✳️ توسط هوش مصنوعی، به معنای آموزش نحوه ساخت گزارش، نقاط ضعف آن یا شکل ظاهری یک خطای محتمل به آن شخص نیست.
✅ هشدار KPMG بر این لایه توسعه‌ایِ ازدست‌رفته متمرکز است. اگر سازمان‌ها میزان جذب نیروی کار در سطح پایه را کاهش دهند و در عین حال به جذب استعدادهای باتجربه ادامه دهند، در نهایت برای جذب گروهی از کارکنانی اقدام خواهند کرد که برای تلاش کمتر با هم رقابت می‌کنند.
تسلط بر هوش مصنوعی تضمین‌کننده کار بهتر نیست
یک مطالعه میدانی که توسط KPMG و دانشگاه تگزاس در آستین انجام شد، ۵۲۳ متخصص تازه‌کار را که تکالیف واقع‌بینانه‌ای را با یک عامل هوش مصنوعی انجام می‌دادند، دنبال کرد. محققان ابتدا مشخص کردند که این عامل به‌تنهایی چه چیزی تولید می‌کند، سپس آن خط مبنا را با کار ایجادشده توسط کارمندانی که از همان سیستم استفاده می‌کنند، مقایسه کردند. کمی بیش از نیمی از شرکت‌کنندگان از نتیجه فقط هوش مصنوعی پیشی گرفتند. حدود ۲۶درصد کاری مشابه با خودِ نماینده ارائه دادند، درحالی‌که ۲۴درصد عملکردی پایین‌تر از آن داشتند.
معیارهای سنتی دانش و مهارت، تفاوت‌ها را توضیح نمی‌دادند. قوی‌ترین شرکت‌کنندگان، مسائل را چارچوب‌بندی کردند، مدل‌های حرفه‌ای را به کار گرفتند، خروجی را بررسی کردند و آن را در چندین دور اصلاح کردند. برخی دیگر پاسخ‌های ظاهرا شایسته را با کمی بررسی پذیرفتند یا انتقاداتی مطرح کردند که سیستم را در جهتی غیرمولد سوق داد. این مطالعه نشان داد که آشنایی با هوش مصنوعی مرز جدایی نیست. عملکرد به هدایت سیستم، تشخیص آنچه نیاز به بهبود دارد و استفاده از دانش موضوعی برای تولید چیزی بهتر از پاسخ اولیه دستگاه بستگی داشت.
آموزش وارد جریان کار می‌شود
این دوره کارآموزی جدید، تمرکز خود را بر کار تحت نظارت هوش مصنوعی آغاز کرده است. کارمندان به تکالیف واقعی، نمونه‌هایی از قضاوت قوی و همکاران باتجربه‌ای نیاز دارند که بتوانند توضیح دهند چرا یک پاسخ موفق می‌شود یا شکست می‌خورد. KPMG شروع به استفاده از این مدل از طریق ارزیابی‌ها، یادگیری شخصی‌سازی‌شده، شبیه‌سازی‌ها و یک شبکه داخلی از متخصصان هوش مصنوعی کرده است. تمرین‌های آن، تکالیف ارباب رجوع را منعکس می‌کند و نحوه برخورد کارکنان با مشکلات، ارزیابی مطالب تولیدشده و اصلاح نتایج را می‌سنجد.
✅ هشدار KPMG بر این لایه توسعه‌ایِ ازدست‌رفته متمرکز است. اگر سازمان‌ها میزان جذب نیروی کار در سطح پایه را کاهش دهند و در عین حال به جذب استعدادهای باتجربه ادامه دهند، در نهایت برای جذب گروهی از کارکنانی اقدام خواهند کرد که برای تلاش کمتر با هم رقابت می‌کنند.
تسلط بر هوش مصنوعی تضمین‌کننده کار بهتر نیست
یک مطالعه میدانی که توسط KPMG و دانشگاه تگزاس در آستین انجام شد، ۵۲۳ متخصص تازه‌کار را که تکالیف واقع‌بینانه‌ای را با یک عامل هوش مصنوعی انجام می‌دادند، دنبال کرد. محققان ابتدا مشخص کردند که این عامل به‌تنهایی چه چیزی تولید می‌کند، سپس آن خط مبنا را با کار ایجادشده توسط کارمندانی که از همان سیستم استفاده می‌کنند، مقایسه کردند. کمی بیش از نیمی از شرکت‌کنندگان از نتیجه فقط هوش مصنوعی پیشی گرفتند. حدود ۲۶درصد کاری مشابه با خودِ نماینده ارائه دادند، درحالی‌که ۲۴درصد عملکردی پایین‌تر از آن داشتند.
معیارهای سنتی دانش و مهارت، تفاوت‌ها را توضیح نمی‌دادند. قوی‌ترین شرکت‌کنندگان، مسائل را چارچوب‌بندی کردند، مدل‌های حرفه‌ای را به کار گرفتند، خروجی را بررسی کردند و آن را در چندین دور اصلاح کردند. برخی دیگر پاسخ‌های ظاهرا شایسته را با کمی بررسی پذیرفتند یا انتقاداتی مطرح کردند که سیستم را در جهتی غیرمولد سوق داد. این مطالعه نشان داد که آشنایی با هوش مصنوعی مرز جدایی نیست. عملکرد به هدایت سیستم، تشخیص آنچه نیاز به بهبود دارد و استفاده از دانش موضوعی برای تولید چیزی بهتر از پاسخ اولیه دستگاه بستگی داشت.
آموزش وارد جریان کار می‌شود
این دوره کارآموزی جدید، تمرکز خود را بر کار تحت نظارت هوش مصنوعی آغاز کرده است. کارمندان به تکالیف واقعی، نمونه‌هایی از قضاوت قوی و همکاران باتجربه‌ای نیاز دارند که بتوانند توضیح دهند چرا یک پاسخ موفق می‌شود یا شکست می‌خورد. KPMG شروع به استفاده از این مدل از طریق ارزیابی‌ها، یادگیری شخصی‌سازی‌شده، شبیه‌سازی‌ها و یک شبکه داخلی از متخصصان هوش مصنوعی کرده است. تمرین‌های آن، تکالیف ارباب رجوع را منعکس می‌کند و نحوه برخورد کارکنان با مشکلات، ارزیابی مطالب تولیدشده و اصلاح نتایج را می‌سنجد.
Comments
Be the first to add a comment
Log in to comment