Store språkmodeller: forvandler fremtidens arbeid

Monique van Dusseltorp, som er basert i Amsterdam, jobber med bedriftsarrangementer og holder konferanser innen teknologi, media og innovasjon. Hun har alltid undersøkt nye ideer til arrangementer og paneler.

Men i det siste har van Dusseldorp tatt i bruk nye metoder i undersøkelsene. En travel morgen i november satt hun ved dataen sin og skrev et spørsmål: «Kan du komme på en oppslukende opplevelse som samler folk over hele verden, basert på den kjente illustratøren Roland Topor?»

Ganske snart begynte skjermen å fylles av tekst. Svaret var som følger:

Jeg foreslår en surrealistisk hagevandring i en offentlig park eller botanisk hage. Hagen forvandles med skulpturer og installasjoner inspirert av Topor sine kunstverk, noe som skaper en leken og litt merkelig atmosfære. Skjulte høytalere spiller av surrealistiske lydspor, og skulpturene beveger seg eller endres subtilt når folk nærmer seg dem.

Van Dusseldorp fortsatte: «Hvilke typer medier og teknologier kan bidra til å skape en oppslukende opplevelse?» Svaret:

Tenk på romlig lyd: Bruk lydteknologi i 3D til å skape et realistisk og oppslukende miljø der lyden endres dynamisk i takt med brukernes bevegelser.

Dette er ikke tekst på et nettsted eller et svar fra en kollega i et bransjeforum. Van Dusseldorp idémyldret og lærte fra ChatGPT.

Van Dusseldorp er en av millioner profesjonelle verden over som bruker store språkmodeller (LLM-er) som arbeidsverktøy. Nå kommer denne teknologien til å endre administreringen av læring og kunnskap når det gjelder alt fra deling av informasjon og ekspertise i store selskaper til opplæring og utvikling for folk som jobber alene. Og da har vi ikke engang nevnt effekten det kommer til å ha på tradisjonell læring og utdanning.

Det hele utgjør et skifte innen læring som er like viktig som da internett kom på slutten av 1990-tallet. En endring i måten vi lagrer, samhandler med og deler kunnskap på. Så hvordan bruker profesjonelle i næringsliv og akademia LLM-er akkurat nå? Hvilken rolle spiller disse verktøyene i store organisasjoner? Og hva kommer fremtiden til å bringe?

Alle vet at det har vært mye spenning knyttet til store språkmodeller (LLM) de siste årene. Og ja, noe av dette, som spådommer om undergang på grunn av KI til spådommer om superintelligens, bærer preg av teknisk opphausing. Men hvis man ser forbi overskriftene, er det ingen overraskelse av LLM-er er noe som interesserer mange eksperter.

LLM-er bygges på transformatormodeller: en spesiell type nevrale nettverk som er i stand til å lære seg selv om de underliggende mønstrene i sekvensielle data. Transformatormodeller som læres opp i store tekstmengder kan finne ut ting om dype statistiske forhold mellom ord, ettersom de ofte brukes i setninger. Resultatet er en KI med fantastisk kompetanse innen lingvistikk. Den kan forstå naturlige språk og svare med tekst som er relevant, detaljert og tilsynelatende meningsfull.

Dette utgjør LLM-er. Tenk på GPT-4 eller Metas Llama 2, som er et nesten unikt fleksibelt kunnskapsverktøy. Det har tilgang til store mengder informasjon og kan generere tekstsvar som høres naturlige ut.

Tekstutkast, som e-poster, presentasjoner og rapporter, er et åpenbart bruksområde på arbeidsplassen. Men nå strukturerer mange eksperter forskning og læringsprosesser rundt disse verktøyene.

Henry Coutinho-Mason er en futurist og foredragsholder. Han har nylig lært en LLM om to av bøkene han har skrevet om trender og innovasjon for forbrukere. Nå bruker han appen arbeidet resulterte i, som et forskningsverktøy:

«Jeg går inn i appen og stiller spørsmål som: "Hva synes du om den nye Humane AI? Forklar trendene som ligger bak denne innovasjonen.", så svarer den med ideer og innsikter», sier Coutinho-Mason.

«Arbeidet mitt går ut på å inspirere profesjonelle til å forutse hva som kommer til å skje og tenke på hva det betyr for dem. Dette betyr at en viktig del av det jeg gjør, handler om å lære om nye teknologier og innovasjoner. Min tilpassede LLM hjelper meg med det.

«Folk må forstå at det ikke egentlig er sånn at LLM-en gir meg et svar i slike brukstilfeller», fortsetter han. «Det handler om å få et utgangspunkt, noen tanker eller innsikt i hvordan nye teknologier kan se ut. Deretter jobber jeg videre med det. På den måten akselererer LLM-er måten jeg lærer på og undersøker ting.»

Da er det ikke rart at store organisasjoner også eksperimenterer med LLM-er som interne verktøy. Og her er mulighetene til å forbedre læring enda større.

Store organisasjoner møter på spesielle utfordringer når det gjelder administrasjon av opplæring og kunnskap. Kunnskap og mer uformelle typer viten er vanligvis spredt over organisasjonen og lagret på ulike måter, for eksempel i dokumenter, lysbilder, regneark og så videre. Selv en erfaren ansatt kan bruke timer, dager eller uker på å finne rett kunnskapskilde eller person.

Nå utvikler enkelte organisasjoner LLM-er på nye måter for å løse disse utfordringene. I august lanserte konsulentselskapet McKinsey Lilli, en LLM som jobber med privat innhold bestående av over 100 000 dokumenter. Dette systemet skal gi ansatte i McKinsey tilgang til de store mengdene bransjespesifikk kunnskap, data med mer, som gruppa har samlet i årevis.

«Lilli gjør det mulig for konsulenter i McKinsey å bruke all kunnskapen og alle ressursene våre ved hjelp av teknologi. Dette er det første av mange bruksområder som hjelper oss med å omforme bedriften vår», sa Jacky Wright, sjef for teknologi og plattformer i McKinsey.

Partneren Adi Pradhan bruker Lilli som et læringsverktøy: «Jeg bruker Lilli til å lære om nye emner og forstå sammenhengene mellom ulike områder av prosjektene mine», sier han. «Det sparer meg 20 prosent mer tid når jeg skal forberede meg for møter. Men viktigst av alt forbedrer det kvaliteten på kunnskapen min og det jeg bidrar med.»

McKinsey er ikke alene om å utforske dette nye området. Morgan Stanley har finjustert GPT-4 innen proprietære investeringer, generell forretnings- og investeringsprosesskunnskap for å skape en samtalebasert KI som kan hjelpe deres økonomiske rådgivere. Finansgiganten Bloomberg har skapt Bloomberg GPT, en LLM som er opplært innen proprietære finansielle data og kan brukes av ansatte og enkelte kunder.

Målet? Snart kommer mange ansatte til å forvente at de har tilgang til slike samtalebaserte KI-assistenter. Kanskje en assistent, en veileder, en kollega som er klar til å hjelpe når som helst. Dette resulterer i en revolusjon av måten kunnskap distribueres og tas opp på. Disse assistentene kommer til å være viktige læringsverktøy for ansatte, og de kommer til å spille en viktig rolle når det gjelder opplæring av nye ansatte.

Det er ikke bare i arbeidslivet at LLM-er kommer til å endre læring. Vi ser allerede store endringer innen formell utdanning.

Snakk med lærere, så forstår du raskt at noen av disse effektene er utfordrende. De står ovenfor nye former for plagiat når studenter leverer arbeid som helt eller delvis er skapt av en KI. Vi begynner å se verktøy som kan oppdage KI-generert tekst, men studenter finner måter å omgå disse like fort som de tas i bruk.

Det er et kappløp som kommer til å fortsette. Men på lang sikt kommer plagiat fra LLM-er til å få lærere til å finne nye måter å drive med vurdering på: «Skriv et essay, og deretter skal du presentere hovedargumentene i en 15 minutter lang presentasjon».

LLM-er kan også komme med faktafeil, såkalte «hallusinasjoner». Man kan ikke utelukkende stole på dem som eneste informasjonskilde. Men hallusinasjonsfrekvensen går drastisk nedover etter hvert som tekniske forbedringer kommer på banen, og det er en prosess som kommer til å fortsette.

Aaron Woodcock er en av foreleserne ved University of Reading’s International Study and Language Institute. Han lager kursmoduler for undervisningspartnere i Kina, som underviser STEM-studenter i akademisk engelsk. Dette betyr mye planlegging.

«Jeg har pleid å få to eller tre moduler som skal klargjøres. Nå er vi to som gjør sju moduler, så det er mye mer planlegging som skal gjøres», sier han. «Jeg er mye mer produktiv takket være en LLM. Jeg snakker med KI-en og gir den noen av notatene mine og ideene mine. Så snakker vi frem og tilbake og planlegger en undervisningsøkt. Deretter ber jeg KI-en om å skrive økten ned som en plan, så jobber jeg videre med den.

«Det tar meg fremdeles to timer å planlegge en økt før jeg er fornøyd. Men det er enklere å komme i gang ved hjelp av KI-en, og det gjør at hele prosessen går raskere. Og jeg har fått gode tilbakemeldinger på øktene fra lærerne som bruker dem.

«Det har fått meg til å innse at jeg alltid har syntes skriving er vanskelig, og jeg har utsatt oppgaver som involverer skriving til siste sekund. KI har forandret dette, så det har forbedret måten jeg jobber på.»

Woodcock bruker også en LLM til å behandle og sammenfatte innsikt fra store mengder tilbakemeldinger fra studenter. Administrering og behandling av slike tilbakemeldinger er nå en stor del av livet til akademikere og lærere i høyere utdanning.

«KI-en finner umiddelbart mønstre i tilbakemeldingene som jeg kanskje hadde brukt dager på å oppdage», forklarer han. «Det ble lettere for oss å skape handlingsplaner basert på studentenes tilbakemeldinger, og så brukte vi måneder på å implementere disse handlingene. Det har vært en stor fordel i kurset mitt, og det har hjulpet meg med å rapportere og å gi tilbakemeldinger til menneskene rundt meg.»

Og angående utfordringene med KI-plagiat? «Ja, det finnes utfordringer knyttet til studenters bruk», sier Woodcock. «Men for meg er det en mulighet til å slutte å lene meg på essayskriving og gjentakelse av kunnskap.»

The University of Reading og mange andre akademiske institusjoner oppmuntrer nå andre undervisere til å utforske nye måter å drive med undervisning og vurdering på, som muntlige vurderinger av kunnskap og tenking.

«Denne teknologien kommer ikke til å forsvinne. Vi vil oppmuntre studenter til å bruke KI, men på best mulig måte», sier Woodcock. «LLM-er kan oppmuntre til mangfold og inkludering, de kan hjelpe personer som ikke er så gode skriftlig, men som likevel har mye å tilby. Det kommer alltid til å finnes folk som forsøker å levere inn andres arbeid og hevde at det er deres eget. Men når alt kommer til alt, er det det samme som når studenter kjøper essay på nettet, noe som skjer i dag.»

Hvor kommer dette til å ende? En generasjon med studenter kommer til å være vant med å jobbe med LLM-er for å gjøre undersøkelser, lære og produsere.

De kommer til å komme ut av universitetet og forvente å få gjøre det samme på arbeidsplassen. Og det kommer til å oppmuntre arbeidsgivere til å drive med egen opplæring og skape egne KI-modeller som kan dele kunnskap og hjelpe de ansatte med å lære.

Fremtiden tilhører organisasjonene og personene som klarer å kombinere egen intelligens og kreativitet med KI for å lære mer, se lengre og komme frem til enda bedre resultater.

Mennesket har en unik evne til å utvikle, lagre og formidle kunnskap. Det er grunnlaget for vår fantastiske kapasitet til å samarbeide i stor skala, noe som igjen gir opphav til alt vi bygger: innovasjoner, bedrifter, universiteter, nasjoner og så videre.

Samfunnene våre har alltid blitt formet av kunnskapsverktøyene vi bruker, fra håndskrift til trykkpressen til datamaskinen.

LLM og maskinlæring kommer til å føre til store forandringer, og vi ser bare begynnelsen. Det finnes fremdeles så mye å gjøre og lære.

Det er tydelig at bruk, implementering og fremtidige effekter av LLM-er fører til en ny æra innen produktivitet på morgendagens arbeidsplasser. Hvis du vil utforske andre spennende fremskritt som kommer til å påvirke måtene vi jobber på, kan du lese diskusjonen vår med David Mattin om nye megatrender innen arbeidsteknologi.

Kom i kontakt med Meta for Work

Oppdag hvordan Administrerte Meta Horizon-løsninger kan skalere organisasjonen din med virtuell og blandet virkelighet. Finn ut hvordan du kan bruke VR og MR til å bygge fremtiden til arbeid og utdanning med suksesshistoriene våre. Det er enkelt å komme i gang.