دیگر کسی به مهندسانی که به هوش مصنوعی دستور می‌دهند، نیاز ندارد.

مهندسی سریع هوش مصنوعی یکی از مشاغل مورد تقاضا در سال ۲۰۲۳ بود. با این حال، سرعت بالای توسعه هوش مصنوعی، این حرفه را منسوخ کرده است.

در سال ۲۰۲۳، در حالی که میلیون‌ها نفر نگران احتمال تصاحب شغل‌هایشان توسط مدل‌های هوش مصنوعی مانند ChatGPT بودند، برخی از شرکت‌ها حاضر بودند صدها هزار دلار برای استخدام افرادی که قادر به استفاده از این چت‌بات‌های هوش مصنوعی نسل بعدی بودند، بپردازند.

طبق گزارش بلومبرگ ، ظهور ChatGPT در آن زمان، حرفه جدیدی به نام مهندس سریع (Prompt Engineer) را ایجاد کرد که حقوق آن تا ۳۳۵۰۰۰ دلار در سال می‌رسید.

«صحبت با هوش مصنوعی»

برخلاف برنامه‌نویسان سنتی، مهندس برنامه‌نویسی را به صورت نثر پیشنهاد می‌دهد، سپس دستورات متنی ساده را به سیستم هوش مصنوعی ارسال می‌کند. سپس سیستم متن توصیفی را به وظایف واقعی تبدیل می‌کند.

این افراد اغلب نقص‌های هوش مصنوعی را درک می‌کنند، که به آنها امکان می‌دهد قابلیت‌های آن را افزایش دهند و استراتژی‌های پیچیده‌ای را برای تبدیل ورودی‌های ساده به نتایج واقعاً منحصر به فرد توسعه دهند.

لنس جانک زمانی از یک دوره آنلاین که به مردم نحوه استفاده از ChatGPT را آموزش می‌داد، نزدیک به ۳۵۰۰۰ دلار درآمد کسب کرد. عکس: Gearrice

لیدیا لوگان، معاون رئیس آموزش جهانی و توسعه منابع انسانی در IBM، گفت: «برای استفاده مؤثر از هوش مصنوعی، باید مهارت طراحی دستورات را فرا بگیرید. بدون این مهارت، دیر یا زود، حرفه شما نابود خواهد شد.»

با این حال، با توسعه سریع، مدل‌های هوش مصنوعی اکنون نیت کاربر را بسیار بهتر درک می‌کنند و حتی می‌توانند در صورت نامشخص بودن نیت، سوالات تکمیلی بپرسند.

علاوه بر این، طبق گزارش وال استریت ژورنال ، شرکت‌ها در حال آموزش طیف وسیعی از کارمندان در بخش‌های مختلف در مورد چگونگی استفاده بهینه از دستورات و مدل‌های هوش مصنوعی هستند، بنابراین نیاز کمتری به یک فرد برای داشتن این تخصص وجود دارد.

به طور خاص، در یک نظرسنجی اخیر که به سفارش مایکروسافت انجام شد، از ۳۱۰۰۰ کارمند در ۳۱ کشور در مورد نقش‌های جدیدی که شرکت‌هایشان در ۱۲ تا ۱۸ ماه آینده در نظر دارند اضافه کنند، سوال شد. به گفته جارد اسپاتارو، مدیر بازاریابی هوش مصنوعی در محل کار مایکروسافت، مهندس فرماندهی از پایین لیست در رتبه دوم قرار گرفت.

در همین حال، نقش‌هایی مانند مربی، متخصص داده و متخصص امنیت هوش مصنوعی در صدر فهرست قرار دارند.

اسپاتارو استدلال می‌کند که مدل‌های اصلی زبان اکنون به اندازه کافی توسعه یافته‌اند تا تعامل، گفتگو و آگاهی از بافت را بهتر کنند.

برای مثال، ابزار تحقیقاتی مبتنی بر هوش مصنوعی مایکروسافت سوالات تکمیلی می‌پرسد، وقتی چیزی را نمی‌فهمد به کاربر اطلاع می‌دهد و در مورد اطلاعات ارائه شده درخواست بازخورد می‌کند. به عبارت دیگر، اسپاتارو استدلال می‌کند که «نیازی نیست اظهارات بی‌نقصی داشته باشید».

«کور» بودنِ سریع اشتباه نیست.

به گفته هانا کالهون، معاون رئیس هوش مصنوعی در پلتفرم جستجوی شغل Indeed، تعداد آگهی‌های شغلی برای مهندسان خط فرمان در حال حاضر بسیار کم است.

در ژانویه ۲۰۲۳، تنها چند ماه پس از راه‌اندازی ChatGPT، تعداد جستجوهای کاربران در Indeed برای این نقش به ۱۴۴ مورد در هر یک میلیون جستجو افزایش یافت. با این حال، از آن زمان، این تعداد در حدود ۲۰ تا ۳۰ مورد در هر یک میلیون جستجو ثابت مانده است.

مهندسان سریع، مهندسانی هستند که وظیفه آنها ایجاد سوالات یا دستورات برای ابزارهای هوش مصنوعی مانند ChatGPT است. عکس: Riku AI.

علاوه بر کاهش تقاضا، محدود شدن بودجه و افزایش عدم قطعیت اقتصادی ، شرکت‌ها در سال‌های اخیر به طور کلی در مورد استخدام بسیار محتاط‌تر شده‌اند.

بر این اساس، شرکت‌هایی مانند Nationwide Insurance، برند لباس کار Carhartt و New York Life Insurance همگی اظهار داشتند که هرگز مهندس سفارش استخدام نکرده‌اند. در عوض، آنها دریافتند که تقویت مهارت‌های تنظیم سفارش، تخصص بهتری است که همه کارمندان فعلی می‌توانند در آن آموزش ببینند.

جیم فاولر، مدیر ارشد فناوری شرکت Nationwide، گفت: «چه در بخش مالی، منابع انسانی یا حقوقی کار کنید، ما این را به عنوان یک قابلیت در یک عنوان شغلی می‌بینیم، نه یک عنوان شغلی جداگانه.»

پروفسور اندرو نگ، بنیانگذار گوگل برین و مدرس دانشگاه استنفورد، پیشنهاد می‌کند که کاربران گاهی اوقات هنگام وارد کردن درخواست‌ها برای هوش مصنوعی نیازی به جزئیات بیش از حد ندارند.

ان‌جی در پستی در X، این روش را « فراخوانی تنبل » نامید - یعنی دادن اطلاعات به هوش مصنوعی بدون زمینه بسیار کم یا بدون دستورالعمل مشخص. این بنیانگذار Coursera و DeepLearning گفت: «ما فقط باید در مواقع ضروری جزئیات را به دستورالعمل‌ها اضافه کنیم.»

مثال بارزی که ان‌جی ارائه می‌دهد، برنامه‌نویسان هنگام اشکال‌زدایی هستند. آن‌ها اغلب کل پیام‌های خطا - گاهی اوقات چندین صفحه - را بدون مشخص کردن الزامات، در مدل هوش مصنوعی کپی و پیست می‌کنند.

او نوشت: «بیشتر مدل‌های زبانی بزرگ (LLM) به اندازه کافی هوشمند هستند که بفهمند شما برای تجزیه و تحلیل و پیشنهاد راه‌هایی برای رفع خطاها به آنها نیاز دارید، حتی اگر صریحاً این را نگویید.»

LLM ها به تدریج فراتر از پاسخ دادن صرف به دستورات حرکت می‌کنند و شروع به درک قصد و دلیل کاربر برای ارائه راه‌حل‌های مناسب می‌کنند. عکس: بلومبرگ

به گفته نگ، این یک گام رو به جلو است که نشان می‌دهد LLMها به تدریج فراتر از پاسخ دادن صرف به دستورات حرکت می‌کنند و شروع به درک قصد و دلیل کاربر برای ارائه راه‌حل‌های مناسب می‌کنند - روندی که شرکت‌های توسعه مدل هوش مصنوعی دنبال می‌کنند.

با این حال، «راهنمایی تنبلانه» همیشه مؤثر نیست. شایان ذکر است که این تکنیک فقط باید زمانی اعمال شود که کاربران بتوانند به سرعت مدل را آزمایش کنند، مثلاً از طریق رابط وب یا برنامه هوش مصنوعی، و مدل به اندازه کافی قادر به استنباط هدف از اطلاعات محدود باشد.

آقای نگ تأکید کرد: «اگر هوش مصنوعی برای پاسخگویی دقیق به اطلاعات زیادی نیاز داشته باشد یا نتواند خطاهای احتمالی را تشخیص دهد، یک درخواست ساده کمکی نخواهد کرد.»

منبع: https://znews.vn/khong-con-ai-can-ky-su-ra-lenh-cho-ai-nua-post1549306.html