Najpopularniejsze tematy:

Premium

Materiał dostępny tylko dla Subskrybentów

Nie masz subskrypcji? Dołącz do grona Subskrybentów i korzystaj bez ograniczeń!

Jesteś Subskrybentem? Zaloguj się

Premium

Subskrybenci wiedzą więcej!

Nie masz subskrypcji? Dołącz do grona Subskrybentów i korzystaj bez ograniczeń!

Wybierz wariant dopasowany do siebie!

Jesteś Subskrybentem? Zaloguj się

X
Następny artykuł dla ciebie
Wyświetl >>
Zbuduj zróżnicowany zespół, aby zmierzyć się z wyzwaniami  AI

Często słyszy się radę: „zatrudniaj filologów „, ale ważne są praktyczne aspekty rekrutacji, szkolenia i integracji różnorodnych członków zespołu.

Określenie sztuczna inteligencja (AI) opisuje algorytmy działające na potężnych komputerach dla rozwiązania złożonych zadań, a informatycy to rzeczywiście specjaliści o najlepszych umiejętnościach w zakresie pisania takich algorytmów. A jednak systemy zaprojektowane przez ekspertów technicznych o wąskiej specjalizacji – takich jak informatycy, inżynierowie czy matematycy – mogą dawać rozczarowujące rezultaty, jako że każdy ekspert postrzega każdy problem wyłącznie przez pryzmat własnej dziedziny. Na przykład matematycy usiłują rozwiązać każdy problem posługując się statystyką.

Chociaż naturalne wydaje się założenie, że informatycy odgrywają wiodącą rolę w opracowaniu AI, nie każdy problem można rozwiązać w oczywisty sposób. Systemy dobrze realizujące swoje zadania są w istocie budowane przez bardziej wszechstronne zespoły. Zróżnicowane podejście może zwiększyć szanse na sukces projektu.

Kiedy nasz zespół w firmie Principal zabrał się do stworzenia opartego na sztucznej inteligencji narzędzia wspierającego proces decyzyjny dla analityków finansowych, doszliśmy do wniosku, że zasadniczy element stanowi różnorodność – a w naszym konkretnym przypadku zatrudnienie w zespole dostatecznej liczby filologów.

Wszystko opera się na tekście

Naszym celem było stworzenie systemu AI, który przedrze się przez raporty finansowe i serwisy wiadomości, odpowiednio zaznaczając najpilniejsze elementy i nadając priorytet krytycznym informacjom wymagającym dalszej analizy przez ludzi. Ta cyfrowa selekcja miała zwiększyć świadomość najistotniejszych warunków rynkowych u analityków, tak aby ich osądy miały mocne oparcie w faktach i tym samym aby mogły odnieść lepszy skutek.

Konwersja słowa pisanego na formę matematyczną, którą można przetwarzać maszynowo, nie jest prostym zadaniem. Sam rozbiór słów może zniszczyć znaczenie, a to sprawia, że przetwarzanie języka naturalnego jest trudne. Najpowszechniej używane pakiety oprogramowania AI rozpoczynają analizę od odrzucenia słów pomocniczych (stop words) – są to słowa, które nie wnoszą nic do tekstu z punktu widzenia logiki i przekazu i nie niosą za sobą żadnych istotnych treści, czyli najczęściej zaimki, przyimki, liczebniki itp.; słowa te są pomijane przez wyszukiwarki – takich jak the, was, czy for. Stoi za tym teoria, że te najczęściej występujące w języku angielskim słowa wnoszą niewiele informacji do zdania. Następnie proces lematyzacji redukuje słowa do form podstawowych, pozbawiając je takich atrybutów, jak: czas, tryb, rodzaj i tak dalej: studying (studiując) i studied (studiował) stają się study (studiować); went (poszedł) staje się go ().

Maszynie łatwiej jest przetwarzać skondensowane wyrażenia przy użyciu statystyki głównie dlatego, że to, co pozostaje, jest pozbawione niuansów, a ostatecznie także znaczenia. To dlatego projekt analizujący tekst przy użyciu AI odniesie same korzyści, jeśli zespół programistów jest bardziej zróżnicowany i ma w składzie filologów – językoznawców, którzy wiedzą, że istnieje lepszy sposób na przetwarzanie języka.

Rozbiór słów może zniszczyć znaczenie, a to sprawia, że przetwarzanie języka naturalnego jest trudne

Dobieranie prawdziwie zróżnicowanego zespołu

Jak buduje się zespół zajmujący się analizą tekstu? Przetwarzanie znaczenia to zasadniczo ludzkie działanie wymagające – to prawda – zastosowania statystyki i matematyki, ale także językoznawstwa, psychologii poznawczej, socjologii, etnografii oraz dyscyplin z grupy STEM (science, technology, engineering, and math – nauka, technologia, inżynieria i matematyka). Wymaga wykorzystania wiedzy z wielu dyscyplin wzajemnie ze sobą współpracujących, a nie jednej czy dwóch dyscyplin użytych oddzielnie.

Skutecznie działający zróżnicowany zespół potrzebuje ekspertów z każdej z dyscyplin spoza grupy STEM, którzy wniosą swój wkład w zrozumienie tekstu oraz tego, jak ludzie wykorzystują słowa, aby się komunikować. (Dla uproszczenie będziemy w skrócie nazywać filologami ekspertów wszystkich dyscyplin spoza grupy STEM). Eksperci tych dyscyplin są w stanie wychwycić subtelne różnice między amerykańskim angielskim a brytyjskim angielskim, a także to, jak reguły gramatyczne zmieniają się zależnie od użytego zbioru zasad redakcyjnych (stylebook); wykryją subtelności rytmu i doboru słów, odzwierciedlające frazowanie użyte przez poetę czy styl powieściopisarza. W skrócie, owi filolodzy wniosą cenną perspektywę, o której inżynierowie nie mają pojęcia.

Ustanowienie wspólnych standardów dla efektywnej współpracy

Zbudowanie zaawansowanego systemu AI wymaga znacznie lepiej przemyślanych działań niż samo zatrudnienie najbardziej uzdolnionych informatyków i zlecenie im wykonania zadania. I nie wystarczy też dorzucenie do tego składu kilku humanistów i oczekiwanie natychmiastowych rezultatów.

Wszyscy członkowie zespołu muszą posługiwać się tym samym językiem. Aby móc metodycznie współpracować na rzecz osiągnięcia większego celu, zarówno inżynierowie, jak i członkowie zespołu reprezentujący nauki „miękkie” muszą mieć ten sam układ odniesienia. A to oznacza, że osoby niebędące inżynierami należy przeszkolić tak, aby ich podejście było naukowo rygorystyczne. Doprowadzenie filologów do sytuacji, w której spełniają standardy typowe dla inżynierów, to intensywny, ale niezbędny proces, wymagający nauczenia ich języka inżynierii i stworzenia struktury niezbędnej dla odniesienia sukcesu.

Oczywiście nie oczekiwaliśmy tego, że filolodzy wykorzystają odbyte szkolenia po to, aby wykonywali robotę informatyków; chodziło nam o to, aby pracowali w ramach wspólnego układu odniesienia z kolegami inżynierami. Ci inżynierowie byli już nieźle zorientowani w tematyce dotyczącej zarządzania projektem, certyfikowanej analityki oraz programów inżynierii systemowej – w teorii. Menedżerowie ze zdziwieniem odkryli, że nawet w obrębie tej samej dyscypliny każda szkoła nauczała czegoś nieco innego. A zatem inżynierowie przeszli przez tę samą baterię szkoleń co filolodzy.

W firmie Principal każdy członek zespołu uzyskał certyfikat Profesjonalnego Zarządzania Projektem, który wymagał intensywnej nauki w zakresie uruchamiania, realizacji oraz monitorowania złożonych projektów, plus co najmniej sześciomiesięcznego doświadczenia w prowadzeniu projektu. Następnie, aby wszyscy członkowie zespołu niebędący inżynierami mieli aktualną wiedzę na temat konwersji danych na odnośne wnioski – a to było głównym celem naszego projektu – wszyscy członkowie zespołu ukończyli program Profesjonalnej Analityki Certyfikowanej oferowany przez Informs. I wreszcie sprowadziliśmy najlepszych ekspertów od AI dla przeprowadzenia szkolenia w zakresie inżynierii systemów w celu ujednolicenia podejścia zespołu do wykonania serii niezwykle złożonych projektów niezbędnych dla zbudowania narzędzia AI.

Zastosowanie ujednoliconych wymogów szkoleniowych dla wszystkich gwarantuje, że każdy startuje z tego samego poziomu. Nikt nie jest traktowany wyjątkowo ani faworyzowany. Każdy rozumie, że filolodzy mają równie krytyczne znaczenie, jeśli chodzi o problem z związany z językiem, jak inżynierowie, jeśli chodzi o kwestie związane z dyscyplinami z grupy STEM. I jedni, i drudzy są równie ważni w osiągnięciu sukcesu.

Oczywiście naszym filologom było znacznie trudniej uporać się z tymi obcymi im tematami i dlatego nigdy nie zostawiliśmy ich samych sobie w realizacji tych coraz trudniejszych zadań. Zawsze łączyliśmy ich w pary z inżynierami, którzy instruowali ich w zakresie najtrudniejszych koncepcji i wskazywali drogę poprzez proces realizacji celu projektu.

Nasze działania są oparte na pracy zespołowej – i nie jest to zadanie dla każdego. Ale w trakcie zatrudniania członków zespołu nauczyliśmy się, jak wypatrzeć zmotywowanych graczy do zespołu.

Ponieważ AI zajmuje się tym, co niejednoznaczne, potrzebujesz kogoś, kto wykazuje umiejętność do przystosowania się do tego, co wieloznaczne i radzenia sobie z wieloznacznością

Znajdź wojowników

Potencjalnym kandydatom od samego początku mówiliśmy, w co się pakują. Dogłębny proces selekcji obejmował serię trzech rozmów i wyraźnie informował o tym, jak wielkiego wysiłku projekt będzie wymagał. Dla wybranych przez nas kandydatów najciekawsza była możliwość wyjścia poza swoją dyscyplinę i nie tylko poznania, ale i opanowania do perfekcji umiejętności w nowej dyscyplinie wiedzy.

Podczas rozmów o pracę jest normalnym, że natykamy się na kandydatów gotowych zasypać nas długą listą swoich umiejętności, certyfikatów i zdolności, ale tak naprawdę tutaj potrzebny jest wojownik: kandydat, który co prawa nie ma dokładnie tego zestawu umiejętności, jakiego szukamy, ale który wykazuje chęć opanowania ich. Ponieważ AI zajmuje się tym, co niejednoznaczne, potrzebujesz kogoś, kto wykazuje umiejętność do przystosowania się do tego, co wieloznaczne i radzenia sobie z wieloznacznością; szukaj kogoś, kogo charakteryzuje ciągła gotowość do uczenia się i ciekawość. Kadra kierownicza powinna uwrażliwić swoje wydziały zasobów ludzkich, aby nie odrzucały automatycznie podań od absolwentów studiów humanistycznych nawet w przypadku stanowisk wysoce technicznych.

Należy zdecydowanie unikać wysoko wykwalifikowanych osób, które latają samotnie, krzycząc „Ja to zrobiłem”, a nie „My to zrobiliśmy”. Taki kandydat na nic się zda w projekcie opartym na pracy zespołowej.

Zbudujmy lepszą przyszłość z AI

Cała ta ciężka praca naszego zespołu opłaciła się dzięki temu, że pozwoliła nam opracować funkcjonalny system AI, który daje pewne pojęcie o tym, jak może wyglądać przyszłość AI. Wraz z tym, jak algorytmy AI będą coraz potężniejsze, potrzeba wąskiej specjalizacji oraz wiedzy eksperckiej po stronie operatorów maszyn będzie maleć.

Systemy rozszerzonej inteligencji zacieśniają więzi między AI a korzystającymi z niej ludźmi, przyswajając dostępne dane oraz wiedzę naukową na dany temat i dostarczając ludzkiemu operatorowi rekomendacji. Na przykład w medycynie te systemy już dowiodły, że są równie dobre albo nawet lepsze od lekarzy w diagnozowaniu pewnych schorzeń. I chociaż w przewidywalnej przyszłości lekarze nie zostaną zastąpieni przez aplikację na iPhone’a, te systemy AI wesprą ocenę dokonywaną przez lekarzy, wychwytując rzadkie czy mało widoczne symptomy, które zostały wspomniane jedynie w przypisach jakiegoś mało znanego czasopisma medycznego. System AI, który rozumie tekst, może przeczytać wszystko i nigdy nie zapomina.

Wraz z tym, jak przechodzimy w kierunku inteligentnego działania, które wykorzystuje rozszerzoną inteligencję dla wzmocnienia zdolności wykwalifikowanych operatorów ludzkich, czysto techniczna wiedza ludzi straci na znaczeniu. Krytycznego znaczenia nabierze osąd, a wszechstronna edukacja zacznie mieć zasadnicze znaczenie.

W trakcie budowania różnorodnego zespołu AI dowiedzieliśmy się, jak ważne jest znalezienie wszechstronnych kandydatów. O ile zespół „najlepszych z najlepszych”, złożony z członków o tym samym wysokim poziomie, doświadczenia, praktyki i wykształcenia, może trafić na przeszkodę, doświadczyliśmy bezpośrednio tego, że to różnorodny zespół jest w stanie odnieść sukces. Sprytne firmy dokonają zróżnicowania swojej puli talentów, aby wyprzedzić konkurencję.

Joseph Byrum

Joseph Byrum jest głównym ekspertem ds. danych w Principal, globalnej firmie inwestycji finansowych i ubezpieczeń, mającej główną siedzibę w Des Moines w stanie Iowa.

Polecane artykuły


Najpopularniejsze tematy