود؟

• رهبری هنوز هم چت‌بات اصلی را می‌خواهد چون دمو زیبا بود. تشخیصی که می‌گوید «هنوز نه» می‌تواند باعث شکست شود.

• اگر کسی مالک چهل مقاله نباشد، ظرف شش هفته بی‌ارزش می‌شوند. سپس بازیابی با روش‌های بهتری حدس می‌زند.

• مایا یک شرح کار مبهم می‌نویسد («پشتیبانی را برای هوش مصنوعی آماده کنید») و تبدیل به تیم پیاده‌سازی بدون حقوق می‌شود.

• یک سیاست بازپرداخت اشتباه و با اطمینان خاطر به مشتری می‌رسد، چون نظر انسانی این بوده که «بعداً اضافه‌اش می‌کنیم»

• متن تیکت حاوی اطلاعات شخصی مشتری در یک ابزار مصرف‌کننده پیست می‌شود. وعده محرمانگی شفاهی بوده است.

• دن در ماه دوم شغلش را عوض می‌کند. نه صاحبی، نه سرپرست موقت، نه کسی که بگوید طرح اولیه دارد اشتباه می‌کند.

• او این صرفه‌جویی ۵ دقیقه‌ای را به عنوان یک شاخص کلیدی عملکرد شرکت گزارش می‌دهد. ذینفعان این عدد را به خاطر می‌سپارند و اندازه نمونه را فراموش می‌کنند.

نکته کاربردی

مسیر شامل یک گردش کار زنده، یک محدوده پولی، آزمایشی که می‌توانید دوباره اجرا کنید و صراحت در بیان اینکه مدل زبانی ابزار اشتباهی است در حالی که تیکت‌ها این را می‌گویند، می‌شود. قضاوت چیزی است که شما می‌فروشید. اولین حلقه کامل این است که چگونه به کسی تبدیل شوید که ارزش استخدام شدن را داشته باشد.

سوالات متداول

یک مشاور هوش مصنوعی چه کاری انجام می‌دهد؟

کار، ترجمه است. شما گلوگاه را در یک اتاق شکاک پیدا می‌کنید و با یک طرح آزمایشی که هیچ‌کس را شرمنده نمی‌کند، آنجا را ترک می‌کنید. این می‌تواند به معنای استراتژی، ساخت، توانمندسازی یا مدیریت باشد، به‌علاوه اینکه بدانید چه زمانی یک LLM ابزار اشتباهی است. شما بین رهبری، سازندگانی که به سرعت نمونه اولیه را می‌سازند و اپراتورهایی که با آنچه شما ترک می‌کنید، کنار می‌آیید. یک کارگاه آموزشی برگزار کنید. یک SOW دقیق بنویسید. از پر کردن یک LLM در یک گردش کار که نیاز به یک چک‌باکس داشت، دست بردارید.

چگونه یک مشاور هوش مصنوعی شویم؟

جمع‌آوری هویت را متوقف کنید. شروع به جمع‌آوری مسائلی کنید که می‌توانید آنها را حل کنید. به اندازه کافی با LLMها، بازیابی، کمک خلبانان، اتوماسیون اولیه و ریسک مدل مسلط شوید که بتوانید آن را بی‌معنی بنامید - بدون آموزش مدل‌ها از ابتدا. کنار یک گردش کار زنده بنشینید. یک حلقه کامل (کشف، یک آزمایش کوچک، نوشتن آنچه که خراب شده، توانمندسازی) را اجرا کنید، پیشنهاد را به عنوان "من به X کمک می‌کنم تا Y را بدون Z انجام دهد" نامگذاری کنید و پول بگیرید. یک پیشنهاد واضح و چند نفر که تماس شما را قبول می‌کنند، بر یک ماشین تولید محتوا که هرگز صورتحساب نمی‌دهد، غلبه می‌کنند.

آیا ابتدا باید مدل‌ها را آموزش دهم یا بر مهندسی سریع مسلط شوم؟

نه. نیازی نیست مدل‌ها را از ابتدا آموزش دهید، و مهندسی سریع چاشنی کار است، نه خودِ غذا. آمادگی داده‌ها، نقشه‌برداری از ذینفعان و یک فرآیند کشف تمیز، پروژه‌های بیشتری را نسبت به یک سیستم هوشمندانه نجات می‌دهد. مهندسان معمولاً به زبان ذینفعان و بازگشت سرمایه نیاز دارند. افراد استراتژی و عملیات باید بدانند که چه زمانی نسخه نمایشی (دمو) به مرحله اجرا می‌رسد. در هر صورت، یک مشکل زنده را قرض بگیرید، آن را تمام کنید و بدون حاشیه‌پردازی آن را توصیف کنید.

کدام مسیر شغلی را باید انتخاب کنم: فریلنسری، داخلی، استودیویی یا آژانسی؟

هیچ نردبان واحدی وجود ندارد. فریلنسرهای مستقل حاشیه سود خود را در کشف و آزمایش حفظ می‌کنند، اما الگوی همیشگی، عید/قحطی است. استودیوهای بوتیک یک تیم را می‌فروشند. رهبران هوش مصنوعی داخلی، حقوق، دسترسی و سیاست دریافت می‌کنند. مشاوره‌های تولیدی، کارگاه‌ها و ممیزی‌ها را بسته‌بندی می‌کنند. پیمانکاران آژانس، خط تولید را دریافت می‌کنند و اگر SOW ضعیف باشد، می‌توانند به یک جفت دست تبدیل شوند. مستقل تا زمانی که قیمت یک کشف را اشتباه تعیین نکنید، رمانتیک به نظر می‌رسد. داخلی تا زمانی که شما جادوگر تعیین شده برای هر ایده چت‌بات نباشید، امن به نظر می‌رسد.

چگونه می‌توانم به عنوان یک مشاور هوش مصنوعی، حوزه تخصصی خود را انتخاب کنم؟

یک جایگاه مناسب در اینجا اغلب یک گردش کار به علاوه یک خریدار است، نه یک خانواده نمونه. به رهبران پشتیبانی فکر کنید که در تیکت‌ها غرق شده‌اند، تیم‌های عملیاتی با تحویل‌های درهم و برهم، یا افراد ریسک‌پذیری که به مدیریتی نیاز دارند که یک فایل PDF نود صفحه‌ای نیست که کسی آن را بخواند. در ابتدا، یک جایگاه مناسب یک فیلتر است، نه یک خالکوبی. خودتان را در قالب ابزاری که ماه گذشته یاد گرفته‌اید، قرار ندهید. ابزارها در حال چرخش هستند، در حالی که قضاوت در مورد آمادگی داده‌ها، مدیریت تغییر و اینکه آیا یک خلبان شانسی دارد یا خیر، تغییر می‌کند. اگر بتوانید هفته خریدار را توضیح دهید، به اندازه کافی متخصص هستید.

چگونه بدون مطالعات موردی یا نمونه کارهای پر زرق و برق، مشاور هوش مصنوعی شویم؟

اولین کار پردرآمد معمولاً یک حسابرسی گردش کار پیچیده است، نه یک مدل بلندپروازانه. اثبات می‌تواند یک تشخیص دقیق، کارگاهی که موارد استفاده رتبه‌بندی شده را با مالکان ایجاد می‌کند، یک طرح آزمایشی کوچک با یک طرح محلی قبل/بعد از اتمام کار، یا یک دفترچه راهنما که تیم هنوز پس از رفتن شما از آن استفاده می‌کند، باشد. اکثر افراد با همکاران سابق، کارهای عملیاتی مجاور یا زمان کسری یک روز در هفته شروع می‌کنند. یک نمونه کار اختراع نکنید. یک داستان واضح از یک مشکل، آنچه که امتحان کرده‌اید، آنچه که شکست خورده است و آنچه که در مرحله بعد انجام خواهید داد، اختراع کنید.

چگونه باید کار مشاوره هوش مصنوعی و حق الزحمه آن را قیمت گذاری کنم؟

وقتی می‌توانید، تصمیم را قیمت‌گذاری کنید، نه ساعت‌ها را. کشفی که یک گره بزرگ را باز می‌کند، چند روز نیست. قراردادهای موقت با توانمندسازی، بررسی‌های مدیریتی و مشاوره جزئی مطابقت دارند و برای یک اسپرینت ساخت بدون مالک، مناسب نیستند. قراردادهای موقت باید مشخص کنند که «انجام شده» چگونه به نظر می‌رسد، زیرا اگر نتوانید آن را بنویسید، نمی‌توانید آن را قیمت‌گذاری کنید. ترکیبی رایج است: کشف پولی، سپس یک طرح آزمایشی ثابت، سپس یک قرارداد موقت. به جای دنبال کردن یک نرخ روزانه جهانی، نزدیک به هزینه کار مشاوره‌ای مشابه در دنیای خود بنشینید.

چه چیزهایی را هرگز نباید به مشتری در مورد هوش مصنوعی مولد قول بدهم؟

قول دقتی را که نمی‌توانید اندازه‌گیری کنید، تیمی که پس از فعال شدن کمک‌خلبان ناپدید می‌شود، یا اینکه هوش مصنوعی مولد، مشکل کیفیت داده را حل می‌کند، ندهید، این کار باعث تشدید مشکل می‌شود. قول محرمانگی را که عملیاتی نکرده‌اید، ندهید: داده‌ها کجا می‌روند، چه کسی درخواست‌ها را ثبت می‌کند و چه چیزی حفظ می‌شود. ریسک مدل، مدلی است که با اطمینان در یک گردش کار تنظیم‌شده اشتباه می‌کند. از مدیریت صرف نظر کنید و شخص دیگری شکاف موجود در تولید را پیدا کند. وقتی یک طراحی مجدد گردش کار دو هفته‌ای کافی است، مشتری را به یک برنامه بزرگ نترسانید.

چه زمانی آزمایش دمو، تشخیص محسوب نمی‌شود؟

یک نسخه آزمایشی پاسخ می‌دهد که آیا یک پشته می‌تواند خروجی قابل قبولی تولید کند یا خیر. یک تشخیص پاسخ می‌دهد که آیا این سازمان باید از آن در اینجا، با این داده‌ها، این افراد و این میزان ریسک‌پذیری، استفاده کند یا خیر. مراقب باشید: هیچ‌کس نمی‌تواند فرآیند را از ابتدا تا انتها نشان دهد، پایگاه دانش هیچ مالکی ندارد، یا کمک‌خلبان روی یک گردش کار که از قبل شکست خورده است، می‌نشیند. اتاق را آرام کنید، گردش کار را ترسیم کنید و بپرسید که اگر اشتباه باشد چه کسی سرزنش می‌شود، سپس ابزارها را انتخاب کنید. قضاوت محصول است. پشته لباس است.

مشاوران مستقل هوش مصنوعی به چه قراردادها و روش‌های تحویلی نیاز دارند؟

اگر به صورت مستقل یا استودیویی کار کنید، کسب‌وکار سعی می‌کند مشاوره را از آن خود کند. حداقل تنظیمات: یک قرارداد ساده که شامل محدوده، مالکیت معنوی، محرمانگی، مدیریت داده‌ها و فسخ قرارداد باشد؛ یک شرح وظایف برای هر قرارداد؛ یک یادداشت هفتگی، گزارش تصمیمات و ریسک‌ها؛ به علاوه مصنوعاتی که در پوشه دانلودهای شما گیر نکرده باشند. با خواندن اسناد حاضر شوید. بین کارگاه‌ها سرگردان نباشید. وقتی یک پروژه آزمایشی دچار مشکل می‌شود، خیلی زود با گزینه‌های موجود آن را اعلام کنید. اگر بروید و فقط خودتان بتوانید آن را اجرا کنید، به یک گلوگاه با نرخ روزانه تبدیل می‌شوید. آموزش دهید، مستندسازی کنید، تحویل دهید.

منابع

1. NIST - nvlpubs.nist.gov

2. NIST - airc.nist.gov

3. ICO - ico.org.uk

4. مرکز ملی امنیت سایبری - www.ncsc.gov.uk

5. مایکروسافت لرنینگ - learn.microsoft.com

6. OpenAI - developers.openai.com

7. OpenAI - مهندسی سریع - developers.openai.com

جدیدترین هوش مصنوعی را در فروشگاه رسمی دستیار هوش مصنوعی پیدا کنید

درباره ما