Ժամանակակից բիզնես միջավայրը ներկայումս հայտնվել է «մարդակերպության կանխակալության» (anthropomorphic bias) ցիկլում։ Երբ մենք տեսնում ենք, որ մեծ լեզվական մոդելը (LLM) կազմում է ղեկավարի համար համահունչ ամփոփագիր, գրում է բարդ կոդ կամ զրուցում է փորձառու խորհրդատուին բնորոշ նրբերանգներով, մենք ակամայից մարդկային ճանաչողական գործընթացները վերագրում ենք այդ աշխատանքին։ Մենք ենթադրում ենք, որ եթե արդյունքը նմանակում է մասնագետի տրամաբանությանը, ապա մեքենան պետք է որ դատողություն կատարելու գործընթացում լինի։
Սակայն, հայացք նետելով արհեստական բանականության պատմությանը՝ հատկապես այն բեկումնային պահերին, երբ ԱԲ-ն նորույթից վերածվեց կիրառելի գործիքի, նկատում ենք մշտական անջրպետ արդյունավետության և գործընթացի միջև։ Ճիշտ այնպես, ինչպես 2016 թվականին AlphaGo-ի և աշխարհի չեմպիոնի մրցախաղում հայտնի «37-րդ քայլը» հակասեց մարդկային տրամաբանությանը, բայց վերջնարդյունքում հաղթեց մարդուն, այսօրվա գեներատիվ ԱԲ համակարգերը արտակարգ արդյունքների են հասնում հավանականային օրինաչափությունների, այլ ոչ թե դեդուկտիվ տրամաբանության միջոցով։ Բիզնես առաջնորդների համար այս տարբերության ըմբռնումը ոչ թե փիլիսոփայական վարժություն է, այլ թվային վերափոխման ռիսկերի նվազեցման հրամայական։
Ինքնավարության պատրանքը. օրինաչափությունն ընդդեմ ապացույցի
Կորպորատիվ աշխարհում մենք գնալով ավելի ենք ինտեգրում LLM-ները մեր CRM հարթակներում և գործառնական աշխատանքային հոսքերում։ Մենք ակնկալում ենք, որ այս համակարգերը «կտրամաբանեն» հաճախորդների տրամադրությունները կամ «կհասկանան» գնումների պայմանագրի պահանջները։ Սակայն մակերեսի տակ այս մոդելները վեկտորային մաթեմատիկայի վրա աշխատող բարդ վիճակագրական շարժիչներ են։ Նրանք կանխատեսում են հաջորդ ամենահավանական «թոքենը»՝ հիմնվելով հսկայական ուսուցողական տվյալների վրա, և ոչ թե այն պատճառով, որ ունեն պատճառահետևանքային կապերի մտավոր մոդել։
Սա կարևոր է, քանի որ երբ համակարգը հիմնվում է օրինաչափությունների ճանաչման, այլ ոչ թե հիմնավորված տրամաբանության վրա, այն հակված է «հալյուցինացիաների»՝ կամ, ավելի ճիշտ, իրականությունից ինքնավստահ շեղումների։ Մասնագիտական միջավայրում սա ստեղծում է կոնկրետ մարտահրավերներ.
- Սահմանային պայմաններ. ԱԲ մոդելները չունեն սեփական սահմանափակումների բնածին ըմբռնում։ Նրանք կարող են կիրառել սովորած օրինաչափությունը մի սցենարի դեպքում, որտեղ այն տեղին չէ, ինչը կհանգեցնի համոզիչ, բայց սխալ արդյունքների։
- Հիմնարար տրամաբանության բացակայություն. Երբ ծագում է նոր խնդիր, որը ներկայացված չէ ուսուցողական տվյալների մեջ, ԱԲ-ն չի կարող «տրամաբանել» և գտնել նոր լուծում. այն կարող է միայն համադրել առկա օրինաչափությունները, ինչը կարող է հանգեցնել տրամաբանական կատաստրոֆիկ սխալների։
- Աշխատանքային հոսքի փխրունություն. Մարդկային տրամաբանության վրա հիմնված ավտոմատացումը կարող է խափանվել, երբ բախվում է այնպիսի բացառիկ դեպքերի, որոնք պահանջում են առողջ դատողություն, որն այս մոդելներին դեռևս պակասում է։
Այն բիզնեսների համար, որոնք խաղադրույք են կատարում ԱԲ գործակալների (AI Agents) վրա՝ հաճախորդների հետ շփումները կամ ինքնավար որոշումների կայացումը կառավարելու համար, եզրակացությունը պարզ է՝ ԱԲ-ն պետք է դիտարկել որպես էլիտար կանխատեսող շարժիչ, այլ ոչ թե ճանաչողական գործընկեր։ Ներկայիս ԱԲ լանդշաֆտում ներդրումների հետադարձելիությունը (ROI) մարդկային որոշումների կայացումը լրացնելու մեջ է, այլ ոչ թե մարդուն լիովին փոխարինելու։
Ռազմավարական ինտեգրում. դուրս գալով հիփի սահմաններից
Թվային կայուն վերափոխման ուղին «մարդը՝ համակարգում» (Human-in-the-loop, HITL) համակարգերի կառուցումն է։ Մենք պետք է դադարենք հարցնել, թե արդյոք մեր մոդելները կարող են մտածել մեզ պես, և սկսենք հարցնել, թե ինչպես նրանք կարող են արդյունավետորեն մշակել այն տվյալները, որոնք մենք ֆիզիկապես չենք կարող հասցնել մշակել։
Այս տեխնոլոգիաների արժեքը առավելագույնի հասցնելու համար կազմակերպությունները պետք է որդեգրեն եռաստիճան մոտեցում իրենց ԱԲ ռազմավարությունում.
- Համատեքստային պաշտպանիչ մեխանիզմներ. Դիտարկեք LLM-ները որպես արագագործ օգնականներ։ Փոխանակ նրանց իրավունք տալու վերջնական որոշումներ կայացնելու բիզնեսի համար, նախագծեք աշխատանքային հոսքեր, որտեղ ԱԲ-ն առաջարկում է տարբերակներ կամ նախագծում է բովանդակություն՝ մարդկային վավերացման համար։
- Դետերմինիստական ինտեգրում. Հավանականային ԱԲ-ն համադրեք դետերմինիստական (կանխատեսելի) ծրագրային ապահովման հետ։ Օրինակ՝ օգտագործեք LLM՝ չկառուցվածքավորված տվյալները չաթի պատուհանից վերլուծելու համար, բայց այդ տվյալները մուտքագրեք խիստ կանոնների վրա հիմնված համակարգ, որը կթարմացնի ձեր Salesforce-ը կամ այլ CRM համակարգեր։ Սա երաշխավորում է, որ ԱԲ-ի ելքային տվյալների անկանխատեսելի բնույթը մնում է անվտանգ և կանխատեսելի բիզնես տրամաբանության սահմաններում։
- Կենտրոնացում առաջադրանքների հստակության վրա. Խուսափեք «Ընդհանուր բանականության» թակարդից։ Առավել ամուր լուծումներն այն են, որոնք լուծում են նեղ, հստակ սահմանված խնդիրներ՝ ինչպիսիք են կրկնվող տվյալների արդյունահանումը կամ ներքին գիտելիքների կառավարման ստանդարտացումը, այլ ոչ թե ողջ ճանաչողական տիրույթներն ավտոմատացնելու փորձերը։
Այսօր ԱԲ-ի բիզնես նպատակը ոչ թե մասշտաբային «տրամաբանության» հասնելն է, այլ մասշտաբային «արդյունավետությանը»։ Այն կազմակերպությունները, որոնք ԱԲ գործ
