मानसिक कार्यकर्ताओं की दक्षता बढ़ाने के लिए एआई का उपयोग

एआई की नई क्षमताएं, जो संदर्भ, अवधारणाओं और अवधारणाओं के अर्थ को पहचानने में सक्षम हैं, नए खुलते हैं, कभी-कभी अप्रत्याशित, मानसिक श्रमिकों और मशीनों के बीच एक साथ काम करने के तरीके। विशेषज्ञ एआई के परिणामों के प्रशिक्षण, गुणवत्ता नियंत्रण और ट्यूनिंग में योगदान करने में सक्षम हैं। मशीनें अपने साथी मनुष्यों के ज्ञान को पूरक कर सकती हैं और कभी-कभी नए विशेषज्ञों को शिक्षित करने में मदद करती हैं। ये सिस्टम, मानव मन की नकल करने की अधिक संभावना रखते हैं, उनके डेटा-निर्भर पूर्ववर्तियों की तुलना में अधिक विश्वसनीय हैं। और वे ब्रेनवर्कर्स पर एक महत्वपूर्ण प्रभाव डाल सकते हैं, जो यूएस के कर्मचारियों के 48% के लिए जिम्मेदार है, और दुनिया भर में 230 मिलियन से अधिक ब्रेनवर्कर्स हैं। लेकिन इस होशियार ऐ का पूरा फायदा उठाने के लिए, कंपनियों को वर्कफ़्लो और नौकरियों को फिर से परिभाषित करना होगा।

मस्तिष्क कार्यकर्ता - वे लोग जो काम पर निर्णय लेते हैं, कारण, संज्ञानात्मक प्रक्रियाओं में विचारों को बनाते हैं और लागू करते हैं जो दिनचर्या से संबंधित नहीं हैं - ज्यादातर इस बात से सहमत हैं। बड़ी कंपनियों में एआई के उपयोग पर एक बड़े अंतरराष्ट्रीय अध्ययन से लिए गए 150 से अधिक विशेषज्ञों में से लगभग 60% का कहना है कि एआई के साथ उनके नए सहयोग के कारण उनके पुराने नौकरी विवरण जल्दी से अप्रचलित हो रहे हैं। लगभग 70% कहते हैं कि उन्हें एआई के साथ काम करने से संबंधित नई आवश्यकताओं के कारण रिट्रीटिंग की आवश्यकता है। 85% सहमत हैं कि वरिष्ठ प्रबंधन को भूमिकाओं और मानसिक श्रमिकों की प्रक्रियाओं को बदलने के लिए आम प्रयासों में भी भाग लेना चाहिए। और एआई के साथ संयोजन में मानसिक श्रम के उपयोग को पुनर्विचार करने के कार्य को पूरा करने के लिए शुरू करना, वे निम्नलिखित सिद्धांतों में से कुछ को लागू कर सकते हैं:

विशेषज्ञ लोगों को एआई को बताएं कि उनके लिए क्या महत्वपूर्ण है। चिकित्सा निदान लें, जिसमें एआई हर जगह होने की संभावना है। अक्सर, जब एआई निदान जारी करता है, तो एल्गोरिथ्म का तर्क डॉक्टर को स्पष्ट नहीं होता है, जो किसी तरह रोगी को समाधान बताना चाहिए - यह एक ब्लैक बॉक्स समस्या है। अब, Google ब्रेन ने एक प्रणाली विकसित की है जो एक ब्लैक बॉक्स खोल सकती है और अपने काम को मानव भाषा में अनुवादित कर सकती है। उदाहरण के लिए, AI "कैंसर" के निदान का मूल्यांकन करने वाला एक डॉक्टर यह जानना चाहेगा कि मॉडल ने विभिन्न महत्वपूर्ण कारकों को ध्यान में रखा है - रोगी की आयु, पिछले कीमोथेरेपी, आदि।

Google से उपकरण भी चिकित्सा विशेषज्ञों को सिस्टम अवधारणाओं में पेश करने की अनुमति देता है जो वे महत्वपूर्ण मानते हैं और अपनी स्वयं की परिकल्पना का परीक्षण करते हैं। उदाहरण के लिए, एक विशेषज्ञ यह देखना चाहता है कि क्या निदान प्रणाली द्वारा पहले से बेहिसाब नए कारक की शुरूआत को बदल देगा। इस प्रणाली के विकासकर्ता बिन किम कहते हैं: “कई मामलों में, जब अनुप्रयोगों के साथ काम करना, जिस पर बहुत कुछ निर्भर करता है, किसी विशेष क्षेत्र के विशेषज्ञों के पास पहले से ही उन अवधारणाओं की एक सूची है जो उनके लिए महत्वपूर्ण हैं। हम Google ब्रेन में AI के मेडिकल अनुप्रयोगों में लगातार इसका सामना कर रहे हैं। उन्हें अवधारणाओं के एक सेट की आवश्यकता नहीं है - वे उन अवधारणाओं के मॉडल प्रदान करना चाहते हैं जो उनके लिए दिलचस्प हैं। "

ऐसे मॉडल बनाएं जो सामान्य ज्ञान से मेल खाते हों। साइबर सुरक्षा के बारे में चिंताओं के संचय के साथ, संगठन खतरों का विश्लेषण करने के लिए नेटवर्क में विभिन्न बिंदुओं पर डेटा संग्रह टूल का उपयोग कर रहे हैं। हालाँकि, इनमें से कई डेटा-आधारित तकनीक कई स्रोतों से डेटा को एकीकृत नहीं करती हैं। इनमें साइबर सुरक्षा विशेषज्ञों की सामान्य समझ भी शामिल नहीं है, जो स्पेक्ट्रम और हमलावरों के विभिन्न प्रकार के उद्देश्यों को समझते हैं, विशिष्ट आंतरिक और बाहरी खतरों और उद्यम के लिए जोखिम की डिग्री को समझते हैं।

डेटा और एआई के विज्ञान का अध्ययन करने वाले ब्रिटिश राज्य संस्थान एलन ट्यूरिंग इंस्टीट्यूट के शोधकर्ता इसे बदलने की कोशिश कर रहे हैं। उनका दृष्टिकोण बेसेसियन मॉडल का उपयोग करता है, एक संभाव्य विश्लेषण पद्धति जो जोखिम कारकों के जटिल अन्योन्याश्रय को ध्यान में रखती है और अनुमानों के साथ डेटा को जोड़ती है। एंटरप्राइज़ नेटवर्क की साइबर सुरक्षा में, इन जटिल कारकों के बीच नेटवर्क से जुड़े उपकरणों की एक बड़ी संख्या है, और उनके प्रकार, और हैकर्स, जोखिम और बहुत कुछ के बारे में संगठन के विशेषज्ञों का ज्ञान है। और यद्यपि कई एआई-आधारित साइबर स्पेस सिस्टम में अंतिम चरण में निर्णय लेने की क्षमता शामिल है, संस्थान के शोधकर्ता सिस्टम के सभी स्तरों पर विशेषज्ञता को शामिल करने के तरीकों की तलाश कर रहे हैं। उदाहरण के लिए, एक विशेषज्ञ की प्रेरणा और आईपी चोरी के माध्यम से हमले से जुड़े व्यवहार का ज्ञान - और वे कैसे अलग हैं, कहते हैं, डीडीओएस हमले से - सीधे शुरुआत से ही सिस्टम में प्रोग्राम किए जाते हैं। भविष्य में, यह ज्ञान, मशीनों और नेटवर्क के डेटा स्रोतों के साथ मिलकर, अधिक कुशल साइबर सुरक्षा प्रणालियों को प्रशिक्षित करने के लिए उपयोग किया जाएगा।

शुरुआती विशेषज्ञों को मान्यता प्राप्त विशेषज्ञ बनने में मदद करने के लिए एआई का उपयोग करें। एआई विशेषज्ञों में शुरुआती को जल्दी से बदलने में सक्षम है। एचपी ने दो साल में ग्राहक कॉल डेटा का विश्लेषण करने के लिए एआई लैब से एक संज्ञानात्मक कंप्यूटर प्लेटफॉर्म का उपयोग करके इसका प्रदर्शन किया। कॉल सेंटर ने कॉलों को वितरित करने के लिए एक कतार-आधारित प्रणाली का उपयोग किया, जिससे ग्राहकों को जवाब के लिए लंबे समय तक इंतजार करना पड़ा, और उपयोगकर्ता समर्थन की गुणवत्ता खराब थी। संज्ञानात्मक कंप्यूटर प्लेटफ़ॉर्म प्रत्येक विशेषज्ञ के अनूठे "सूक्ष्म कौशल" की पहचान करने में सक्षम था - पिछले कॉलों से प्राप्त विशेष प्रकार के उपयोगकर्ता अनुरोधों के बारे में ज्ञान। अब इसका उपयोग उन एजेंटों को कॉल पुनर्निर्देशित करने के लिए किया जाता है जिन्होंने पहले इसी तरह की स्थितियों को सफलतापूर्वक संभाला था। परिणामस्वरूप, पहली कॉल पर स्थिति को हल करने के लिए समर्थन केंद्र में 40% संकेतक में सुधार हुआ, और कॉल फॉरवर्डिंग की संख्या को 50% तक कम कर दिया।

एआई समर्थन विशेषज्ञों के प्रशिक्षण के साथ, वे अपने प्रोफाइल में मैन्युअल रूप से ऐसा करने की आवश्यकता को समाप्त करते हुए, स्वचालित रूप से अपने ज्ञान को अपडेट करते हैं। इसके अलावा, एक विशेषज्ञ को जितना अधिक ज्ञान प्राप्त होता है, उतना ही जटिल कार्य सॉफ्टवेयर उसे पुनर्निर्देशित करता है। इस बीच, सॉफ्टवेयर लगातार अपने ज्ञान में सुधार कर रहा है, और माइक्रो-कौशल के बारे में एआई निष्कर्ष उस दक्षता में सुधार करता है जिसके साथ एक विशेषज्ञ ट्रेन को प्रशिक्षित करता है। यह ध्यान देने योग्य है कि कई कंपनियां इस कार्य को फिर से करने के लिए काम कर रही हैं; उदाहरण के लिए, ASAPP स्टार्टअप सेवा समर्थन विशेषज्ञों को वास्तविक समय का प्रसाद प्रदान करता है।

एआई तकनीक का उपयोग करें जो प्रभावी रूप से आपके विशेषज्ञ वर्कफ़्लो को चिह्नित करने के लिए इनका उपयोग करता है। कई प्रकार के ज्ञान के विशेषज्ञ काफी दुर्लभ हैं, और प्रशिक्षण के लिए उपयुक्त बड़ी मात्रा में डेटा का उत्पादन नहीं करते हैं। लेकिन गहरी सीखने और मशीन सीखने, जिस पर एआई के क्षेत्र में कई सफलताएं आधारित हैं, नीचे से सिस्टम बनाने के लिए बड़ी मात्रा में डेटा की आवश्यकता होती है। भविष्य में, हम ऊपर से नीचे तक बनाए गए अधिक सिस्टम देखेंगे, जिन्हें बनाने और प्रशिक्षित करने के लिए बहुत कम डेटा की आवश्यकता होगी, जो उन्हें श्रमिकों के विशेष ज्ञान को देखने और ध्यान में रखने की अनुमति देगा।

ब्रेस्टनी विश्वविद्यालय विश्वविद्यालय में चिकित्सा इमेजिंग प्रयोगशाला और ब्रिटनी में चिकित्सा और दूरसंचार के संकाय द्वारा आयोजित हालिया प्रतियोगिता को लें। प्रतिभागियों ने चिकित्सा इमेजिंग प्रणालियों की सबसे बड़ी सटीकता में प्रतिस्पर्धा की, जो रिपोर्ट करने वाले थे कि न्यूनतम पल में मोतियाबिंद ऑपरेशन में प्रत्येक पल में किस सर्जन का उपयोग किया जाता है। विजेता एक मशीन विजन सिस्टम था, जिसे सर्जिकल ऑपरेशन के सिर्फ 50 वीडियो के साथ छह सप्ताह के लिए प्रशिक्षित किया गया था, जिनमें से 48 को अनुभवी सर्जन द्वारा संचालित किया गया था, एक एक सर्जन एक वर्ष का अनुभव था, और एक इंटर्न था। सटीक उपकरण मान्यता प्रणाली डॉक्टरों को विस्तार से सर्जिकल ऑपरेशन का विश्लेषण करने और उन्हें सुधारने के तरीकों की तलाश करने की अनुमति देती है। ऐसी प्रणालियों का उपयोग संभावित रूप से रिपोर्ट बनाने, सर्जन को प्रशिक्षित करने और वास्तविक समय में सर्जनों की सहायता करने में किया जा सकता है।

इन सभी उदाहरणों से संकेत मिलता है कि विभिन्न विषयों में इंजीनियर और अग्रणी एआई विकसित कर रहे हैं जो प्रशिक्षित और मूल्यांकन करना आसान हो सकता है, और इसमें अत्यंत मूल्यवान और अक्सर दुर्लभ विशेषज्ञ अनुभव भी शामिल हैं। इन नई क्षमताओं का लाभ उठाने के लिए संगठनों को अपने AI बजट की समीक्षा करने की आवश्यकता है। और इन दोनों प्रणालियों और मानसिक श्रमिकों के सबसे बाहर निकलने के लिए, उन्हें विशेषज्ञों और मशीनों की बातचीत पर पुनर्विचार करने की आवश्यकता है। जैसा कि आज के एमओ सिस्टम सामान्य श्रमिकों की क्षमताओं के पूरक हैं, कल की प्रणाली ज्ञान श्रमिकों की प्रभावशीलता को सार्वभौमिक स्नेह के पहले अप्राप्य ऊंचाई तक बढ़ाएगी