นักวิเคราะห์เปิดดูร่างสรุปสัญญาซัพพลายเออร์ที่สร้างขึ้นโดยผู้ช่วย AI ในเวลาเพียงไม่กี่วินาที เอกสารนั้นอ่านง่าย ระบุเงื่อนไขการยกเลิกสัญญาและเงื่อนไขการชำระเงินอย่างชัดเจน และมีความมั่นใจตลอดทั้งฉบับ เมื่อก่อนนักวิเคราะห์เคยใช้เวลาทั้งเช้าในการอ่านสัญญาเพื่อค้นหารายละเอียดเหล่านั้น แต่ตอนนี้คำถามเปลี่ยนไปแล้ว: สรุปนี้ถูกต้องหรือไม่ และพวกเขาต้องตรวจสอบอะไรบ้างก่อนที่จะลงนาม?
นี่เป็นเพียงสถานการณ์จำลอง ไม่ใช่กรณีศึกษาของลูกค้าที่บันทึกไว้ มันแสดงให้เห็นถึงสิ่งที่กำลังเปลี่ยนแปลงไปในงานหลายๆ อย่าง การหาคำตอบทำได้เร็วขึ้น แต่การตัดสินใจว่าคำตอบนั้นเชื่อถือได้หรือไม่ และใครจะเป็นผู้รับผิดชอบหากคำตอบนั้นใช้ไม่ได้ ก็ยังคงขึ้นอยู่กับตัวบุคคลนั้นเอง
คู่มือนี้จัดทำขึ้นสำหรับหัวหน้าฝ่ายพัฒนาและฝึกอบรม (L&D) และนักออกแบบการเรียนการสอนที่วางแผนการฝึกอบรมบุคลากรด้าน AI โดยจะแสดงวิธีการค้นหางานที่ AI เปลี่ยนแปลงงานของมนุษย์ วิธีการสร้างแบบฝึกหัดรอบผลลัพธ์ที่บางครั้งอาจผิดพลาด และวิธีการวัดการใช้งานอย่างมีความรับผิดชอบโดยไม่สัญญาว่าจะเพิ่มผลผลิต
ข้อเท็จจริงด่วน
| คำถาม | ตอบสั้นๆ |
|---|---|
| อะไรเปลี่ยนแปลงไปบ้างเมื่อผู้คนนำ AI มาใช้ในที่ทำงาน? | การเขียนร่างแรกหรือคำตอบนั้นง่ายขึ้น แต่การตรวจสอบ การตัดสิน และการรับผิดชอบผลลัพธ์นั้นยังคงอยู่ |
| การฝึกอบรม AI ควรสอนอะไรบ้าง? | การตรวจสอบและการตัดสินใจที่จำเป็นสำหรับงานในปัจจุบัน รวมถึงความรู้เฉพาะด้านที่จำเป็นในการดำเนินการนั้น |
| คำแนะนำเพียงอย่างเดียวสามารถแก้ไขปัญหาการไว้ใจมากเกินไปได้หรือไม่? | ไม่ การวิจัยเกี่ยวกับอคติจากการใช้ระบบอัตโนมัติพบว่าเกิดขึ้นทั้งในผู้เริ่มต้นและผู้เชี่ยวชาญ และไม่สามารถป้องกันได้ด้วยการฝึกอบรมหรือคำแนะนำเพียงอย่างเดียว |
| จะวัดอะไร? | มีการตรวจสอบยืนยันโดยสังเกตการณ์ในงานจริง โดยมีขอบเขตการใช้งาน AI ที่ได้รับการอนุมัติแล้ว |
1. จัดทำแผนภาพแสดงการเปลี่ยนแปลงของ AI ต่อลักษณะงาน
เริ่มต้นด้วยงานจริงหนึ่งอย่าง ไม่ใช่เครื่องมือ อธิบายงานนั้นว่าทำอย่างไรก่อนยุค AI และทำอย่างไรในปัจจุบัน แล้วเปรียบเทียบทั้งสองแบบทีละคอลัมน์
ตัวอย่างสัญญา:
- ก่อน: อ่านสัญญาฉบับเต็ม คัดลอกข้อกำหนดที่สำคัญ ระบุสิ่งผิดปกติ และเขียนสรุป
- ขณะนี้: ตรวจสอบบทสรุปที่สร้างโดย AI เปรียบเทียบกับแหล่งข้อมูล ตัดสินใจว่าจะเชื่อถือได้หรือไม่ ระบุสิ่งผิดปกติ และรับผิดชอบต่อผลลัพธ์
บางขั้นตอนสั้นลง การดึงคำศัพท์อาจใช้เวลาเพียงไม่กี่วินาที ในขณะที่บางขั้นตอนปรากฏขึ้นหรือเพิ่มขึ้น เช่น การตรวจสอบผลลัพธ์เทียบกับแหล่งที่มา การสังเกตสิ่งที่บทสรุปไม่ได้กล่าวถึง และการตัดสินใจว่าจะขอความช่วยเหลือจากผู้เชี่ยวชาญเมื่อใด ทักษะที่ต้องการได้เปลี่ยนจากการผลิตไปเป็นการประเมิน ในแง่ของทฤษฎีของบลูม ซึ่งอธิบายถึงกระบวนการคิดที่งานนั้นต้องการ ไม่ใช่ว่างานนั้นทำอย่างไร น้ำหนักจึงเปลี่ยนไปอยู่ที่การวิเคราะห์และการประเมิน คู่มือของเราสำหรับ การจับคู่กิจกรรมการเรียนรู้กับอนุกรมวิธานของบลูม อธิบายวิธีการจัดวางวัตถุประสงค์ กิจกรรม และการประเมินให้สอดคล้องกัน เมื่อคุณทราบระดับแล้ว
การเปรียบเทียบนี้เป็นหัวใจสำคัญของการวิเคราะห์ความต้องการการฝึกอบรมด้าน AI อย่างตรงไปตรงมา นอกจากนี้ยังช่วยป้องกันความผิดพลาดทั่วไป: การฝึกอบรมทุกคนให้ใช้เครื่องมือเพียงเครื่องมือเดียว ในขณะที่การเปลี่ยนแปลงที่แท้จริงคือการเพิ่มหน้าที่ตรวจสอบใหม่
2. ระบุข้อกำหนดในการตรวจสอบและตัดสิน
ตั้งคำถามสามข้อเกี่ยวกับแต่ละขั้นตอนในคอลัมน์ "ตอนนี้"
- ผลลัพธ์ที่ไม่ถูกต้องในกรณีนี้จะมีลักษณะอย่างไร? ข้อความที่ถูกสร้างขึ้น ข้อยกเว้นที่ถูกมองข้าม ตัวเลขที่ดูสมเหตุสมผลแต่ล้าสมัย
- มีหลักฐานอะไรให้ฉันตรวจสอบได้บ้าง? เอกสารต้นฉบับ ระบบที่สอง เพื่อนร่วมงาน นโยบาย
- เมื่อไหร่ฉันถึงควรหยุดและไปถามคนอื่น? เส้นแบ่งระหว่าง "ฉันสามารถตรวจสอบเรื่องนี้ได้" กับ "เรื่องนี้ต้องอาศัยผู้เชี่ยวชาญ"
นักวิจัยได้ศึกษาถึงสิ่งที่เกิดขึ้นเมื่อผู้คนทำงานกับเครื่องมือช่วยเหลืออัตโนมัติที่ไม่สมบูรณ์แบบมานานหลายทศวรรษ การทบทวนงานวิจัยของ Parasuraman และ Manzey อธิบายถึงอคติจากระบบอัตโนมัติ ซึ่งผู้คนมักทำผิดพลาดทั้งการละเว้นและการกระทำผิดพลาด เนื่องจากพึ่งพาเครื่องมือช่วยตัดสินใจที่ไม่ถูกต้องเสมอไป งานวิจัยพบว่าปรากฏการณ์นี้เกิดขึ้นทั้งในผู้เข้าร่วมที่เป็นมือใหม่และผู้เชี่ยวชาญ และสรุปว่าไม่สามารถป้องกันได้ด้วยการฝึกอบรมหรือคำแนะนำเพียงอย่างเดียว (Parasuraman และ Manzey, 2010, ปัจจัยมนุษย์งานวิจัยชิ้นนั้นมีมาก่อนที่ผู้ช่วย AI ในปัจจุบันจะมีอยู่ ดังนั้นควรพิจารณาว่าเป็นข้อควรระวังเกี่ยวกับพฤติกรรมของมนุษย์ ไม่ใช่เป็นการวัดประสิทธิภาพของเครื่องมือใดๆ ในปัจจุบัน
บทเรียนเชิงปฏิบัติสำหรับการฝึกอบรม AI สำหรับพนักงานคือ การบอกให้คน "ตรวจสอบผลลัพธ์" ไม่ใช่การออกแบบที่ดี สภาพแวดล้อมรอบตัวบุคคลก็มีความสำคัญเช่นกัน ได้แก่ เวลาในการตรวจสอบ การเข้าถึงแหล่งข้อมูล และสถานที่ทำงานที่ไม่ลงโทษพวกเขาหากทำงานช้าลง
3. สร้างแบบฝึกหัดเกี่ยวกับการรับมือกับผลลัพธ์ที่ไม่แน่นอน
หากงานในตอนนี้เกี่ยวข้องกับการตัดสินผลลัพธ์ ให้ฝึกฝนการตัดสินผลลัพธ์ สร้างชุดกรณีศึกษาขนาดเล็กที่ AI ตอบสนองดังนี้:
- ถูกต้องและครบถ้วน ทางออกที่ถูกต้องคือการยอมรับ และอธิบายเหตุผลด้วย
- ไม่สมบูรณ์ จริงอยู่บ้าง แต่ก็ยังขาดสิ่งสำคัญไปอย่างหนึ่ง
- ที่ทำให้เข้าใจผิด มั่นใจ เขียนได้ดี แต่ผิดพลาดในแบบที่มองข้ามได้ง่าย
ผู้เรียนจะได้รับแต่ละกรณีศึกษา แหล่งข้อมูลสำหรับตรวจสอบ และตัวเลือก: ยอมรับ แก้ไข หรือส่งต่อ พวกเขายังต้องให้เหตุผลด้วย ประเมินเหตุผลของการเห็นด้วยหรือการโต้แย้ง ไม่ใช่เพียงแค่ความมั่นใจ ผู้เรียนที่ยอมรับคำตอบที่ถูกต้องโดยไม่ตรวจสอบ แสดงให้เห็นว่ายังไม่มีทักษะ และผู้เรียนที่ตั้งคำถามทุกอย่างก็เช่นกัน
รูปแบบการเรียนรู้แบบโต้ตอบเหมาะกับสิ่งนี้เป็นอย่างดี แต่ละคนจะตัดสินใจและให้เหตุผลก่อนที่กลุ่มจะอภิปราย ดังนั้นทั้งความไว้วางใจมากเกินไปและความระมัดระวังมากเกินไปจึงปรากฏให้เห็น การเรียนรู้ด้วยตนเองครอบคลุมขั้นตอนแรก และการสรุปสดจะจัดการกับกรณีที่คลุมเครือซึ่งมีสองมุมมองที่สมเหตุสมผล AhaSlides รองรับการเรียนรู้แบบโต้ตอบและการสลับระหว่างการเรียนรู้แบบสดและการเรียนรู้ด้วยตนเอง ดังนั้นชุดกรณีศึกษาหนึ่งชุดจึงสามารถใช้งานได้ทั้งสองวิธี ตรวจสอบฟังก์ชันการสร้าง การให้ข้อเสนอแนะ หรือการรายงานเฉพาะใดๆ กับขั้นตอนการทำงานของคุณเองก่อนที่จะวางแผนใช้งาน
4. รักษาความรู้พื้นฐานไว้
คุณไม่สามารถประเมินผลลัพธ์ที่คุณไม่เข้าใจได้ คนที่ไม่มีประสบการณ์ในการเรียนรู้ว่าเงื่อนไขการชำระเงินมีความสัมพันธ์กับสิทธิ์ในการยกเลิกสัญญาอย่างไร จะไม่สังเกตเห็นเมื่อบทสรุปนั้นผิดพลาด การเข้าถึง AI ไม่ได้ทำให้ความจำเป็นในการทำความเข้าใจนั้นหมดไป แต่เป็นการเปลี่ยนสถานที่ใช้งานต่างหาก
ตัดสินใจว่างานตรวจสอบแต่ละงานขึ้นอยู่กับความรู้ในโดเมนใด และตรวจสอบก่อนฝึกฝนด้วยแบบทดสอบวินิจฉัยตนเองสั้นๆ การตรวจสอบความจำแบบนี้ยืนยันเฉพาะความรู้พื้นฐานเท่านั้น ไม่ได้แสดงให้เห็นว่าทุกคนสามารถตรวจสอบผลลัพธ์ได้ ศูนย์ Eberly ของ Carnegie Mellon กล่าวถึงประเด็นการออกแบบเดียวกันนี้โดยทั่วไปว่า การประเมิน วัตถุประสงค์ และกิจกรรมการเรียนการสอนควรสอดคล้องกัน และเมื่อการประเมินวัดความจำ แต่วัตถุประสงค์ต้องการการวิเคราะห์ การประเมินนั้นก็ล้มเหลวในการวัดสิ่งที่ผู้เรียนควรเรียนรู้ และความไม่สอดคล้องกันนี้อาจบั่นทอนทั้งแรงจูงใจและการเรียนรู้ (ศูนย์เอเบอร์ลี การจัดวางเป้าหมาย การประเมิน และการสอนให้สอดคล้องกัน).
5. วัดผลการใช้งานอย่างมีความรับผิดชอบในงานจริง
เลือกงานตรวจสอบที่ผู้คนทำจริง ๆ และกำหนดขอบเขตที่ได้รับอนุมัติสำหรับการใช้งาน AI ก่อนที่จะทำการวัดผล: อะไรบ้างที่สามารถมอบหมายให้เครื่องมือทำได้ อะไรบ้างที่ต้องตรวจสอบด้วยตนเอง และอะไรบ้างที่ต้องส่งต่อไปยังผู้ที่เกี่ยวข้อง
ศูนย์ควบคุมและป้องกันโรคแห่งสหรัฐอเมริกาแยกการประเมินการเรียนรู้จากการประเมินว่าผู้คนนำความรู้ไปประยุกต์ใช้ในที่ทำงานได้ดีเพียงใด และแนะนำให้วางแผนสำหรับทั้งสองอย่าง (ศูนย์ควบคุมและป้องกันโรค (CDC) ประเมินการฝึกอบรม: การวัดประสิทธิผล(นี่คือแนวทางการประเมิน ไม่ใช่การคาดการณ์ผลลัพธ์) สำหรับงานด้าน AI นั่นหมายถึงการวัดสองอย่าง:
- การเรียนรู้: ประสิทธิภาพในการทดสอบกับชุดกรณีศึกษาใหม่ที่ไม่เคยเห็นมาก่อน เมื่อเทียบกับค่าพื้นฐาน
- โอน: งานที่ได้รับมอบหมายภายใต้การกำกับดูแล หรือตัวอย่างงานจริง ซึ่งได้รับการประเมินตามเกณฑ์เดียวกัน หลังจากที่ผู้คนมีเวลาได้นำสิ่งที่เรียนรู้ไปใช้แล้ว
ระบุผู้ที่เกี่ยวข้อง ตัวหาร และช่วงเวลา รายงานประสิทธิภาพเฉพาะจากหลักฐานที่วัดได้เท่านั้น หากทีมทำงานได้เร็วขึ้นหลังจากได้รับการฝึกอบรมด้วย AI ให้ตรวจสอบว่ามีอะไรเปลี่ยนแปลงไปบ้างในช่วงเวลาเดียวกัน เช่น เทมเพลตใหม่ การเปลี่ยนแปลงบุคลากร หรือลักษณะงานที่แตกต่างกัน ก่อนที่จะให้เครดิตการฝึกอบรม
เพื่อให้ได้มุมมองที่กว้างขึ้นเกี่ยวกับความเสี่ยง สถาบันมาตรฐานและเทคโนโลยีแห่งชาติได้เผยแพร่เอกสารต่างๆ กรอบการบริหารความเสี่ยง AIเอกสารดังกล่าวเผยแพร่ในเดือนมกราคม 2023 ซึ่งองค์กรต่างๆ ใช้เป็นแนวทางในการพิจารณาความเสี่ยงด้าน AI เอกสารนี้เป็นเพียงจุดเริ่มต้นสำหรับการพูดคุยเกี่ยวกับความเสี่ยง ไม่ใช่มาตรฐานการฝึกอบรมหรือการรับรอง
ตัวอย่างการใช้งาน: สรุปสัญญา
เป็นเพียงตัวอย่าง ผู้ปฏิบัติงานที่ทำการวิจัยนี้ควรตรวจสอบความถูกต้องของกรณีศึกษาและเกณฑ์การตอบคำถามก่อนนำไปใช้
กรณี. ผู้เรียนจะได้รับสัญญาซัพพลายเออร์สมมติและบทสรุปที่เขียนโดย AI บทสรุประบุว่าต้องแจ้งยกเลิกสัญญาล่วงหน้า 60 วัน สัญญาระบุว่าสามารถยกเลิกได้โดยไม่มีเหตุผลภายใน 60 วัน และยกเลิกได้ในกรณีผิดสัญญาภายใน 30 วัน นอกจากนี้ บทสรุปยังละเว้นข้อยกเว้นเกี่ยวกับเงื่อนไขการชำระเงินในภาคผนวกด้วย
สิ่งที่ผู้เรียนถูกขอให้ทำ อธิบายการตัดสินใจ (ยอมรับ แก้ไข หรือส่งต่อ) อ้างอิงหลักฐานจากสัญญา และระบุว่าพวกเขาต้องการข้อมูลหรือการสนับสนุนเพิ่มเติมอะไรบ้าง
การตอบสนองที่อ่อนแอ "บทสรุปดูถูกต้องและครอบคลุมข้อกำหนดหลักแล้ว ยอมรับ" แต่ไม่มีการอ้างอิงใดๆ และไม่มีการตรวจสอบใดๆ
การตอบสนองที่รุนแรงขึ้น "ดิฉันไม่ยอมรับข้อตกลงนี้ในรูปแบบปัจจุบัน ข้อ 14 ระบุระยะเวลา 60 วันสำหรับการยกเลิกสัญญาโดยไม่มีเหตุผล แต่ 30 วันสำหรับการละเมิดสัญญา และบทสรุปกล่าวถึงเพียง 60 วันเท่านั้น ภาคผนวก B มีข้อยกเว้นการชำระเงินซึ่งบทสรุปไม่ได้กล่าวถึง ดิฉันจะแก้ไขบรรทัดการยกเลิกสัญญาและเพิ่มข้อยกเว้นเข้าไป ดิฉันไม่แน่ใจว่าภาคผนวกนี้ใช้กับซัพพลายเออร์รายนี้หรือไม่ ดังนั้นดิฉันจะสอบถามหัวหน้าฝ่ายสัญญา"
การลองใหม่อีกครั้ง ผู้เรียนจะได้รับสัญญาฉบับที่สองซึ่งสรุปโดย AI อย่างถูกต้อง สิ่งที่ควรทำในตอนนี้คือยอมรับและบอกว่าได้ตรวจสอบอะไรไปแล้ว วิธีนี้จะช่วยป้องกันไม่ให้ผู้คนเกิดความสงสัยโดยอัตโนมัติ
แบบฟอร์มวิเคราะห์งาน AI
ใช้หนึ่งแถวต่อหนึ่งขั้นตอนในคอลัมน์ "ตอนนี้" สำหรับงานจริง
| ขั้นตอนงาน | AI ในปัจจุบันทำอะไรได้บ้าง | สิ่งที่บุคคลนั้นยังคงต้องทำ | ต้องมีหลักฐานเพื่อตรวจสอบ | ยกระดับเป็น | ความรู้พื้นฐานที่จำเป็น |
|---|---|---|---|---|---|
| ดึงคำสำคัญออกมา | ร่างรายชื่อ | เปรียบเทียบกับแหล่งที่มา | ตัวสัญญาเอง | สัญญาหลัก | โครงสร้างสัญญาและประเภทของข้อกำหนด |
| ระบุเงื่อนไขที่ผิดปกติ | แนะนำผู้สมัคร | พิจารณาว่าอะไรคือสิ่งที่ผิดปกติในบริบทนี้ | สัญญาและนโยบายที่ผ่านมา | กฎหมาย | เงื่อนไขมาตรฐานสำหรับซัพพลายเออร์ประเภทนี้ |
| ลงนามสรุป | ไม่มีอะไร | เป็นเจ้าของผลลัพธ์ | สรุปที่ตรวจสอบแล้ว | ผู้จัดการสายงาน | ขีดจำกัดการอนุมัติ |
เกณฑ์การประเมินที่คุณสามารถปรับเปลี่ยนได้
ให้คะแนนแต่ละเกณฑ์ตั้งแต่ 0 ถึง 2 นี่เป็นเพียงข้อเสนอแนะเพื่อการปรับใช้ร่วมกับผู้เชี่ยวชาญในบทบาทดังกล่าว ไม่ใช่มาตรฐานความพร้อมที่ได้รับการตรวจสอบแล้ว
| เกณฑ์ | หลักฐานที่สังเกตได้ |
|---|---|
| การดำเนินการงาน | ระบุจุดที่ AI เปลี่ยนแปลงกระบวนการตรวจสอบและตัดสิน บันทึกการกระทำและหลักฐานที่เกี่ยวข้อง |
| เหตุผล | อธิบายถึงข้อจำกัด ทางเลือก และความไม่แน่นอน เหตุผลในการยอมรับหรือโต้แย้งผลลัพธ์นั้นเชื่อมโยงกับแหล่งที่มา |
| ขอบเขต | ปฏิบัติตามขั้นตอนที่ได้รับการอนุมัติสำหรับการใช้งาน AI และขอความช่วยเหลือเมื่อข้อมูลหรือผู้มีอำนาจไม่เพียงพอ |
เบรก: 0 = ขาดหายไปหรือไม่ได้รับการสนับสนุน 1 = บางส่วน โดยมีการละเว้นที่สำคัญ 2 = สมบูรณ์และมีเหตุผลตามเกณฑ์ที่ตกลงกันไว้ กำหนดข้อผิดพลาดที่สำคัญแยกต่างหาก เช่น การลงนามรับรองผลลัพธ์ที่ขัดแย้งกับแหล่งที่มา หรือการแบ่งปันข้อมูลที่เป็นความลับกับเครื่องมือที่ไม่ได้รับอนุญาต คะแนนรวมต้องไม่ปกปิดความล้มเหลวที่สำคัญ
ข้อจำกัดที่อาจยังคงอยู่
การตัดสินใจที่ดีขึ้นในกรณีฝึกอบรมไม่ได้หมายความว่าจะขจัดข้อจำกัดทั้งหมดไปได้:
- เวลาจำกัด. หากเป้าหมายด้านปริมาณไม่เปิดโอกาสให้ตรวจสอบ ผู้คนก็จะละเลยการตรวจสอบสิ่งที่พวกเขาได้รับการสอนมา
- ความรับผิดชอบไม่ชัดเจน หากไม่มีการระบุชื่อผู้เป็นเจ้าของผลลัพธ์ที่ผ่านการตรวจสอบ การตรวจสอบก็ไม่ใช่หน้าที่ของใคร
- ข้อจำกัดของเครื่องมือ เครื่องมือบางอย่างไม่อนุญาตให้ผู้ใช้เห็นแหล่งที่มาของคำตอบ ซึ่งทำให้การตรวจสอบล่าช้า
- เปลี่ยนเครื่องมือ ระบบ AI ที่เปลี่ยนแปลงพฤติกรรมหลังการอัปเดต อาจทำให้พฤติกรรมการตรวจสอบที่คุณสร้างไว้เมื่อไตรมาสที่แล้วหยุดชะงักได้
วางแผนแก้ไขปัญหาเหล่านี้แยกต่างหาก และแจ้งให้ผู้สนับสนุนทราบ การฝึกอบรมสามารถสร้างทักษะได้ แต่ไม่สามารถสร้างเวลาหรืออำนาจได้
คำถามที่พบบ่อย
การฝึกอบรมด้าน AI สำหรับพนักงานควรครอบคลุมหัวข้ออะไรบ้าง?
เริ่มต้นด้วยงานที่ AI เปลี่ยนแปลงบทบาทของพวกเขา ครอบคลุมวิธีการตรวจสอบผลลัพธ์เทียบกับหลักฐาน เมื่อใดควรส่งต่อปัญหา ขอบเขตที่ได้รับอนุมัติสำหรับการใช้งาน AI และความรู้เฉพาะด้านที่จำเป็นในการตัดสินคำตอบ คำแนะนำการใช้งานเครื่องมือจะตามมาทีหลัง
AI จะช่วยลดความจำเป็นในการมีความรู้เฉพาะด้านหรือไม่?
ไม่เลย คนเราจำเป็นต้องมีความเข้าใจมากพอที่จะสังเกตเห็นได้ว่าผลลัพธ์ใดผิดพลาดหรือไม่สมบูรณ์ สิ่งที่เปลี่ยนไปคือวิธีการนำความรู้นั้นไปใช้: ลดการผลิตลง เพิ่มการประเมินผลมากขึ้น
คุณประเมินการตัดสินใจของมนุษย์ในงานที่ใช้ AI ช่วยเหลืออย่างไร?
ให้ผู้เรียนได้ลองทำแบบฝึกหัดที่เหมือนจริง โดยมีทั้งผลลัพธ์ที่ถูกต้อง ไม่สมบูรณ์ และทำให้เข้าใจผิด จากนั้นให้คะแนนเหตุผลในการยอมรับ แก้ไข หรือส่งต่อปัญหา แล้วจึงสังเกตการทำงานจริงภายใต้การดูแลหลังจากผ่านไประยะเวลาที่เหมาะสม
จะเริ่มที่ไหนดี
เลือกงานหนึ่งอย่างที่บุคลากรในองค์กรของคุณทำอยู่แล้วโดยใช้ AI ช่วยเหลือ กรอกข้อมูลในแบบฟอร์มด้านบนโดยระบุชื่อบุคคลที่ทำงานนั้น และระบุสามจุดที่ผลลัพธ์ที่ไม่ถูกต้องจะก่อให้เกิดอันตรายมากที่สุด สร้างกรณีศึกษาฝึกหัดแรกของคุณโดยใช้หนึ่งในจุดเหล่านั้นเป็นหลัก
หากต้องการเรียนรู้ว่าการตรวจสอบด้วยตนเอง การฝึกฝนกรณีศึกษาแบบโต้ตอบ และการสรุปผลสด สามารถผสานรวมกันเพื่อการทำงานดังกล่าวได้อย่างไร โปรดสำรวจ AhaSlides
