Be dirbtinio intelekto (DI) įrankių dauguma jau neįsivaizduoja kasdienės veiklos. Visgi, 2024 metais Stanfordo universiteto mokslininkų atliktas tyrimas parodė, kad 27 proc. „ChatGPT“ atsakymų apie įmones ir jų veiklą yra netikslūs ar visiškai klaidingi. Ir tik apie 15 proc. tokių atvejų yra atpažįstami. Tad kokioms temoms DI apskritai reikėtų vengti, o kur jis visgi nepakeičiamas? Kur reikėtų būti atsargiems ir ką žinoti norint efektyviausiai išnaudoti DI įrankius?
Apie tai bus diskutuojama gegužės 14 d. „Litexpo“ vyksiančioje konferencijoje – parodoje „Motivated at Work”. Jos metu pranešėjai dalinsis įžvalgomis apie organizacinę kultūrą, bus diskutuojama asmeninės motyvacijos, emocinės sveikatos temomis, vyks praktinės dirbtinio intelekto panaudojimo bei verslo ryšių mezgimo dirbtuvės bei paroda, kurioje bus galima susipažinti su įvairiomis prekėmis ir paslaugomis, skirtomis darbuotojų motyvacijai, tobulėjimui ir gerovei stiprinti.
Vengti techninių klausimų, naujų įvykių analizės
Ieva Kiliuvienė, personalo atrankų ir valdymo įmonės „Emplonet“ IT padalinio vadovė, DI sprendimų konsultantė, pasakoja, kad dažniausios temos, kuriose DI klysta, yra techniniai ir specifiniai klausimai, kurie reikalauja tikslių žinių ir faktų. Taip pat neretai pasitaiko su įmonių, ypač mažiau žinomų, veikla susijusių DI haliucinacijų.
„DI modeliai dažnai klaidingai interpretuoja ir naujus įvykius. Kadangi jie apmokyti istoriniais duomenimis, užpildo spragas su naujausiomis žiniomis, jas išgalvodami. Klaidų pasitaiko ir tose temose, kuriose susikerta kelios sritys – nors modeliai dažnai turi gerus pagrindus, jiems sunkiau sekasi integruoti duomenis iš skirtingų disciplinų. Rizikų kyla ir kalbant apie kultūrines temas, kuriose svarbus socialinis kontekstas, tradicijos ar vertybių sistemos“, – sako ji.
Jos teigimu, DI haliucinacijos atsiranda dėl prastos DI mokymo duomenų kokybės, kai modeliai mokomi iš nepatikrintų ar netikslių šaltinių.
„Taip pat veikia užburtas ratas – nauji modeliai mokosi iš senų sugeneruoto turinio, kuriame jau yra haliucinacijų. Klaidas gali lemti ir kalbos apdorojimo sudėtingumas – kai susiduriama su daugiaprasmiais žodžiais ar kultūriniais niuansais, kurių sistema nesugeba tinkamai interpretuoti. DI modeliai pasižymi ir per dideliu pasitikėjimu savimi – generuoja atsakymus net tada, kai jų žinios apie temą itin ribotos“, – pasakoja I. Kiliuvienė.
Nelaikyti visažiniu, nepamiršti, kad neturi emocinio intelekto
Šarūnas Dignaitis-Kerpė, švietimo ir technologijų entuziastas, „EdTech Lithuania“ asociacijos valdybos narys, technologinių startuolių kūrėjas priduria, kad dažniausiai vartotojai daro klaidą laikydami DI „atsakymų generatoriumi“, o ne bendradarbiu, su kuriuo gali pasitarti.
„DI nereikėtų naudoti ten, kur svarbus tikslumas, saugumas ar sprendimų pasekmės – pavyzdžiui, medicininė diagnostika be gydytojo priežiūros, finansinės ar teisinės konsultacijos. Dėl haliucinacijų DI gali sukurti įtikinamai neteisingus duomenis. Taip pat svarbu įvertinti ir galimus privatumo pažeidimus – jei sistema treniruojama su jūsų įvestais duomenimis, klausimas, kas po to su jais bus daroma?“, – svarsto jis.
Ieva Kliuvienė priduria, kad DI taip pat reikėtų vengti situacijose, kuriose reikia pasitelkti emocinį intelektą.
„Nors AI gali imituoti empatiją, išties neturi tikrų emocijų ir negali visiškai suprasti žmogiškų situacijų sudėtingumo. Psichologinėse ar jautriose situacijose žmogaus–specialisto įsitraukimas išlieka būtinas“, – pataria ji.
Tikrinti šaltinius, prašyti patikslinti
Kaipgi tuos DI netikslumus atpažinti? I. Kiliuvienė pasakoja, kad egzistuoja keli praktiniai metodai.
„Visų pirma, patartina tikrinti faktus iš kelių nepriklausomų šaltinių, ypač kai duomenys atrodo netikėti ar pernelyg tobulai atitinkanty jūsų poreikius. Taip pat stebėkite raudonas vėliavas – pernelyg tikslias detales, pavyzdžiui, konkrečias datas, labai specifinę statistiką, tobulai sklandžius, bet tuščius paaiškinimus, ypač kategoriškas išvadas sudėtingose temose“, – teigia ji.
Pasak jos, taip pat visuomet verta DI užduoti papildomų klausimų – prašyti paaiškinti savo atsakymą kitais žodžiais arba pateikti šaltinius, užduoti gilesnius klausimus, atkreipti dėmesį į kontekstą. Kitaip tariant, remtis kritiniu mąstymu, kuris, bendradarbiaujant su DI įrankiais, tampa itin svarbus.
„Dar vienas būdas išvengti DI haliucinacijų – tinkamas užklausų formulavimas. Tad užuot prašę „papasakok apie kompaniją X“, klauskite „pateik pagrindinius kompanijos X finansinius rodiklius iš 2023 metų metinio pranešimo“. Nurodykite kontekstą ir auditoriją, suskaidykite sudėtingus klausimus į paprastesnius, prašykite paaiškinimų, ne tik atsakymų. Kai DI modelis turi paaiškinti savo mąstymo procesą, tampa lengviau identifikuoti galimus netikslumus”, – sako I. Kiliuvienė.
Geriausia – pasitarti ir automatizuoti užduotis
Paklaustas, kam visgi DI išnaudoti vertingiausia, Š. Dignaitis-Kerpė teigia, kad DI yra nepakeičiamas automatizuojant pasikartojančias užduotis – nuo el. laiškų rašymo, turinio kūrimo iki duomenų paieškos.
„Tam siūlau susikurti asmeninius DI asistentus. Pats juos sėkmingai naudoju, pavyzdžiui, mokslu grįstai informacijai rasti ar santraukoms daryti. Įkėlus šaltinį, pavyzdžiui, valandos trukmės paskaitą, gaunu greitą santrauką, kurią galiu iškart cituoti laidoje arba išplėsti mintį, peržvelgęs tą dalį, kuri man aktualiausia. Tai – kasdieniniai pavyzdžiai, bet sutaupantys man valandų valandas kiekvieną savaitę“, – pasakoja Š. Dignaitis-Kerpė.
Jo teigimu, norint efektyviausiai išnaudoti DI įrankius, svarbu suprasti logiką, kaip formuluoti užduotis.
„Svarbu laikytis esminės formulės – užduotis, kontekstas, pavyzdys, asmenybė, formatas ir tonas. Labai svarbu užduotis nurodyti konkrečiai, pateikti aiškų kontekstą ir siekiamą rezultatą. Išmokus rašyti tokias bazines užduotis, vėliau jas galima gilinti, struktūruoti ir kurti asmeninius asistentus, kuriems užtenka vieno žodžio norint gauti labai specifinį rezultatą“, – sako jis.
Ieva Kiliuvienė priduria, kad siekiant iš DI gauti daugiausiai naudos, jį reikėtų naudoti kaip pirmą žingsnį, o ne galutinį sprendimą.
„DI puikiai tinka idėjų generavimui, pirminiams juodraščiams, problemų struktūravimui, bet visuomet tikrinkite svarbią informaciją, supraskite DI modelių ribotumus, formuokite kritišką santykį ir patys nuolat plėskite savo žinias, kad galėtumėte efektyviau vertinti pateikiamą informaciją. Atsakingai naudodamiesi DI, galime užtikrinti, kad technologijos tarnauja mums, o ne mes tampame jų haliucinacijų aukomis“, – pabaigia I. Kiliuvienė.
Parengta pagal Lietuvos parodų ir kongresų centro LITEXPO pranešimą
