Amsterdam-baserade Monique van Dusseldorp är en upptagen professionell evenemangsplanerare som anordnar konferenser inom teknik, media och innovation. Efterforskning av nya idéer för evenemang och paneler har alltid varit en del av hennes arbetsliv.
Men den senaste tiden har van Dusseldorp använt sig av nya sätt för att göra de efterforskningarna. En upptagen novembermorgon satte hon sig ned vid tangentbordet och skrev in en fråga: ”Kan du komma på en omslutande upplevelse som sammanför människor, baserat på den berömda illustratören Roland Topors värld?”
Strax därpå började text flimra på skärmen. Svaret kom:
Jag föreslår en surrealistisk trädgårdspromenad i en offentlig park eller botanisk trädgård. Trädgården skulle förvandlas med hjälp av skulpturer och installationer med inspiration av Topors konstverk och skapa en excentrisk och något kuslig atmosfär. Dolda högtalare spelar upp surrealistiska ljudlandskap och skulpturer kan diskret röra sig eller ändras när någon närmar sig dem.
Van Dusseldorp fortsatte: ”Vilken slags media och teknik kan hjälpa till att skapa en omslutande upplevelse?” Svaret:
Överväg rumsligt ljud: använd 3D-ljudteknik för att skapa en realistisk och omslutande ljudmiljö där ljudet förändras dynamiskt med användarens rörelser.
Denna text finns inte på en webbsida eller som ett svar från en kollega i ett branschforum. Van Dusseldorp befann sig i en idéutvecklings- och lärandesession med ChatGPT.
Van Dusseldorp är en av miljontals yrkesverksamma världen runt som använder stora språkmodeller (LLM:er) som arbetsverktyg. Nu är denna teknik på väg att omforma lärande och kunskapshantering, från delning av information och expertis inom storföretag till pågående yrkesmässigt lärande och utveckling för enskilda operatörer. Och då har vi inte ens kommit till de enorma konsekvenserna för traditionellt lärande och utbildning.
Det innebär ett skifte för lärande som är lika signifikant som internets ankomst i slutet av 90-talet. En förvandling av hur vi lagrar, interagerar med och delar kunskap. Så hur använder yrkesverksamma inom industri och akademi LLM:er just nu? Vilka roller spelar dessa verktyg i stora organisationer? Och hur ser framtiden ut?
Vi känner alla till att stora LLM:er har varit föremål för stor uppståndelse under de senaste åren. Och visst, en del av detta – från prat om AI:s undergång till förutsägelser om nära förestående superintelligens – bär kännetecknen för en teknisk hype-cykel. Men om man ser bortom rubrikerna är det ingen överraskning att LLM:er tas upp på allvar av många yrkesverksamma.
LLM:er bygger på omvandlingsmodeller: en speciell typ av neuralt nätverk som kan lära sig själva om de underliggande mönstren i sekventiella data. När omvandlingssmodeller tränas på stora mängder text lär de sig om de djupa statistiska relationerna mellan ord som vanligtvis används i meningar. Resultatet är en AI med en fantastisk språklig kompetens som gör att den kan förstå naturliga språk och svara med att generera text som är relevant, detaljerad och till synes meningsfull.
Detta gör att LLM:er, som GPT-4 eller Metas Llama 2, blir ett närapå unikt flexibelt kunskapsverktyg. Ett som har tillgång till enorma informationsreserver och som kan generera naturligt klingande textsvar av alla slag.
Att skriva utkast, som e-postmeddelanden, presentationer och rapporter, är ett tydligt användningsområde för arbetsplatser. Men nu är det många yrkesverksamma som bygger upp forskning och fortlöpande utbildning kring dessa verktyg.
Henry Coutinho-Mason är futurist and talare. Nyligen tränade han en LLM med två av sina egna böcker om konsumenttrender och innovation. Nu använder han den resulterande appen som ett efterforskningsverktyg:
”Jag går till appen och ställer frågor som till exempel 'Vad tror du om nya Humane AI pin? Förklara trenderna som ligger bakom denna innovation.' Sedan återvänder den med en första omgång idéer och insikter”, säger Coutinho-Mason.
”Mitt jobb handlar om att inspirera yrkesverksamma att se vad som sker härnäst och tänka på vad det innebär för dem. Detta innebär att en viktig del av det jag gör är att lära mig om nya tekniker och innovationer. Min anpassade LLM hjälper verkligen till med det.
”Vad människor behöver förstå är att vid sådan här användning handlar det inte om att min LLM ger mig svaret”, fortsätter han. ”Istället handlar det om att den ger tankeuppslag eller insikt i den övergripande formen av kommande teknikutrymmen. Sedan kan jag förfina detta. På så sätt accelererar LLM verkligen min inlärning och forskning.”
Inte konstigt att stora organisationer också experimenterar med LLM:er som interna verktyg. Här finns ännu bredare möjligheter att superladda lärande.
Stora organisationer står inför speciella utmaningar när det gäller lärande- och kunskapshantering. Kunskap och mer informell know-how sprids vanligtvis i organisationen och lagras på ett antal olika sätt, från dokument, till bildspelspresentationer, till kalkylark och så vidare. Även för en erfaren anställd kan det ta timmar, dagar eller till och med veckor att söka efter rätt kunskapskälla eller person.
Nu utvecklar vissa organisationer LLM:er som ett nytt och omvälvande sätt att hantera dessa utmaningar. I augusti lanserade konsultgruppen McKinsey Lilli, en LLM som har finjusterats med innehåll från den egna verksamheten, som omfattar över 100 000 dokument. Den är tänkt att fungera som ett nytt sätt för McKinseys medarbetare att få tillgång till det stora förråd av branschspecifik kunskap och data med mera som gruppen har samlat på sig under årtionden.
”Med Lilli kan McKinseys konsulter använda teknik för att utnyttja all vår kunskap och våra resurser … Det här är det första av många användningsområden som ska hjälpa oss att omforma vårt företag”, säger Jacky Wright, McKinseys Chief Technology and Platform Officer.
Biträdande partner Adi Pradhan använder Lilli som ett verktyg för att lära sig nya saker: ”Jag använder Lilli för att lära mig om nya ämnen och för att skapa kopplingar mellan olika områden i mina projekt”, avslöjar han. ”Det sparar upp till 20 % av min tid när jag förbereder mig inför möten. Men ännu viktigare är att det förbättrar kvaliteten på min expertis och mina bidrag.”
McKinsey är långt ifrån de enda som utforskar detta nya område. Morgan Stanley har finjusterat GPT-4 med kunskaper inom egeninvestering, allmänna affärer och investeringsprocessen för att skapa en AI för konversationer som kan hjälpa deras finansrådgivare. Finansjätten Bloomberg har skapat Bloomberg GPT, en LLM som har utbildats med sina egna skyddade finansdata och som är tillgänglig för deras personal och vissa klienter.
Slutdestinationen? Snart nog lär många medarbetare förvänta sig tillgång till den här typen av AI-drivna konversationsenheter. Tänk dig en arbetsplatsassistent, guide och lärandekamrat som är redo att hjälpa till dygnet runt. Det handlar om en revolution i hur kunskap distribueras och tas tillvara. Dessa följeslagare är på väg att bli viktiga inlärningsverktyg för personalen och spela en nyckelroll i introduktionen och utbildningen av nya medarbetare.
Det är inte bara i industrin som LLM:er förändrar lärande. Vi ser redan nu stark påverkan i formella utbildningssammanhang.
Prata med utbildare så får du snart veta att vissa av dessa effekter är utmanande. De konfronterar en ny form av plagiat där studenter lämnar in arbeten som helt eller huvudsakligen har skapats av en AI. Verktyg dyker upp som gör att AI-genererad text snabbt kan identifieras, men lika snabbt hittar studenter ett sätt att komma runt dem.
Racet fortsätter. Men långsiktigt leder de framskridande LLM-drivna plagiaten att utbildare hittar nya format för kursinlämningar och utvärdering. ”Skriv en uppsats om detta ämne och gör sedan en 15-minuters framställning där du presenterar de huvudsakliga argumenten i uppsatsen.”
Samtidigt är LLM:er benägna att göra faktafel, så kallade ”hallucinationer”. De är inte pålitliga som exklusiv källa utan stöd från annan information. Men hallucinationsfrekvensen har redan gått ned dramatiskt genom teknisk utveckling och denna process ser ut att fortsätta.
Aaron Woodcock är föreläsare hos International Study and Language Institute vid University of Reading. Han anordnar kursmoduler för lärarkollegor i Kina som lär ut akademisk engelska till sina universitetsstudenter inom STEM. Detta innebär mycket lektionsplanering.
”Ända tills nyligen hade jag fått en eller två moduler att anordna. Nu är vi två personer som gör sju moduler, så det blir mycket mer lektionsplanering”, säger han. ”Jag har blivit så mycket mer produktiv genom att använda en LLM. Jag chattar med AI:n och ger den några av mina anteckningar och tankar. Sedan går vi fram och tillbaka och utformar en lektion. Därefter ber jag AI:n att skriva ihop lektionen som en komplett plan och så jobbar jag på den.
”Det tar fortfarande två timmar för mig att få ihop en lektionsplanering som jag är nöjd med. Men med en AI blir det så mycket lättare att komma igång och det gör att hela processen går snabbare. Och jag har fått bra feedback på lektionsplaneringarna från de lärare som använder dem.
”Det har fått mig att inse att jag alltid har tyckt att det är svårt att skriva och alltid skjuter upp uppgifter som innebär skrivande till sista sekunden. AI har ändrat det, så det har verkligen förbättrat hur jag jobbar.”
Woodcock använder också en LLM för att behandla och syntetisera statistik från stora volymer feedback från studenter. Att hantera och besvara denna typ av feedback är numera en betydande del av livet för akademiker och lärare inom högre utbildning.
”AI:n upptäcker genast mönster i feedbacken som det kanske hade tagit mig flera dagar att se”, förklarar han. ”Vi kunde skissa upp åtgärdsplaner utifrån studenternas feedback och sedan ägnade vi månader åt att implementera de åtgärderna. Det har varit en enorm fördel med kursen och har verkligen hjälpt mig med rapportering och feedback till personer omkring mig.”
Och utmaningen med AI-plagiat? ”Jo, det finns utmaningar gällande studenternas användning”, säger Woodcock. ”Men för mig är det här en möjlighet att gå vidare från att förlita mig på uppsatsskrivande och upprepning av kunskaper.”
University of Reading och många andra akademiska institutioner uppmuntrar nu utbildare att utforska nya format för lärande och bedömning, bland annat kunskapsbedömningar på plats, och att tänka.
Den här tekniken är inte på väg ut. Vi vill uppmuntra studenter att använda AI men på bästa möjliga sätt”, säger Woodcock. ”LLM:er kan även uppmuntra mångfald och inkludering, eftersom det hjälper personer som kanske inte känner sig hemma med skriftspråk men ändå har väldigt mycket att erbjuda. Visst lär det alltid finnas personer som försöker lämna in arbeten som de inte själva har skrivit. Men i slutändan är det inte annorlunda än studenter som köper uppsatser online, vilket redan sker.”
Vart är allt detta på väg långsiktigt? En generation studenter vänjer sig vid att jobba med LLM:er för forskning, lärande och som utkastverktyg.
De kommer ut i världen och förväntar sig att kunna göra detsamma i yrkeslivet. Och detta gör arbetsgivare ännu mer motiverade att träna upp sina egna AI-modeller och erbjuda dem till sin personal som kunskaps-och inlärningsföljeslagare dygnet runt.
Framtiden tillhör de organisationer (och individuella yrkesverksamma) som är bäst på att kombinera sin egen intelligens och kreativitet med AI för att lära sig mer, se längre och skapa ännu bättre resultat.
Vi människor är unika i vår förmåga att utveckla, lagra och sprida kunskap. Den sanningen ligger bakom vår förmåga att samarbeta i stor skala, vilket i sin tur ger upphov till allt vi skapar: uppfinningar, företag, universitet, nationer och allt däremellan.
Våra samhällen har alltid formats och omformats av de kunskapsverktyg vi använder, från skrivande i sig till tryckpressen, till persondatorer.
LLM, och maskinintelligens i allmänhet, lär säkerligen föra med sig egna transformeringar – och vi är bara i början av resan. Det finns fortfarande så mycket kvar att göra och lära sig.
Det är tydligt att tillämpning, implementation och framtida konsekvenser av LLM:er driver fram en ny era av produktivitet för framtidens arbete. För att utforska andra fängslande framsteg som påverkar hur vi jobbar går vi in i en diskussion med David Mattin om megatrender som utvecklas inom work tech.