Թվային աշխատուժի բնագավառը հիմնարար փոփոխությունների է ենթարկվում։ Մոտ երկու տասնամյակ Amazon Mechanical Turk-ը (MTurk) ծառայել է որպես «մարդկային ինտելեկտի առաջադրանքների» էտալոնային հարթակ՝ ապահովելով այն միկրո-աշխատուժը, որն անհրաժեշտ էր վաղ շրջանի համացանցի ալգորիթմների «սնուցման» համար։ Այն տվյալների պիտակավորման, տրամադրությունների վերլուծության և բովանդակության մոդերացիայի ողնաշարն էր։ Սակայն Amazon-ի կողմից նոր պատվիրատուների գրանցումը պաշտոնապես դադարեցնելով՝ մենք ականատես ենք լինում ոչ միայն հնացած գործիքի ավարտին, այլև մարդու անմիջական մասնակցությամբ ձեռքի աշխատանքից դեպի ինքնավար, AI-ի վրա հիմնված տվյալների սինթեզի դարաշրջան վերջնական անցմանը։

Այն բիզնես առաջնորդների համար, որոնք ապավինում էին քրաուդսորսինգի (crowd-sourcing) մոդելին՝ տվյալների հավաքածուները մաքրելու, պատկերները պիտակավորելու կամ որոնման արդյունքները կատարելագործելու համար, այս անցումը Թվային փոխակերպման (Digital Transformation) առանցքային պահ է։ Էժան, ցրված մարդկային աշխատուժի դարաշրջանը փոխարինվում է Խոշոր լեզվական մոդելների (LLMs) և մասնագիտացված AI գործակալների արդյունավետությամբ, արագությամբ և աճող կոգնիտիվ հնարավորություններով։

Մարդկային միկրո-առաջադրանքների տնտեսության էրոզիան

Երբ MTurk-ը գործարկվեց, այն լուծեց ինժեներական մի կոնկրետ պարադոքս. համակարգիչները հիանալի էին տվյալների մշակման մեջ, բայց չէին հասկանում համատեքստը։ Եթե ձեզ անհրաժեշտ էր պարզել պատկերի բովանդակությունը կամ սղագրել անհասկանալի անդորրագիր, ապա ամենաարդյունավետ «պրոցեսորը» համակարգչի դիմաց նստած մարդն էր։ Սա ստեղծեց մի ծաղկուն էկոհամակարգ, որտեղ բիզնեսները կարող էին կրկնվող, ցածր ռիսկայնության ճանաչողական աշխատանքը պատվիրակել գլոբալ աշխատուժին՝ չնչին գումարներով։

Այնուամենայնիվ, այս մոդելի ROI-ը (ներդրումների վերադարձը) կայուն կերպով նվազել է։ AI մոդելների առաջընթացին զուգընթաց՝ մարդկային ստուգման անհրաժեշտությունը, թեև դեռևս էական է բարձր ճշգրտություն պահանջող դեպքերում, արտադրության հիմնական մեթոդից վերածվել է որակի վերահսկման (QA) օժանդակ գործիքի։ MTurk-ի ոճի հարթակներից շուկայի հեռանալը պայմանավորված է մի քանի կարևոր գործոնով.

  • Հապաղում (Latency). Մարդու մասնակցությամբ աշխատանքային հոսքերը բնույթով դանդաղ են։ Մրցակցային շուկայում տվյալների հավաքածուի պիտակավորման համար մարդկանց սպասելը ստեղծում է գործառնական խոչընդոտներ, որոնք հետաձգում են մոդելների գործարկումը։
  • Տվյալների հետևողականություն. Մարդ աշխատողները, չնայած լավագույն ջանքերին, պիտակավորման գործընթացում սուբյեկտիվ կողմնակալություն և անհամապատասխանություն են մտցնում, ինչը կարող է նվազեցնել մեքենայական ուսուցման մոդելների արդյունավետությունը։
  • Ենթակառուցվածքային ծախսեր. Քրաուդսորսինգային աշխատուժի կառավարումը պահանջում է նախագծերի կառավարման, որակի վերահսկողության և տվյալների անվտանգության զգալի ծախսեր, որոնք հաճախ չեն ներառվում նախնական բյուջեում։

Այն ընկերությունների համար, որոնք քրաուդսորսինգը դիտարկում էին որպես մշտական ծախսային հոդված, նոր հարթակներում գրանցվելու հնարավորության սահմանափակումը ազդանշան է, որ ժամանակն է անցնելու Ավտոմատացված տվյալների խողովակաշարերի (Automated Data Pipelines):

Պատվիրակումից դեպի սինթետիկ ավտոմատացում

Մեր տեսած փոփոխությունը ոչ թե պարզապես գործիքի կորուստ է, այլ ձեռնարկատիրական AI-ի հասունացում։ Ժամանակակից բիզնեսներն այլևս ձեռքի աշխատողներ չեն փնտրում, այլ Ինքնավար գործակալներ, որոնք կարող են իրականացնել տվյալների ներմուծում, մաքրում և պիտակավորում՝ հաշվողական հզորությունների արագությամբ։

Երբ դուք ինտեգրում եք AI գործակալներ ձեր CRM-ի կամ բիզնես գործընթացների մեջ, դուք, ըստ էության, «Mechanical Turk»-ը փոխարինում եք «Թվային ճարտարապետով»։ Այս գործակալները պարզապես հրահանգներ չեն կատարում. նրանք սովորում են կազմակերպության առկա տվյալների ճարտարապետությունից՝ նվազագույնի հասցնելով 2010-ականների սկզբին բնորոշ մարդկային կրկնվող պիտակավորման կարիքը։ Բիզնես առաջնորդների համար սա անցում է բարձր դիմադրողականություն ունեցող, մարդուց կախված պատվիրակումից դեպի ցածր դիմադրողականություն ունեցող ալգորիթմական ներքին գործընթացների։

Այսօրվա ռազմավարական հրամայականն է գնահատել, թե որտեղ է ձեր կազմակերպությունը դեռևս ապավինում մարդկային միջամտությանը, և հարցնել. «Արդյո՞ք սա կարող է ավտոմատացվել ճշգրտված մոդելային եզրակացության (fine-tuned model inference) միջոցով»: Որդեգրման միտումը պարզ է. ոլորտի առաջատարները ներդրումներ են կատարում Սինթետիկ տվյալների ստեղծման և ավտոմատացված Machine Learning Operations-ի (MLOps) մեջ՝ մրցակցային առավելությունը պահպանելու համար։ Այս տեղաշարժը նվազեցնում է սեփականության ընդհանուր արժեքը (TCO)՝ վերացնելով մարդկային փոփոխականությունը և զգալիորեն արագացնելով նոր ծրագրային ապահովման և հաճախորդներին ուղղված ֆունկցիոնալների շուկա դուրս գալու ժամանակը։

Նախապատրաստում հետ-քրաուդսորսինգային դարաշրջանին

Նայելով ապագային՝ ընդհանուր միկրո-առաջադրանքների հարթակների անկումը նշանակում է, որ «անխելք» տվյալների դարաշրջանն ավարտված է։ Մրցակցային առավելությունն այլևս չի գալիս տվյալները մշակելու համար մարդկանց բազմության հասանելիությունից, այն գալիս է այն համակարգերի բարդությունից, որոնք դուք կառուցում եք այդ մշակումն ավտոմատացնելու համար։

Գործադիր ղեկավարների համար առաջընթացի ուղին երկ