Computer അറിവ് അടിസ്ഥാനമാക്കിയുള്ള ജോലിയെ പുനർരൂപകൽപ്പന ചെയ്യുന്നു

ഈ ആഴ്ച, ഹാർവാർഡ് ബിസിനസ് സ്കൂളിലെ ഗവേഷകരുമായി സഹകരിച്ച്, യഥാർത്ഥ ലോകത്ത് ആളുകൾ Perplexity Computer യഥാർത്ഥത്തിൽ എങ്ങനെ ഉപയോഗിക്കുന്നു എന്ന് പരിശോധിക്കുന്ന പുതിയ പഠനം ഞങ്ങൾ പ്രസിദ്ധീകരിച്ചു. നിലവിൽ വന്ന് ആദ്യ മൂന്ന് മാസത്തിനുള്ളിൽത്തന്നെ - ഇത് അറിവ് അടിസ്ഥാനമാക്കിയുള്ള ജോലിയുടെ (knowledge work) സ്വഭാവം എങ്ങനെ മാറ്റിക്കൊണ്ടിരിക്കുന്നു എന്നും. ഞങ്ങൾ കണ്ടെത്തിയ കാര്യങ്ങളുടെ ഹ്രസ്വ രൂപവും, എന്തുകൊണ്ടാണ് ഇതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കേണ്ടതെന്ന് ഞങ്ങൾ കരുതുന്നുവെന്നതും താഴെ നൽകുന്നു.

ഞങ്ങൾ എന്തിനാണ് ഈ ഗവേഷണം നടത്തിയത്

കഴിഞ്ഞ കുറേ ദശപറ്റങ്ങളായി, കമ്പ്യൂട്ടറുകൾ നമ്മുടെ ജോലിക്ക് കൂടുതൽ അടുത്തെത്തിയിരിക്കുന്നു. കമാൻഡ് ലൈൻ മുതൽ GUI, ടച്ച്‌സ്ക്രീൻ വരെയുള്ള ഓരോ പുതിയ ഇന്റർഫേസും കൂടുതൽ ചുമതലകൾ ഏറ്റെടുക്കുകയും ഉപയോക്താവിന്റെ ഭാരം കുറയ്ക്കുകയും ചെയ്തു.

ഇന്റർഫേസുകൾ ലളിതമായപ്പോൾ, നമ്മുടെ ചോദ്യങ്ങളും ലളിതമായി. എന്നാൽ ഉപയോക്താക്കൾ ഇപ്പോഴും അഭ്യർത്ഥനകളെ ഘട്ടങ്ങളായി തിരിക്കാനും, അവ സ്വയം നൽകാനും, ഫലങ്ങൾ വീണ്ടും ഒന്നിപ്പിച്ചെടുക്കാനും നിർബന്ധിതരായി.

Perplexity Computer അത് മാറ്റുന്നു. ഇത് ഫയലുകളിലും ടൂളുകളിലുമായി 20-ലധികം ഫ്രണ്ടിയർ മോഡലുകളെ ഏകോപിപ്പിക്കുന്നു, ഒരു അഭ്യർത്ഥനയെ ലക്ഷ്യം മനസ്സിലാക്കുകയും, ജോലി വിഭജിക്കുകയും, അസിൻക്രണously പ്രവർത്തിക്കുകയും ചെയ്യുന്ന ഏജന്റ് ടീമുകളാക്കി മാറ്റുന്നു. ഉപയോക്താവ് പ്രക്രിയയല്ല, ഫലമാണ് ചോദിക്കുന്നത്.

ആ രീതിയിൽ യഥാർത്ഥത്തിൽ ജോലി ചെയ്യാൻ തുടങ്ങുമ്പോൾ എന്ത് സംഭവിക്കുമെന്ന് ഞങ്ങൾ അറിയാൻ ആഗ്രഹിച്ചു.

ഞങ്ങൾ കണ്ടെത്തിയത്

ഉപയോക്താക്കൾ ഉത്തരങ്ങളല്ല, ജോലിയാണ് ചോദിക്കുന്നത്.

തിരച്ചിൽ (Search) ഉത്തരങ്ങൾ നൽകുന്നു. Computer അവ നടപ്പിലാക്കുന്നു. സമാനമായ അഭ്യർത്ഥനകളിൽ, Search-ന് 33 സെക്കൻഡ് എടുത്തപ്പോൾ Computer ശരാശരി 26 മിനിറ്റ് മെഷീൻ ജോലി ചെയ്തു - അതേ ജോലിയിൽ 48 മടങ്ങ് വർദ്ധനവ്. ആ മിനിറ്റുകൾ തിരയുന്നതിനും, എഡിറ്റ് ചെയ്യുന്നതിനും, കോഡ് പ്രവർത്തിപ്പിക്കുന്നതിനും, ബന്ധിപ്പിച്ച ടൂളുകളിലേക്ക് എത്തുന്നതിനും വേണ്ടി വരുന്നു - Search-നെ അപേക്ഷിച്ച് ഓരോ സെഷനിലും ബാഹ്യ ആപ്പുകളിലേക്കും കണക്ടറുകളിലേക്കും Computer ഏകദേശം പന്ത്രണ്ട് മടങ്ങ് കൂടുതൽ കോളുകൾ ചെയ്തു. ഉപയോക്താവിന്റെ ശ്രമം രണ്ട് ഘട്ടങ്ങളിലാണ് കേന്ദ്രീകരിച്ചിരിക്കുന്നത്: ലക്ഷ്യം സജ്ജീകരിക്കലും ഫലം അവലോകനം ചെയ്യലും. ഇടയ്ക്കുള്ളവ ഏജന്റുകൾ കൈകാര്യം ചെയ്യുന്നു.

ഇത് കാര്യമായിത്തന്നെ വേഗതയേറിയതും ചെലവ് കുറഞ്ഞതുമാണ്.

10,000 ജോഡി മാച്ച് ചെയ്ത ജോടികളിൽ - Search-ലും Computer-ലും ഒരേ തരത്തിലുള്ള അഭ്യർത്ഥന - Computer കണക്കാക്കിയ സമയം 87% ഉം ചെലവ് 94% ഉം കുറച്ചു. 269 മിനിറ്റ് എടുത്ത വർക്ക്ഫ്ലോ 36 മിനിറ്റായി കുറഞ്ഞു.

സോഫ്റ്റ്‌വെയർ, ഫിനാൻസ്, മാർക്കറ്റിംഗ്, ഹെൽത്ത് കെയർ, നിയമം, വിദ്യാഭ്യാസം തുടങ്ങി 18 ഡൊമേനുകളിലും ഈ ലാഭം നിലനിന്നു. ഉപയോക്താക്കളുമായുള്ള അഭിമുഖങ്ങളിൽ, ശരാശരി വ്യക്തിയുടെ ജോലി 25 മടങ്ങ് വേഗത്തിലായതായി റിപ്പോർട്ട് ചെയ്തു. ചിലർ 300 മടങ്ങിലധികം വേഗത വർദ്ധിച്ചതായി റിപ്പോർട്ട് ചെയ്തു.

ആവശ്യങ്ങൾ വലുതും വിശാലവുമായി മാറി.

നടപ്പിലാക്കൽ കൈകാര്യം ചെയ്യപ്പെടുമ്പോൾ, അതിമോഹമായ പ്രോജക്റ്റുകൾ പിന്തുടരുന്നതിനുള്ള തടസ്സം കുറയുന്നു. Computer അഭ്യർത്ഥനകളിൽ 23% ആളുകൾ Search-നോട് ചെയ്യാൻ ആവശ്യപ്പെടാത്ത കാര്യങ്ങൾക്കായിരുന്നു - സോഫ്റ്റ്‌വെയർ, വെബ് വികസനം, ഡോക്യുമെന്റേഷൻ, ഡാറ്റ വിഷ്വലൈസേഷൻ എന്നിവയിലെ ക്ലസ്റ്ററിംഗ് - ചോദ്യങ്ങളല്ല, ജോലികൾ.

എല്ലാ Computer അഭ്യർത്ഥനകളുടെയും പകുതിയും Computer-നോട് എന്തെങ്കിലും നിർമ്മിക്കാൻ ആവശ്യപ്പെട്ടു - Search-നേക്കാൾ ഇരട്ടി പങ്ക് - കൂടാതെ 55% തിരച്ചിലിനെ അപേക്ഷിച്ച് 76% ലുക്ക്അപ്പിന് പകരം വിശകലനം, മൂല്യനിർണ്ണയം അല്ലെങ്കിൽ സൃഷ്ടി ആവശ്യപ്പെടുന്നു. 71% അമൂർത്തവും പതിവല്ലാത്തതുമായ ജോലികൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, Search-ൽ ഇത് 53% ആയിരുന്നു. ഒരു സാധാരണ Computer ജോലി 2.4 വൈദഗ്്ദ്ധ്യ മേഖലകൾ ഉൾക്കൊള്ളുന്നു, അതേസമയം Search 1.74 എണ്ണം മാത്രം ഉപയോഗിച്ചു, കൂടാതെ 3 അല്ലെങ്കിൽ അതിൽ കൂടുതൽ ഡൊമേനുകൾ ആവശ്യമായി വരാൻ ഏകദേശം മൂന്നിരട്ടി സാധ്യതയുണ്ടായിരുന്നു.

ആളുകൾ അവരുടെ സ്വന്തം മേഖലയ്ക്ക് പുറത്തും ജോലി ചെയ്തു. എട്ട് തൊഴിൽ ഗ്രൂപ്പുകളിൽ നിന്നുള്ള 8,000 ഉപയോക്താക്കൾക്കിടയിൽ, Search ഉപയോഗിച്ച് 50% ആയിരുന്നെങ്കിൽ, Computer ഉപയോഗിച്ച് 59% സമയത്തും ആളുകൾ അവരുടെ പ്രാഥമിക തൊഴിലിന് പുറത്തുള്ള ജോലി ചെയ്തു.

ഗുണനിലവാരം കുറഞ്ഞില്ല.

വ്യത്യസ്ത ഡൊമേനുകളിലുടനീളം കഠിനമായ ജോലി ഏറ്റെടുക്കുന്നത് ഗുണനിലവാരം കുറച്ചില്ല. മൾട്ടി-മോഡൽ ഓർക്കെസ്ട്രേഷൻ Computer-നെ ഓരോ ഘട്ടവും അതിന് ഏറ്റവും അനുയോജ്യമായ മോഡലുമായി പൊരുത്തപ്പെടുത്താൻ അനുവദിക്കുന്നു, അതിനാൽ ഗവേഷണം, വിശകലനം, രൂപകൽപ്പന എന്നിവ ഉൾപ്പെടുന്ന ഒരു അഭ്യർത്ഥന എല്ലാത്തിനും കൂടി ഒരു മോഡലിന് പകരം ഓരോ ഘട്ടത്തിലും ശരിയായ മോഡൽ കൈകാര്യം ചെയ്യുന്നു. അഭ്യർത്ഥനകൾ കൂടുതൽ സങ്കീർണ്ണമാകുമ്പോഴും ഒരേ ഗുണനിലവാര ബാറിൽ ജോലി നിലനിർത്താൻ ഈ റൂട്ടിംഗ് അനുവദിക്കുന്നു.

ഇത് എന്തുകൊണ്ട് രസകരമാണ്

AI വേഗതയേറിയതാണ്. ആ ഭാഗം പ്രതീക്ഷിച്ചതാണ്.

കൂടുതൽ രസകരമായ കണ്ടെത്തൽ, ആളുകൾ തங்களுக்கு തിരികെ ലഭിച്ച സമയം കൊണ്ട് എന്ത് ചെയ്യാൻ തിരഞ്ഞെടുത്തു എന്നതാണ്. നിർവ്വഹണം ചെലവുകുറഞ്ഞതായി മാറുമ്പോൾ, കണക്കുകൂട്ടൽ മാറുന്നു. മുമ്പ് ചെയ്യാൻ യോഗ്യതയില്ലാത്ത ജോലി പെട്ടെന്ന് തന്നെ ചെയ്യാൻ യോഗ്യമായി മാറുന്നു. മുമ്പ് ഒരു സ്പെഷ്യലിസ്റ്റിനെ ആവശ്യമായിരുന്ന ജോലി നിങ്ങൾക്ക് തന്നെ വിശ്വസനീയമായി ചെയ്യാൻ കഴിയുന്ന ഒന്നായി മാറുന്നു.

അറിവ് അടിസ്ഥാനമാക്കിയുള്ള ജോലികളിലെ തടസ്സം അപൂർവ്വമായി മാത്രമാണ് വിവരങ്ങൾ കണ്ടെത്തുന്നത്; അത് നിർവ്വഹിക്കാനുള്ള ശേഷിയായിരുന്നു. Perplexity Computer ഈ ശേഷി ഏറ്റെടുക്കുന്നു, അതിന്റെ ഫലമായി ആളുകൾ ഉയർന്ന ലക്ഷ്യങ്ങൾ വെക്കുന്നു. അവർ ഓപ്പറേറ്ററിൽ നിന്ന് സൂപ്പർവൈസറിലേക്ക് മാറുന്നു - വർക്ക്ഫ്ലോ പ്രവർത്തിപ്പിക്കുന്നതിൽ കുറഞ്ഞ സമയം ചെലവഴിക്കുകയും ലക്ഷ്യം സജ്ജീകരിക്കുന്നതിനും ഔട്ട്പുട്ട് പരിശോധിക്കുന്നതിനും കൂടുതൽ സമയം ചെലവഴിക്കുകയും ചെയ്യുന്നു.

അടുത്തത് എന്താണ്

ഞങ്ങൾ ഇപ്പോഴും ആദ്യ ഘട്ടത്തിലാണ്. Computer-ന് മൂന്ന് മാസം മാത്രമേ ആയുള്ളൂ, ആളുകൾ ഇതുമായി പ്രവർത്തിക്കാൻ ശീലിച്ചുവരുന്നു, കാലക്രമേണ വർക്ക്ഫ്ലോകളും ഉപയോഗവും നിസ്സംശയമായും പൊരുത്തപ്പെടും.

എന്നാൽ ഈ ഡാറ്റ ഇതിനകം വ്യക്തിഗത തലത്തിലുള്ള പെരുമാറ്റ മാറ്റങ്ങൾ പ്രകടമാക്കുന്നു.

ടീം, ഓർഗനൈസേഷൻ തലത്തിൽ ഇത് എങ്ങനെ ഒന്നിക്കുന്നു എന്നതാണ് തുറന്ന ചോദ്യാവലി, അടുത്തതായി ഞങ്ങൾക്ക് ഏറ്റവും താൽപ്പര്യമുള്ള കാര്യവും ഇതാണ്.

മുഴുവൻ രീതിശാസ്ത്രവും, ചാർട്ടുകളും, മുന്നറിയിപ്പുകളും ഉൾപ്പെടെ ഈ ഗവേഷണത്തെക്കുറിച്ച് നിങ്ങൾക്ക് സാങ്കേതിക ബ്ലോഗിലും ഗവേഷണ പ്രബന്ധത്തിലും കൂടുതൽ വായിക്കാം.