این روزها به نظر میرسه وارد یک جور همه گیری جهانی از حرفهای درگوشی شدیم. این اتفاق با پخش شدن تیترهای جنجالی و خلاصه‌هایی که هوش مصنوعی در حد هزار کاراکتر (یا هر چقدر که لینکدین اجازه میده) درباره موضوعات مهمی که به همه ما مربوطه، تولید میکنه، افتاده.
نظرات مختلفی روی هم تلنبار میشن درباره آینده محیط کار و مسائلی مثل آموزش، امنیت یا حتی انقراض انسان در عصر هوش مصنوعی. متاسفانه این نظرات اغلب بر اساس جدیدترین تحقیقاتی هستن که هنوز داوری علمی نشدن و خیلی سطحی خونده و فهمیده شدن. در بعضی موارد، فهمیدن اصلا هدف اصلی نیست. هدف اینه که صدها یا هزاران لایک جمع بشه و ده‌ها دنبال کننده جدید به دست بیاد.
با هر بار رفرش کردن صفحه، اطلاعات تازه (و گاهی غلط) مثل «نان و سرگرمی» در اختیار ما قرار میگیره تا دیگه نیازی نباشه سلولهای خاکستری مغزمون رو برای پیدا کردن «حقیقت» به کار بندازیم. البته هر معنایی که امروز بشه برای حقیقت در نظر گرفت، وقتی که تلاش برای تحقیقات اولیه هم داره به هوش مصنوعی سپرده میشه و «حقیقتِ به اندازه کافی خوب» کم کم داره به یک استاندارد جدید تبدیل میشه.
با این حال، بازار از ما میخواد که مجموعه‌ای مناسب از مهارتها رو به دست بیاریم، یعنی…
مهارتهای هوش مصنوعی
برای بیشتر ما که از نزدیک با تحولات هوش مصنوعی کار میکنیم، وقتی از دایره تخصصی خودمون خارج میشیم، متوجه میشیم که مردم اونقدر که ما دوست داریم، درباره هوش مصنوعی مولد صحبت نمیکنن یا بهش اهمیت نمیدن.
اما یک چیز هست که براشون مهمه و اونم درستی خروجی‌های هوش مصنوعیه: آیا خوبه یا نه؟ یا اگه بخوام به زبان خواهرم که معلم ریاضیه بگم: «اصلا برای چی باید ازش استفاده کنم؟ جواب معادله‌های ریاضی که بهش میدم رو اشتباه بهم میده».
و با این حال، همین چند روز پیش گزارش شد که مدل جمینی با قابلیت دیپ تینک (Gemini with Deep Think) تونسته در المپیاد جهانی ریاضی به استاندارد مدال طلا برسه.
پس این شکاف از کجا میاد؟
چارچوبی برای مهارتها
بیاید با مفاهیمی شروع کنیم که الان همه سعی دارن اونها رو در قالب جدیدی بسته بندی کنن، یعنی یک چارچوب مهارتی که با نسخه‌ای از ماتریس تخصیص مسئولیت ترکیب شده.
اگرچه این چارچوب‌ها به عنوان دسته بندی کننده، جای سوال دارن چون تمایل دارن آدمها و توانایی‌هاشون رو بدون یک ارزیابی درست، توی یک «جعبه» قرار بدن، اما برای شروع و جهت گیری، نقطه شروع مفیدی هستن.
برای مثال، از چارچوب شایستگی «مهارتهای هوش مصنوعی برای کسب و کار» که توسط موسسه آلن تورینگ (The Alan Turing Institute) توسعه داده شده، استفاده میکنم. این چارچوب چهار سطح مهارت رو برای چهار شخصیت اصلی یادگیرنده در پنج بعد مختلف که مجموعه‌ای از شایستگی‌ها، رفتارها و مسئولیت‌ها رو نشون میده، مشخص کرده.
این پروژه هدفش اینه که تعداد و تنوع کارمندانی که در سراسر بریتانیا به آموزشهای مرتبط و باکیفیت هوش مصنوعی دسترسی دارن رو افزایش بده و در نهایت موانع مهارتی که جلوی پذیرش هوش مصنوعی رو میگیرن، برطرف کنه.
معرفی چارچوب شایستگی مهارتهای هوش مصنوعی برای کسب و کار
این چارچوب دانش، مهارتها و استعدادها و رفتارهای شخصی مورد نیاز برای عبور از چالشهای عملی و نشون دادن شایستگی در زندگی و حرفه رو مشخص میکنه. این چارچوب برای مخاطبان زیر طراحی شده:
- شهروندان هوش مصنوعی (AI Citizens): اعضای عمومی جامعه که ممکنه مشتری سازمانهایی باشن که از هوش مصنوعی استفاده میکنن. این چارچوب سطح درک از هوش مصنوعی، توانایی‌ها، فرصتها و ریسکهاش رو تعریف میکنه تا یک دیدگاه عملی به اونها بده.
- کارکنان هوش مصنوعی (AI Workers): کارمندانی که شغل اصلیشون «داده» یا «هوش مصنوعی» نیست اما نقش اونها ممکنه تحت تاثیر این فناوری‌ها قرار بگیره. چارچوب به اونها کمک میکنه فرصتهای هوش مصنوعی برای افزایش کارایی و بهره وری در کارشون رو شناسایی کنن.
- متخصصان هوش مصنوعی (AI Professionals): کارمندانی که مسئولیتهای اصلیشون به استفاده از «داده» و «هوش مصنوعی» مربوط میشه. مثل تحلیلگران داده، مهندسان یادگیری ماشین و متخصصان اخلاق داده. این چارچوب شایستگی‌های لازم برای کار موثر در تیمهای چند رشته‌ای و همکاری در سراسر سازمان رو مشخص میکنه.
- رهبران هوش مصنوعی (AI Leaders): کسانی که مسئولیت ارشد در تهیه یا نظارت بر راهکارهای هوش مصنوعی رو دارن. این چارچوب به اونها کمک میکنه تا پیامدهای فناوری‌های نوظهور، از جمله تاثیر بر نیروی کارشون، رو پیش بینی کنن و بر معرفی مسئولانه و ایمن هوش مصنوعی در محیطهای سازمانی پیچیده نظارت داشته باشن.
این چارچوب پنج بعد داره که هر کدوم مجموعه‌ای از شایستگی‌ها و رفتارها در پنج حوزه رو نشون میدن:
- بعد A: حریم خصوصی و سرپرستی. این حوزه به امنیت و حفاظت از داده‌ها مربوط میشه، از جمله طراحی، ایجاد، ذخیره سازی، توزیع و ریسکهای مرتبط.
- بعد B: مشخصات، جمع آوری، مهندسی، معماری، ذخیره سازی و پردازش. این حوزه به جمع آوری، ذخیره سازی امن، دستکاری و نگهداری داده‌ها میپردازه. شایستگی‌های این حوزه به کاربرد تکنیکهای مدیریت و تحلیل داده هم مربوط میشه. برای مثال، شایستگی در برخورد با موقعیتهای ناشی از استفاده (یا سوءاستفاده) از داده‌های حساس.
- بعد C: تعریف مسئله و ارتباطات. این حوزه به توانایی شناسایی و تعریف واضح یک مسئله، درک نقشی که هوش مصنوعی میتونه در راه حلهای بالقوه داشته باشه و توانایی انتقال این دانش به مخاطبان مختلف مربوط میشه.
- بعد D: حل مسئله، تحلیل، مدلسازی، تصویرسازی. این حوزه به دانش و توانایی به کارگیری ابزارها و روشهای ریاضی، آماری و محاسباتی برای تعریف و تحلیل یک مسئله و ارائه راه حلها میپردازه.
- بعد E: ارزیابی و تامل. مهمه که همه متخصصانی که در زمینه علم داده و هوش مصنوعی کار میکنن، درک روشنی از اخلاقیات زیربنایی کارشون داشته باشن و مسئولیت تضمین مدلهایی که میسازن رو به عهده بگیرن.
نکاتی درباره چارچوب
- این چارچوب با نیاز بازار به متخصصان چندمهارتی (M-shaped) در شخصیت «کارکنان هوش مصنوعی» همخوانی نداره. در این چارچوب، سطح مهارت «کاری» (Working) برای ابعادی مثل «حریم خصوصی و سرپرستی» یا «ارزیابی و تامل» در نظر گرفته شده که با نیازهای دنیای واقعی فاصله داره. این موضوع به خصوص در صنایع قانونمند که از هر کارمندی که با داده‌های حساس سر و کار داره انتظار میره دانش قوی درباره GDPR و چارچوبهای تطابق داشته باشه، صادقه.
- همچنین، معرفی «رهبر هوش مصنوعی» به عنوان یک «متخصص» (Expert) در بعد «تعریف مسئله و ارتباطات» گمراه کننده است، چون اینطور به نظر میرسه که اونها باید تخصص فنی عمیقی داشته باشن. در حالی که اغلب اینطور نیست؛ خیلی از رهبران برای تصمیم گیری به تیمهای آگاه به هوش مصنوعی خودشون متکی هستن تا این شکاف رو با بینش فنی پر کنن.
کدام مهارتها همیشگی هستن؟
حالا فرض کنیم همه ما تونستیم جایگاه خودمون رو در یکی از این شخصیتها پیدا کنیم. سوال بعدی اینه که کدام مهارتها همیشگی هستن و شکاف بین مهارتهای فعلی و مهارتهای هوش مصنوعی کجاست؟
پاسخ به سوال اول به نوعی روشنه: اگه به توضیحات ابعاد بالا بدون تمرکز بر کلمه «هوش مصنوعی» نگاه کنیم، مشخص میشه که شایستگی‌های هوش مصنوعی در واقع کاربرد مهارتهای موجود و همیشگی هستن، مثل:
- تفکر انتقادی
- مدیریت ریسک
- قضاوت اخلاقی
- برنامه ریزی استراتژیک
- ارتباطات و همکاری
- یادگیری مداوم
- سواد دیجیتال
اما نکته جدید، به کار بردن این مهارتها در زمینه هوش مصنوعیه. زمینه هوش مصنوعی چالشهای متفاوتی رو ایجاد میکنه که نیاز داره این مهارتها تطبیق داده بشن و عمیق‌تر بشن. برای مثال:
- «مدیریت ریسک» چیز جدیدی نیست، اما پرداختن به ریسکهای مدلهای زبانی جهت دار یا تصمیم گیری خودکار، مجموعه‌ای از چالشهای جدید رو برای کاهش ریسک به وجود میاره.
- «قضاوت اخلاقی» هم جدید نیست، اما به کار بردن اون برای شناسایی استفاده نادرست از مدلها یا جابجایی شغلی به دلیل اتوماسیون، دوراهی‌های کاملا جدیدی رو مطرح میکنه.
بنابراین، شکافها در جزئیات بنیادی و تخصصی هر حوزه قرار دارن که به یک مجموعه اجازه میده به طور موثر از هوش مصنوعی به عنوان یک ابزار استفاده کنه، نه اینکه توسط اون «استفاده بشه».
چطور مهارت کسب کنیم؟
با در نظر گرفتن این موارد، مسیرهای یادگیری برای به دست آوردن مهارتهای «ظریف» هوش مصنوعی ارائه شده. توصیه‌هایی برای افراد فنی و غیر فنی که به طور مستقیم راهکارهای هوش مصنوعی توسعه نمیدن، اینها هستن:
- درک سطح بالا از مدلهای زبانی مختلف رو یاد بگیرید. برای مثال، تفاوت مدلهای بزرگ زبانی (LLM) با مدلهای کوچک زبانی (SLM) و مدلهای دیگه، یا مدلهای «متفکر» در برابر مدلهای «غیر متفکر». یاد بگیرید چطور به اونها دستور بدید و کی ازشون استفاده کنید (مزایا و معایب استفاده از هوش مصنوعی). درکی از اینکه «عامل‌های هوشمند» (AI agents) چی هستن و در مسیر رسیدن به هوش مصنوعی عمومی (AGI) کجا هستیم، به دست بیارید تا حس کنید با چه نوع ابزارهایی سر و کار دارید.
- «حالت‌های شکست» رو درک کنید و یاد بگیرید چطور خروجی‌ها رو ارزیابی کنید. روشهایی که مدلها میتونن دروغ بگن و دستکاری کنن، مثل جهت گیری، توهم (hallucinations) یا مسمومیت داده (data poisoning) رو یاد بگیرید تا از حل مشکلاتی که خود هوش مصنوعی در چند ثانیه ایجاد کرده، جلوگیری کنید. برای این کار، باید یک چک لیست ارزیابی (از ورودی تا خروجی) برای انواع خاصی از مشکلات تهیه کنید و مطمئن بشید که خروجی‌ها قبل از رسیدن به دست عموم، به طور انتقادی بررسی و آزمایش میشن.
- خلق کنید، نه اینکه فقط محصولات هوش مصنوعی رو مصرف کنید. در حالی که مهارتهای نرم یک دارایی عالیه، ساختن مهارتهای سخت عملی هم به همون اندازه مهمه. بهتره همه شروع به یادگیری ویژگیهای هوش مصنوعی کنن که در ابزارهای روزمره‌ای که استفاده میکنیم، مثل ابزارهای هوش مصنوعی در اکسل، در دسترسه. از اونجا، توصیه میشه یادگیری راهکارهای بدون کد و کم کد (مثل Copilot Studio یا AI Foundry) رو برای توسعه عامل‌های هوشمند سفارشی با روشهای ساده شروع کنید. تسلط بر این گردش کارها، عملکرد و دانش شما در حوزه هوش مصنوعی رو تقویت میکنه و شما رو در بازار کار آینده رقابتی‌تر میکنه.
پشتیبانان پروژه
این پروژه توسط وزارت علوم، نوآوری و فناوری بریتانیا (DSIT) حمایت میشه و بخشی از تعهد استراتژی ملی هوش مصنوعی برای انتشار تحقیق درباره مهارتهای مورد نیاز کارمندان برای استفاده از هوش مصنوعی در محیط کسب و کار رو عملی میکنه.
این پروژه توسط برنامه Innovate UK BridgeAI تامین مالی میشه که هدفش توانمندسازی کسب و کارهای بریتانیایی در بخشهای با رشد بالا و افزایش بهره وری از طریق پذیرش هوش مصنوعیه. این کار توسط کنسرسیومی شامل Innovate UK، Digital Catapult، موسسه آلن تورینگ، مرکز STFC Hartree و BSI پشتیبانی میشه.
این چارچوب توسط موسسه آلن تورینگ، موسسه ملی علم داده و هوش مصنوعی بریتانیا، توسعه داده شده و این کار توسط دکتر مت فورشاو (Dr. Matt Forshaw)، مشاور ارشد مهارتها و تیم مهارتها در این موسسه رهبری میشه. اتحادیه متخصصان علم داده (AfDSP) هم که شامل سازمانهایی مثل BCS، انجمن آمار سلطنتی و موسسه ریاضیات و کاربردهای آن میشه، از این پروژه حمایت میکنه.
نکته‌ای که باید به خاطر سپرد اینه که همه ما باید تلاش ذهنی کنیم تا مهارتهای فعلی خودمون رو با مهارتهای هوش مصنوعی غنی کنیم. چون اثربخشی هوش مصنوعی به این بستگی داره که چقدر با تفکر با اون تعامل میکنیم و این نیاز به همون تفکر انتقادی، ارزیابی ریسک و قضاوت اخلاقی داره که همیشه بهش نیاز داشتیم، فقط حالا در مواجهه با چالشهای جدید به کار میره. بدون این مهارتهای بنیادی برای ارزیابی خروجی‌ها و جلوگیری از اتکای بیش از حد، این ریسک وجود داره که به جای استفاده از هوش مصنوعی به نفع خودمون، توسط اون (یا توسط افرادی که میدونن چطور ازش استفاده کنن) هدایت بشیم.
دیدگاهتان را بنویسید