Авторы Дональд Тейлор и Эгле Винаускайте
Преимущества Искусственного. Зачем использовать ИИ в L&D?
Интеллект может быть чрезвычайно могущественным, и, понятно, именно истории об этой силе привлекают внимание людей. Когда Аммаар Реши за 72 часа написал и проиллюстрировал детскую книгу, она захватила воображение публики. Это также вызвало предсказуемую негативную реакцию со стороны художников и копирайтеров, опасающихся нарушения авторских прав. Таково публичное лицо ИИ — как радикальной технологии, фундаментально меняющей способы выполнения основных человеческих задач.
В мире обучения и развития потенциальные возможности использования ИИ практически безграничны и имеют драматические последствия. Было много предположений об использовании ИИ в таких областях, как персонализация, адаптивное предоставление услуг и управление навыками, например там, где для того, чтобы что-то сделать хорошо, требуется манипулировать большими объемами данных с помощью ряда умных алгоритмов, и обычно необходимо делать это быстро. Насколько хорошо реальность нашей сегодняшней деятельности отражает эти видения? Результаты нашего опроса показывают, что амбиции L&D сегодня более приземленные.
В вопросе 5 опроса респондентам предлагался случайно отсортированный список из 10 вариантов плюс «Другое» и предлагалось «Выбрать до 3 преимуществ, которые вы ожидаете увидеть от использования ИИ в L&D». Варианты были:
- Создавать обучающий контент быстрее
- Облегчить обнаружение информации
- Определить навыки
- Повышение эффективности/сокращение затрат в L&D
- Поддерживать таксономию навыков
- Персонализация/адаптивное обучение
- Проведение дополнительной проверки знаний
- Обеспечить дополнительную практику навыков
- Мы не ожидаем увидеть никаких преимуществ
- Мы не используем ИИ
- Другое (пожалуйста укажите)
Результаты для всех респондентов (см. рисунок 4 ниже) показывают, что, хотя большое количество комментариев было посвящено возможности использования ИИ для решения сложных задач, таких как управление талантами и выявление и поддержание навыков, в настоящее время они не являются приоритетом для респондентов. Вместо этого они в основном ищут ИИ для решения насущных проблем производства контента и повышения эффективности. Частично это будет связано с простотой использования ChatGPT для этих задач по сравнению со стоимостью и сложностью таких действий, как адаптивное обучение и выявление навыков.
Стоит отметить, что для L&D эти два преимущества производства контента и эффективности в значительной степени совпадают. В общей сложности 54 респондента выбрали вариант «Повышение эффективности/сокращение затрат в сфере обучения и развития» и предложили описание того, как они используют ИИ сегодня. Мы создали облако слов из этих описаний, опустив слова «обучение», «можно», «использовать» и «использование».
Из этого облака слов становится ясно, что повышение эффективности обучения и развития во многом является синонимом эффективного производства контента. Например, в 54 ответах слово «контент» упоминается 32 раза, а слово «почта» — всего 3 раза. Наиболее часто используемым инструментом искусственного интеллекта, очевидно, является ChatGPT, и его наибольшее применение, когда он не сосредоточен на создании контента, по-видимому, связано с мозговым штурмом («идея» упоминалось в 11 комментариях) и мероприятиями, связанными с обучением, такими как оценка (девять раз).
На рабочем месте поддержка ИИ для мозгового штурма была в основном сосредоточена на создании контента, но для вендоров его использование было шире:
«В основном мы используем Chat GPT — в качестве «приятеля для мозгового штурма». Это помогает нам писать сценарии обучения, программы, предложения, цели обучения, генерировать идеи и темы».
Одна из эффективных мер, ориентированных на контент, упомянута только дважды, но которая может стать более распространенной на рабочем месте, заключалась в оптимизации сотрудничества с профильными экспертами путем быстрого изменения их технического контента в «более удобоваримый контент» или «информацию разного уровня знаний».
Для 111 респондентов, работающих либо в коммерческой компании, либо в некоммерческой организации, ожидаемые выгоды различаются в зависимости от того, занимает ли респондент ключевую роль или нет, как показано на рисунке 6 выше.
Как видно из синей пунктирной линии, респонденты на ключевых должностях с меньшей вероятностью стремились к повышению эффективности или более быстрому созданию контента. Однако их больше интересовало (оранжевая пунктирная линия) использование ИИ для персонализации.
Авторы определяют респондентов, занимающих «ключевые роли», как имеющих значительную ответственность. Поэтому, возможно, удивительно, что существует небольшая разница между ключевыми и неключевыми ролями в их сосредоточении на выявлении навыков (серая пунктирная линия). Однако нам понадобится более крупная совокупность опросов, чтобы понять, связано ли это просто с размером выборки.
Для тех, кто занимает ключевые должности, ясна одна вещь: значение того, что происходит с ИИ, и эту ясность хорошо выразил респондент, занимающий глобальную роль в крупной компании:
«Это не вопрос L&D, это то, что полностью меняет работу. Это еще один пример того, куда будет двигаться бизнес, а L&D потребуется поддержка».
Барьеры. Что мешает ИИ?
Несмотря на очевидные преимущества и всеобщий энтузиазм по поводу ИИ, во многих случаях его реализация проходит не так гладко, как хотелось бы. Согласно опросу, большинство специалистов L&D сталкиваются с некоторыми препятствиями в работе с ИИ.
Возникло три основных типа барьеров:
- Технологические барьеры
- Бизнес-барьеры
- Индивидуальные барьеры
В то время как часть респондентов, не сталкивавшихся с какими-либо препятствиями в работе с ИИ, большинство людей сталкивались как минимум с двумя или тремя препятствиями из списка ниже. Хотя авторы не могут предложить решения для преодоления этих препятствий (действительно, многие из них все еще обсуждаются на правительственном или отраслевом уровне), список может оказаться полезным для читателей, обдумывающих предстоящее внедрение ИИ.
Технологические барьеры
• Проблемы конфиденциальности и безопасности данных: опасения по поводу передачи проприетарных или конфиденциальных данных инструментам искусственного интеллекта. Сюда входят опасения по поводу конфиденциальности данных людей и входных данных в ИИ, потенциальных утечек данных и соответствия инструментов ИИ правилам защиты данных, таким как GDPR.
• Ограничения ИТ-безопасности: технические барьеры, препятствующие изучению инструментов ИИ, включая длительные процессы, обеспечивающие соответствие новых инструментов ИИ стандартам ИТ-безопасности организации.
• Проблемы интеграции и совместимости: проблемы интеграции инструментов ИИ с существующими системами или платформами. Особенно остро это проявляется, когда речь идет о передаче данных между системами, где каждая система собирает и анализирует данные по-разному.
• Проблемы качества и эффективности: вопросы о качестве текстовых, визуальных и видеоматериалов ИИ, особенно на языках, отличных от английского, и при работе с узкоспециализированным контентом.
Бизнес-барьеры
• Проблемы стоимости: финансовые инвестиции, необходимые для доступа к инструментам искусственного интеллекта и их внедрения. Этот барьер включает в себя три типа затрат: стоимость лицензий на программное обеспечение или токенов для доступа к инструментам ИИ; стоимость разработки программного обеспечения, необходимая для создания пользовательских приложений или интеграций, а также стоимость времени, потраченного на освоение искусственного интеллекта. Стоимость является особенно распространенным препятствием для небольших или некоммерческих организаций.
• Нормативные барьеры и барьеры соответствия: соблюдение политик компании, отраслевых правил и ограничений соответствия. В то время как в некоторых случаях барьером являются сами ограничения соответствия, в других — полное отсутствие ясности в отношении приемлемого использования.
• Проблемы этики и авторских прав: опасения по поводу этических последствий использования результатов, генерируемых искусственным интеллектом, особенно в том, что касается владения интеллектуальной собственностью и потенциальных нарушений.
• Неясная коммерческая ценность: трудности с экономическим обоснованием использования ИИ, особенно в свете упомянутых выше затрат. Основная задача состоит в том, чтобы перейти от искусственного интеллекта как «модного» инструмента, который может помочь создавать больше контента, к доведению его стратегической ценности до уровня L&D и бизнеса.
• Организационное сопротивление: опасения по поводу увольнения, новых технологий и перемен, включая нежелание людей делать что-то не так, проводя неясную политику. Сопротивление особенно ощущается, когда оно исходит от руководства, чья неосведомленность и поддержка ИИ не позволяют инициативам по внедрению ИИ привлечь столь необходимую поддержку.
Индивидуальные барьеры
• Проблемы доверия и надежности. Сюда входят индивидуальные сомнения в точности и надежности контента, создаваемого ИИ, возникающие из-за низкого доверия к контенту, используемому для обучения ИИ. Это включает в себя обеспокоенность по поводу фактической точности, достоверности источников, потенциальных предвзятостей («какой контент не включен?») и эффективности рекомендаций по содержанию для сотрудников. Этот барьер еще больше усугубляется потенциально трудоемкими усилиями по проверке результатов.
• Ограничения по времени: чтобы научиться эффективно работать с ИИ, требуется время. Это ограничение часто включает в себя время, необходимое для отработки базовых технических навыков, достаточного экспериментирования с ИИ, чтобы освоиться с ним, и поиска хороших вариантов использования ИИ.
• Огромный выбор и скорость перемен: быстрое развитие инструментов искусственного интеллекта и огромное количество доступных опций. Трудно следить за новыми выпусками инструментов и выбирать, с какими из них экспериментировать.
• Недостаток знаний и навыков: необходимость понимания потенциала ИИ и технических навыков для его использования. Это широкая категория, включающая базовые знания об ИИ в целом и его конкретное использование в контексте обучения; как получить от этого максимальную пользу и как интегрировать его в поток работы по обучению и развитию, а также в решения для цифрового обучения.
В общих чертах, когда дело доходит до индивидуальных барьеров, люди сталкиваются с тремя основными проблемами:
- Начало: с чего мне начать?
- Эксплуатация: как мне извлечь из этого выгоду?
- Поддержание: как мне идти в ногу со временем?
Авторы пытаются ответить на эти три вопроса в конце отчета.
Наконец, важно отметить, что несколько человек отметили, что термин «ИИ» становится все более злоупотребленным в маркетинге поставщиков, что усиливает ажиотаж и затрудняет понимание того, что на самом деле представляет собой ИИ, что он может делать и что он добавляет. реальная ценность.
ИИ для дизайна LX. Наиболее распространенное использование ИИ
Рекомендации
Из-за природы генеративного ИИ процесс проектирования опыта обучения (LXD) кажется наиболее естественным вариантом его использования в обучении. Результаты опроса можно в общих чертах резюмировать на рисунке 7. Немного респондентов используют его для обнаружения, больше используют его для поддержки стратегии и дизайна, и больше используют генеративный искусственный интеллект для доставки, что включает в себя производство контента. На этапе последующего наблюдения, который включает оценку, ИИ используется лишь в некоторой степени.
Эта закономерность напоминает то, что происходило с процессом LXD еще до появления искусственного интеллекта. Многие команды по обучению и контенту тратят много времени на создание контента и часто недостаточно времени на его исследование и оценку.
Когда люди говорят, что используют ИИ для создания контента, они имеют в виду разные вещи. В этом разделе вы познакомитесь с каждым этапом процесса LXD и узнаете обзор общих практик, формирующихся в нашей профессии, какие идеи возникают и где мы можем найти возможности для более эффективного использования ИИ. Если есть что-то, чему мы научились за последний год экспериментов с ИИ, так это то, что его эффективность зависит только от человеческой изобретательности и направления.
Генеративный ИИ в LXD: Исследование
Исследование обычно является первым шагом в процессе разработки опыта обучения. Он включает в себя сбор информации о сотрудниках, их потребностях и контексте, а также понимание предмета обсуждения.
Этот этап часто включает в себя обширные беседы с заинтересованными сторонами, МСП и исследование соответствующего контента. Там, где это возможно, оно должно также включать качественные и количественные исследования пользователей.
Согласно опросу, большинство людей, которые использовали ИИ на этапе исследования, использовали его для первоначального и фонового исследования темы, например, для поиска контента, его объяснения или проверки на наличие пробелов.
Однако ИИ можно использовать более комплексными способами. Вот несколько примеров, которыми поделились респонденты:
- Профилирование людей и создание профилей пользователей
- Написание сценариев для интервью с пользователями
- Исследование и обобщение знаний и навыков, необходимых для достижения цели обучения.
- Изучение нюансов и различных точек зрения в содержании.
- Переписывание технического или специализированного контента, предоставляемого МСП, чтобы сделать его более удобоваримым.
Генеративный ИИ в LXD: стратегия обучения и дизайн
Этап стратегии и проектирования обучения включает в себя разработку плана, который соответствует установленным результатам обучения и использует эффективные стратегии обучения и взаимодействия.
На этом этапе дизайнер обучения обычно использует результаты этапа «Открытие» и создает высокоуровневую творческую и учебную стратегию для программы, включая ключевые учебные взаимодействия и ресурсы.
Вот наиболее распространенные варианты использования ИИ на данном этапе среди респондентов:
- Мозговой штурм идей по темам контента, учебным мероприятиям или сценариям
- Создание общего плана курса
- Создание вопросов и оценок викторины
Более редкие, но интересные варианты использования включают в себя:
- Использование ИИ в качестве «мыслительного партнера», изучение идей и предметов в двустороннем разговоре
- Предоставление персонализированной обратной связи на основе того, как люди выполняют сценарий, что они загружают в качестве результатов курса или любых открытых вопросов.
«Я использовал искусственный интеллект, чтобы создать несколько быстрых действий для сеанса, который я проводил с целью мотивации. Обеспечение понимания содержания ИИ с помощью подсказок привело к созданию группового занятия, которое я использовал для внедрения новых знаний».
«Мы внедрили мост между Adapt Learning и ChatGPT, чтобы представить инструмент, который позволяет нам создавать интерактивные действия, в ходе которых учащиеся могут отправлять документы (согласно инструкциям), которые затем обрабатываются и предлагают обратную связь по серии предоставленных нами модельных ответов. «
Генеративный ИИ в LXD: Доставка
Фаза реализации включает в себя создание контента, ресурсов и любых активов, которые поддерживают процесс обучения.
Часто это самая трудоемкая часть процесса, в которой могут участвовать не только учебные дизайнеры, но и копирайтеры, графические дизайнеры, видеопродюсеры и редакторы, аниматоры, художники по озвучке и другие творческие специалисты.
Неудивительно, что именно здесь специалисты в сфере обучения чаще всего используют генеративный ИИ:
- Написание контента и скриптинг
- Перевод
- Создание видеороликов (в основном «говорящих голов»)
- Создание синтетического звука для озвучки курсов
- Создание изображений для слайдов и курсов
Кроме того, некоторые респонденты поделились некоторыми идеями, которые могут вдохновить на более сложное использование генеративного ИИ:
• Упрощение передачи от профильных экспертов (МСП) – упрощение их содержания, если оно слишком техническое, или переписывание его для людей с разным уровнем знаний.
• Сделать содержание обучения более кратким.
• Манипулирование документами: извлечение, анализ и опрос контента и изменение его формата (например, создание презентации из текста).
• Переписывание процедурного или нормативного содержания, чтобы оно было более целенаправленным и соответствующим различным должностям.
• Создание пояснений из планов уроков или слайдов для синхронной подачи.
• Использование сторонних инструментов искусственного интеллекта не только для видео «говорящей головы», но также для анимации или редактирования видеоматериалов с использованием текстового интерфейса (например, с использованием Vimeo AI).
«Мы используем его, чтобы помочь нам создать учебный контент с нуля — он отлично подходит для поиска идей для занятий, создания неправильных вариантов оценивания (например, для вопросов с несколькими вариантами ответов/выбора типов) и быстрого создания рабочих таблиц, которые мы можем использовать и улучшать. . Мы считаем ChatGPT достойным партнером для повышения скорости доставки».
«Мы используем ИИ для создания «превизуализации» закадрового голоса при создании мультимедиа для наших курсов — когда заинтересованные стороны видят движущуюся раскадровку с закадровым голосом, во время окончательного производства требуется меньше правок и затрат».
«Это очень хорошо для разработки интерактивных сценариев на основе существующего контента. Я отыгрываю одну сторону, а ИИ пишет другую, а результаты затем реализуются в сюжетной линии».
«Предоставляем ИИ процедуру и сценарий, а затем смотрим, что, по его мнению, конкретная роль должна делать в определенных обстоятельствах. Он сообщает мне, можно ли следовать этой процедуре и есть ли слабые места. Я могу дать обратную связь владельцам процессов и/или сосредоточить обучение на тех моментах, которым сложно уследить».
Генеративный ИИ в LXD: оценка и последующие действия
Этап оценки и последующих действий включает в себя измерение обратной связи и воздействия решения по обучению, а также определение областей для улучшения.
К сожалению, качественные данные о влиянии обучения трудно получить и интерпретировать, и поэтому измерение воздействия обучения исторически больше полагалось на формы обратной связи, чем на анализ данных.
В случае с генеративным ИИ лишь немногие из наших респондентов указали, что они вообще использовали ИИ для оценки. Те, кто это сделал, использовали его способами, подробно описанными ниже. Стоит отметить, что генеративный ИИ позволяет масштабно анализировать открытые поля вопросов:
- Проведение анализа настроений на основе качественной обратной связи
- Просить ИИ предложить улучшения на основе информации, полученной из качественных отзывов.
- Просить ИИ определить возможности персонализации контента
- Анализ и опрос наборов данных для понимания поведения пользователей.
За пределами дизайна LX. Чем еще хорош ИИ?
ИИ для обучения персонализации
Персонализированное обучение может принимать разные формы, особенно с использованием ИИ. Это можно сделать на уровне контента, учебного процесса или даже персонализированной обратной связи.
Персонализация контента и обучение
Согласно опросу, специалисты L&D уже широко используют ИИ для курирования контента. Чаще всего это предполагает использование функций LMS с поддержкой AI или стороннего инструмента для рекомендации контента на основе профилей людей, онлайн-активности, потребностей в производительности и интересов.
Менее распространенный вариант использования, но с которым экспериментируют несколько респондентов, — это поиск информации — обучение ИИ-бота использованию для внутреннего управления знаниями, что, в свою очередь, может обеспечить новый вид целевой, контекстуализированной поддержки производительности. Этот вид «второго пилота», вероятно, станет более доступным и широко используемым с выпуском вторых пилотов от Microsoft, Google и других поставщиков.
Многие респонденты также сообщают о персонализации обучения с использованием адаптивных путей обучения, где каждому человеку предоставляется контент в зависимости от его оцененного уровня знаний, прогресса и актуальности.
Поддержка развития навыков
Развитие навыков – это другой вариант персонализации. Развитие навыка обычно включает в себя практику, обратную связь и размышления в течение определенного периода времени. Обычно это включает в себя:
• Практика навыков в реальном мире (например, участие в трудных разговорах) и получение обратной связи 1:1.
• Ролевые упражнения под руководством очных тренеров; это было трудно масштабировать до сотен или даже тысяч людей в организации.
• Обучение по сценариям на курсах электронного обучения, которые более масштабируемы, но менее реалистичны из-за структурированных сценариев ветвления и заранее записанной обратной связи.
Генеративный ИИ потенциально может преодолеть эти ограничения. Значительное количество специалистов в области обучения уже экспериментируют с ИИ, чтобы персонализировать людей, оказывающих поддержку, по мере их отработки навыков – с упором на получение экспериментов, поскольку на момент проведения опроса большинство этих инструментов находились в лучшем случае на пилотной стадии:
- Коучинг-боты, цель которых — расширить опыт «коучинга лидерства».
- Симуляторы разговора, которые позволяют людям практиковать различные разговорные навыки, используя свой естественный язык и получая персонализированную обратную связь в режиме реального времени. Ранние варианты использования включают сложные разговоры, продажи и поддержку клиентов.
Некоторые другие варианты использования ИИ для развития навыков включают тренера-презентатора (ИИ обеспечивает обратную связь по навыкам презентации), интерактивный инструмент для размышлений и учебное пособие для студентов в стиле помощника преподавателя.
ИИ для стратегии обучения
Хотя об этом говорится меньше, чем о ранее упомянутых вариантах использования, в некоторых организациях ИИ также используется для формирования стратегии обучения. Вот несколько примеров того, как люди использовали генеративный ИИ:
- Анализ пробелов: попросите ИИ определить, есть ли какие-либо пробелы в обеспечении обучения и поддержки производительности в вашей организации.
- Требования к обучению: попросите ИИ сопоставить должностные роли с требованиями к обучению, чтобы лучше понять, какая поддержка нужна вашим людям.
- Согласование бизнеса: запросить у ИИ стратегии, позволяющие согласовать стратегию обучения с бизнес-стратегией.
Кроме того, некоторые респонденты используют решения на базе искусственного интеллекта для анализа навыков и внутренней мобильности:
• Анализ навыков: определение того, какие навыки связаны с определенными ролями, картирование навыков, присутствующих в организации, и принятие рамок навыков для принятия стратегических решений в области обучения и развития.
• Внутренняя мобильность: обеспечение повышения квалификации и переквалификации путем подбора людей на потенциальные должности, которые будут способствовать их развитию, часто с использованием возможностей сторонних маркетплейсов.
ИИ для административной поддержки:
В задачу данной статьи не входит описание всех возможных вариантов использования ИИ для поддержки административных задач в обучении, которых существует множество. В результате приведенный ниже список ни в коем случае не является полным и даже не является приоритетным. Тем не менее, мы надеемся, что это поможет вам получить представление о том, как ваши коллеги из L&D в настоящее время поддерживают их работу.
Операционная поддержка
- Написание отчетов, политик и процедур
- Обобщающие документы
- Написание писем
- Создание программ мероприятий
- Написание вопросов для опроса обратной связи
- Написание описаний ролей
Техническая поддержка
- Программирование (включая второй пилот Github)
- Справка по Excel
- Проведение различных анализов
Внутреннее общение
- Написание сообщений в блогах, публикаций на внутренних платформах и внутренних информационных бюллетеней.
- Написание описаний курсов и иное описание учебных инициатив внутри компании.
- Планирование внутренних коммуникаций
«Он заменил Google в качестве моего инструмента «Как мне сделать…». Например, я хотел создать инструмент, который генерировал бы случайные «постановки задач» одним щелчком мыши. Я использовал ChatGPT, чтобы пройти через процесс создания этого в Excel, включая двусторонний диалог для написания макроса».
«Я использую ИИ для обобщения документов и переписывания для разных версий (например, переписываю это до 250 слов для цели X)».
Противовес. Другой взгляд на ИИ
Авторы полагают, что искусственный интеллект никуда не денется и окажет глубокое влияние на то, как мы работаем, живем и учимся. Однако не все, принявшие участие в опросе, чувствовали то же самое. Хотя эти голоса несогласных были в меньшинстве, они, безусловно, заслуживают того, чтобы их услышали, поскольку они поднимают широко распространенные опасения по поводу ИИ, которые необходимо решать, и затрагивают реальные проблемы, которые еще предстоит решить.
Тех, кто выражает обеспокоенность по поводу использования ИИ в L&D, иногда изображают как технофобных луддитов. Такое бинарное мышление игнорирует таких людей, как академика, который предоставил некоторые заметки, которые он делает доступными для сотрудников и студентов, в которых подробно указано, как ChatGPT может быть полезен для студентов (например, чтобы «вдохновить, перефразировать или вычитать»), а также отметить было важно, чтобы «студенты знали о преимуществах и ограничениях ИИ в их области обучения».
Отвечая на вопрос: «Относитесь ли вы к обучению и развитию на рабочем месте более или менее позитивно, чем в это же время в прошлом году?», 11 из 185 ответили, что относятся к ним более негативно. Вот как они ответили на последний вопрос: «Хотели бы вы что-нибудь добавить?». Некоторые ответы были сокращены, но в остальном не отредактированы:
«Очень обеспокоен синдромом блестящих предметов и злоупотреблением ими без достаточного контроля. В целом меня беспокоят люди, говорящие о сложном программировании под видом ИИ (хотя это не так), проблемы интеллектуальной собственности с генеративным ИИ и общее отсутствие понимания того, что такое ИИ и что он может делать».
«Я боюсь, что многие старшие руководители компаний рассматривают ИИ в первую очередь как способ быстрее создавать учебные материалы с меньшим участием человека, что на самом деле может ухудшить их качество. Там, где я работаю, это не тот случай…»
«Потенциал огромен, но плохая/спешная реализация из-за шумихи вокруг того, что один ИИ способен создавать язык, как человеческий, просто создает больше проблем, чем решает сейчас».
«К сожалению, ИИ — хорошее оправдание и инструмент для замены человека на критическом положении в области обучения и развития». «Разработчики и технологи разочаровываются из-за того, что тренеры не успевают за темпами перемен».
«ИИ является последним в длинной череде решений #edtech, которые ищут проблему, которую нужно решить». «ИИ имеет свою цель, но акцент должен быть сделан на том, как он может способствовать повышению производительности, а не на том, где мы можем его применить».
Существуют реальные опасения по поводу использования ИИ в жизни каждого человека, в том числе в сфере обучения и развития. Было бы неправильно считать эти мнения узколобыми. Напротив, здесь есть тонкие вопросы, к которым следует относиться внимательно. Последнее слово мы оставим за респондентом, который не чувствовал ни большего, ни меньшего негативного отношения к L&D, чем в тот раз в прошлом году, но отражал то, что чувствуют многие в этой области. Если эти проблемы не будут решены, мы не можем ожидать широкого и быстрого внедрения ИИ:
«ИИ — это интересно, но с оговорками: этика, GDPR, дезинформация и возможность неправильного использования, и это лишь некоторые из них».
К сожалению, еще слишком рано перенимать лучшие практики организаций, которые это поняли, потому что, насколько нам известно, ни одна из них еще не сделала этого.
Вместо этого лучший вариант — проанализировать, где вы находитесь, чтобы решить, куда двигаться дальше. Мы надеемся, что выводы, изложенные в этом отчете, помогут вам начать эти обсуждения в вашей организации.
1. Поймите, где вы находитесь
• Проведите аудит уже имеющихся у вас систем и инструментов.
• Составьте карту своих ключевых процессов.
• Понять уровень навыков и знаний ИИ в вашей команде.
• Изучите и сопоставьте, как ваши люди уже используют ИИ.
• Уточните политику использования ИИ в вашей организации.
• Подумайте, с какими препятствиями вы уже столкнулись, а какие могут возникнуть в будущем.
2.Определите свои цели с помощью ИИ
• Просмотрите ключевые показатели эффективности вашей команды и обратите внимание на самые постоянные проблемы.
• Расставьте приоритеты для ключевых показателей эффективности или ключевых задач, решение которых принесет наибольшую пользу, и подумайте, где ИИ может помочь.
• Просмотрите карты процессов и определите задачи, которые вы можете решить с помощью ИИ.
• Организуйте простые эксперименты с целью и критериями успеха (например, «Сократить время развертывания курса на две недели»).
3. Найдите свои варианты использования ИИ.
• Соберитесь со своей командой и обсудите, какие варианты использования из этого отчета можно применить в вашей работе.
• Обсудите, какие инструменты уже оказались полезными для вас, для каких задач и кто может научить других их использовать.
• Изучите, чем занимаются другие отделы, и определите, можете ли вы адаптировать часть их работы или сотрудничать в поиске новых вариантов использования ИИ.
• Устраните любые пробелы в знаниях, навыках или мышлении, чтобы позволить большему количеству людей принять участие в процессе открытия ИИ. Учитывайте не только подсказки, но и знание политики вашей компании, понимание ограничений ИИ или укрепление доверия.
• Поэкспериментируйте с тем, как ИИ может помочь достичь ваших ключевых показателей эффективности или решить ключевые проблемы. Вот несколько идей:
- Проведите семинар: соберите группу людей, познакомьте всех с вашими процессами, ключевыми показателями эффективности и задачами и обсудите, как вы можете использовать ИИ.
- Задайте задачу: договоритесь о соответствующей проблеме «Как мы могли бы?», попытайтесь решить ее индивидуально и асинхронно и через некоторое время соберитесь вместе, чтобы обсудить возникшие подходы и результаты.
- Проведите хакатон: соберите людей из разных функций и посвятите целый день идеям и прототипам автоматизации процессов с помощью ИИ.
«...вам нужно на самом деле испытать решения обучения на основе искусственного интеллекта, чтобы через призму специалиста в области обучения и развития оценить, приносят ли они какую-либо ценность. Не полагайтесь только на маркетинговые материалы поставщиков. Настаивайте на том, чтобы получить доступ к демо-версии и опробовать ее самостоятельно. Это единственный способ отличить зерна от плевел, простые уловки от решений, которые действительно повышают ценность».
Ресурсы Что вам поможет
Ранее в этой статье мы обозначили три часто возникающих вопроса:
- Начало: с чего начать?
- Эксплуатация: как мне извлечь из этого максимальную выгоду?
- Поддержание: как мне идти в ногу со временем?
Ощущение перегруженности информацией и быстрым развитием ИИ — очень распространенный опыт. К сожалению, не существует единого источника, который бы всесторонне освещал все аспекты и обновления такой обширной и быстро развивающейся области.
Тем не менее, ниже вы найдете подходы, используемые другими респондентами. Мы надеемся, что это поможет вам разработать собственную стратегию, чтобы оставаться в курсе всего ИИ.
Фундаментальное понимание
Многие респонденты стремились получить базовое понимание ИИ, чтобы иметь возможность обсуждать его и представлять возможности. Некоторые из высоко оцененных курсов включают курсы по генеративному искусственному интеллекту в LinkedIn Learning и собственный каталог Microsoft, а также Elements of AI и DeepLearning.AI.
«Понимание компонентов этих систем и того, для чего их можно использовать, помогает мне общаться с коллегами о том, что мне нужно, и помогает мне понять, что возможно».
В список книг для чтения входят:
- Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения Аджая Агравала, Джошуа Ганса и Ави Гольдфарба
- Искусственный интеллект для обучения Дональд Кларк
Персонализация контента и обучение
Хотя самим организациям еще слишком рано проводить тематические исследования по использованию ИИ, многие обращаются к поставщикам за практическим применением ИИ в обучении и разработке. Это включает:
• Общение с поставщиками, которые разрабатывают сценарии использования, в идеале в вашей организации.
• Запрашивать демонстрационные версии, чтобы увидеть, как работают различные приложения искусственного интеллекта (и работают ли они так, как рекламируется), задавать вопросы лично и получать информацию из первых рук о любых последних разработках.
• Посещение вебинаров поставщиков, на которых они демонстрируют тематические исследования своим первым пользователям, которым есть чем поделиться результатами.
Не отставать
Неудивительно, что большинство респондентов сообщили, что используют подкасты, информационные бюллетени и следят за лидерами мнений в LinkedIn, чтобы получать для них последние новости.
Мы получили слишком много имен, чтобы перечислить их все, при этом не было явных лидеров, которым доверяли бы многие коллеги из L&D. Тем не менее, информационные бюллетени, которые появлялись более одного раза, включают:
- Спрашивай. Учись. Делись. Майк Тейлор Доктор Фил
- Dr. Phil’s Newsletter от доктора Филиппы Хардман
- Укради эти мысли Росс Стивенсон
- Одна полезная вещь Итан Моллик
Интересно, что TikTok также попал в список: некоторые люди отмечают, что существует множество создателей, которые делятся новыми инструментами и методами искусственного интеллекта. Наконец, были упомянуты Джош Берсин, McKinsey, Deloitte и Gartner.
Другие ресурсы
Ниже вы найдете другие, более конкретные статьи, эпизоды подкастов и видеоролики, подготовленные вашими коллегами-профессионалами в сфере L&D:
- Ресурсы Центра гуманных технологий, включая интервью с его основателями в подкасте «Ваше безраздельное внимание», эпизод «Дилемма искусственного интеллекта».
- Этика данных Института Алана Тьюринга
- Эффект мышления: репозиторий инструментов искусственного интеллекта для обучения и развития.