Budoucnost práce
📊 Souhrn
Jaime Teevan ve své přednášce rozebírá, jak umělá inteligence (AI) transformuje budoucnost práce. Začíná osobní anekdotou o prvním setkání s vyspělým jazykovým modelem a následně zdůrazňuje, že tato transformace není náhlá, ale spíše vyvrcholení desetiletí výzkumu a inovací. Ukazuje, jak internet a obrovské množství dat umožnily rozvoj hlubokého učení a složitého usuzování v modelech AI. Teevan zdůrazňuje tři klíčové aspekty práce, které jsou ovlivněny AI: účelnost, trvalost a spolupráce.
Dále vysvětluje, že AI umožňuje lidem vyjadřovat své záměry přímo, aniž by je museli složitě překládat do počítačových příkazů. Zdůrazňuje také, že AI může sloužit jako myšlenkový partner, který pomáhá lidem lépe formulovat své cíle a plány. V kontextu trvalosti práce Teevan uvádí, že AI mění způsob, jakým jsou dokumenty vytvářeny a používány, přičemž konverzace se stávají klíčovým prostředkem pro tvorbu a získávání znalostí. Nakonec se zaměřuje na spolupráci, kde AI pomáhá překonávat bariéry, jako jsou časové zóny a omezená kapacita pro efektivní komunikaci ve velkých skupinách. Zdůrazňuje, že budoucnost práce není jen o rychlejším provádění úkolů, ale o vedení zajímavých rozhovorů a objevování nových možností.
📝 Přepis
Skvělé. Ahoj. Pamatujete si, když jste poprvé viděli současnou generaci jazykových modelů? Já si to rozhodně pamatuju. Bylo to někdy koncem léta roku 2022 a já jsem šel na takovou tajnou schůzku, kde mi měli ukázat demo nejnovějšího modelu OpenAI, který zrovna dokončili trénovat. A věděl jsem, že budu zodpovědný za to, vzít ten model a integrovat ho do hlavních produktů Microsoftu, jako je PowerPoint, Word a Teams, abych vytvořil budoucnost práce. Ale byl jsem taky hluboce skeptický. Lidi byli hrozně nadšení z toho, co by ten model mohl dokázat, i když ho ještě neviděli. Ale já jsem z desetiletí výzkumu AI věděl, že očekávání lidí mají tendenci výrazně překračovat to, co ty modely skutečně dokážou.
Sedím tedy v téhle konferenční místnosti bez oken v kampusu Microsoftu a jsem tam se Samem Altmanem, což je CEO OpenAI, a hrstkou lidí z Microsoftu, včetně našeho CEO Satyi Nadelly a našeho CTO Kevina Scotta. A Greg Brockman, který založil OpenAI se Samem, vezme zpravodajský článek z webu, zkopíruje ho do kontextového okna modelu a pak požádá model, aby ten článek shrnul. A to je něco, v čem tehdejší modely byly docela dobré. Abstraktní shrnutí byla taková vznikající schopnost těch modelů. A taky to byl druh věci, která by mi mohla způsobit problémy, protože by to zvyšovalo očekávání lidí a dobře se to demonstrovalo, ale nemělo to tendenci obstát ve zkoušce.
A pak se Greg začal modelu ptát na otázky. Požádal model, aby to shrnutí přeměnil na báseň, a pak změnil rýmovací schéma té básně. A já jsem ho požádal, aby změnil jeden z veršů v té básni. A jednou z věcí, která se vyjasnila, když jsme s modelem iterovali, bylo, že je schopný udržet kontext v průběhu konverzace a zvládat nejednoznačné instrukce. A to bylo nové chování.
Demonstrace schopností modelu
Představte si například, že požádáte model, aby vytvořil větu, kde každé slovo ve větě začíná písmenem G a je o Microsoftu. To bylo pro jazykové modely v té době opravdu těžké, protože to vyžaduje přenášení omezení přes dlouhé textové sekvence. Ale tenhle nový model toho byl schopný, a co víc, byl schopný na to přijít a zjistit, že má porušit pravidlo pro slovo Microsoft, protože nemůžete napsat větu o Microsoftu bez slova, které začíná na M. Ale taky jsem zjistil, že s ním můžu iterovat. Pokud bych se rozhodl, že to pravidlo, že každé slovo začíná na G, je důležitější, mohl bych to modelu říct a pak by větu přepsal a vyřadil by Microsoft, aby každé slovo začínalo písmenem G.
A čím víc jsem si s tím modelem hrál a snažil se ho zlomit všemi obvyklými způsoby, tím víc bylo jasné, že je to něco úplně jiného. Nežiju moc daleko od kampusu Microsoftu. Jsem jen pár kilometrů. Ale když jsem se z té schůzky vracel domů, zjistil jsem, že se nemůžu dostat až domů. Musel jsem zastavit v půli cesty na parkovišti u 7-Eleven. Seděl jsem v autě na parkovišti u 7-Eleven a křičel jsem. Křičel jsem, protože jsem si uvědomil, že to, co dělám, není bláznovství. Mám příležitost pomoct vytvořit budoucnost práce. Budeme mluvit s našimi počítači. Křičel jsem, protože jsem cítil obrovskou zodpovědnost dostat tuhle technologii rychle do rukou lidí. A křičel jsem, protože jsem cítil zodpovědnost udělat to správným způsobem. A tak jsem křičel. A pak jsem šel domů a pil jsem. A tím začal ten šílený spěch vytvořit to, co je teď M365 Copilot.
Dlouhá cesta k inovacím
Ale i když ta schůzka, na které jsem byl, představovala opravdu významný posun v tom, jak se na věci dívám, je důležité poznamenat, že to nebylo z ničeho nic. Byl to součást dlouhého technologického postupu. Spousta inovací nás dostala až do tohoto bodu. A to mi vlastně připomíná další opravdu důležitou technologii, která se objevila o něco dřív. Nevím, jestli si pamatujete, když jste poprvé viděli webovou stránku. Pravděpodobně ne, ale já si to pamatuju. Byl jsem v tomhle žaláři počítačové laboratoře na mé bakalářské instituci a tenhle kluk mi volá: „Jamie, pojď se na to podívat.“ A ukázal mi moji úplně první webovou stránku přes prohlížeč Links. Pokud jste nepoužívali prohlížeč Links, je celý textový. Musíte se pohybovat pomocí tabulátoru mezi odkazy a kliknout na return, pokud chcete následovat odkaz. Upřímně, myslel jsem si, že je to opravdu hloupé. Naštěstí jsem nebyl tak hloupý, abych si neuvědomil, že ten kluk je něco výjimečného. Jsme teď manželé a máme čtyři děti. A přišel jsem na to i s webem.
A tady je proč. Pravděpodobně jste slyšeli, že AI je umožněna rozsahem. No, je to web, který umožnil hodně z toho rozsahu a umožnil to. Takže základní přístup k hlubokému učení je tu už opravdu dlouho, ještě předtím, než jsem dělal svou diplomovou práci. Abyste se něco naučili, v zásadě vezmete data a proženete je sítí vah, provedete spoustu výpočtů a pak se podíváte, jestli výstup těch výpočtů odpovídá nějakému štítku. A pokud výstup odpovídá štítku, je to skvělé. A pokud ne, jdete a upravíte váhy tak, aby se data při příštím průchodu sítí podobala štítku o něco víc. A pokud chcete dělat složité usuzování ve formě, kterou jsem viděl na té schůzce s GPT4, potřebujete spoustu vah, což znamená, že potřebujete spoustu dat, a to je místo, kde přichází web.
A samozřejmě to vyžadovalo spoustu inovací, abyste vzali tenhle druh dat, textových dat, a proměnili ho v něco, co se model může naučit. Třeba jedna věc, kterou děláme, abychom vytvořili označená data z tohoto nestrukturovaného textu, je, že můžeme zamaskovat jedno ze slov ve větě a pak se k tomu chovat jako ke hře Mad Libs. V podstatě, model musí uhodnout, co je to zamaskované slovo. Zamaskované slovo je štítek a tréninková data jsou všechno, co do toho jde. A to se nazývá učení bez dozoru. Ale opravdu hlavní myšlenka je, že abyste se dostali do bodu, kdy vidíte vznikající, zajímavé, složité usuzování v modelu, musíte udělat spoustu inovací během desetiletí. A nemůžete opravdu pochopit, kde jste nebo kam jdete, aniž byste pochopili celou tu historii.
Směrem k budoucnosti práce
Po schůzce je mým úkolem zjistit, jak integrovat rozsáhlé generativní AI do úkolů produktivity lidí. A dobrou zprávou je, že jsem v podstatě podváděl pomocí stejného mechanismu, o kterém jsme právě mluvili. Proběhla spousta výzkumu, desetiletí výzkumu, v podstatě ještě předtím, než existovaly počítače. Lidé studovali, jak mohou počítače podporovat produktivitu. Microsoft tento týden vlastně slaví 50 let. Takže jako společnost máme taky desetiletí znalostí. A i když se musíme dívat na všechno, co víme, novou optikou s AI, musíme pochopit tenhle výzkum a to myšlení trochu jinak, co to znamená být člověkem a pracovat a něco dělat. Víte, to je tak nějak základ pro to, co jsme, a to se nemění.
Takže co víme o práci, na čem můžeme stavět? Víme, že práce je účelná, víme, že práce je trvalá a víme, že práce je kolaborativní.
Účelnost práce
Začněme tím, že práce je účelná. Všechno, co děláte, má za sebou význam, má záměr, má účel. Nikdo například nejde do Excelu, aby vytvořil kontingenční tabulku. Jdou do Excelu, protože chtějí usuzovat nad letošním rozpočtem. Je to jen artefakt omezení počítačů teď, že musíme přeložit ten záměr do sady akcí, které počítač může pochopit. A co je na jazykových modelech skvělé, je, že nám vlastně umožňují tohle přeskočit. Už nemusíme překládat svůj záměr. Místo toho ho můžeme vyjádřit přímo. Ale je tu ještě něco, co víme o produktivitě a účelu, a to je, že vyjádřit záměr je těžké pro složité záměry. Ve skutečnosti lidé často nevědí předem, co se snaží dělat.
A to znamená, že používání AI může být metakognitivně náročné. Musíte zjistit, jaký je váš záměr, musíte zjistit, jak ho vyjádřit, musíte si udělat plán, jak toho dosáhnout. Musíte být schopni vyhodnotit výstup, a to je spousta práce. Zajímavé je, že AI je ve skutečnosti docela dobrá i v tomhle metakognitivním procesu. Takže hodně z toho, jak AI používáme teď, je tak trochu v tom starém paradigmatu, kde se snažíme říct počítači, co chceme, aby udělal, a očekáváme, že to počítač půjde udělat. Ale je tu reálná příležitost jít dál a začít přemýšlet o AI jako o myšlenkovém partnerovi. A tak vás povzbuzuju, abyste při příštím použití LLM prozkoumali, jak může zpochybnit vaše myšlení. Tak to je trochu o tom, jak je práce účelná.
Trvalost práce
Podívejme se teď na to, jak je práce trvalá. Microsoft v podstatě vznikl jako společnost zabývající se dokumenty. Existujeme proto, aby lidé mohli vytvářet dokumenty a uchovávat znalosti v elektronické podobě. A zajímavé na jazykových modelech je, že vidíte, že druh znalostí, které se uchovávají, je trochu jiný. Vlastně to vypadá jako přirozený jazyk. Ať už je to ve formě chatu, nebo ve formě přepisu. Lidé vytvářejí znalosti prostřednictvím konverzace. Dobrým příkladem toho jsou stránky Copilot, které přemění dlouhou konverzaci, kterou vedete s Copilotem, na trvalý artefakt založený na znalostech, které jsou generovány v této konverzaci.
Také vidíme, že naši zákazníci nechodí vytvářet dokumenty přímo, ale místo toho, když chtějí vytvořit dokument, jako je prezentace v PowerPointu nebo dokument ve Wordu, mohou si naplánovat brainstormingovou schůzku, aby se sešli se svým týmem a prodiskutovali, jaké informace chtějí v tomto artefaktu mít, a spolehnout se na copilot, že přeloží jejich konverzaci do tohoto artefaktu. Takže dokumenty vznikají jinak, prostřednictvím konverzace.
Také vidíme, že dokumenty se používají jinak. Stále častěji lidé nechodí do dokumentů, aby si je přečetli, ale chodí do dokumentů, aby získali shrnutí a kladli jim otázky. Nebo co víc, mohou vzít sadu dokumentů souvisejících s tématem nebo projektem a použít tuto sadu dokumentů k ukotvení konverzace. Vyhledávání na webu je skvělým příkladem toho, kde vidíte, že lidé spíš než vyhledávají na webu, vedou konverzace s jazykovými modely a spoléhají se na jazykový model, že identifikuje, které vyhledávací dotazy je třeba spustit, shromáždí tyto informace a použije je k vedení konverzace. Takže dokumenty stále mají smysl. Jen se vytvářejí prostřednictvím konverzace a používají se prostřednictvím konverzace.
Kolaborativní práce
Což nás přivádí ke spolupráci. To, co mi opravdu zdůraznilo důležitost kolaborativní práce v kontextu jazykových modelů, bylo, když jsme začali integrovat GPT4 do Teams a viděli dopad, který to mělo na schůzky, které lidé vedli s ostatními. Představte si, že jste většinou používali jazykové modely sami pro svou vlastní práci. Představte si, že vedete konverzaci s jinou osobou a můžete získat zpětnou vazbu a podporu k této konverzaci v reálném čase na základě této konverzace. Takže pokud máte neshodu, získáte vhled do toho, kde přesně se neshodujete, a do toho, jaké otázky byste mohli prozkoumat, než konverzace skončí, abyste se sjednotili, to jsou reálné příležitosti. Ale jakkoli je spolupráce silná, obzvlášť mě nadchne, když se zamyslíte nad tím, jak mohou jazykové modely uvolnit spolupráci v případech, kdy se spolupráce začíná hroutit.
Spolupráce má smysl, ale někdy spolupráce nefunguje. Kdy spolupráce nefunguje? Spolupráce se hroutí na časových hranicích. Pokud jste v jiném časovém pásmu než já, spolupráce je těžší. Ve skutečnosti, i když jste noční sova a já jsem ranní ptáče, spolupráce je těžší. A vidíme, že lidé používají AI, aby začali bořit hranici mezi synchronní a asynchronní spoluprací. Ukazuje se to v jednoduchých případech, kdy lidé dostávají shrnutí ze schůzek, kterých se nemohli zúčastnit. Ale začínáme zkoumat i složitější způsoby, například co to znamená poslat delegáta sebe sama s AI na schůzku, které se nejste schopni zúčastnit, aby vás zastupoval? Některé z věcí, o kterých přemýšlíte.
Další místo, kde se spolupráce hroutí, je v měřítku. Je důvod, proč je ideální velikost večeře osm lidí, protože osm lidí je maximum, se kterými si můžete popovídat nebo vést dobrou konverzaci. Toto omezení neplatí pro velké jazykové modely, ty zvládnou vstup v přirozeném jazyce od mnohem více než osmi lidí. Dobrým příkladem toho jsou recenze restaurací. Když si chcete vybrat restauraci, kam jít, je těžké projít stovky recenzí restaurací a zjistit, co se tam děje. AI na druhou stranu nemá problém projít všechny ty recenze a zjistit, že si lidé myslí, že je tato restaurace o něco horší, ale vegetarianské jídlo je úžasné. Představte si, až začneme přicházet na to, jak používat AI k získání tohoto druhu kolektivní inteligence strukturovanějším způsobem. To jsou velké změny, které přicházejí.
A velké změny vyžadují čas, než se uskuteční, víte, naše budoucí já. Za mnoho let se ohlédneme zpět na tento okamžik a budeme překvapeni všemi věcmi, o kterých nevíme, že přicházejí a které jsou pro naše budoucí já zřejmé. Ale víme, že velké změny přicházejí. A důvod, proč víme, že tyto velké změny přicházejí, je ten, že už vidíme významný dopad AI na to, jak lidé pracují, i když jsou tyto nástroje úplně nové.
Například první zákazníci Copilotu, lidé, kteří získali přístup k licencím Copilotu dřív, než byly dostupné komukoli, s námi spolupracovali na náhodném přidělování těchto licencí svým zaměstnancům, abychom mohli provést randomizovanou kontrolovanou studii dopadu, který bude mít generativní AI na práci. To nám umožnilo dělat statisticky platné a kauzální závěry. A když se podíváme na tato data, vidíme opravdu významné posuny v pracovních postupech lidí. Vidíme například, že s Copilotem lidé vytvořili o 10 % více dokumentů a přečetli si o 11 % méně e-mailů. Takové změny jsme viděli už dřív v laboratorních studiích, ale to jsou místa, kde má experimentátor velkou kontrolu nad tím, co se děje. Definují úkol, definují kontext. Toto je změna chování v reálném světě, na úkolech, které lidé skutečně dělají. Je šokující vidět, že pouhý rok nebo dva po zavedení zbrusu nové technologie bude mít dopad větší. Protože upřímně řečeno, tohle je lidé, kteří používají AI tím nejnudnějším možným způsobem. Nikdo si nepředstavuje, že budoucnost práce bude v tom, že budeme používat AI k vytváření dalšího obsahu, aby ostatní lidé mohli používat AI ke shrnutí toho obsahu. AI nás činí efektivnějšími v tom, co umíme dělat. A ten čas, který získáme zpět, bychom neměli využít k tomu, abychom dělali víc toho, co umíme, ale místo toho k tomu, abychom dělali nové věci novými způsoby.
Závěr
Víme, že práce je účelná a AI nám může pomoct používat konverzaci v přirozeném jazyce k objevování nových záměrů. Víme, že práce je trvalá, ale to, co přetrvává, nejsou dokumenty, ale znalosti, které generujeme prostřednictvím konverzace. A víme, že práce je kolaborativní, což znamená, že tyhle konverzace se neodehrávají jen s AI, ale odehrávají se s ostatními lidmi.
Takže budoucnost práce není o tom, dělat víc věcí rychleji. Budoucnost práce je o vedení zajímavých konverzací. Děkuji.
🔍 Kritické zhodnocení
Přednáška Jaime Teevanové nabízí zajímavý pohled na to, jak AI transformuje budoucnost práce. Její argumenty o účelnosti, trvalosti a kolaborativní povaze práce v kontextu AI jsou přesvědčivé. Zmiňuje se o tom, že AI umožňuje lidem vyjadřovat své záměry přímo, aniž by je museli složitě překládat do počítačových příkazů. Což se potvrzuje i v odborných studiích o přirozeném jazykovém zpracování a interakci člověka s počítačem (zdroj: Jurafsky & Martin, Speech and Language Processing).
Teevan také správně zdůrazňuje, že AI může sloužit jako myšlenkový partner, který pomáhá lidem lépe formulovat své cíle a plány. To koresponduje s výzkumem o kognitivních schopnostech AI a jejím potenciálu pro podporu lidského rozhodování (zdroj: Kahneman, Thinking, Fast and Slow). Ohledně trvalosti práce Teevan uvádí, že AI mění způsob, jakým jsou dokumenty vytvářeny a používány, přičemž konverzace se stávají klíčovým prostředkem pro tvorbu a získávání znalostí. To je v souladu s trendy v oblasti správy znalostí a kolaborativního učení, kde se konverzace a interakce stávají stále důležitějšími (zdroj: Nonaka & Takeuchi, The Knowledge-Creating Company).
Nicméně, je důležité si uvědomit, že integrace AI do pracovního prostředí není bez výzev. Kromě technických aspektů je třeba řešit i etické otázky a otázky ochrany soukromí. Rovněž je nutné, aby se lidé naučili efektivně spolupracovat s AI a rozvíjet nové dovednosti, které jim umožní využít potenciál AI naplno (zdroj: Brynjolfsson & McAfee, The Second Machine Age).
