Učenje umetne inteligence: Zakaj to ni Microsoft Office in zakaj stari IT pristopi ne zadoščajo

Učenje umetne inteligence (AI) je lahko občutek kot da vstopamo v popolnoma nov svet. Svet algoritmov, ki napovedujejo naše vedenje in izvajajo izjemne naloge s klikom na gumb ali tipko. AI lahko v poslovnih podatkih odkrije vzorce, ki jih v Excelu nikoli ne bi našli.

V času Microsoft Office-a smo se orodij naučili hitro in učinkovito. Pristop “klikni tukaj in zgodi se to” pa v dobi AI postaja zastarel. Ta članek pojasnjuje, zakaj potrebujemo povsem drugačen pristop k učenju AI. Pripravite se, da opustite stare navade in sprejmete nove, če želite uspeti v dobi umetne inteligence.

Učenje AI zahteva drugačen pristop kot obvladovanje Office-a

Microsoft Office je bil in ostaja neke vrste standard za računalniško pismenost. Obvladovanje Office orodij temelji na sledenju navodilom in klikanju po menijih. Ko uporabnik najde potrebne ukaze ali kombinacije tipk, se počuti dovolj usposobljenega za delo z dokumenti, preglednicami in predstavitvami.

Učenje AI pa presega zgolj klikanje. Potrebno je konceptualno razumevanje umetne inteligence. Prav tako je nujno eksperimentiranje in kritično razmišljanje.

Cona udobja Office-a

Orodja s pravili

Če v Office-u kliknemo na “krepko”, bo besedilo vedno krepko. Rezultat je predvidljiv. To je linearno učenje: če sledimo istim navodilom, vedno dobimo isti rezultat.

Minimalne veščine zadostujejo

Veliko uporabnikov Office-a nikoli ne osvoji naprednih funkcij, na primer označevanja vseh sprememb v dokumentu z enim klikom – kar sicer lahko močno skrajša čas pri pregledu novih verzij.

Krivulja učenja AI

Prilagajanje in verjetnost

Orodja umetne inteligence (še posebej veliki jezikovni modeli – LLM, angleško: Large Language Models) ustvarjajo rezultate na podlagi izračunane verjetnostne porazdelitve (probability distribution). Zato lahko enak poziv (prompt) prinese različne rezultate. Pomnjenje zaporedja klikov ni uporabno.

Odvisnost od konteksta

Pri delu z AI je treba razumeti in upoštevati odvisnost od konteksta (context). Že majhna sprememba vhodnih podatkov lahko povzroči veliko razliko v izhodu.

Neprestan razvoj AI

Pri AI bi vsak priročnik hitro postal zastarel, saj se modeli stalno posodabljajo. Učiti se je treba sproti.

Zakaj je učenje AI drugačno od učenja Microsoft Office-a

AI ni statična

Microsoft Office doživlja letne nadgradnje, a osnovne funkcionalnosti ostajajo skoraj nespremenjene.

Pri AI pa se modeli in orodja hitro in korenito spreminjajo. Primer: razvoj prompt inženiringa (prompt engineering), ki je postal ključen, ko so se modeli in njihove zmožnosti močno izboljšale.

Visoka tveganja in hitro širjenje

Napake v Office-u le redko bistveno vplivajo na poslovanje. Skoraj nemogoče je narediti napako, ki bi imela katastrofalne posledice.

Napačna uporaba AI pa lahko vodi do napačnih analiz in poslovnih odločitev ter vpelje pristranskost (bias), ki se razširi skozi avtomatizirane procese. To povečuje nujnost, da se AI učimo resno in poglobljeno – površinsko znanje AI je lahko nevarno.

Izziv črne škatle

Pri Office-u vemo, kaj pričakovati ob uporabi določenih funkcij.

AI pa deluje kot črna škatla (black box) – izhodi niso vedno predvidljivi. Uporabniki morajo razviti pravo znanje in zdravo mero skepticizma do rezultatov AI.

Klasično izobraževanje programske opreme ni primerno za AI

Navodil po korakih ni

Pri Office-u se učimo z vodenimi vajami: klikni tu in zgodi se to.

Pri AI pa moramo razumeti, ZAKAJ nekaj počnemo. Zakaj mora biti poziv takšen? Ta znanja so ključna za uspešno uporabo AI.

Drugačne konceptualne osnove

Pri Office-u ni pristranskosti v podatkih, etična vprašanja so enostavno rešljiva.

Pri AI pa so ta vprašanja v središču. Brez razumevanja teh temeljnih pojmov lahko podjetje tvega, da AI uporabi napačno in doseže slabe rezultate.

Odsotnost kritične presoje

Pri Office-u nihče ne dvomi v rezultat formatiranja ali izračuna v Excelu.

Pri AI pa moramo biti pozorni in dvomiti v izhode. Če AI v banki zavrne kreditno vlogo, mora bančni uslužbenec znati obrazložiti razlog.

Nov način razmišljanja za učenje AI

Poudarek na eksperimentiranju

AI je probabilistična – pomemben del učenja je preizkušanje različnih pozivov in opazovanje rezultatov. Proces je treba večkrat ponoviti, dokler ne pridemo do želenega rezultata. Priporočljivo je ustvariti testno okolje (sandbox), kjer lahko varno eksperimentiramo brez tveganja za produkcijske podatke.

Prompt inženiring (prompt engineering) je nujen

Znanje prompt inženiringa je nujno, če želimo iz AI izvleči največ. Kdor uporablja AI, mora obvladati pripravo učinkovitih pozivov. Sicer je to kot da bi dirkal z vozilom formule 1 samo v prvi ali mogoče drugi prestavi.

Kritično razmišljanje je nujno

Učenje AI presega “kako napisati prompt”. Vključuje tudi kritično presojo. AI namreč pogosto generira t. i. halucinacije (hallucinations) – neresnične ali nesmiselne odgovore, ko nima pravih informacij. Uporabniki AI morajo ocenjevati kakovost podatkov, omejitve modela in morebitno pristranskost.

Fokus na konkretno vlogo

Potrebna znanja se razlikujejo glede na področje uporabe. Marketing potrebuje znanje za ustvarjanje oglasnih besedil ali analizo vedenja kupcev. Finance potrebujejo drugačne analize za zaznavanje anomalij. Učenje AI je smiselno usmeriti v naloge, ki jih posameznik dejansko opravlja.

Posledice za podjetja

Konkurenčna prednost ali tveganje

Podjetja, ki pristopijo k AI s kakovostnim izobraževanjem, lahko optimizirajo poslovanje, se hitreje prilagajajo in uvajajo inovacije ter ustvarjajo večjo dobičkonosnost. Površinsko učenje AI po vzoru Office-a pa vodi v napačne odločitve, izgubo zaupanja in napačno uporabo podatkov, kar pogosto prinese tudi finančne izgube.

Pridobivanje in zadrževanje talentov

Zaposleni, ki obvladajo AI, iščejo okolja, kjer je učenje in uporaba AI stalno spodbujeno. Podjetja, ki vlagajo v znanje na tem področju, lažje privabijo in zadržijo najboljše kadre.

Etični in skladnostni izzivi

Ker AI postaja sestavni del poslovnih procesov, se povečuje tudi regulacija na področju transparentnosti in pristranskosti. Neusposobljeni zaposleni tvegajo kršitve, kar ima lahko pravne posledice in škodi ugledu podjetja.

Kako začeti z učenjem AI v organizaciji

a) Ocenite obstoječe znanje: ugotovite vrzeli in izberite pravo izobraževanje.

b) Poskrbite za dober začetek: izkoristite zaposlene, ki že eksperimentirajo z AI in jih vključite v uvodne projekte.

c) Pripravite izobraževalni program, ki pokriva osnove (temeljni pojmi in terminologija) ter tudi bolj napredna znanja (prompt inženiring, priprava podatkov in interpretacija izhodov AI).

d) Zagotovite praktične naloge: zaposleni naj AI uporabijo pri dejanskem delu.

e) Vzpostavite povratno zanko: omogočite predstavitve ugotovitev, razprave o napakah in uspehih.

f) Nadgradite: ko osnovni AI projekti prinesejo rezultate, začnite z bolj zahtevnimi projekti.

g) Bodite na tekočem: AI se razvija hitro. Učenje AI mora postati sestavni del poslovanja. Vzpostavite ustrezne vire in čas za stalno izobraževanje.

Zaključek: Prihodnost učenja umetne inteligence

Učenje Office-a je pomenilo osnovno računalniško pismenost. Učenje AI pa zahteva sposobnost verjetnostnega razmišljanja in prilagajanja nenehnim spremembam. Klasični načini izobraževanja tu ne delujejo več.

Učenje AI terja radovednost, eksperimentiranje in poglobljeno razumevanje tehnologije.

Ključna sporočila

• AI proti starim orodjem: umetna inteligenca je prilagodljiva in odvisna od konteksta.
• Premik v načinu izobraževanja: linearne vaje morajo zamenjati dinamično učenje konceptov, kritično razmišljanje in prompt inženiring.
• Poslovna vrednost: naložba v učenje AI prinaša konkurenčno prednost.
• Nujnost: AI je že tu. Površinsko znanje lahko drago stane. Učenje AI je nujno.

Učenje AI mora postati neprekinjeno in stalno. Pozabite na učenje “kje klikniti” – razvijajte kritično mišljenje in eksperimentirajte. Naložba v znanje AI se bo dolgoročno obrestovala.

Za razmislek: Ali vaš pristop k izobraževanju na področju AI podjetje ovira ali poganja naprej?