استراتژی دانش ChatGPT

ChatGPT در حال تسخیر سریع دنیا ست و در همه جا سر و کله‌اش پیدا می‌شود. دوستان من مثال‌های زیادی از کارهای خارق‌العاده‌ای و شگفت انگیزی که ChatGPT می‌تواند انجام دهد را برای من ارسال می‌کنند. ChatGPT در طول ۵ روز به یک میلیون کاربر دست پیدا کرده‌است. اما مهم است که بدانیم استراتژی دانش ChatGPT چیست!

قبل از ادامه در صورتی که نمی‌دانید که واقعا این ابزار چیست، پیشنهاد می کنم مقاله ChatGPT چیست را مشاهده کنید.

من از موقعیت فعلی ChatGPT، تعجب نمی‌کنم؛ ولی از رشد چشم‌گیر آگاهی ابزارهای این چنینی در دو ماه اخیر متعجبم. این اتفاقات باعث شده که من تشویق به کمک به درک بهتر مردم راجع به نحوه‌ی کارکرد ChatGPT و مدل‌های زبان large language و همچنین تاثیر آن‌ها بر استراتژی‌های دانشی و قابلیت ساخت دستیاران هوشمند و آگاه برای همه‌ی کارها، شوم.

اکثر مردم من را به عنوان کارشناس استراتژی پذیرش نمودار دانش سازمانی می‌شناسند. هر چند که من سال‌ها (از زمانی که دوست من Ravi Kondadidi من را پتانسیل آن ها در سال ۲۰۱۹ آشنا کرد) پی‌گیر مدل‌های large language بودم. من در ابتدا شروع به نوشتن درباره‌ی PGT و BERT برای کمک به تولید طرح درس STEM، اصطلاحات واژه نامه‌ها و موارد دیگر توسط معلم‌ها کردم. با انتشار هر نسخه، GPT بهتر و بهتر شد و تولید محتوای صحیح از یک اعلان ساده، آسان‌تر شد.

حال OpenAI یادگیری قوی‌تری را به جریان کار خود اضافه کرده تا بار دیگر مدل‌هایش را تنظیم دقیق کند. نتایج این کارها بسیار عالی بودند و هوش مصنوعی در حال رسیدن به قله‌های موفقیتی است که انتظارش را نداشتم. اما لازم است که در این برهه‌ی زمانی کمی متوقف شویم و به اتفاقاتی که در حال افتادن هستند، واکنش دهیم و ببینیم که هوش مصنوعی مولد چگونه بر خلاقیت و دانش کارکنان تاثیر می‌گذارد. بهتر است قدردان سرعت بالای تنظیم شدن دقیق و مقرون به صرفه‌ی GPT باشیم؛ چرا که منجر به ساخت ایجنت‌های (عوامل) شناختی از طریق دانش عمومی مورد نیاز کارکنان برای تسک‌های تکراری می‌باشد.

برای شناخت بهتر استراتژی دانش ChatGPT بهتر از سری به گذشته بزنیم

من دوست دارم از مقایسه‌ی هوش مصنوعی مولد (generative AI) با جست‌وجوی اینترنتی وارد این بخش شوم.

کتاب‌خانه‌ها - قبل از موتورهای جستجو

پیش از این که موتورهای جست و جویی مانند گوگل و بینگ وجود داشته باشند، پیدا کردن اطلاعات مورد نظرمان کار دشواری بود. ما باید به کتا‌ب‌خانه‌ها می‌رفتیم و به از کتابدار، راجع به موضوع مورد نیازمان سوال می‌ کردیم. سپس کتابدار درخواست ما را در نظر می‌گرفت، بر روی آن تامل می‌کرد، سوالاتی برای واضح‌تر شدن مشکل می‌‌پرسید و بعد از همه‌‌ی این ها ما را به قفسه‌‌ی مورد نظر در کتابخانه راهنمایی می‌کرد.

جست‌و‌جو - قبل از هوش مصنوعی

پس از ورود موتورهای جست‌و‌جو، ما کمتر به کتاب‌خانه‌های محلی و کتابدارها وابسته شدیم. دیگر می‌ توانستیم تنها با تایپ کردن کلیدواژه‌ها در گوگل به خلاصه‌ای از پاسخ‌های رده‌بندی شده بر اساس مرتبط‌ترین و محبوب‌ترین اسناد در سطح وب، دسترسی پیدا کنیم. سپس باید با مرور اسناد، نتیجه‌ی مورد نظر خود را می‌یافتیم و با باز کردن آن صفحات وب، به اطلاعات مورد نیاز خود می‌رسیدیم.

اگر چه که بسیاری از شرکت ها دارای ابزارهای جست‌و‌جوی داخلی بودند، اما توانایی بالایی در بازیابی اسناد صحیح نداشتند. محتوایی را که شما ده دقیقه پیش چک کرده بودید، باعث دفن شده ۱۰۰ سند در نتایج جست و جو می‌شد. در نتیجه کارمندان ابتدا یک جست و جوی گوگلی می‌کردند و سپس از جست‌و‌جوی سازمانی خود به عنوان آخرین گزینه‌‌ی خود استفاده می‌کردند.

و اما ChatGPT

حال با ابزارهایی مانند ChatGPT دنیا بار دیگر دچار تغییر شده است. دیگر نیاز به باز کردن فایل‌ها و پیدا کردن قطعه متن مورد نظرمان نیستیم. ChatGPT یک پاسخ روایت‌ گونه و با جزئیات برای ما تولید می‌کند. ChatGPT منابع دانش متعددی را با هم ادغام می‌کند و متنی منسجم به همراه بولت لیست‌‌ها، نمونه کدها و توضیح نحوه نصب کتاب خانه های مورد نیاز برای استفاده از آن کد را می سازد. علاوه بر این می توان از آن بخواهیم که جزئیات بیشتری را نیز در صورت نیاز به ما شرح دهد.

محدودیت های جست و جو

حال بیایید به مشکلات بنیادین موتورهای جست‌و‌جوی عمومی بپردازیم:

• موتورهای جست‌وجو شامل اسناد سازمان و شخصی شما نمی شوند و نمی توانند به نوشته ها و گراف دانشی شخصی شما دسترسی داشته باشند.
• موتورهای جست‌وجو نمی توانند به ادغام نتایج برای رسیدن به یک محتوای جدید بپردازند.

هوش مصنوعی مولد یا Generative AI در حال یادگیری از مجموعه‌های عظیم اسناد است اما فقط به تولید شاخص‌های معکوس برای جست‌و‌جوهای سریع مشغول نیستند. این ها شبکه‌ های عصبی که تولید embeddings برای اسناد می‌کنند را می سازند. این embeddingها به نحوی طراحی شده‌اند که دانش به شکل همواره بر اساس مفاهیم، نه بر اساس کلیدواژه‌ها ،در حال ذخیره‌سازی باشد.

هوش مصنوعی مولد چگونه کمک کننده است

آیا ابزارهایی مثل OpenAI GPT می‌توانند به ما کمک کنند؟ آیا استراتژی دانش ChatGPT کار می‌کند؟ پاسخ این سوال احتمال زیاد بله است. اگر چه ChatGPT راهی برای تنظیم دقیق بودن برای اسناد شرکت شما، درحال حاضر، ندارد ولی سیستم‌های openAI GPT به راحتی می‌توانند به طور دقیق تنظیم شوند. تهیه کردن یک مجموعه از پاسخ‌های سریع از اسناد داخلی شما، به ما اجازه می‌دهد که نسخه‌های شخصی سازی شده‌ای از هوش مصنوعی مولد داشته باشیم که هر چه داده‌هایمان بیش‌تر باشد، آن نیز هوشمندتر می‌شود.

کاهش هزینه‌ی دستیارهای شناختی

چطور این کار را انجام دهیم؟ شما با هر واحد بیزنسی کار می‌کنید تا چالش‌های کلیدی هر کدام را پیدا کنید. شما سندهای آن ها را شخم می‌زنید و گراف های دانش را رسم می‌کنید و زمانی که از شما سوالی داشته باشند، به آن‌ها اجازه می‌دهید که آن را به صورت رابط زبان عصبی تایپ کنند. اگر بتوانید پاسخ سوال را با تولید اسناد ساده فراهم می‌‌کنید؛ در غیر این صورت وارد مرحله بعد می شوید و اگر نیاز باشد یک کوئری را اجرا کنید، باید پارامترها را از سند استخراج کنید؛ سپس گراف کوئری را اجرا می‌کنید و نتایج را در رسانه‌ی مناسب (متن، جدول یا نمودار) باز می‌گردانید.

هر سازمان بر پایه تکنولوژی‌های پیشرو، صدها دستیار شناختی که به دانش کارکنانشان از الان تا چند سال آتی کمک می کند، خواهد داشت. درست مثل کارمندان ما که انتظار دسترسی به گوگل را دارند، آن‌ها نیز انتظار دسترسی به ابزارهایی مانند ChatGPT را خواهند داشت. اما تفاوت بزرگی وجود خواهد داشت: نسخه‌‌های آتی ChatGPT بر اساس گراف دانش درونی و شخصی آن‌ ها تنظیم دقیق خواهد شد.

تنظیم صحیح و دقیق GPT در سیستم مایکروسافت آژور (Microsoft Azure) در حال حاضر به قیمت ساعتی ۸۴ دلار وجود دارد. زمانی که بدانید که می‌ توان از سرورهای قدرتمند Habana Gaudi با پرداخت تنها ۱۳ دلار در ساعت استفاده کرد، قیمت ۸۴ دلار بسیار بالا بنظر خواهد رسید. هر چه سازمان‌های دیگر نیز به ساخت GTP‌های تنظیم دقیق بپردازند، این هزینه‌ها کاهش بیش‌تری خواهند داشت.

چکیده استراتژی دانش ChatGPT

در گذشته کارکنان حوزه‌ی دانش، مجبور به استفاده از موتورهای جستجویی بودند که عاجز از ادغام و ترکیب دانششان بودند. حال هر کارمند این حوزه در سازمان شما می‌تواند فرآیندهای بیزنسی خود را با استفاده از دستیاران شناختی ساده‌تر کند؛ به طوری که آن‌ها به عنوان ورود سوال‌‌هایی به زبان طبیعی گرفته و دانش ادغام شده‌‌ی منسجمی را به عنوان خروجی خواهند داد.