Suuret kielimallit: kohti työnteon uutta tulevaisuutta

Amsterdamissa asuva Monique van Dusseldorp on kiireinen tapahtuma-alan ammattilainen, joka järjestää teknologia-, media- ja innovaatiokonferensseja. Uusien tapahtuma- ja paneeli-ideoiden tutkiminen on aina ollut osa hänen työtään.

Viime aikoina van Dusseldorp on kuitenkin käyttänyt tähän tutkimustyöhön uudenlaista lähestymistapaa. Eräänä kiireisenä marraskuisena aamuna hän istui näppäimistönsä ääreen ja kirjoitti kysymyksen: ”Voisitko keksiä kuuluisan kuvittajan Roland Toporin maailmasta immersiivisen kokemuksen, joka tuo osallistujat yhteen?”

Pian näytölle alkoi ilmestyä tekstiä. Hän sai seuraavan vastauksen:

Ehdottaisin surrealistista puutarhakävelyä yleisessä puistossa tai kasvitieteellisessä puutarhassa. Puutarhaan lisätään Toporin taideteosten inspiroimia veistoksia ja installaatioita, jotka tekevät tunnelmasta veikeän ja hieman aavemaisen. Piilotetut kaiuttimet toistavat surrealistisia äänimaisemia, ja veistokset liikkuvat tai muuttuvat hienovaraisesti osallistujien lähestyessä niitä.

Van Dusseldorp jatkoi: ”Millaiset mediat ja tekniikat voivat auttaa luomaan immersiivisen kokemuksen?” Vastaus:

Ajattele tilaääntä: 3D-ääniteknologian käyttämistä realistisen ja immersiivisen ääniympäristön luomiseen siten, että ääni muuttuu dynaamisesti käyttäjän liikkeiden mukana.

Tämä ei ole verkkosivulla lukevaa tekstiä tai kollegalta alan keskustelupalstalla saatu vastaus. Sen sijaan van Dusseldorp sai vastauksen käyttämällä ChatGPT:tä ideointiin ja oppimiseen.

Van Dusseldorp on yksi miljoonista ammattilaisista ympäri maailmaa, jotka käyttävät suuria kielimalleja eli LLM:iä työvälineinä. Nyt tämä teknologia voi mullistaa oppimisen ja tietojen hallinnan, kuten tietojen jakamisen suurissa yrityksissä sekä itsenäisten toimijoiden jatkuvan ammatillisen oppimisen ja kehittymisen. Puhumattakaan siitä, miten valtavia vaikutuksia sillä voi olla perinteisessä opetuksessa ja koulutuksessa.

Se on yhtä merkittävä muutos oppimisen kannalta kuin internetin käytön yleistyminen 1990-luvun lopulla. Tämä muutos vaikuttaa siihen, miten tietoja säilytetään, käytetään ja jaetaan. Miten alan ammattilaiset ja korkeakoulut siis käyttävät LLM-malleja juuri nyt? Mikä rooli näillä työkaluilla on suurissa organisaatioissa? Entä mitä niiden tulevaisuus tuo tullessaan?

Me kaikki tiedämme, että suuret kielimallit ovat olleet merkittävän mielenkiinnon kohteena viime vuosina. Toki osa innostuksesta on tyypillistä teknologiahypetystä, olipa puhe sitten tekoälyn kohtalokkaista seurauksista tai tuloaan tekevästä supertekoälystä. Jos kuitenkin mennään otsikkoja syvemmälle, tulee selväksi, miksi monet ammattilaiset ovat ottaneet suuret kielimallit käyttöönsä.

Suuret kielimallit luodaan transformer-mallien pohjalta. Niillä tarkoitetaan erityistä neuroverkkoa, joka voi itseään kouluttamalla hahmottaa peräkkäisiin tietoihin liittyvä rakenteita. Kun transformer-malleja koulutetaan suurella määrällä tekstiä, ne saavat tietoa syvistä tilastollisista suhteista, joita sanojen välillä tavallisesti on virkkeissä. Tuloksena on tekoäly, jolla on niin ällistyttävä kielellinen valmius, että se voi ymmärtää luonnollisia kielisyötteitä sekä tuottaa vastaukseksi asiaankuuluvaa, yksityiskohtaista ja merkityksellistä tekstiä.

Tämä tekee GPT-4:n tai Metan Llama 2:n kaltaisista suurista kielimalleista tietotyökaluja, jotka ovat joustavuudessaan lähes ainutlaatuisia. Niillä on käytössään valtavat tietovarastot, ja ne voivat luoda luonnollisilta kuulostavia tekstivastauksia aiheesta kuin aiheesta.

Esimerkiksi sähköpostiviestien, esittelyjen ja raporttien luonnosteleminen on yksi selkeä käyttökohde työpaikalla. Tätä nykyä monet ammattilaiset kuitenkin kehittävät näihin työkaluihin perustuvia tutkimus- ja koulutuskäytäntöjä.

Henry Coutinho-Mason on futuristi ja puhuja. Hän koulutti äskettäin LLM-mallin, jonka pohjana hän käytti kahta omaa kuluttajatrendejä ja innovaatioita käsittelevää kirjaansa. Nyt hän käyttää näin syntynyttä sovellusta apuvälineenä tutkimuksissaan:

”Astun sovellukseen ja esitän kysymyksiä, kuten ’Mitä mieltä olet uudesta Humane AI Pinistä? Kerro tämän innovaation taustalla olevista trendeistä’. Näin saan työkalusta alustavan idea- ja ajatuskoosteen”, Coutinho-Mason sanoo.

”Työni on inspiroida ammattilaisia ​​kiinnostumaan uusimmista innovaatioista ja pohtimaan, miten he voivat hyödyntää niitä. Siksi uusista teknologioista ja innovaatioista ajan tasalla pysyminen on olennainen osa työtäni. Mukauttamani LLM on siinä minulle suuri apu.

”Tällaisessa käyttötavassa ei ole kyse siitä, että LLM antaisi minulle valmiin vastauksen”, hän jatkaa. ”Sen sijaan se antaa minulle pohdittavaa tai yleiskäsityksen kehitteillä olevista teknologioista. Sen jälkeen voin aloittaa hiomisvaiheen. Näin LLM todella nopeuttaa oppimistani ja tutkimustani.”

Ei ole siis mikään ihme, että myös suurissa organisaatioissa kokeillaan LLM-malleja sisäisinä työkaluina. Juuri tässä LLM-malleilla voidaan viedä oppiminen aivan uudelle tasolle.

Suuret organisaatiot kohtaavat haasteita koulutuksen ja tietojen hallinnassa. Tiedot ja epävirallisempi tietotaito ovat yleensä hajallaan organisaatiossa, ja niitä tallennetaan tavallisesti useissa muodoissa, kuten dokumentteina, diaesityksinä ja laskentataulukkoina. Oikean tietolähteen tai henkilön löytäminen voi viedä kokeneeltakin työntekijältä tunteja, päiviä tai jopa viikkoja.

Nyt jotkin organisaatiot kehittävät suuria kielimalleja löytääkseen uudenlaisia ratkaisuja tällaisiin haasteisiin. Konsulttiyhtiö McKinsey julkisti elokuussa Lilli-työkalunsa. Tätä suurta kielimallia on hienosäädetty sekä yrityksen omalla että kolmansien osapuolten sisällöllä, joka koostuu yli 100 000 dokumentista. Sen tarkoituksena on tarjota McKinseyn henkilöstölle uusi tapa käyttää valtavaa alakohtaista tietovarastoa, jota yhtiö on kasvattanut vuosikymmenten ajan.

”Lillin ansiosta McKinseyn konsultit voivat käyttää teknologiaa kaikkien tietojemme ja resurssiemme hyödyntämiseen… Tämä on ensimmäinen monista käyttötapauksista, jotka auttavat meitä uudistamaan yhtiötämme”, sanoo McKinseyn teknologia- ja alustajohtaja Jacky Wright.

Yhteistyökumppani Adi Pradhan taas käyttää Lilliä oppimistyökaluna: ”Lillin avulla tutustun uusiin aiheisiin ja yhdistän projekteissani eri osa-alueet toisiinsa”, hän paljastaa. ”Säästän parhaimmillaan 20 prosenttia ajasta, joka kuluu kokouksiin valmistautumiseen. Sitäkin tärkeämpää on, että se parantaa asiantuntemustani ja työpanostani.”

McKinsey ei suinkaan ole ainoa tätä uutta teknologiaa kokeileva yritys. Morgan Stanley on hienosäätänyt GPT-4:ää tiedoilla, jotka liittyvät omaan lukuun tapahtuvaan sijoittamiseen, yleiseen liiketoimintaan ja sijoitusprosesseihin. Näin se on luonut keskustelevan tekoälyn, joka pystyy avustamaan yrityksen rahoitusneuvojia. Finanssijätti Bloomberg on luonut Bloomberg GPT -nimisen LLM:n, jonka kouluttamiseen on käytetty yrityksen omia finanssitietoja ja jota voivat käyttää yrityksen omat työntekijät sekä tietyt asiakkaat.

Tämän kaiken seurauksena piakkoin moni työntekijä odottaa pääsevänsä käyttämään tällaisia tekoälypohjaisia keskustelukumppaneita. Ne ovat eräänlaisia työpaikka-avustajia, oppaita ja oppimiskumppaneita, jotka ovat aina valmiina auttamaan. Se mullistaa tavan, jolla tietoa jaetaan ja omaksutaan. Näistä kumppaneista on parhaillaan tulossa keskeisiä henkilöstön oppimistyökaluja, ja niillä on jatkossa suuri rooli uusien työntekijöiden perehdyttämisessä ja kouluttamisessa.

LLM:t eivät mullista oppimista pelkästään yritysmaailmassa. Voimakkaita vaikutuksia on nähtävissä myös perinteisen koulutuksen piirissä.

Kun keskustelee opetusalan työntekijöiden kanssa, käy nopeasti ilmi, että kaikki vaikutukset eivät ole pelkästään myönteisiä. Ongelmana on uudenlainen plagiointi, kun opiskelijat palauttavat töitä, jotka ovat kokonaan tai pääosin tekoälyllä luotuja. Työkaluja kehitetään tekoälyllä luodun tekstin havaitsemiseen, mutta opiskelijat löytävät aina uusia tapoja kiertää niitä.

Tälle kilpajuoksulle ei näy loppua. Pidemmällä tähtäimellä LLM:n vauhdittama plagiointi pakottaa opettajat etsimään uusia kurssisuoritusten ja arvioinnin muotoja: ”Kirjoita essee tästä aiheesta ja pidä sitten 15 minuutin puhe, jossa esitellään esseen keskeiset argumentit.”

Kaikesta huolimatta LLM-mallien vastauksiin lipsahtaa edelleen toisinaan asiavirheitä tai niin kutsuttuja hallusinaatioita. Niihin ei voida luottaa tarkistamatta niitä muista tietolähteistä. Tekniset parannukset kuitenkin vähentävät hallusinaatioita jo merkittävästi, ja tämän kehityssuunnan odotetaan jatkuvan.

Aaron Woodcock on luennoitsija Readingin yliopiston kansainvälisten opintojen ja kielten laitoksella. Hän järjestää kurssimoduuleja Kiinassa oleville opetuskumppaneille, jotka opettavat akateemista englantia STEM-opiskelijoilleen. Tämä edellyttää oppituntien huolellista suunnittelua.

”Vielä vähän aikaa sitten sain järjestettäväkseni yksi tai kaksi moduulia. Nyt moduuleja on kahdella hengellä yhteensä seitsemän, joten oppitunnit edellyttävät paljon enemmän suunnittelua”, hän sanoo. ”LLM-mallin käyttäminen on parantanut tuottavuuttani merkittävästi. Keskustelen tekoälyn kanssa jakaen sille muistiinpanojani ja ajatuksiani. Suunnittelen oppituntia tältä pohjalta yhdessä tekoälyn kanssa. Sen jälkeen pyydän tekoälyä laatimaan oppitunnista täyden suunnitelman ja jatkan sen työstämistä.

”Minulta kestää kaksi tuntia luoda oppituntisuunnitelma, johon olen tyytyväinen. Tekoälyn käyttö kuitenkin tekee aloittamisesta paljon helpompaa ja nopeuttaa koko prosessia. Olen myös saanut oppituntisuunnitelmista hyvää palautetta niitä käyttäviltä opettajilta.

”Se on saanut minut ymmärtämään, että kirjoittaminen on aina ollut minulle vaikeaa ja että minulla on ollut tapana jättää kirjoittamista vaativat tehtävät viime tinkaan. Tekoäly muuttaa kaiken, joten se on todella parantanut työskentelytapaani.”

LLM-mallin avulla Woodcock myös käsittelee ja yhdistelee tietoja, jotka on saatu valtavista määristä opiskelijapalautetta. Tällaisen palautteen käsittely ja siihen vastaaminen on nykyisin merkittävä osa korkeakoulututkijoiden ja -opettajien arkea.

”Tekoäly havaitsee palautteesta hetkessä kaavoja, joiden huomaamiseen minulta olisi voinut mennä useita päiviä”, hän kertoo. ”Pystyimme laatimaan opiskelijoiden palautteen pohjalta paremmin toimintasuunnitelmia ja sitten toteutimme niitä kuukausien ajan. Siitä on ollut valtava hyöty työssäni, ja se on todella auttanut minua raportoimaan ja antamaan palautetta muille.”

Entäpä tekoälyn plagiointihaasteet? ”Kyllä, tekoälyllä on opiskelijoiden käytössä omat haasteensa”, Woodcock myöntää. ”Minulle tämä on kuitenkin mahdollisuus päästä eroon pelkästä esseiden kirjoittamisesta ja tiedon toistamisesta ilman sen sisäistämistä.”

Readingin yliopisto ja monet muut akateemiset laitokset kannustavat nyt opettajia perehtymään uusiin oppimisen ja arvioinnin muotoihin, mukaan lukien kasvotusten tapahtuvaan osaamisen – ja ajattelun – arviointiin.

”Tämä teknologia on tullut jäädäkseen. Haluamme kannustaa opiskelijoita käyttämään tekoälyä, mutta vain parhailla tavoilla”, Woodcock kertoo. ”LLM:t voivat myös edistää monimuotoisuutta ja osallisuutta. Ne tukevat niitä, joille kirjallisen kielen käsittely ei välttämättä ole luontevaa mutta joilla on silti paljon tarjottavaa. Toki aina on varmasti niitäkin, jotka yrittävät palauttaa omina töinään tekstejä, joita he eivät ole kirjoittaneet itse. Loppujen lopuksi se ei eroa paljoakaan siitä, miten opiskelijat ostavat jo nyt esseitä verkossa.”

Mihin kaikki tämä johtaa pitkällä tähtäimellä? Kokonainen opiskelijoiden sukupolvi tottuu käyttämään LLM-malleja tutkimus-, oppimis- ja suunnittelutyökaluina.

Valmistumisen jälkeen he odottavat, että he pystyvät jatkamaan tätä myös työpaikoilla. Tämä vain kannustaa työnantajia jatkamaan omien räätälöityjen tekoälymalliensa kouluttamista sekä tarjoamaan niitä aina saatavilla oleviksi tieto- ja oppimiskumppaneiksi työntekijöilleen.

Tulevaisuus kuuluu niille organisaatioille ja henkilöille, jotka osaavat parhaiten valjastaa tekoälyn oman älykkyytensä ja luovuutensa tueksi ja siten oppia lisää, nähdä pitemmälle sekä tuottaa entistäkin parempia tuloksia.

Meillä ihmisillä on ainutlaatuinen kyky kehittää, säilyttää ja jakaa tietoa. Tämä vahvistaa uskomatonta kykyämme tehdä laajaa yhteistyötä, minkä pohjalta syntyy kaikki rakentamamme: innovaatiot, yritykset, yliopistot, kansakunnat ja kaikki siltä väliltä.

Käyttämämme tietotyökalut kirjoittamisesta paino- ja tietokoneeseen ovat aina muovanneet yhteiskuntaamme.

Suuret kielimallit ja koneoppiminen ylipäätään johtavat varmasti erilaisiin mullistuksiin, ja olemme vasta matkan alkuvaiheessa. Vielä on paljon tehtävää ja opittavaa.

On selvää, että LLM-mallien käyttötavat, toteutukset ja tulevat vaikutukset viitoittavat tietä uuteen tuottavuuden aikakauteen tulevaisuuden työnteossa. Jos haluat tutustua muihin kiehtoviin edistysaskeliin, jotka vaikuttavat tapaamme työskennellä, katso David Mattinin kanssa käymämme keskustelu työteknologian uusimmista megatrendeistä.

Tutustu Meta for Workiin

Ota selvää, miten Meta Horizonin hallinnoidut ratkaisut voivat kehittää organisaatiotasi virtuaalitodellisuuden ja yhdistetyn todellisuuden avulla. Lue menestystarinoistamme, miten voit olla mukana luomassa tulevaisuuden työ- ja opiskelukulttuuria käyttämällä VR:ää ja yhdistettyä todellisuutta. Pääset helposti alkuun