Η γνώση τεχνητής νοημοσύνης μεταφράζεται συχνά σε μια εκπαίδευση: μια ενότητα, ένα πιστοποιητικό, ένα κουτάκι που τσεκάρεται. Αυτό δεν είναι λάθος, αλλά δεν είναι επίσης αυτό που ζητά η λέξη. Γνώση σημαίνει ότι κάποιος κατανοεί τι κάνει και τι δεν κάνει ένα σύστημα, πού βρίσκονται τα όρια μιας απάντησης, και πότε ένα αποτέλεσμα πρέπει να ελεγχθεί προτού καταλήξει κάπου αλλού. Αυτή είναι μια διαφορετική δεξιότητα από το να ξέρει κανείς να χειρίζεται ένα παράθυρο συνομιλίας.
Ένας εργαζόμενος που ξέρει πώς να διαμορφώσει μια προτροπή (prompt) δεν είναι εξ ορισμού γνώστης με την έννοια που μετράει εδώ. Η γνώση τεχνητής νοημοσύνης έχει να κάνει με την αναγνώριση κινδύνου: πότε μια απάντηση περιέχει ένα σφάλμα που δεν γίνεται αντιληπτό, πότε δεδομένα της επιχείρησης μοιράζονται με ένα σύστημα που τα χρησιμοποιεί αλλού, πότε ένα αποτέλεσμα τεχνητής νοημοσύνης αποτελεί τη βάση για μια απόφαση που στην πραγματικότητα χρειάζεται έλεγχο. Όποιος δεν το διδάξει αυτό, διδάσκει στους εργαζομένους να χειρίζονται ένα εργαλείο χωρίς να τους μάθει πότε δεν πρέπει να το εμπιστεύονται.
Η γνώση έχει νόημα μόνο όταν συνδέεται με ό,τι συμβαίνει στην πράξη. Αν οι εργαζόμενοι χρησιμοποιούν ήδη ένα εργαλείο που κανείς δεν έχει εγκρίνει, τότε μια γενική εκπαίδευση για τις αρχές της τεχνητής νοημοσύνης έχει μικρή αξία όσο κανείς δεν γνωρίζει ποια είναι αυτά τα εργαλεία και για τι χρησιμοποιούνται. Η γνώση χωρίς εικόνα της χρήσης είναι ένα πρόγραμμα που περνάει δίπλα από την πράξη.
Εκεί βρίσκεται και ο ευκολότερος τρόπος για να μάθει κανείς κάτι: το να ρωτήσει. Όχι για να ζητήσει λογοδοσία, αλλά για να κατανοήσει τι συμβαίνει. Ένας εργαζόμενος που χρησιμοποιεί ένα εργαλείο για να δουλεύει πιο γρήγορα, σπάνια το λέει με τη θέλησή του αν η ερώτηση μοιάζει με έλεγχο που μπορεί να οδηγήσει σε λογοδοσία. Η γνώση, λοιπόν, δεν ξεκινά με την παροχή οδηγιών, αλλά με τη δημιουργία ενός κλίματος στο οποίο η αναφορά δεν συνιστά κίνδυνο.
Μια εκπαίδευση μπορεί να εξηγήσει τι είναι ένα γλωσσικό μοντέλο, από πού προέρχεται η μεροληψία (bias), και πότε ένα αποτέλεσμα πρέπει να ελεγχθεί. Μια εκπαίδευση δεν μπορεί να εγγυηθεί ότι αυτή η γνώση θα εφαρμοστεί τη στιγμή που μετράει: υπό πίεση χρόνου, σε μια προθεσμία, σε μια εργασία που ήδη πήγε καλά εκατό φορές. Επίσης, μια εφάπαξ εκπαίδευση δεν μπορεί να παρακολουθεί τις αλλαγές. Τα συστήματα προσαρμόζονται, νέα εργαλεία γίνονται διαθέσιμα, η χρήση μετατοπίζεται. Γι' αυτό η γνώση δεν ανήκει σε μια στιγμή, αλλά σε έναν επαναλαμβανόμενο ρυθμό — ακριβώς όπως η επανεκτίμηση των ταξινομήσεων κινδύνου δεν είναι μια εφάπαξ άσκηση αλλά μια επαναλαμβανόμενη διαδικασία.
Η γνώση των εργαζομένων δεν απαλλάσσει έναν οργανισμό από το ερώτημα ποιος εποπτεύει τι. Αν ένας εργαζόμενος υιοθετήσει ένα αποτέλεσμα τεχνητής νοημοσύνης σε μια απόφαση, και αυτή η απόφαση αποδειχθεί λανθασμένη, τότε το ερώτημα ποιος είναι υπεύθυνος όταν μια εφαρμογή τεχνητής νοημοσύνης κάνει λάθος δεν απαντάται με «ο εργαζόμενος θα έπρεπε να το ξέρει». Η ευθύνη βρίσκεται σε πολλαπλά επίπεδα: σε όποιον χρησιμοποίησε το σύστημα, σε όποιον οργάνωσε την εποπτεία, σε όποιον έθεσε τα πλαίσια. Η γνώση των ατόμων είναι ένα κομμάτι αυτής της αλυσίδας, όχι αντικατάσταση της. Τι σημαίνει το ανθρώπινο εποπτικό έλεγχο στην πράξη συνδέεται με το ερώτημα αν το άτομο που ασκεί την εποπτεία κατανοεί επίσης επαρκώς τι εποπτεύει — χωρίς αυτή την κατανόηση η εποπτεία είναι μια τυπικότητα.
Πολλοί οργανισμοί προσπαθούν να συνδέσουν τη γνώση τεχνητής νοημοσύνης με μια υπάρχουσα διαδικασία συμμόρφωσης ή κινδύνου. Αυτό φαίνεται λογικό, αλλά στην πράξη ένα δεύτερο επίπεδο δίπλα σε μια υπάρχουσα διαδικασία συχνά δεν χρησιμοποιείται: οι εργαζόμενοι ακολουθούν τη διαδικασία που ήδη γνωρίζουν και αγνοούν τη νέα, ακόμα και όταν αυτή ταιριάζει καλύτερα με την πράξη. Γιατί μια δεύτερη διαδικασία δίπλα στην υπάρχουσα αγνοείται είναι ένα ερώτημα που ξεπερνά την εκπαίδευση: αφορά το πού καταγράφεται, ελέγχεται και χρησιμοποιείται η γνώση στην ίδια την εργασία.
Δεν μπορούμε να πούμε πόση εκπαίδευση είναι αρκετή, ή ποιο ποσοστό εργαζομένων μετά από ένα πρόγραμμα ενεργεί πραγματικά διαφορετικά. Αυτό διαφέρει ανά οργανισμό, ανά θέση εργασίας, ανά επίπεδο κινδύνου των εργασιών που εκτελεί κάποιος. Κάποιος που συντάσσει καθημερινά συμβάσεις πελατών με υποστήριξη τεχνητής νοημοσύνης χρειάζεται διαφορετικό επίπεδο γνώσης από κάποιον που χρησιμοποιεί περιστασιακά την τεχνητή νοημοσύνη για μια περίληψη. Δεν υπάρχει μία απάντηση στο «πόση εκπαίδευση είναι αρκετή», και εμείς δεν δίνουμε αυτή την απάντηση.
Η γνώση χωρίς εικόνα των κινδύνων μεμονωμένων καταστάσεων χρήσης παραμένει αφηρημένη. Ένας εργαζόμενος που εισάγει δεδομένα της επιχείρησης σε ένα δωρεάν παράθυρο συνομιλίας διατρέχει διαφορετικό κίνδυνο από έναν εργαζόμενο που χρησιμοποιεί ένα εσωτερικό, προστατευμένο σύστημα, και τι κάνετε με δεδομένα επιχείρησης σε ένα δωρεάν παράθυρο συνομιλίας είναι ένα ερώτημα που απαιτεί διαφορετική απάντηση ανά περίπτωση. Η γνώση, λοιπόν, δεν είναι ένα πρόγραμμα για ολόκληρο τον οργανισμό, αλλά μια σύνδεση με το τι δουλεύουν πραγματικά οι άνθρωποι.
Αυτή η σύνδεση ξεκινά με τη γνώση ποιες εργασίες υποστηρίζονται ήδη από τεχνητή νοημοσύνη και σε ποιο βαθμό. Η σάρωση εργασίας (werkscan) της FTE TO AI υπολογίζει ανά εργασία ποιο μέρος της δουλειάς μπορεί να αναληφθεί από τεχνητή νοημοσύνη, και δίνει έτσι μια συγκεκριμένη εικόνα του πού χρειάζεται περισσότερο η γνώση: όχι με γενικό τρόπο, αλλά στο σημείο όπου η εργασία πραγματικά μεταβάλλεται.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.