از گفتگو با Big Four درباره هوش مصنوعی چه آموختیم

Muhammed Gider
3 دقیقه مطالعه • 
وقتی هوش مصنوعی را در فرایندهای کاری بانکی Big Four به کار گرفتیم، فهمیدیم گلوگاه واقعی نه ابزارها، بلکه بار شناختی است. این مطلب به تغییراتی می‌پردازد که وقتی به‌جای خودکارسازی، طراحی را بر پشتیبانی از قضاوت انسانی در مقیاس گسترده متمرکز کردیم، رخ داد.

وقتی نخستین گفتگوها را با Big Four درباره هوش مصنوعی آغاز کردیم، بحث‌ها با سرعتی غافلگیرکننده پیش رفت. نه مقدمه‌ای طولانی در کار بود، نه نیازی به توضیح اینکه چرا هوش مصنوعی اهمیت دارد. تقریباً بلافاصله، شرکا و مشاوران ارشد از این گفتند که وقتشان واقعاً صرف چه می‌شود. نه تصمیم‌گیری یا دستیابی به بینش، بلکه آماده‌سازی. جمع‌آوری داده از سیستم‌های مختلف. هماهنگ کردن اعداد. اطمینان از اینکه تحلیل‌ها با استانداردهای داخلی همخوانی دارند، پیش از آنکه کسی حتی بتواند به معنای نتایج فکر کند.

آنچه توجهمان را جلب کرد این بود که هیچ‌کدام از این کارها کم‌ارزش نبودند. ضروری بودند، اما در عین حال فرساینده هم بودند. افراد بسیار باتجربه بخش بزرگی از روزشان را صرف این می‌کردند که تازه به نقطه‌ای برسند که تفکر واقعی بتواند آغاز شود.

با ادامه گفتگوها، آن‌ها بیش از ده‌ها فرایند را مشخص کردند که هوش مصنوعی می‌توانست در آن‌ها نقش داشته باشد. گزارش‌دهی، رعایت الزامات، کنترل‌های مالی، تحلیل مالیاتی، بازبینی‌های داخلی. در نگاه اول، به نظر می‌رسید با مسئله‌ای معمول در خودکارسازی روبه‌رو هستیم. اما این‌طور نبود.

بیشتر این فرایندها از قبل ابزار، قالب و بخش‌هایی خودکارشده داشتند. آنچه همه‌چیز را کند می‌کرد، در فاصله میان مراحل بود. جابه‌جایی ذهنی از یک موضوع به موضوع دیگر. تطبیق خروجی‌ها. اعمال قضاوتی یکدست بر اطلاعات پراکنده. هزینه واقعی فقط زمان نبود؛ بار شناختی بود.

همان‌جا بود که زاویه نگاهمان تغییر کرد.

به‌جای اینکه بپرسیم هوش مصنوعی چطور می‌تواند کار را از ابتدا تا انتها انجام دهد، پرسیدیم چطور می‌تواند به افرادی که آن کار را انجام می‌دهند کمک کند. چه می‌شد اگر هوش مصنوعی بخش‌های انرژی‌بر کار را بر عهده می‌گرفت، بی‌آنکه کنترل را از دست افراد خارج کند؟ چه می‌شد اگر پیش‌نویس‌های ساختاریافته آماده می‌کرد، ناسازگاری‌ها را آشکار می‌کرد و روند استدلالش را نشان می‌داد تا متخصصان به‌جای آماده‌سازی، بر قضاوت تمرکز کنند؟

وقتی این رویکرد به اجرا درآمد، تأثیرش ملموس شد.

در تیم‌های مختلف، زمان انجام کارهای تحلیلی تکرارشونده 80 تا 90 درصد کاهش یافت. خطاهای دستی، به‌ویژه در فرایندهایی که نیاز زیادی به تطبیق داشتند، به‌شدت کم شدند. به همان اندازه مهم، خروجی تیم‌هایی که قبلاً کار یکسانی را با روش‌های اندکی متفاوت انجام می‌دادند، یکدست‌تر شد. مشاوران به‌طور میانگین حدود 40 تا 50 ساعت در ماه از وقتشان را پس گرفتند؛ وقتی که حالا می‌توانست صرف تفکر ارزشمندتر شود.

اما جالب‌ترین تغییر در اعداد نبود.

بلکه در نحوه صحبت افراد درباره کارشان بود. بازبینی‌ها آرام‌تر شدند. بحث‌ها متمرکزتر شدند. بازبینان ارشد وقت کمتری صرف اطمینان از درست بودن همه‌چیز می‌کردند و بیشتر درباره معنای واقعی نتایج گفتگو می‌کردند.

به‌مرور، سیستم دیگر حس ابزاری را نداشت که افراد ناچار باشند از آن استفاده کنند. به شیوه‌ای مشترک برای کار کردن تبدیل شد که بی‌سروصدا نحوه تصمیم‌گیری را در خود جذب می‌کرد و آن را در تحلیل‌های بعدی بازتاب می‌داد.

این تجربه همچنین باوری را تقویت کرد که مدت‌هاست به آن پایبندیم. پیشرفت به‌سوی هوشی عمومی‌تر از سیستم‌هایی حاصل نخواهد شد که می‌کوشند در حوزه‌های پیچیده جای متخصصان را بگیرند. این پیشرفت از سیستم‌هایی خواهد آمد که موانع پیرامون تفکر تخصصی را کاهش می‌دهند و آن را تقویت می‌کنند.

در این همکاری‌ها، هوش مصنوعی نه با عملکرد مستقل، بلکه با همکاری ارزش آفرید. به‌جای افراد تصمیم نگرفت؛ به آن‌ها کمک کرد تصمیم‌های بهتری را سریع‌تر بگیرند.

اگر نشانه‌ای اولیه از این‌که سیستم‌های شبیه AGI ابتدا کجا اهمیت پیدا خواهند کرد وجود داشته باشد، همین‌جاست. نه در خودکارسازی کامل، بلکه در پشتیبانی از قضاوت انسانی در مقیاس گسترده.

همین گذار از خودکارسازی به توان‌افزایی بود که تفاوت را رقم زد.

به Dvina بپیوندید

رایگان ثبت‌نام کنید و همه ابزارهایتان را در یک فضای کاری ساده گرد هم بیاورید.

مطالب بیشتر