Uma vez que evoluir adotando IA em pesquisa e desenvolvimento
No meu cláusula anterior, começamos a explorar as lições aprendidas em uma conferência sobre porquê os profissionais de aprendizagem podem se preparar para as mudanças que a Perceptibilidade Sintético (IA) e a automação trarão no porvir próximo. Oriente cláusula continua com os próximos cinco apelos à ação para adotar a IA em T&D e também tenta responder a uma pergunta generalidade sobre Grandes Modelos de Linguagem (LLMs): quão inteligentes são eles no raciocínio?
Principais conclusões para adotar a IA em T&D
Cá estão algumas das conclusões da conversa com líderes do setor sobre essa abordagem hoje na conferência:
1. Desenvolva uma possante compreensão da ciência comportamental
- Estudar modelos de mudança de comportamento
Familiarize-se com modelos porquê COM-B (capacidade, oportunidade, motivação – comportamento), teoria da autodeterminação e protótipo de comportamento de Fogg para entender o que impulsiona a motivação e o envolvimento na aprendizagem. Em última estudo, seu objetivo é a mudança de comportamento, não unicamente a retenção de conhecimento. - Design para motivação
Use os insights desses modelos para fabricar experiências de aprendizagem que motivem os alunos por meio de autonomia, cultura e relacionamento, aumentando a verosimilhança de mudança sustentada de comportamento. - Teste e adapte
Teste continuamente diferentes estratégias para motivar e envolver os alunos e, em seguida, adapte com base no que ressoa de forma mais eficiente. Meça as coisas certas! Você deve ir além das pesquisas de nível 1 e das “verificações de conhecimento” no final do curso. Por exemplo, ao mudar seu foco de retrospectivo (satisfação com o teor) para preditivo (motivadores de comportamento, porquê motivação, oportunidade, capacidades de trabalho e alcance de metas), você pode obter insights mais acionáveis em seguida uma experiência de aprendizagem, que você e as partes interessadas podem logo agir.
2. Construa uma rede
- Siga especialistas do setor (interna e externamente)
Siga os líderes do setor em T&D, IA e tendências futuras de trabalho. Escolha com sabedoria. Você encontrará uma grande variedade de pessoas em uma graduação de “A IA resolverá todos os problemas” a “A IA destruirá o mundo” quando se trata de adotar a IA em T&D. Não construa câmaras de repercussão onde todos digam a mesma coisa. Encontre profissionais que realmente implementem projetos, não unicamente blogem sobre IA usando IA. A leitura regular de insights de especialistas ajuda você a se manter atualizado e inspirado pelas tendências emergentes. Há muito estrondo no parquinho hoje. Deixe os líderes da indústria eliminarem o soído e filtrarem a poeira. Caso contrário, você ficará sobrecarregado. - Junte-se a comunidades de T&D
Envolva-se em comunidades porquê grupos, conferências e fóruns do LinkedIn. O networking com outros profissionais pode fornecer novas perspectivas e soluções inovadoras. Mas não fique unicamente na bolha de T&D! Veja o próximo ponto. - Vá além de T&D e RH
Encontre campeões dentro da empresa. Novamente, a IA será implementada primeiro em qualquer lugar, o que terá um impacto direto nos objetivos de negócios. Seja proativo. Aprenda com os primeiros erros.
3. Concentre-se na construção de ecossistemas de “aprendizagem”, não unicamente em programas
- Pense além dos cursos
Por “aprender”, não me refiro unicamente a LMSs ou LXPs, mas a qualquer coisa dedicada ao treinamento. Qualquer coisa que possibilite, acelere e escale a capacidade de sua força de trabalho de realizar seu trabalho é aprendizagem. Gerar ecossistemas que apoiem a aprendizagem contínua, informal e social. Experimente usar chatbots, fóruns ou coaching entre pares para promover uma cultura de aprendizagem no fluxo de trabalho. Mas, também, saiba onde transpor do caminho! - Use a tecnologia para integrar sistemas de aprendizagem e desempenho
Ninguém fica entusiasmado em fazer login em seu LMS ou LXP. Ninguém irá pesquisar no LMS ou LXP sobre porquê fazer as coisas mais tarde. Sim, a IA agora está incluída em todas as aplicações de tecnologia de aprendizagem, mas é fragmentada e, principalmente, um invólucro em torno de um grande protótipo de linguagem. Integre sistemas de aprendizagem e desempenho (onde os funcionários trabalham) nos bastidores (por meio de interfaces de programação de aplicativos ou APIs). Não precisamos saber onde os ativos estão armazenados; só precisamos ser capazes de acessá-los. Tecnologia de aprendizagem é qualquer tecnologia que apoie a aprendizagem. Construa suas alianças.
4. Fortalecer as habilidades de gestão de mudanças
- Aprenda estruturas de gerenciamento de mudanças
Familiarize-se com estruturas porquê ADKAR (consciência, libido, conhecimento, habilidade, reforço) ou protótipo de mudança em 8 etapas de Kotter, juntamente com motivação comportamental. - Abordar a resistência à mudança
Desenvolva estratégias para superar a resistência, compreendendo as preocupações dos funcionários e mostrando o valor a longo prazo de novas abordagens de aprendizagem. Sua implementação de IA (pelo menos por enquanto) depende da realização humana. Todo mundo quer mudança, mas ninguém quer mudar. Comece resolvendo problemas específicos para suas partes interessadas e o público-alvo. Comece pequeno, faça um piloto e expanda a partir daí por meio de iterações. Reúna os céticos porquê testadores! Eles ficarão mais do que felizes em tentar quebrar o aplicativo e mostrar falhas.
5. Compreender a segurança dos dados, a privacidade dos dados e a moral
- Construa as fundações
Você tem um recomendação de privacidade de dados hoje? Se não, comece a construí-lo. Descubra quem é o proprietário da segurança de dados em sua organização. Faça parceria com eles para obter orientações claras sobre os níveis de classificação de dados: que tipo de dados podem ser usados e onde. Entenda as políticas de segurança e privacidade de dados de seus fornecedores. Você pode ou não possuir os dados. Você pode possuir os dados em seguida a separação, mas precisa arquivá-los. Você precisa de políticas claras sobre por quanto tempo você mantém os dados, muito porquê onde e porquê eles são armazenados (criptografia em trânsito e em repouso). Seja simples sobre quais dados você coleta e para que esses dados podem ser usados. (Por exemplo, se você coletar dados sobre habilidades para implementar programas de desenvolvimento pessoal, alguém poderá mais tarde sentenciar usar esses dados para avaliações de desempenho?)
Finalmente, quão inteligentes são os LLMs?
Finalmente, uma das perguntas mais interessantes que recebi de um participante da conferência foi quão inteligentes são os LLMs atuais. Eles são bons em raciocinar ou na ilusão de raciocinar? Até que ponto podemos encarregar neles para o raciocínio, mormente se construirmos soluções que conectem diretamente a IA (LLMs) ao público?
Os LLMs são treinados em enormes conjuntos de dados para aprender padrões, que são usados para prever o que vem a seguir. Com alguma simplificação, você pega todos os dados coletados e os divide em dados de treinamento e conjuntos de dados de teste. Você treina seu protótipo de IA no conjunto de dados de treinamento. Quando você encontrar que eles estão se saindo muito com o reconhecimento de padrões, teste-o nos dados de teste que eles ainda não viram. É muito mais complicado do que isso, mas a questão é que a “lucidez” e o raciocínio podem ser mal interpretados no reconhecimento de padrões.
O que é um exemplo? Digamos que você treinou seu protótipo para resolver problemas matemáticos. Quando o protótipo reconhece o problema, ele segue o padrão aprendido de porquê resolvê-lo. Não tem opinião, crença ou qualquer tipo de posição fundamental sobre isso. É por isso que quando você simplesmente diz ao protótipo que está inverídico, ele pede desculpas e reconsidera a resposta. O raciocínio matemático (atualmente) não é o seu ponto positivo.
Um estudo em todos os modelos encontrados através do teste GSM-Symbolic mostrou que a geração de versões do mesmo problema matemático através da substituição de certos elementos (porquê nomes, funções ou números) pode levar a inconsistências no protótipo, indicando que a solução do problema está acontecendo por meio de padrões. reconhecimento em vez de raciocínio (1).
Especificamente, o desempenho de todos os modelos diminui quando unicamente os valores numéricos da questão são alterados no benchmark GSM-Symbolic.
Quando você adiciona ao problema informações aparentemente relevantes que na verdade são irrelevantes, os humanos, por meio do raciocínio, simplesmente as ignoram. Os LLMs parecem tentar integrar as novas informações mesmo que não sejam necessárias para o raciocínio, porquê constataram estudos:
Aditar uma única cláusula que pareça relevante para a pergunta culpa quedas significativas de desempenho (até 65%) em todos os modelos de última geração, mesmo que a cláusula não contribua para a cárcere de raciocínio necessária para a resposta final.
Em suma, os LLMs atuais são incríveis no reconhecimento de padrões, que podem entender a uma velocidade e numa graduação que nenhum ser humano consegue igualar. Eles são ótimos em fingir ser alguém para praticar habilidades sociais! Mas eles têm as suas limitações (a partir de hoje) no raciocínio matemático, mormente no raciocínio por que a resposta é a resposta. No entanto, novos modelos, porquê o Strawberry da OpenAI, estão tentando mudar isso (2).
Referências:
(1) GSM-Simbólico: Compreendendo as Limitações do Raciocínio Matemático em Grandes Modelos de Linguagem
(2) Alguma coisa novo: sobre o “morango” e o raciocínio da OpenAI
