یادگیری/مهندسی سریع: یادگیری صحبت کردن با هوش مصنوعی

• نویسنده:
• نام نویسنده

  آینده نگاری کوانتوم ران
• مارس 11، 2024

خلاصه بینش

یادگیری مبتنی بر سریع، یادگیری ماشینی (ML) را متحول می‌کند و به مدل‌های زبان بزرگ (LLM) اجازه می‌دهد بدون آموزش مجدد گسترده از طریق اعلان‌هایی که با دقت ساخته شده‌اند، سازگار شوند. این نوآوری خدمات مشتری را افزایش می دهد، وظایف را خودکار می کند و فرصت های شغلی را در مهندسی سریع تقویت می کند. پیامدهای بلندمدت این فناوری می‌تواند شامل بهبود خدمات عمومی و ارتباطات توسط دولت‌ها و تغییر مسیر کسب‌وکارها به سمت استراتژی‌های خودکار باشد.

زمینه یادگیری/مهندسی سریع

یادگیری مبتنی بر سریع به عنوان یک استراتژی تغییر دهنده بازی در یادگیری ماشین (ML) ظهور کرده است. برخلاف روش‌های سنتی، به مدل‌های زبان بزرگ (LLM) مانند GPT-4 و BERT اجازه می‌دهد تا بدون آموزش مجدد گسترده، با وظایف مختلف سازگار شوند. این روش از طریق اعلان‌هایی که با دقت طراحی شده‌اند، در انتقال دانش دامنه به مدل ضروری است. کیفیت اعلان به طور قابل توجهی بر خروجی مدل تأثیر می گذارد و مهندسی سریع را به یک مهارت حیاتی تبدیل می کند. نظرسنجی McKinsey در سال 2023 در مورد هوش مصنوعی نشان می‌دهد که سازمان‌ها استراتژی‌های استخدام خود را برای اهداف هوش مصنوعی مولد تنظیم می‌کنند، با افزایش قابل‌توجهی در استخدام مهندسان سریع (7٪ از پاسخ‌دهندگان به‌کارگیری هوش مصنوعی).

مزیت اصلی یادگیری مبتنی بر سریع در توانایی آن در کمک به مشاغلی است که به مقادیر زیادی از داده های برچسب دار دسترسی ندارند یا در حوزه هایی با دسترسی محدود به داده ها فعالیت می کنند. با این حال، چالش در ابداع اعلان‌های مؤثری است که یک مدل را قادر می‌سازد در چندین کار برتر باشد. ایجاد این دستورات مستلزم درک عمیق ساختار و نحو و اصلاح تکراری است.

در زمینه ChatGPT OpenAI، یادگیری مبتنی بر سریع در ایجاد پاسخ‌های دقیق و مرتبط با زمینه بسیار مفید است. ChatGPT با ارائه اعلان‌های دقیق ساخته شده و اصلاح مدل بر اساس ارزیابی انسانی، می‌تواند طیف گسترده‌ای از پرسش‌ها، از ساده تا بسیار فنی را پاسخ دهد. این رویکرد نیاز به بررسی و ویرایش دستی را کاهش می‌دهد و در زمان و تلاش ارزشمند برای دستیابی به نتایج دلخواه صرفه‌جویی می‌کند.

تاثیر مخرب

همانطور که مهندسی سریع به تکامل خود ادامه می دهد، افراد خود را در حال تعامل با سیستم های مجهز به هوش مصنوعی می یابند که پاسخ های مرتبط تری را ارائه می دهند. این توسعه می تواند خدمات مشتری، محتوای شخصی سازی شده و بازیابی کارآمد اطلاعات را بهبود بخشد. از آنجایی که افراد به طور فزاینده ای به تعاملات مبتنی بر هوش مصنوعی متکی هستند، ممکن است نیاز داشته باشند که برای دستیابی به نتایج دلخواه و تقویت مهارت های ارتباطی دیجیتال خود، در ایجاد اعلان ها دقیق تر شوند.

برای شرکت ها، اتخاذ یادگیری مبتنی بر سریع می تواند منجر به کارایی بیشتر در جنبه های مختلف عملیات تجاری شود. چت ربات ها و دستیاران مجازی مبتنی بر هوش مصنوعی در درک سؤالات مشتری، ساده کردن پشتیبانی و تعامل مشتری ماهرتر خواهند شد. علاوه بر این، مهندسی سریع را می توان در توسعه نرم افزار، خودکار کردن وظایف کدگذاری و کاهش تلاش دستی به کار برد. شرکت‌ها ممکن است نیاز به سرمایه‌گذاری در آموزش مهندسان سریع داشته باشند تا از پتانسیل کامل این فناوری استفاده کنند، و همچنین ممکن است لازم باشد استراتژی‌های خود را با قابلیت‌های در حال تکامل سیستم‌های هوش مصنوعی مولد تطبیق دهند.

در جبهه دولتی، تأثیر بلندمدت یادگیری مبتنی بر سریع می تواند در بهبود خدمات عمومی، به ویژه در مراقبت های بهداشتی و امنیت سایبری آشکار شود. سازمان‌های دولتی ممکن است از سیستم‌های هوش مصنوعی برای پردازش داده‌های گسترده و ارائه بینش‌ها و توصیه‌های دقیق‌تر استفاده کنند. علاوه بر این، همانطور که هوش مصنوعی از طریق یادگیری مبتنی بر سریع تکامل می یابد، دولت ها ممکن است نیاز به سرمایه گذاری در آموزش و تحقیق هوش مصنوعی داشته باشند تا در خط مقدم این فناوری باقی بمانند. 

مفاهیم یادگیری/مهندسی سریع

پیامدهای گسترده تر یادگیری/مهندسی سریع ممکن است شامل موارد زیر باشد: 

• تقاضا برای مهندسان سریع افزایش می‌یابد، ایجاد چشم‌اندازهای شغلی جدید در این زمینه و پرورش تخصص در ایجاد دستورالعمل‌های مؤثر برای سیستم‌های هوش مصنوعی.
• یادگیری مبتنی بر فوری سیستم‌های مراقبت‌های بهداشتی را قادر می‌سازد تا داده‌های پزشکی را به طور مؤثرتری پردازش کنند، که منجر به توصیه‌های درمانی بهتر و نتایج مراقبت‌های بهداشتی می‌شود.
• شرکت‌ها به سمت استراتژی‌های داده‌محور، بهینه‌سازی توسعه محصول، بازاریابی و تعامل با مشتری از طریق مهندسی سریع، به‌طور بالقوه مدل‌های تجاری سنتی را مختل می‌کنند.
• دولت‌هایی که از سیستم‌های مبتنی بر هوش مصنوعی، ایجاد شده با مهندسی سریع، برای ارتباط پاسخگوتر و شخصی‌تر با شهروندان استفاده می‌کنند که به طور بالقوه منجر به مشارکت سیاسی بیشتر می‌شود.
• سازمان‌ها و دولت‌هایی که از مهندسی سریع برای تقویت اقدامات امنیت سایبری، کمک به حفاظت از داده‌های حساس و زیرساخت‌های حیاتی استفاده می‌کنند.
• مهندسی سریع به تجزیه و تحلیل و گزارش دهی خودکار داده ها، بهبود دقت و به موقع بودن بینش های مالی برای مشاغل و سرمایه گذاران کمک می کند.

سوالاتی که باید در نظر گرفته شود

• چگونه می توانید از مهندسی سریع برای تقویت تعاملات خود با سیستم های هوش مصنوعی در زندگی روزمره استفاده کنید؟
• چه فرصت های شغلی بالقوه ای ممکن است در مهندسی سریع ایجاد شود و چگونه می توانید برای آنها آماده شوید؟