Ένας αναλυτής ανοίγει ένα προσχέδιο περίληψης μιας σύμβασης προμηθευτή, το οποίο έχει συνταχθεί από έναν βοηθό Τεχνητής Νοημοσύνης σε δευτερόλεπτα. Διαβάζεται εύκολα. Αναφέρει μια ρήτρα καταγγελίας και έναν όρο πληρωμής και είναι σίγουρος σε όλη τη διάρκεια. Ο αναλυτής συνήθιζε να περνάει ένα πρωί διαβάζοντας τη σύμβαση για να βρει αυτά τα πράγματα. Τώρα το ερώτημα είναι διαφορετικό: είναι σωστή αυτή η περίληψη και τι θα έπρεπε να ελέγξει πριν υπογράψει το όνομά του από κάτω;
Αυτό είναι ένα ενδεικτικό σενάριο, όχι μια τεκμηριωμένη περίπτωση πελάτη. Αποτυπώνει τι αλλάζει σε πολλές θέσεις εργασίας. Η λήψη μιας απάντησης είναι ταχύτερη. Η απόφαση για το αν η απάντηση μπορεί να είναι αξιόπιστη και ποιος είναι υπεύθυνος αν όχι, εξακολουθεί να αποτελεί αρμοδιότητα του ατόμου.
Αυτός ο οδηγός απευθύνεται σε επικεφαλής τμημάτων Μάθησης και Ανάπτυξης (L&D) και σε σχεδιαστές διδασκαλίας που σχεδιάζουν την εκπαίδευση εργατικού δυναμικού στην Τεχνητή Νοημοσύνη. Δείχνει πώς να εντοπίζετε τις εργασίες όπου η Τεχνητή Νοημοσύνη αλλάζει την ανθρώπινη εργασία, πώς να δημιουργείτε πρακτικές γύρω από αποτελέσματα που μερικές φορές είναι λανθασμένα και πώς να μετράτε την υπεύθυνη χρήση χωρίς να υπόσχεστε κέρδη παραγωγικότητας.
Γρήγορα γεγονότα
| Ερώτηση | Σύντομη απάντηση |
|---|---|
| Τι αλλάζει όταν οι άνθρωποι χρησιμοποιούν την Τεχνητή Νοημοσύνη στην εργασία τους; | Η σύνταξη ενός πρώτου προσχεδίου ή απάντησης γίνεται ευκολότερη. Η επαλήθευσή του, η κρίση του και η ανάληψη ευθύνης για το αποτέλεσμα δεν εξαφανίζονται. |
| Τι πρέπει να διδάσκει η εκπαίδευση στην Τεχνητή Νοημοσύνη; | Ο έλεγχος και η κρίση που χρειάζεται τώρα μια εργασία, καθώς και οι γνώσεις τομέα που απαιτούνται για την εκτέλεσή της. |
| Μπορούν οι οδηγίες από μόνες τους να διορθώσουν την υπερβολική εμπιστοσύνη; | Όχι. Η έρευνα σχετικά με την αυτοματοποιημένη μεροληψία διαπίστωσε ότι εμφανιζόταν σε αρχάριους και ειδικούς και δεν αποτράπηκε μόνο με εκπαίδευση ή οδηγίες. |
| Τι να μετρήσω; | Παρατηρούμενη επαλήθευση σε πραγματικές εργασίες, με εγκεκριμένα όρια για χρήση από Τεχνητή Νοημοσύνη. |
1. Καταγράψτε πώς η Τεχνητή Νοημοσύνη αλλάζει την εργασία
Ξεκινήστε με μία πραγματική εργασία, όχι με ένα εργαλείο. Περιγράψτε την όπως γινόταν πριν από την Τεχνητή Νοημοσύνη και όπως γίνεται τώρα, και συγκρίνετε τις δύο εργασίες στήλη προς στήλη.
Για παράδειγμα σύμβασης:
- Πριν: Διαβάστε ολόκληρη τη σύμβαση, εξαγάγετε τους βασικούς όρους, επισημάνετε οτιδήποτε ασυνήθιστο και γράψτε την περίληψη.
- Τώρα: Ελέγξτε μια περίληψη που δημιουργείται από τεχνητή νοημοσύνη, συγκρίνετέ την με την πηγή, αποφασίστε εάν θα βασιστείτε σε αυτήν, επισημάνετε οτιδήποτε ασυνήθιστο, αναλάβετε την ευθύνη για το αποτέλεσμα.
Ορισμένα βήματα συρρικνώνονται. Η εξαγωγή όρων μπορεί να διαρκέσει δευτερόλεπτα. Άλλα εμφανίζονται ή αναπτύσσονται: έλεγχος του αποτελέσματος σε σχέση με την πηγή, παρατήρηση του τι παρέλειψε η περίληψη και απόφαση πότε να ζητηθεί η γνώμη ενός ειδικού. Η απαιτούμενη δεξιότητα έχει μετακινηθεί από την παραγωγή στην αξιολόγηση. Με τους όρους του Bloom, οι οποίοι περιγράφουν τη σκέψη που απαιτεί μια εργασία και όχι τον τρόπο παράδοσής της, το βάρος μετατοπίζεται στην ανάλυση και την αξιολόγηση. Ο οδηγός μας για αντιστοίχιση μαθησιακών δραστηριοτήτων με την Ταξινόμηση του Bloom Εξηγεί πώς να ευθυγραμμίσετε τον στόχο, τη δραστηριότητα και την αξιολόγηση μόλις μάθετε το επίπεδο.
Αυτή η σύγκριση αποτελεί την καρδιά μιας ειλικρινούς ανάλυσης των εκπαιδευτικών αναγκών για την Τεχνητή Νοημοσύνη. Επίσης, σταματά ένα συνηθισμένο λάθος: την εκπαίδευση όλων σε ένα εργαλείο, ενώ η πραγματική αλλαγή είναι μια νέα υποχρέωση ελέγχου.
2. Προσδιορίστε τις απαιτήσεις επαλήθευσης και κρίσης
Κάντε τρεις ερωτήσεις σχετικά με κάθε βήμα στη στήλη «τώρα».
- Πώς θα έμοιαζε μια λανθασμένη έξοδος εδώ; Μια κατασκευασμένη πρόταση, μια χαμένη εξαίρεση, ένα εύλογο αλλά ξεπερασμένο σχήμα.
- Ποια στοιχεία θα με άφηναν να το ελέγξω; Το αρχικό έγγραφο, ένα δεύτερο σύστημα, ένας συνάδελφος, μια πολιτική.
- Πότε πρέπει να σταματήσω και να ρωτήσω κάποιον άλλο; Το όριο μεταξύ του «μπορώ να το επαληθεύσω αυτό» και του «αυτό χρειάζεται έναν ειδικό».
Οι ερευνητές μελετούν τι συμβαίνει όταν οι άνθρωποι εργάζονται με ατελή αυτοματοποιημένα βοηθήματα εδώ και δεκαετίες. Η ανασκόπηση αυτής της έρευνας από τους Parasuraman και Manzey περιγράφει την αυτοματοποιημένη προκατάληψη, όπου οι άνθρωποι κάνουν λάθη παραλείψεων και αναθέσεων επειδή βασίζονται σε ένα βοήθημα λήψης αποφάσεων που δεν είναι πάντα σωστό. Διαπίστωσε την επίδραση τόσο σε αρχάριους όσο και σε έμπειρους συμμετέχοντες και κατέληξε στο συμπέρασμα ότι δεν μπορούσε να αποτραπεί μόνο με εκπαίδευση ή οδηγίες (Parasuraman και Manzey, 2010, Ανθρώπινοι Παράγοντες). Αυτή η έρευνα προηγείται των σημερινών βοηθών τεχνητής νοημοσύνης, επομένως αντιμετωπίστε την ως προειδοποίηση σχετικά με την ανθρώπινη συμπεριφορά και όχι ως μέτρηση οποιουδήποτε τρέχοντος εργαλείου.
Το πρακτικό δίδαγμα για την εκπαίδευση των εργαζομένων στην Τεχνητή Νοημοσύνη είναι ότι το να λέμε στους ανθρώπους να «ελέγξουν την έξοδο» δεν είναι κάτι σκόπιμο. Οι συνθήκες γύρω από το άτομο έχουν επίσης σημασία: ο χρόνος για έλεγχο, η πρόσβαση στην πηγή και ένας χώρος εργασίας που δεν τους τιμωρεί για επιβράδυνση.
3. Δημιουργήστε πρακτική γύρω από αναξιόπιστα αποτελέσματα
Αν η εργασία τώρα περιλαμβάνει την αξιολόγηση μιας εξόδου, εξασκηθείτε στην αξιολόγηση των εξόδων. Δημιουργήστε ένα μικρό σύνολο περιπτώσεων όπου η απόκριση της Τεχνητής Νοημοσύνης είναι:
- Σωστό και πλήρες. Η σωστή κίνηση είναι να το αποδεχτείτε και να πείτε γιατί.
- Ατελής. Σωστό μέχρι το σημείο του, αλλά παραλείπει κάτι που έχει σημασία.
- Αποπλανητικός. Σίγουρο, καλογραμμένο και λανθασμένο με τρόπο που είναι εύκολο να το προσπεράσεις.
Οι μαθητές έχουν στη διάθεσή τους κάθε περίπτωση, μια πηγή για να την ελέγξουν και μια επιλογή: αποδοχή, διόρθωση ή κλιμάκωση. Πρέπει επίσης να δώσουν τον λόγο. Αξιολογούν τους λόγους για τη συμφωνία ή την αμφισβήτηση, όχι μόνο την εμπιστοσύνη. Ένας μαθητής που αποδέχεται τη σωστή απάντηση χωρίς έλεγχο δεν έχει επιδείξει την κατάλληλη δεξιότητα, και ένας μαθητής που αμφισβητεί τα πάντα δεν την έχει επιδείξει.
Οι διαδραστικές μορφές ταιριάζουν καλά σε αυτό. Κάθε άτομο δεσμεύεται σε μια απόφαση και έναν λόγο πριν η ομάδα συζητήσει, έτσι ώστε η υπερβολική εμπιστοσύνη και η υπερβολική προσοχή να γίνονται και οι δύο ορατές. Η αυτορυθμιζόμενη παράδοση καλύπτει το πρώτο πέρασμα και μια ζωντανή ενημέρωση χειρίζεται τις αμφίβολες περιπτώσεις όπου υπάρχουν δύο δικαιολογήσιμες αναγνώσεις. Το AhaSlides υποστηρίζει τη διαδραστική μάθηση και την εναλλαγή μεταξύ ζωντανής και αυτορυθμιζόμενης παράδοσης, έτσι ώστε ένα σύνολο περιπτώσεων να μπορεί να εκτελεστεί και με τους δύο τρόπους. Ελέγξτε οποιαδήποτε συγκεκριμένη λειτουργία σύνταξης, ανατροφοδότησης ή αναφοράς σε σχέση με τη δική σας ροή εργασίας πριν σχεδιάσετε γύρω από αυτήν.
4. Διατηρήστε τις προαπαιτούμενες γνώσεις
Δεν μπορείτε να αξιολογήσετε ένα αποτέλεσμα που δεν κατανοείτε. Ένα άτομο που δεν έχει μάθει ποτέ πώς αλληλεπιδρούν οι όροι πληρωμής με τα δικαιώματα καταγγελίας δεν θα παρατηρήσει πότε μια περίληψη τον κάνει λάθος. Η πρόσβαση στην Τεχνητή Νοημοσύνη δεν εξαλείφει την ανάγκη για αυτήν την κατανόηση. Αλλάζει το πού χρησιμοποιείται.
Αποφασίστε σε ποιο πεδίο γνώσης εξαρτάται κάθε εργασία επαλήθευσης και ελέγξτε την πριν από την εξάσκηση, με μια σύντομη αυτορυθμιζόμενη διάγνωση. Ένας έλεγχος ανάκλησης όπως αυτός επιβεβαιώνει μόνο τις προϋποθέσεις. Δεν δείχνει ότι κάποιος μπορεί να επαληθεύσει ένα αποτέλεσμα. Το Κέντρο Eberly του Carnegie Mellon θέτει το ίδιο σημείο σχεδιασμού γενικότερα: οι αξιολογήσεις, οι στόχοι και οι διδακτικές δραστηριότητες θα πρέπει να ευθυγραμμίζονται και όταν μια αξιολόγηση μετρά την ανάκληση αλλά οι στόχοι απαιτούν ανάλυση, δεν καταφέρνει να μετρήσει τι έπρεπε να μάθουν οι μαθητές και η αναντιστοιχία μπορεί να υπονομεύσει τόσο το κίνητρο όσο και τη μάθηση (Κέντρο Eberly, ευθυγράμμιση στόχων, αξιολογήσεων και διδασκαλίας).
5. Μετρήστε την υπεύθυνη χρήση σε πραγματικές εργασίες
Επιλέξτε μια εργασία επαλήθευσης που οι άνθρωποι πραγματικά κάνουν και ορίστε τα εγκεκριμένα όρια για τη χρήση της Τεχνητής Νοημοσύνης πριν μετρήσετε: τι μπορεί να ανατεθεί στο εργαλείο, τι πρέπει να ελεγχθεί και τι πρέπει να κλιμακωθεί.
Τα Κέντρα Ελέγχου και Πρόληψης Νοσημάτων των ΗΠΑ διαχωρίζουν την αξιολόγηση της μάθησης από την αξιολόγηση του πόσο καλά την εφαρμόζουν οι άνθρωποι στην εργασία τους και συνιστούν τον σχεδιασμό και των δύο (CDC, αξιολόγηση της εκπαίδευσης: μέτρηση της αποτελεσματικότητας). Πρόκειται για καθοδήγηση αξιολόγησης, όχι για πρόβλεψη αποτελεσμάτων. Για τις εργασίες Τεχνητής Νοημοσύνης αυτό σημαίνει δύο μέτρα:
- Μάθηση: απόδοση σε ένα νέο, απαρατήρητο σύνολο περιστατικών, σε σύγκριση με μια βασική γραμμή.
- ΜΕΤΑΦΟΡΑ: μια εποπτευόμενη εργασία ή ένα δείγμα πραγματικής εργασίας, που εξετάζεται με βάση την ίδια ρουμπρίκα αφού οι συμμετέχοντες έχουν χρόνο να χρησιμοποιήσουν όσα έμαθαν.
Ορίστε ποιος περιλαμβάνεται, τον παρονομαστή και τον χρόνο. Αναφέρετε την αποτελεσματικότητα μόνο από μετρήσιμα στοιχεία. Εάν μια ομάδα γίνει πιο γρήγορη μετά την εκπαίδευση στην Τεχνητή Νοημοσύνη, ελέγξτε τι άλλο άλλαξε την ίδια περίοδο, όπως ένα νέο πρότυπο, μια αλλαγή προσωπικού ή ένα διαφορετικό μείγμα εργασίας, πριν πιστώσετε την εκπαίδευση.
Για μια ευρύτερη εικόνα του κινδύνου, το Εθνικό Ινστιτούτο Προτύπων και Τεχνολογίας δημοσιεύει το Πλαίσιο Διαχείρισης Κινδύνων AI, που κυκλοφόρησε τον Ιανουάριο του 2023, το οποίο χρησιμοποιούν οι οργανισμοί για να σκεφτούν τον κίνδυνο της Τεχνητής Νοημοσύνης. Αποτελεί σημείο εκκίνησης για τη συζήτηση σχετικά με τον κίνδυνο, όχι πρότυπο εκπαίδευσης ή πιστοποίηση.
Ένα λειτουργικό παράδειγμα: η περίληψη της σύμβασης
Ενδεικτικά. Ένας επαγγελματίας που κάνει αυτή την εργασία θα πρέπει να επικυρώσει την περίπτωση και τα κριτήρια απάντησης πριν από τη χρήση.
Η υπόθεση. Ο μαθητευόμενος λαμβάνει μια φανταστική σύμβαση προμηθευτή και μια περίληψη γραμμένη από τεχνητή νοημοσύνη. Η περίληψη αναφέρει μια ειδοποίηση καταγγελίας 60 ημερών. Η σύμβαση αναφέρει 60 ημέρες για καταγγελία χωρίς αιτία και 30 ημέρες για παραβίαση. Η περίληψη παραλείπει επίσης μια εξαίρεση σχετικά με την προθεσμία πληρωμής σε ένα παράρτημα.
Τι καλείται να κάνει ο μαθητής. Εξηγήστε την απόφαση (αποδοχή, διόρθωση ή κλιμάκωση), αναφέρετε τα αποδεικτικά στοιχεία από τη σύμβαση και αναφέρετε ποιες περαιτέρω πληροφορίες ή υποστήριξη θα χρειαστούν.
Μια αδύναμη αντίδραση. «Η περίληψη φαίνεται ακριβής και καλύπτει τους κύριους όρους. Αποδέχομαι.» Δεν παραθέτει τίποτα και δεν εμφανίζει κανένα σημάδι ελέγχου.
Μια πιο δυνατή απάντηση. «Δεν θα το αποδεχόμουν ως έχει. Η παράγραφος 14 δίνει 60 ημέρες για καταγγελία χωρίς αιτία, αλλά 30 ημέρες για παραβίαση, και η περίληψη αναφέρει μόνο 60. Το Παράρτημα Β έχει μια εξαίρεση πληρωμής που η περίληψη δεν αναφέρει. Θα διόρθωνα τη γραμμή καταγγελίας και θα πρόσθετα την εξαίρεση. Δεν είμαι σίγουρος αν το παράρτημα ισχύει για αυτόν τον προμηθευτή, επομένως θα ρωτούσα τον υπεύθυνο συμβάσεων.»
Η επανάληψη. Ο μαθητευόμενος λαμβάνει ένα δεύτερο συμβόλαιο όπου η περίληψη της Τεχνητής Νοημοσύνης είναι σωστή. Η σωστή κίνηση τώρα είναι να αποδεχτεί και να πει τι ελέγχθηκε. Αυτό προστατεύει από την εκπαίδευση των ανθρώπων σε αναστοχαστική καχυποψία.
Ένα φύλλο εργασίας ανάλυσης εργασιών Τεχνητής Νοημοσύνης
Χρησιμοποιήστε μία γραμμή ανά βήμα στη στήλη "τώρα" για μια πραγματική εργασία.
| Βήμα εργασίας | Τι κάνει τώρα η Τεχνητή Νοημοσύνη | Τι πρέπει ακόμα να κάνει το άτομο | Απαιτούνται αποδεικτικά στοιχεία για τον έλεγχό του | Κλιμάκωση σε | Προαπαιτούμενες γνώσεις |
|---|---|---|---|---|---|
| Εξαγωγή βασικών όρων | Συντάσσει τη λίστα | Συγκρίνετε με την πηγή | Η ίδια η σύμβαση | Συμβάσεις με υποψήφιο πελάτη | Δομή σύμβασης και τύποι ρητρών |
| Σημαία ασυνήθιστων όρων | Προτείνει υποψηφίους | Αποφασίστε τι είναι ασυνήθιστο σε αυτό το πλαίσιο | Προηγούμενα συμβόλαια, πολιτική | Νομικά | Τυπικοί όροι για αυτόν τον τύπο προμηθευτή |
| Υπογράψτε την περίληψη | Τίποτα | Να έχεις το αποτέλεσμα υπό την κατοχή σου | Η ελεγμένη σύνοψη | Διευθυντής γραμμής | Όρια έγκρισης |
Μια ρουμπρίκα που μπορείτε να προσαρμόσετε
Βαθμολογήστε κάθε κριτήριο από 0 έως 2. Αυτή είναι μια πρόταση προσαρμογής με έναν ειδικό στον ρόλο, όχι ένα επικυρωμένο πρότυπο ετοιμότητας.
| Κριτήριο | Παρατηρήσιμα στοιχεία |
|---|---|
| Εκτέλεση εργασιών | Προσδιορίζει πού η Τεχνητή Νοημοσύνη αλλάζει την εργασία επαλήθευσης και κρίσης. Καταγράφει την ενέργεια και τα αποδεικτικά στοιχεία πίσω από αυτήν. |
| Αιτιολογία | Εξηγεί τους περιορισμούς, τις εναλλακτικές λύσεις και την αβεβαιότητα. Οι λόγοι για την αποδοχή ή την αμφισβήτηση ενός αποτελέσματος συνδέονται με την πηγή. |
| Όρια | Χρησιμοποιεί εγκεκριμένες διαδικασίες για τη χρήση Τεχνητής Νοημοσύνης και ζητά βοήθεια όταν οι πληροφορίες ή η εξουσία δεν επαρκούν. |
Άγκυρες: 0 = απουσιάζει ή δεν υποστηρίζεται. 1 = μερικό, με σχετικές παραλείψεις. 2 = πλήρες και δικαιολογημένο με βάση συμφωνημένα κριτήρια. Ορίστε τα κρίσιμα σφάλματα ξεχωριστά, για παράδειγμα, την υπογραφή ενός αποτελέσματος που έρχεται σε αντίθεση με την πηγή ή την κοινοποίηση εμπιστευτικών δεδομένων σε ένα μη εγκεκριμένο εργαλείο. Η συνολική βαθμολογία δεν πρέπει να αποκρύπτει μια κρίσιμη αποτυχία.
Περιορισμοί που ενδέχεται να παραμείνουν
Η καλύτερη κρίση σε μια εκπαιδευτική υπόθεση δεν αίρει κάθε περιορισμό:
- Πίεση χρόνου. Εάν οι στόχοι όγκου δεν αφήνουν περιθώρια ελέγχου, οι άνθρωποι θα παραλείψουν να ελέγξουν ό,τι τους δίδαξαν.
- Ασαφής λογοδοσία. Εάν κανείς δεν κατονομάζεται ως κάτοχος μιας ελεγμένης εξόδου, ο έλεγχος δεν είναι δουλειά κανενός.
- Όρια εργαλείων. Ορισμένα εργαλεία δεν επιτρέπουν στους χρήστες να δουν την πηγή πίσω από μια απάντηση, γεγονός που καθιστά την επαλήθευση αργή.
- Αλλαγή εργαλείων. Ένα σύστημα τεχνητής νοημοσύνης που αλλάζει συμπεριφορά μετά από μια ενημέρωση μπορεί να σπάσει μια συνήθεια επαλήθευσης που αποκτήσατε το προηγούμενο τρίμηνο.
Σχεδιάστε ξεχωριστές διορθώσεις για αυτά και ενημερώστε τους χορηγούς. Η εκπαίδευση μπορεί να ενισχύσει την δεξιότητα. Δεν μπορεί να δημιουργήσει τον χρόνο ή την εξουσία.
Συχνές ερωτήσεις
Τι θα πρέπει να καλύπτει η εκπαίδευση των εργαζομένων στην Τεχνητή Νοημοσύνη;
Ξεκινήστε με τις εργασίες που αλλάζει η Τεχνητή Νοημοσύνη στον ρόλο της. Καλύψτε τον τρόπο ελέγχου των αποτελεσμάτων σε σχέση με τα αποδεικτικά στοιχεία, πότε πρέπει να κλιμακώσετε την αξιολόγηση, τα εγκεκριμένα όρια για τη χρήση της Τεχνητής Νοημοσύνης και τις γνώσεις του τομέα που απαιτούνται για την αξιολόγηση μιας απάντησης. Οι συμβουλές για τα εργαλεία έρχονται δεύτερες.
Καταργεί η Τεχνητή Νοημοσύνη την ανάγκη για γνώση τομέα;
Όχι. Οι άνθρωποι χρειάζονται αρκετή κατανόηση για να παρατηρήσουν πότε ένα αποτέλεσμα είναι λανθασμένο ή ελλιπές. Αυτό που αλλάζει είναι ο τρόπος με τον οποίο χρησιμοποιείται αυτή η γνώση: λιγότερη παραγωγή, περισσότερη αξιολόγηση.
Πώς αξιολογείτε την ανθρώπινη κρίση σε εργασίες με τη βοήθεια της Τεχνητής Νοημοσύνης;
Δώστε στους μαθητές ρεαλιστικές περιπτώσεις με σωστά, ελλιπή και παραπλανητικά αποτελέσματα και βαθμολογήστε τους λόγους για τους οποίους αποδέχονται, διορθώνουν ή κλιμακώνουν την αξιολόγηση. Στη συνέχεια, παρατηρήστε μια εποπτευόμενη πραγματική εργασία μετά από μια κατάλληλη καθυστέρηση.
Από πού να αρχίσω
Επιλέξτε μία εργασία που οι άνθρωποι στον οργανισμό σας εκτελούν πλέον με τη βοήθεια της Τεχνητής Νοημοσύνης. Συμπληρώστε το παραπάνω φύλλο εργασίας με κάποιον που κάνει την εργασία και σημειώστε τα τρία σημεία όπου ένα λανθασμένο αποτέλεσμα θα προκαλούσε τη μεγαλύτερη ζημιά. Δημιουργήστε την πρώτη σας πρακτική περίπτωση γύρω από μία από αυτές.
Για να δείτε πώς ένας αυτορυθμιζόμενος έλεγχος, μια διαδραστική πρακτική εξάσκησης περίπτωσης και μια ζωντανή ενημέρωση θα μπορούσαν να συνδυαστούν για αυτήν την εργασία, εξερευνήστε το AhaSlides.
