الذكاء الاصطناعي يجعل العمال أقل إنتاجية
تاريخ النشر: 31st, July 2024 GMT
إن أدوات الذكاء الاصطناعي التوليدية التي من المقرر أن تقضي على المهام التي تستغرق وقتاً طويلاً مما يؤدي إلى زيادة كبيرة في إنتاجية مكان العمل لم تفي بهذا الوعد بعد.
في الواقع، إنها تفعل العكس الآن - مما يمنح الموظفين المزيد من العمل للقيام به ويساهم في الإرهاق.
أظهر استطلاع أجرته شركة Upwork بين أكثر من 2500 عامل بدوام كامل وموظفين مستقلين ومديرين تنفيذيين أن ما يقرب من 80% من العمال الذين يستخدمون الذكاء الاصطناعي التوليدي في وظائفهم قالوا إنه أضاف إلى عبء العمل لديهم ويعيق إنتاجيتهم.
ويقول العمال إنهم يقضون المزيد من الوقت في مراجعة أو تعديل المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي ويستثمرون المزيد من وقتهم في تعلم كيفية استخدام الأدوات، وأن تجاربهم بعيدة كل البعد عن تصورات أصحاب العمل.
ووجد استطلاع Upwork أن حوالي 96% من المديرين التنفيذيين يتوقعون أن يعزز الذكاء الاصطناعي الإنتاجية، في حين يقول حوالي 40% من الموظفين إنهم لا يعرفون كيف سيحدث ذلك على الإطلاق.
وعليه، سوف يحتاج أصحاب العمل إلى تعديل توقعاتهم ونهجهم لدمج التكنولوجيا الجديدة بشكل فعال ورؤية بعض العائد على الاستثمار - على الرغم من أنه من المرجح أن يكون أقل مما يأملون.
قالت إميلي روز ماكراي، المحللة الرئيسية في جارتنر: "ما يحدث هو أن فقاعة الضجيج هذه ضخمة للغاية، وهي غير متناسبة مع التأثير الفعلي الذي يمكن أن تحدثه التكنولوجيا الآن، وخاصة الطريقة التي يتم بها نشرها".
"ما يحدث هو أن فقاعة الضجيج هذه ضخمة للغاية، وهي غير متناسبة مع التأثير الفعلي الذي يمكن أن تحدثه التكنولوجيا الآن، وخاصة الطريقة التي يتم بها نشرها".
"تحدثت مع أحد العملاء الذي قال إن مجلس إدارتهم أعلن أنه يجب عليهم خفض عدد الموظفين بنسبة 20٪ بسبب الذكاء الاصطناعي التوليدي. سأكون صريحًا بأنني لست متأكدًا بالفعل من أن أي شركة قد اقتربت من هذا المستوى من خفض عدد الموظفين، ولا أعرف ما إذا كانوا سيفعلون ذلك، لأن هذه ليست الطريقة التي تعمل بها الأداة"، قالت ماكراي.
المشكلة الرئيسية هي أن الأدوات نفسها تظل غير كاملة. لا يزال الذكاء الاصطناعي التوليدي عرضة للهلوسة أو اختلاق إجابة تبدو معقولة، مما يعني أن مدخلات الإنسان مطلوبة للتحقق من المادة. قالت ماكراي: "ما يفعله هو أنه يوفر لك الوقت في تجميع كل شيء في المقام الأول".
بطبيعة الحال، هناك أمثلة لشركات وجدت أن الذكاء الاصطناعي التوليدي هو حقًا إن الذكاء الاصطناعي التوليدي هو أداة قوية لتوفير الوقت للعمال. وهناك أيضًا بعض حالات الاستخدام المحددة للغاية حيث كان للذكاء الاصطناعي التوليدي تأثير هائل حقًا، مثل المجال القانوني، حيث يمكن لأدوات الذكاء الاصطناعي أثناء الاكتشاف مساعدة المحامين في البحث وتحليل أحكام القضاء الحالية وتلخيص كميات هائلة من المعلومات، كما قالت.
في حالات أخرى، يمكن لروبوتات الدردشة المدعومة بالذكاء الاصطناعي أن تسرع بشكل كبير الوقت الذي يستغرقه الموظفون لتعلم كيفية تشغيل برنامج جديد أو إكمال مهام جديدة، أو توفير وقت قادة الموارد البشرية من خلال الإجابة على أسئلة الموظفين وتوجيههم افتراضيًا إلى الموارد. ولكن في جميع الحالات، لا يزال هناك حاجة إلى إنسان لمراجعة صحة الناتج. يمكن أن تكون عملية المراجعة في حد ذاتها مستهلكة للوقت، وإهمال القيام بذلك يحمل مستويات متفاوتة من المخاطر.
قال كيلي موناهان، المدير الإداري ورئيس معهد أبحاث Upwork: "الكثير من نماذج اللغة الكبيرة الخاصة بك تعمل في أفضل الأحوال فقط عندما يكون الإنسان في الحلقة وعندما يكون هناك حكم وإشراف بشري، وهذه هي حقيقة أين نحن مع هذه التكنولوجيا".
"الكثير من نماذج اللغة الكبيرة الخاصة بك لا تعمل في أفضل الأحوال إلا عندما يكون الإنسان في الحلقة وعندما يكون هناك حكم وإشراف بشري، وهذه هي حقيقة أين نحن مع هذه التكنولوجيا."
قال كيلي موناهان، المدير الإداري ورئيس معهد أبحاث Upwork: "من أجل الاستفادة حقًا من مكاسب الإنتاجية، يتعين علينا في الواقع أن نتراجع خطوة كبيرة ونقول ما هي مشكلة العمل التي نحلها؟ كيف أعيد التفكير في الطريقة التي أقوم بها بعملي من أجل تحقيق ذلك؟ وكيف تساعد هذه الأداة؟ ولست متأكدًا من أن استراتيجية الذكاء الاصطناعي الأوسع نطاقًا في تطوير القوى العاملة قد حدثت حتى الآن في العديد من المنظمات".
بدلاً من ذلك، يشعر العمال بأنهم تُركوا بمفردهم عندما يتعلق الأمر بجعل الأدوات تعمل حقًا من أجلهم، وجد استطلاع Upwork أن 40٪ من العمال يشعرون أن شركتهم تطلب منهم الكثير عندما يتعلق الأمر بالذكاء الاصطناعي، وأنهم يستثمرون المزيد من وقتهم في تعليم أنفسهم كيفية استخدام الأدوات.
يمكن لأصحاب العمل دعم الموظفين بشكل أفضل من خلال عقد مجموعات تركيز لتحديد الحواجز بالضبط قالت ماكراي إن على أصحاب العمل أن يتعرفوا على ما يواجهونه وما هو نوع التدريب المستهدف المطلوب.
أضاف: "إذا كانت تجربة القوى العاملة لديك وتعلم كيفية استخدام الذكاء الاصطناعي التوليدي أولوية، فتأكد من أن لديك حالات حقيقية لما تريد منهم القيام به به ومنحهم الأدوات والمساحة لتعلم كيفية القيام بذلك، ولكن من الناحية المثالية أيضًا كن منفتحًا جدًا على الملاحظات، وأن هذا لا يفعل ما نحتاجه منه، وأنه في الواقع ليس مفيدًا".
المصدر: بوابة الوفد
كلمات دلالية: الذکاء الاصطناعی التولیدی الطریقة التی عندما یکون المزید من
إقرأ أيضاً:
الذكاء الاصطناعي يوجه المسيّرات رغم العوائق الطبيعية
في مهمة لإطفاء حرائق الغابات في سلسلة جبال سييرا نيفادا، قد تجد طائرة مسيّرة ذاتية التحكم نفسها تواجه رياح «سانتا آنا» العاتية التي تهدد بإخراجها عن مسارها. التكيف السريع مع مثل هذه التقلبات الجوية غير المتوقعة أثناء الطيران يمثل تحديًا هائلًا لأنظمة التحكم في وضع الطيران الخاصة بهذه الطائرات.
ولمواجهة مثل هذه التحديات، طوّر باحثون في معهد ماساتشوستس للتكنولوجيا «MIT» خوارزمية تحكم تفاعلي جديدة تعتمد على تقنيات تعلّم الآلة، قادرة على تقليل انحراف الطائرة عن مسارها المحدد حتى في مواجهة عوائق مفاجئة مثل هبوب الرياح.
وعلى عكس الطرق التقليدية، لا تتطلب هذه التقنية من المبرمج أن يكون على دراية مسبقة ببنية أو نمط هذه الاضطرابات. بدلاً من ذلك، يتعلم نموذج الذكاء الاصطناعي المستخدم في نظام التحكم كل ما يحتاجه من خلال بيانات ملاحظة تُجمع خلال 15 دقيقة فقط من الطيران.
الميزة الأبرز لهذه التقنية تكمن في أنها تحدد تلقائيًا خوارزمية التحسين الأمثل للتكيف مع هذه الاضطرابات، مما يعزز من دقة تتبع المسار. إذ تختار الخوارزمية الأنسب بحسب طبيعة الاضطرابات التي تواجهها الطائرة في كل حالة.
وقد درّب الباحثون نظامهم على تنفيذ هذين الأمرين معًا، التكيّف وتحديد الخوارزمية باستخدام تقنية تُعرف باسم التعلم الفوقي «meta-learning»، والتي تُعلّم النظام كيفية التكيّف مع أنواع مختلفة من الاضطرابات.
النتائج جاءت واعدة، إذ سجل النظام الجديد نسبة خطأ في تتبع المسار أقل بنسبة 50% مقارنة بالطرق التقليدية، سواء في المحاكاة أو في الظروف الحقيقية، كما أثبت كفاءته في التعامل مع سرعات رياح لم يسبق له مواجهتها أثناء التدريب.
يأمل الباحثون أن يُسهم هذا النظام مستقبلاً في تحسين كفاءة الطائرات المسيّرة في توصيل الطرود الثقيلة رغم الرياح القوية، أو في مراقبة المناطق المعرضة للحرائق في المحميات الطبيعية.
يقول نافيد عزيزيان، الأستاذ المساعد في قسم الهندسة الميكانيكية ومعهد البيانات والنظم والمجتمع «IDSS» بمعهد «MIT»، والباحث الرئيسي للدراسة: «قوة طريقتنا تكمن في التعلم المتزامن لمكونات النظام. من خلال الاستفادة من التعلم الفوقي، يتمكن نظامنا من اتخاذ قرارات تلقائية تحقق أفضل تكيف ممكن في وقت قصير».
شارك عزيزيان في إعداد الورقة البحثية كل من سونبوتشين تانغ، طالب دراسات عليا في قسم الطيران والفضاء، وهاويان صن، طالب دراسات عليا في قسم الهندسة الكهربائية وعلوم الحاسوب. وقد عُرض البحث مؤخراً في مؤتمر «التعلم للديناميكيات والتحكم»
التعلم على التكيف
تتغير سرعات الرياح التي قد تواجهها الطائرة في كل رحلة، لكن من المفترض أن تبقى الشبكة العصبية ودالة الانحدار المستخدمة ثابتتين، لتجنّب إعادة التدريب في كل مرة.
لتحقيق هذه المرونة، اعتمد الباحثون على التعلم الفوقي، ودربوا النظام على مجموعة من سيناريوهات الرياح المختلفة أثناء مرحلة التدريب.
يوضح تانغ: «الهدف ليس فقط أن يتكيف النظام، بل أن يتعلم كيف يتعلم. عبر التعلم الفوقي، يمكننا إنشاء تمثيل مشترك من بيانات متعددة السيناريوهات بسرعة وكفاءة».
في التطبيق العملي، يقوم المستخدم بتغذية نظام التحكم بمسار الطيران المطلوب، ويقوم النظام بحساب قوة الدفع اللازم في الزمن الحقيقي لإبقاء الطائرة على المسار رغم أي اضطرابات جوية.
وقد أثبت النظام كفاءته سواء في المحاكاة أو في اختبارات حقيقية، حيث تفوق على جميع الطرق التقليدية في تتبع المسار، حتى في الظروف الجوية القاسية.
يضيف عزيزيان: «حتى عندما تجاوزت قوة الرياح مستويات لم نشهدها في التدريب، أثبتت تقنيتنا قدرتها على التعامل معها بكفاءة».
واللافت أن تفوق النظام على الطرق الأخرى ازداد كلما زادت شدة الرياح، مما يدل على قدرته على التكيف مع البيئات الصعبة.
ويجري الفريق الآن تجارب ميدانية على طائرات مسيّرة حقيقية لاختبار النظام في مواجهة ظروف جوية متنوعة.
كما يسعى الفريق لتوسيع قدرات النظام ليتعامل مع اضطرابات متعددة المصادر في وقت واحد. فعلى سبيل المثال، تغير سرعة الرياح قد يغيّر من توزيع وزن الحمولة أثناء الطيران، خصوصاً عند حمل مواد سائلة.
كما يطمح الباحثون إلى تطوير خاصية التعلم المستمر، بحيث يتمكن النظام من التكيف مع اضطرابات جديدة دون الحاجة إلى إعادة تدريبه على البيانات السابقة.
وفي تعليق على البحث، قال بروفيسور باباك حسّیبي من معهد كاليفورنيا للتكنولوجيا «Caltech»، والذي لم يشارك في المشروع: «نجح نافيد وزملاؤه في الجمع بين التعلم الفوقي والتحكم التكيفي التقليدي، لتعلم الخصائص غير الخطية من البيانات. واستخدامهم لخوارزميات الانحدار المرآتي مكّنهم من استغلال البنية الجيومترية الكامنة للمشكلة بشكل لم تفعله الطرق السابقة. وهذا العمل قد يساهم بشكل كبير في تصميم أنظمة ذاتية التشغيل تعمل بكفاءة في بيئات معقدة وغير مؤكدة».
وقد حصل هذا البحث على دعم من عدة جهات، منها شركة «MathWorks»، ومختبر «MIT-IBM Watson» للذكاء الاصطناعي، ومركز «MIT-Amazon» للعلوم، وبرنامج «MIT-Google» للابتكار في الحوسبة.