Jonathan Conradt: [00:00:00] W swojej istocie AI jest wywołaniem funkcji. To jak Excel — masz funkcję sumowania. Wszyscy jej używacie, podajecie listę kolumn lub wierszy, które chcecie dodać, a ona przyjmuje to jako dane wejściowe i tworzy wynik. I tym właśnie jest AI.
David Rice: Witajcie w podcaście People Managing People. Naszą misją jest budowanie lepszego świata pracy oraz pomaganie wam w tworzeniu szczęśliwych, zdrowych i produktywnych miejsc pracy. Nazywam się David Rice.
Moim dzisiejszym gościem jest Jonathan Conradt. Niedawno odszedł z firmy Amazon, gdzie pracował jako główny naukowiec zajmujący się AI. Będziemy rozmawiać o AI, uczeniu maszynowym oraz o tym, co musi się wydarzyć w zakresie edukacji dotyczącej technologii, które są wdrażane do pracy wykonywanej codziennie przez ludzi.
Jon, witaj.
Jonathan Conradt: Dziękuję.
David Rice: Na początek opowiedz nam trochę o sobie, o tym, jak znalazłeś się w tym miejscu, oraz o największym wyzwaniu, którym obecnie się zajmujesz.
Jonathan Conradt: Tak więc od dawna pracuję w branży technologicznej.
Byłem w pierwotnym zespole Chrome w Google. Dołączyłem do niego, gdy liczył około [00:01:00] 40 osób. Jeśli kiedykolwiek korzystaliście z wersji Chrome na komputery Mac lub Linux, to właśnie tym się zajmowałem. Następnie pracowałem w eBayu, gdzie zarządzałem marketingiem i wdrażałem AI oraz uczenie maszynowe — zarówno na stronie, jak i poza nią.
Później przez 12 lat pracowałem w Amazonie. W pewnym momencie odkryłem, że istniały świetne projekty AI, których nie zatwierdzano, oraz dość kiepskie projekty AI, które zatwierdzano. Główny problem polegał na tym, że Amazon miał naprawdę inteligentnych ludzi, naprawdę inteligentnych wiceprezesów.
Byli dobrze wykształceni, mieli świetne doświadczenie i doskonale znali swoje firmy, ale AI pojawiło się dla nich z zupełnie niespodziewanej strony. Nie bardzo wiedzieli, jak sobie z nim radzić ani co się z nim wiąże. Mieli trudności z podejmowaniem dobrych decyzji dotyczących tego, w co powinniśmy inwestować. W efekcie traciliśmy świetne pomysły, a czasami inwestowaliśmy w rzeczy, które nie miały dobrze zadziałać.
W mniej więcej ostatnim roku mojej pracy w Amazonie większość czasu poświęcałem na [00:02:00] przygotowywanie programu nauczania i szkolenie wiceprezesów oraz dyrektorów z całego świata w Amazonie w zakresie uczenia maszynowego i AI. W końcu pomyślałem: skoro wewnątrz Amazona, w firmie technologicznej, panuje taki bałagan, to jak wygląda sytuacja poza Amazonem?
Dlatego zdecydowałem się odejść z Amazona i robić takie rzeczy jak ta — pomagać ludziom zrozumieć, czym jest AI, gdzie należy zachować ostrożność, gdzie trzeba działać odważnie oraz jak najlepiej je wykorzystać.
David Rice: To interesujący i bardzo ważny moment, aby się tym zajmować.
Jest wiele rzeczy, które — moim zdaniem — AI i uczenie maszynowe mogą robić. Część tego, czym interesują się firmy, wynika z faktu, że jest to nowa, lśniąca technologia. Ludzie mają bardzo duże pomysły, ale istnieje też wiele praktycznych rozwiązań, o których rozmawialiśmy przed rozpoczęciem rozmowy. Są one znacznie bardziej praktyczne i mogą pomóc firmom zaspokoić bieżące potrzeby.
Czy możesz podać nam dobre przykłady takich zastosowań oraz powiedzieć, gdzie HR może wdrożyć coś, co przyniesie natychmiastowy efekt?
Jonathan Conradt: Tak. [00:03:00] Generatywna AI jest tą lśniącą kulą, która przyciąga uwagę wszystkich, prawda? Okazuje się jednak, że tradycyjne uczenie maszynowe również poczyniło w ostatnich latach ogromne postępy.
Jednym z przykładów jest automatyczne uczenie maszynowe. Naukowcy przyglądali się swojej pracy i zauważyli, że za każdym razem wykonują zasadniczo te same kroki. Pojawiła się więc możliwość zautomatyzowania całego procesu. Istnieje bardzo dobry pakiet open source o nazwie autogluon.
Jest naprawdę niezwykły. Kiedy go zobaczyłem, przeżyłem mały kryzys egzystencjalny. Uświadomiłem sobie, że ktoś z przyzwoitą znajomością SQL i odrobiną wiedzy na temat Pythona może w ciągu jednej nocy stworzyć model światowej klasy, którego opracowanie zajęłoby mi potencjalnie kilka miesięcy.
To bardzo przydatne. W HR jest wiele rzeczy, które trzeba robić. Możecie chcieć klasyfikować różne dane. Na przykład możecie chcieć identyfikować osoby, które skorzystałyby ze szkolenia przywódczego, albo pracowników, którym grozi [00:04:00] odejście z firmy. Takie rzeczy mogą wykonywać dla was te modele.
Istnieją też prognozy dotyczące liczb. Ilu życiorysów spodziewamy się otrzymać? Ilu ludzi będziemy potrzebować do pracy w magazynie za dwa tygodnie? Tego rodzaju przewidywania liczbowe również wychodzą im bardzo dobrze. Mogą także analizować szeregi czasowe, co jest przydatne na przykład do rozumienia sezonowości danych.
Nie jestem pewien, jak bezpośrednio odnosi się to do HR, ale z pewnością istnieją w HR zjawiska sezonowe, które warto śledzić. Niezwykłe jest to, że osoba posiadająca dane może w zasadzie stworzyć model światowej klasy w zaledwie trzech linijkach kodu. Uważam to za niesamowite.
David Rice: Tak, to bardzo interesujące. Oczywiście HR ma coraz więcej danych, prawda? Zwłaszcza że ciągle wdrażamy nowe narzędzia.
Wiem też, że w przeszłości mówiłeś trochę o odpowiedzialnej AI i wspominałeś, że jest to [00:05:00] trudne, jeśli chodzi o HR. Opowiedz nam trochę o najważniejszych kwestiach etycznych związanych z AI i HR.
Co musimy rozwiązać w tych modelach, zanim zaczniemy szerzej wykorzystywać je w działaniach HR?
Jonathan Conradt: W Amazonie mamy partnerów biznesowych HR, prawda? Są przypisani do zespołów i można się do nich zwrócić po poradę. Kiedy zaczęliśmy pracować nad modelami uczenia maszynowego, które miały wykorzystywać dane klientów do przewidywania różnych kwestii dotyczących klientów, HR i dział prawny okazali się dla nas niezwykle ważnymi partnerami biznesowymi. Informatycy i naukowcy mogli kiedyś mieć zajęcia z badań nad ludźmi na studiach, ale dla pracowników HR takie przepisy i obawy są najważniejsze.
Naukowcy oraz osoby tworzące modele mają więc wyjątkową możliwość współpracy z HR i zadawania mu dobrych pytań.
Jak chcemy zarządzać kwestią płci? Jakie mamy wrażliwe obszary dotyczące rasy? Pracownicy HR znają takie kwestie od podszewki, [00:06:00] prawda? Jednocześnie podobne problemy mogą pojawić się w samym projekcie HR. Załóżmy, że organizacja HR chce coś zrobić. Wszystkie te kwestie są bardzo wrażliwe.
Klasyczny przykład to automatyzacja życiorysów napływających do organizacji oraz ich klasyfikowanie lub sortowanie w celu zwiększenia efektywności. Pojawia się tu zagrożenie, ponieważ modele uczenia maszynowego oszukują. Są nieustannymi oszustami. Znajdą najkrótszą drogę do odpowiedzi, jaką tylko mogą.
Model może na przykład nauczyć się, że osoby, które wspominają w życiorysie, że w liceum grały w lacrosse, historycznie były zatrudniane i awansowane w firmie. Może to być historyczne uprzedzenie, którego nie chcemy uwzględniać w filtrach dotyczących zatrudniania lub rozmów kwalifikacyjnych.
Nie spodziewalibyście się, że takie słowo stanie się ważne dla modelu. Jednak, jak wspomniałem, modele oszukują. Znajdują wszystkie takie drobne zależności. [00:07:00] Odpowiedzialna AI to cały zestaw koncepcji dotyczących tego, jak najlepiej zarządzać relacją między naszymi celami a ludźmi, których te cele dotyczą — klientami, pracownikami czy kandydatami do pracy.
Jak zarządzać ich danymi? Jak zapewnić sprawiedliwe traktowanie różnych grup? Jak uczciwie i przejrzyście wyjaśnić im, co robi model uczenia maszynowego? To interesujący obszar etyki. Specjaliści HR poświęcają dużo czasu na myślenie o etyce, dobrym traktowaniu ludzi i właściwym postępowaniu wobec nich.
Odpowiedzialność jest więc fascynującym obszarem dla HR i dotyczy wielu rozwiązań HR. Załóżmy, że chcesz stworzyć model przewidujący, który z obecnych pracowników zostanie wiceprezesem za sześć lat. To użyteczny model, prawda? Chcesz zatrzymać te osoby w firmie i je rozwijać.
Jednocześnie podczas tworzenia takiego modelu trzeba zachować szczególną [00:08:00] ostrożność. Jeśli wszyscy obecni wiceprezesi, którzy stanowią dane treningowe, ukończyli głównie uczelnie Ivy League albo są mężczyznami, wszystkie te czynniki znajdą się w danych treningowych.
Aby postąpić właściwie z punktu widzenia odpowiedzialnej AI, trzeba usunąć czynniki, które nie powinny być brane pod uwagę. Nie pozwalaj modelowi dostrzegać ani wnioskować na podstawie rzeczy, których nie uwzględniłbyś podczas rzeczywistego awansu. Odpowiedzialna AI jest naprawdę interesująca. W internecie dostępne są poświęcone jej kursy i liczne publikacje, a regulacje nadchodzą. Obowiązują już w Unii Europejskiej, a pojawią się także w Stanach Zjednoczonych. Prawdopodobnie były już kilka razy przedstawiane w Kongresie. To kolejny obszar, w którym HR prawdopodobnie wyprzedza wielu naukowców, więc może być świadomy tych zagadnień i pomagać im je zrozumieć.
David Rice: Tak, to bardzo ważne. Jak powiedziałeś, określone dane mogą utrwalać uprzedzenia. Niedawno rozmawiałem z kimś, kto powoływał się na badanie mówiące, że kobiety są o [00:09:00] 75 procent mniej skłonne do eksperymentowania z AI niż mężczyźni. Pomyślałem wtedy: jakie dane to tworzy?
AI może się na ich podstawie uczyć niemal permanentnego uprzedzenia, że kobiety nie mają określonych umiejętności. Nie wiem. To jak ze wszystkim — każda akcja wywołuje reakcję, prawda?
Jonathan Conradt: Tak, to interesujące. Weźmy duży model językowy, na przykład ChatGPT firmy OpenAI. Firma nie wykorzystuje bezpośrednio do trenowania modelu wszystkiego, co wpisujesz.
Ludzie wpisują najróżniejsze absurdalne, straszne i okropne rzeczy, prawda? Dane treningowe są najcenniejszym zasobem firmy zajmującej się AI. Nie chcesz ich rozcieńczać ani dodawać do nich śmieci, dlatego bardzo uważnie się z nimi obchodzisz. Istnieją jednak sygnały, które modele wychwytują ze sposobu, w jaki ludzie z nimi wchodzą w interakcję.
Jednym z takich sygnałów jest to, czy powtórzyłeś pytanie. Załóżmy, że pytasz OpenAI o coś związanego z wojną koreańską i otrzymujesz odpowiedź, a następnie zadajesz zasadniczo to samo pytanie w nieco inny sposób. To dobry sygnał, że odpowiedź nie była wystarczająco dobra. [00:10:00] W końcu zadałeś pytanie i otrzymałeś odpowiedź, która najwyraźniej ci się spodobała.
To dobry sygnał dla twórców modelu. Jeśli jednak w interakcjach z systemem występują uprzedzenia związane z płcią, dochodami czy położeniem geograficznym, system naturalnie uczy się robić to, co podoba się danej osobie lub grupie.
Dobrym przykładem jest sytuacja, choć nie wiem, czy jest prawdziwa — to tylko plotka — gdy modele OpenAI używały specyficznego języka. W ich odpowiedziach pewne słowa pojawiały się częściej niż w normalnej rozmowie między tobą a mną. Ktoś w końcu powiedział: „To wygląda jak sposób mówienia ludzi w Kenii”. Chyba chodziło o Kenię, ale mógł to być inny kraj afrykański.
Podczas tworzenia tych modeli stosuje się proces zwany uczeniem przez wzmacnianie na podstawie informacji zwrotnej od ludzi. Zadajesz pytanie, AI generuje pięć odpowiedzi, a następnie wybierasz najlepszą. Działy się dwie rzeczy.
Po pierwsze, ludzie wybierali najdłuższą odpowiedź, która niekoniecznie była najlepsza, ale wydawała się taka, jaka powinna być najlepsza. Model zaczął więc tworzyć coraz dłuższe odpowiedzi. Po drugie, ludzie naturalnie wybierali odpowiedzi brzmiące tak, jak sposób, w jaki sami mówią. W rezultacie duża grupa wykonawców w afrykańskim kraju najwyraźniej reagowała na język i ton, które były im znane z własnego kraju — nieco inne niż amerykańska i brytyjska odmiana angielskiego.
W ten sposób zostało to wychwycone i ludzie zaczęli tworzyć narzędzia rozpoznające odpowiedzi AI na podstawie dziwnego rozkładu słów — dziwnego w kontekście Stanów Zjednoczonych. To przykład tego, jak uprzedzenia mogą przenikać do AI na wiele sposobów. Jeśli więcej mężczyzn korzysta z systemu, może on zacząć odpowiadać w sposób bardziej satysfakcjonujący dla mężczyzn niż dla kobiet.
Może też bardziej interesować się odpowiadaniem na kwestie, o których mówi większość populacji, albo zacząć naśladować dialekty osób szkolących model.
David Rice: Fascynujące.
Jedną z rzeczy, które stale się pojawiają, są zabezpieczenia. Jeśli chodzi o sposób korzystania z AI, często mówi się o zabezpieczeniach dotyczących pracowników. Czasami zastanawiam się jednak, czy nie trzeba wprowadzić większej liczby zabezpieczeń dotyczących kadry zarządzającej — na przykład po to, aby nie dopuścić do nadmiernego inwestowania w niewłaściwe rzeczy.
David Rice: Jeśli chodzi o samą technologię, zastanawiam się, ile zabezpieczeń możemy faktycznie nałożyć na korzystanie z niej przez pracowników. Czy przed wdrożeniem tych narzędzi i udostępnieniem ich pracownikom potrzebna jest edukacja kadry zarządzającej?
Jonathan Conradt: Jest tu wiele kwestii do omówienia. Po pierwsze, warto wiedzieć, że po stronie naukowej również mówimy o zabezpieczeniach. Istnieją modele ochronne, które reagują, gdy ktoś wpisuje pytanie: „Jaki jest najlepszy sposób zbudowania bomby z nawozu?”
Gdy pojawia się takie pytanie, modele ochronne są małe, szybkie i precyzyjnie dostrojone do identyfikowania przemocy, działań nielegalnych lub nieetycznych. Po prostu odrzucają pytanie, ponieważ nie ma sensu wykonywać kosztownego przetwarzania, skoro nie wolno odpowiadać na takie pytania. Następnie istnieje kolejne zabezpieczenie działające po udzieleniu odpowiedzi przez AI. Jego zadaniem jest sprawdzenie, czy nie udało się nakłonić AI do przekazania informacji, których nie powinna przekazywać, na przykład instrukcji budowy bomby.
Próbuje ono wykryć, czy AI zeszła z właściwej drogi, i odrzuca wynik. To techniczne znaczenie terminu „zabezpieczenia”.
Zabezpieczenia dotyczące pracowników są interesującym problemem, ponieważ każdy ma telefon. W swoim domu zbudowałem maszynę, która może uruchamiać AI, i mam sposób, aby łączyć się z nią przez telefon. Mogę robić z tą maszyną, co chcę.
Mógłbym rozmawiać z nią o wszystkim i wysyłać do niej dowolne dokumenty. Jeśli całkowicie odetniesz pracowników i nie zapewnisz im żadnego dostępu do takich narzędzi, po prostu znajdą sposób. Narzędzia są dla nich zbyt wartościowe. Skracają pisanie wiadomości e-mail z 20 do 5 minut, ponieważ mogą rozpocząć tekst, a następnie wrócić do niego i go edytować.
Ludzie będą chcieli z tego korzystać. Duży problem z całkowitym odcięciem pracowników i niezaoferowaniem im żadnej alternatywy polega na tym, że zaczną używać modeli, do których nie masz dostępu, kontroli ani wglądu. Mogą robić naprawdę nierozsądne rzeczy, na przykład przesyłać dokumenty firmowe do takich modeli.
Jeśli zajrzysz do warunków korzystania z modeli OpenAI, Google i prawdopodobnie wszystkich innych, znajdziesz informację, że wszystko, co wprowadzisz do modelu, może być przez firmę bezterminowo i bezpłatnie wykorzystywane do ulepszania lub rozwijania modelu. Nie chcesz więc, aby ktoś [00:15:00] przesłał tam plany biznesowe na kolejny rok, budżet czy listy pracowników — byłby to koszmar.
Na szczęście istnieją sposoby na zapewnienie dobrych zabezpieczeń. Większość tych systemów AI oferuje obecnie konta firmowe. Mój były pracodawca, Amazon, ma bardzo dobre rozwiązanie, w ramach którego każdy może korzystać z własnej AI, a dane są odseparowane, więc nic nie jest przesyłane do Amazona ani udostępniane firmie.
Uważam, że to dobra droga naprzód. Większość firm zaoferuje podobne rozwiązania.
A co z kadrą zarządzającą? Mamy tu ten sam problem. Po pierwsze, wiemy, że osoby zarządzające są tak samo skłonne jak inni pracownicy do przesyłania poufnych dokumentów do AI. W rzeczywistości mogą być pod tym względem nawet gorsze.
Ich wiedza na temat tego, gdzie faktycznie działa AI, jest ograniczona. Trudno im stwierdzić, czy system działa we własnym środowisku IT, jest chroniony i bezpieczny, czy też jest przypadkową usługą zewnętrzną w internecie. Kadrze zarządzającej może być trudno to ustalić, ponieważ są ekspertami w swojej [00:16:00] pracy.
Są dobrze wyszkoleni, inteligentni i wykształceni, ale nie są specjalistami IT. Pojawia się więc problem: kiedy już ich przeszkolimy — podobnie jak podczas szkoleń z phishingu — żeby nie klikali w określone linki i nie przesyłali dokumentów, dobrze byłoby zapewnić im dostęp do czegoś użytecznego, dobrze chronionego, oficjalnego i rejestrowanego.
To jednak nie są projekty. Projekty to inicjatywy w rodzaju: „Zastąpimy cały dział obsługi klienta tym systemem AI”. Niektóre firmy już próbowały takich działań. Były to organizacje, które bardzo szybko przyjęły tę technologię, wydały ogromne pieniądze, napotkały ogromne trudności i prawdopodobnie nie odniosły sukcesu, ale były pierwszymi użytkownikami.
Firmy, które dopiero teraz myślą o takich projektach, nazwałbym szybkimi naśladowcami. Mogą spojrzeć na to, co działa na rynku. Ceny dramatycznie spadły, więc nie wydadzą aż tak dużo. Pojawiły się też dobre badania dotyczące mierzenia wpływu takich rozwiązań.
Weźmy obsługę klienta. Nie znam nikogo, kto naprawdę chciałby, aby przekierowano go do czatu, żeby mógł porozmawiać z maszyną o swoim problemie. Z pewnością nie chcą tego najlepsi klienci. Można zwiększyć efektywność niektórych procesów i wykorzystywać AI w tych obszarach, ale trzeba zachować ostrożność.
Jedną z pierwszych rzeczy powinno być stworzenie dobrego modelu pozwalającego odróżnić kosztowny i poważny problem, który można rozwiązać, od połączeń generujących duże koszty, ale dotyczących prostych kwestii, na które łatwo odpowiedzieć, takich jak zmiana hasła.
Tak, zabezpieczenia dla kadry zarządzającej są prawdziwym problemem. To jeden z powodów, dla których odszedłem z Amazona — chciałem prowadzić z firmami rozmowy na ten temat i dokładnie analizować, jakie mają dane, jakie doświadczenie, jaki problem próbują [00:18:00] rozwiązać, czy chcą dzięki temu zarabiać więcej, czy oszczędzać, jakie są ich cele i czy próbowały prostszego rozwiązania.
Myślę, że istnieją trzy rodzaje firm. Pierwsze to organizacje wcześnie wdrażające nowe technologie. Próbowały różnych rzeczy, wydawały ogromne kwoty, podejmowały duże ryzyko i prawdopodobnie nie odnosiły sukcesu. Druga grupa to ci, którzy nigdy tego nie zrobią. Są przekonani, że to kolejna kryptowaluta, wielka moda, która nie zadziała. W przeszłości unikali takich rzeczy i nadal będą robić wszystko po staremu.
Te firmy mają szczególne problemy, ponieważ nie chodzi tu o chwilową modę. To bardziej przypomina nadejście elektryczności. Trzecia grupa to organizacje szybko podążające za liderami. Dopiero analizują dane, zastanawiają się, jak mierzyć efekty, i rozpoczynają pilotaże.
Zaoszczędziły dużo pieniędzy, ponieważ ceny spadły, i dopiero teraz zaczynają wdrażać te rozwiązania. Myślę, że [00:19:00] to właśnie te organizacje odniosą sukces. Dogonią pierwszych użytkowników, ponieważ wydajność modeli osiągnie szczyt.
W pewnym momencie modele będą tak dobre, jak mogą być przez długi czas. Osiągną pewien poziom stabilizacji. Pierwsi użytkownicy dotrą do niego jako pierwsi, ale nawet jeśli zaczniesz później, tempo rozwoju tych technologii jest tak szybkie, że firma szybko podążająca za liderami dotrze tam w odpowiednim czasie.
David Rice: Tak, krzywa uczenia się i związane z nią trudności nie będą aż tak poważne, prawda? Wiele z nich zostanie już pokonanych.
Czasami zastanawiam się, czy ludzie mają wystarczająco podstawową wiedzę o działaniu uczenia maszynowego, aby rozumieć, jak najlepiej z niego korzystać. Czy twoim zdaniem tak jest? Co możemy zrobić, aby w najbliższym czasie zmienić tę sytuację w zakresie szkoleń i rozwoju?
Jonathan Conradt: Zdecydowanie nie mają wystarczającej wiedzy. Wiele osób technicznych w firmach również jej nie ma. Byłem na Uniwersytecie Pensylwanii, w Wharton, i prowadziłem dla studentów studiów magisterskich wykład o tym, czym jest uczenie maszynowe. Trwał około pół godziny i w pewnym momencie wyjaśniłem, że w swojej istocie AI jest wywołaniem funkcji.
To jak Excel. Masz funkcję sumowania, podajesz listę kolumn lub wierszy, które chcesz dodać, a funkcja przyjmuje dane wejściowe i tworzy wynik. Tym właśnie jest AI.
Jeśli pomyślisz o funkcji sumowania, to pomiędzy kolejnymi użyciami nie zastanawia się ona nad tym, co ostatnio powiedziała. Nie knuje przeciwko tobie, nie marzy i w pewnym sensie nie istnieje. Istnieje tylko w chwili, w której jest używana, a potem znika.
AI jest zasadniczo matematycznym obiektem będącym funkcją. Przyjmuje dane wejściowe, przetwarza je i tworzy wynik. Wiele niesamowitych, magicznych rzeczy, które potrafi robić, [00:21:00] wynika tak naprawdę z dodatków i kodu napisanego wokół AI w celu organizowania danych i innych elementów.
To skomplikowane. Trochę przypomina oczekiwanie, że każdy dokładnie zrozumie działanie układu wtrysku paliwa. Większość ludzi nawet nie wie, co to oznacza, a mimo to potrafi prowadzić samochód i korzystać z niezawodnych systemów.
Myślę więc, że każdej grupie lub podgrupie w organizacji trzeba pomóc osiągnąć właściwy poziom zrozumienia. Niektórzy będą użytkownikami, inni technikami, jeszcze inni będą bardzo zagłębieni w te technologie, a część będzie jedynie ich beneficjentami — nigdy nie wejdą w bezpośrednią interakcję z systemem, ale system będzie działał na ich korzyść.
To będzie trudne. HR jest zwykle odpowiedzialny za szkolenia. Musi ustalić, kogo zaprosić na szkolenie i w jaki rodzaj szkolenia inwestować. Uniwersalne rozwiązanie dla całej organizacji — „wszyscy przejdą szkolenie z AI i zapewnimy wszystkim to samo” — [00:22:00] nie zadziała.
Kiedy pracowałem w Amazonie, szkoliłem wiceprezesów i starszych wiceprezesów. Jedno z pytań brzmiało: „Co mogę zrobić dla osób prowadzących nasze ciężarówki? Dla ludzi pakujących produkty w pudełka?”. Wiele z tych osób nie ma dyplomu uczelni, ale są pracowite, dobre, inteligentne, choć nietechniczne.
Jak przygotować ich do korzystania z AI, aby przede wszystkim się jej nie bali? Firma musi wdrażać uczenie maszynowe i AI. Nie chcesz zostać w tyle tylko dlatego, że ty lub twoi pracownicy się tego boicie. Potrzebne jest szkolenie odpowiednie dla tych osób, odpowiadające na ich potrzeby i pytania.
Jednocześnie szkolenie na poziomie kadry zarządzającej będzie zupełnie inne.
David Rice: Jednym z obszarów, w których widzę duże zainteresowanie wdrażaniem tej technologii, jest dobrostan pracowników. Niedawno rozmawiałem z kimś, kto wykorzystywał technologię głosową do wykrywania wypalenia zawodowego lub [00:23:00] stresu. Mamy też różne dane, które mogą dostarczać wskaźników behawioralnych.
Jak twoim zdaniem zmieni się podejście do dobrostanu pracowników w nadchodzących latach?
Jonathan Conradt: Obecnie szczególnie się tym interesuję. Współpracuję z dwoma badaczami nad sposobem nie tylko mierzenia dobrostanu pracowników, lecz także poprawiania go z czasem. Jedną z najwspanialszych cech AI jest jej ogromna cierpliwość.
Może być cennym źródłem informacji, ponieważ można dostarczyć jej dokładne i możliwe do wykorzystania informacje, a AI może odpowiadać ludziom i przekazywać im tego rodzaju dane. Dawno temu pracowałem w organizacji Gallupa i pomagałem opracować StrengthsFinder. Było to narzędzie pomagające menedżerom lepiej rozumieć pracowników. Dzięki głębszym relacjom cała organizacja miała na tym skorzystać.
Ludzie mieli lepiej się rozumieć, bardziej się wspierać, a z tego miało wynikać wiele dobrego. Dziś określilibyśmy to zapewne jako część dobrostanu.
[00:24:00] To, co próbujemy robić z AI, polega przede wszystkim na bardziej interaktywnym poznawaniu tego, jak ludzie obecnie się czują. W wielu badaniach frustrujące jest to, że trzeba tylko zaznaczać pola. Pod koniec często mam wrażenie, że nie wiem, czy ktoś zinterpretuje moje odpowiedzi tak, jak je rozumiałem.
Dlatego oprócz wymuszonych odpowiedzi, które nadal są przydatne, dajemy pracownikom możliwość swobodnego wyrażenia siebie. Mogą opowiedzieć, o czym myśleli podczas przechodzenia przez ostatnią część badania, co uznali za najważniejsze i czego chcieliby, abyśmy dowiedzieli się z ich wypowiedzi.
Ten tekst jest niezwykle wartościowy. Stworzyłem kiedyś model uczenia maszynowego, który przyjmował publikacje naukowe i próbował przewidzieć, czy uznam je za interesujące. Miałem kilkaset publikacji oznaczonych jako interesujące spośród tysięcy. Model działał całkiem dobrze.
Następnie wykorzystałem część AI. AI nie rozumie słów, więc trzeba zamienić słowa w matematyczny obiekt zwany wektorem. Być może pamiętasz to ze szkoły. Wektor ma kierunek i długość. Słowa, zdania, a nawet całe akapity można zamieniać w takie matematyczne obiekty.
Bez większego wysiłku wziąłem wszystkie tytuły i streszczenia publikacji i użyłem pierwszej części AI do stworzenia wektora. Miałem teraz więcej danych. Przekazałem je temu samemu modelowi, a jego skuteczność wzrosła o 14 procent. To duży skok.
Podobnie, jeśli mamy badanie satysfakcji pracowników, nad którym pracujemy, i potrafimy zrozumieć ich otwarte odpowiedzi, a dzięki temu uzyskujemy o 14 procent lepsze zrozumienie pracowników, [00:26:00] może to mieć ogromne znaczenie.
David Rice: Tak, biorąc to pod uwagę, jaki jest niewykorzystany potencjał danych, które posiadamy, oraz narzędzi, do których ludzie uzyskują coraz większy dostęp? Mam na myśli potencjał pomagania ludziom w postrzeganiu pracy, firmy i własnych doświadczeń.
Czy możemy wykorzystać AI do zmiany sposobu, w jaki liderzy podchodzą do tych kwestii?
Jonathan Conradt: Jedno z najczęstszych pytań, które słyszę, brzmi: „Czy mogę zlecić HR albo kwestie prawne agentowi?”. Odpowiadam, że osoby najczęściej korzystające z agentów HR będą prawdopodobnie obecnymi specjalistami HR, ponieważ ich praca jest bardzo skomplikowana.
Dzieje się tam wiele rzeczy. Często muszą wyszukiwać dodatkowe informacje i porządkować ich duże ilości. Agent to AI, która potrafi samodzielnie wykonywać działania: poprosić o informacje, połączyć się z bazą danych, użyć aplikacji albo przeprowadzić wyszukiwanie w internecie.
Myślę więc, że ludzie zyskają w pewnym sensie osobistych asystentów. Wyobraź sobie, że każdy pracownik całej firmy ma asystenta zarządu. Taki asystent zajmuje się wszystkimi kwestiami administracyjnymi związanymi z pracą i upraszcza je.
Kiedy otrzymujesz wiadomość e-mail z prośbą, agent ją czyta, porządkuje informacje potrzebne do odpowiedzi i mówi: „Oto kilka rzeczy, które warto uwzględnić”. Może nawet zaproponować treść odpowiedzi. To jednak człowiek podejmuje decyzje.
Możesz przejrzeć dane i powiedzieć: „Chcę opisać to inaczej”, „Istnieje powód, dla którego powinniśmy powiedzieć coś innego” albo „AI źle to zrozumiała”. Myślę, że będą to bardzo potężne narzędzia.
I tu pojawia się ciekawa rzecz: AI najlepiej nadaje się do zastępowania wiceprezesów. Jeśli pomyślisz o pracy wiceprezesa, polega ona na syntezie informacji. Cała organizacja zbiera informacje, które następnie przepływają w górę struktury.
Wiceprezes musi podejmować strategiczne decyzje na podstawie bardzo szerokiego obrazu całej organizacji. Okazuje się, że w syntezie informacji AI jest znacznie silniejsza niż ludzie. Początkowo będziemy korzystać z czegoś, co Microsoft nazywa asystentami drugiego pilota.
Można je też nazywać asystentami zarządu lub asystentami AI. Będą bardzo użyteczne i potężne. Zaoszczędzą czas i pozwolą lepiej rozumieć firmę.
Uważam, że organizacja popełniłaby błąd, mówiąc: „Zyskaliśmy większą efektywność, więc potrzebujemy teraz mniej programistów”. Jeśli programiści korzystają z AI przy pisaniu kodu, ich wydajność znacząco rośnie. Można na to zareagować na dwa sposoby.
Pierwszy: „Nie potrzebujemy tylu programistów, aby wykonać tę samą ilość pracy”. Drugi: uświadomienie sobie, że w każdej firmie technologicznej przychodzi moment, gdy ustalasz priorytety wszystkich rzeczy, które chcesz, aby programiści zrobili. Następnie wyznaczasz granicę i mówisz: „Nie mamy czasu ani pieniędzy na nic poniżej tej granicy”.
Jeśli AI zwiększa produktywność, przesuwa tę granicę w dół. Inteligentne firmy powiedzą: „Zwiększmy efektywność wszystkich, pomóżmy im szybciej wykonywać zadania, ograniczmy koszty administracyjne pracy i twórzmy więcej dla naszych klientów”.
Takie firmy wyprzedzą konkurencję. Firmy, które zdecydują się zmniejszyć zatrudnienie i utrzymać ten sam poziom pracy przy mniejszej liczbie osób, zostaną pokonane przez firmy utrzymujące tę samą liczbę pracowników, ale znacząco zwiększające ilość wykonywanej pracy i liczbę rzeczy, które mogą zrobić dla klientów.
David Rice: Uwielbiam to.
Jonathan, dziękuję ci za udział w naszej rozmowie. Zanim zakończymy, są dwie rzeczy, które zawsze robię z każdym gościem. [00:30:00] Pierwsza to możliwość opowiedzenia słuchaczom, gdzie mogą się z tobą skontaktować. Jeśli pracujesz nad czymś, o czym chcesz wspomnieć, śmiało.
Jonathan Conradt: Udostępnimy link, za pomocą którego można odbyć ze mną 15-minutową rozmowę na dowolny temat. Opowiedz mi o firmie, w której pracujesz, i problemach, które próbujesz rozwiązać. Chętnie o tym porozmawiam. Lubię poznawać nowe firmy.
To była duża część mojej pracy w Amazonie. Amazon jest ogromną firmą, która zajmuje się najróżniejszymi rzeczami. Spotykałem się więc z przypadkowymi zespołami, rozmawiałem o ich działaniach i pomagałem im zrozumieć, że mogą wykorzystać proces uczenia maszynowego, aby ułatwić sobie pracę, oraz jak zastosować AI.
Zachęcam więc, aby ludzie znaleźli mnie w Calendly i umówili się na rozmowę.
David Rice: Link znajdzie się w opisie tego odcinka. Sprawdźcie go, umówcie się na rozmowę z Jonem i oczywiście dodajcie go do kontaktów na LinkedIn.
Druga rzecz: rozpoczęliśmy w podcaście małą tradycję. Możesz zadać mi dowolne pytanie. Może dotyczyć tego tematu albo czegoś zupełnie przypadkowego.
To zależy od ciebie. Oddaję ci głos.
Jonathan Conradt: Jestem ciekaw: AI świetnie radzi sobie z montażem wideo i podobnymi rzeczami. Jak AI wpłynęła na ciebie i podcast?
David Rice: Jeśli chodzi o podcast, to niesamowite, co czasami potrafi zrobić z dźwiękiem. Naprawdę pomaga nam nieco usprawnić pracę nad audio.
Nie wiem, czy odpowiada za to AI, czy nasi montażyści, ale czasami dziwnie wpływa na czyjś głos. Największą zmianą w mojej pracy jest jednak tworzenie treści — to, jak szybko się zmieniło i jak organizujemy cały proces, od podstawowego pomysłu przez konspekt aż po jego realizację.
To zdecydowanie największa zmiana. AI zmieniła charakter tworzenia treści. Nie powiedziałbym, że jest łatwiej, ponieważ nadal jesteśmy na etapie uczenia się, jak uzyskać z niej jak najwięcej i co właściwie chcemy, aby powiedziała, zwłaszcza w odniesieniu do profilu odbiorców.
Nie mogę uwierzyć, jak daleko zaszła od czasu, gdy po raz pierwszy wpisałem coś do ChatGPT. [00:32:00] Naprawdę…
Jonathan Conradt: To niezwykłe, prawda?
David Rice: Zmieniła się tak szybko.
Jonathan Conradt: Wygląda na to, że montaż oper mydlanych został zrewolucjonizowany niemal z dnia na dzień.
Nagrywają tak dużo materiału, a jego montaż jest ogromnym zadaniem ze względu na ilość nagrań. Reality show prawdopodobnie wygląda podobnie. Te narzędzia dramatycznie skracają czas pracy. Mówi się, że AI może automatycznie wykonać pierwszy, zgrubny montaż. To niesamowite.
David Rice: To niewiarygodne. Jestem pewien, że każde duże studio filmowe intensywnie inwestuje w tę technologię.
Jonathan Conradt: To była przyjemność, David.
David Rice: Świetnie się rozmawiało. Dziękuję, że do nas dołączyłeś. Mam nadzieję, że jeszcze kiedyś to powtórzymy.
Jonathan Conradt: Dziękuję.
David Rice: Dobrze, słuchacze, jeśli jeszcze tego nie zrobiliście, przejdźcie na peoplemanagingpeople.com/subscribe i zapiszcie się do newslettera. Do następnego razu — nie przestawajcie [00:33:00] eksperymentować.




