Allocating cognitive work across people, language models and deterministic tools: A task-analytic method
تقترح هذه الورقة منهجية تحليلية للمهام لتوزيع العمل المعرفي بين البشر، والنماذج اللغوية، والأدوات الحتمية ضمن إطار "لاحظ-وجه-قرر-نفذ"، مبرهنةً من خلال تجارب محاكاة لعمليات ربط الناقلات على أن هذا النهج المتدرج يحسن دقة وكفاءة اتخاذ القرار بشكل كبير مع حجز الخيارات المعيارية للمشرفين البشريين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في مكان العمل الحديث، وصل نوع جديد من العمال: الوكيل ذو الذكاء الاصطناعي. هذه برامج حاسوبية قادرة على قراءة التعليمات، والبحث عن المعلومات، وكتابة الأكواد البرمجية، وصياغة الوثائق، وغالباً ما تفعل ذلك بسرعة تفوق قدرة البشر على قراءة مخرجاتها. ومع ازدياد قدرة هؤلاء الوكلاء، يُطلب من مشرف بشري واحد غالباً الإشراف على فريق متنامٍ منهم. المشكلة ليست في أن الآلات بطيئة، بل في أنها سريعة جداً. فإذا حاول المشرف قراءة كل رسالة، والتحقق من كل عملية حسابية، والموافقة على كل مسودة، فإنه سيصبح مثقلاً بالأعباء. هذه الظاهرة، المعروفة في الهندسة باسم "قانون الأنظمة الممتدة"، تشير إلى أنه كلما أصبحت الآلات أسرع، قمنا ببساطة بتفويض المزيد من العمل إليها، مما يؤدي في النهال إلى إغراق الإنسان بقد من البيانات لدرجة تجعله يفقد الإدراك بما يحدث. والنتيجة هي فقدان الوعي؛ حيث يتوقف المشرف عن معرفة متى يتدخل لأنه غارق تحت جبل من النصوص.
ولحل هذه المعضلة، يستكشف الباحثون كيفية تقسيم العمل ليس فقط بين البشر والآلات، بل بين أنواع مختلفة من الآلات والبشر. فبعض المهام بسيطة ومؤكدة، مثل حساب مسار طيران، وهو ما يمكن لبرنامج حاسوبي قياسي القيام به بدقة. وهناك مهام أخرى معقدة وتتطلب فهماً للسياق، مثل تفسير تعليمات لاسلكية غامضة، وهو ما قد يتطلب نموذج لغة أكثر تقدماً. التحدي يكمثل في تحديد الأداة التي ستتولى كل جزء من الوظيفة، والأهم من ذلك، معرفة متى يجب التوقف وطلب المساعدة من البشر. فإذا كان النظام صارماً للغاية، فإنه سيفشل عندما تصبح الأمور معقدة. وإذا كان مرناً للغاية، فسيترك المشرف البشري غارقاً في التفاصيل. الهدف هو إنشاء فريق تؤدي فيه الأداة المناسبة الوظيفة المناسبة، ويظل فيه الإنسان في الحلقة فقط عند الضرورة، مما يحافظ على تركيز انتباهه على الصورة الكبيرة.
هذا هو السؤال الجوهي الذي سعى سايمون فاجدا، الباحث في جامعة ديكين، للإجابة عليه. فقد طور طريقة لتعيين قرارات محددة بعناية للمستوى المناسب في الفريق: أداة حاسوبية بسيطة، أو نموذج لغة صغير، أو نموذج استدلال قوي، أو مشرف بشري. تتعامل هذه الطريقة مع كل مهمة كدورة من مراقبة الموقف، وفهمه، واتخاذ قرار، ثم التنفيذ. ومن خلال تقسيم الوظيفة المعقدة إلى هذه الخطوات الصغيرة، استطاع الباحث تحليل كل خطوة لمعرفة مدى رسمية القرار المطلوب. فإذا كان بالإمكان كتابة القرار كقاعدة صارمة، فقد تم إسناده إلى أداة حاسوبية. وإذا كان يتطلب فهم اللغة الطبيعية ولكنه لا يزال روتينياً، فقد تم إسناده إلى نموذج لغة صغير. أما إذا كان الموقف معقداً ويتطلب استدلالاً عميقاً، فإن نموذجاً أكبر وأكثر قوة يتولى القيادة. ومع ذلك، إذا كان القرار يتضمن حكماً قيمياً — أي تقرير ما "ينبغي" فعله بدلاً من مجرد ما "هو" كائن — فقد تم تخصيصه للبشر.
يتضمن النظام آلية سلامة تسمى "الامتناع". فإذا كان أحد مستويات الآلة غير متأكد، أو إذا كانت المهمة صعبة للغاية بالنسبة لقدراته المحددة، فإنه لا يفرض إجابة، بل يعتذر بأدب ويمرر القرار إلى المستوى التالي الأكثر قدرة. وإذا ظل النموذج الأكثر قوة غير متأكد، فإن القرار يصل أخيراً إلى الإنسان. هذا يضمن رصد الأخطاء قبل وقوعها. علاوة على ذلك، عندما يتخذ الإنسان حكماً صعباً، يمكن للنظام حفظ هذا الخيار كسياسة. وإذا واجه النظام نفس الموقف تماماً مرة أخرى، يمكنه استدعاء قرار الإنسان السابق وتطبيقه تلقائياً، مما يقلل من الحاجة لتدخل الإنسان بشكل متكرر.
لاختبار هذا النهج، أنشأ الباحث سيناريو محاكاة يتضمن تمرين تدريب طيار حيث يتعين على المتدرب قيادة طائرة محاكية للقاء ناقلة لتزويده بالوقود. في هذه البيئة، كان على النظام التعامل مع مهام متنوعة، مثل حساب اتجاه الطيران الصحيح، وتفسير الأوامر اللاسلكية، واتخاذ قرار بشأن الانحراف عن خطة لأغراض التدريب. وقارنت الدراسة هذا النظام المخصص مقابل نهجين آخرين: أحدهما حيث يحاول نموذج واحد قوي القيام بالوظيفة بأكملها بمفرده، والآخر حيث يقوم "موجه" (router) ببساطة بإرسال الأسئلة إلى نماذج مختلفة بناءً على تخمين حول أيها الأرخص تكلفة.
أظهرت النتائج أن النظام المخصص كان أكثر دقة بشكل ملحوظ. ففي عمليات المحاكاة، اتخذ النظام القرار الصحيح في ما يقرب من 90 بالمائة من الحالات التي تطلبت إجابة واقعية. وفي المقابل، كان النموذج القوي الوحيد، عندما أُعطي المهمة بأكملها دفعة واحدة، صحيحاً بنسبة 67 بالمائة فقط تقريباً. كما استخدم النظام المخصص موارد أقل بكثير؛ فقد عالج حوالي ثلث نص المدخلات وثمن نص المخرات مقارنة بالنموذج الواحد الذي يحاول القيام بكل شيء. وقد جاءت هذه الكفاءة من عدم إضاعة وقت النموذج القوي في مهام بسيطة يمكن للنماذج الأخرى التعامل معها بسهولة، ومن قيام النماذج الأصغر بتمرير الأسئلة الصعبة بسرعة إلى السلسلة بدلاً من التخمين.
وجدت الدراسة أيضاً أن النظام قام بتصفية الأخطاء بفعالية. فعندما واجهت النماذج الصغيرة إجابة خاطئة، لم تعرضها في 97 بالمائة من الحالات، بل مرترتها إلى نموذج الاستدلال. وبدوره، احتجز نموذج الاستدلال الإجابات الخاطئة التي لديه في 93 بالمائة من الحالات. عملت هذه الطبقات كمرشح عالي الجودة. ومع ذلك، لم يكن النظام مثالياً؛ ففي حالة محددة تتعلق بتمرين تشويش لاسلكي مجدول، فشل النظام في إدراك أن قراراً بشأن تصميم التدريب يجب أن يُحفظ للبشر، مما يسلط الضوء على ضرى صياغة قواعد توزيع العمل بعناقة. بالإضافة إلى ذلك، بينما قلل النظام من عدد المرات التي يتعين فيها على الإنسان اتخاذ قرار من خلال التعلم من الاختيارات السابقة، إلا أن الدراسة لم تختبر كيف سيكون شعور المشرف البشري الحقيقي من حيث التوتر أو الوعي.
في نهاية المطاف، يثبت هذا البحث أن تقسيم الوظيفة المعقدة إلى خطوات صغيرة ومحللة، وإسناد كل خطوة للأداة الأكثر ملاءمة، يمكن أن يجعل فرق العمل البشرية-الذكاء الاصطناعي أكثر دقة وكفاءة. إنه يشير إلى أن مستقبل الإشراف لا يتعلق بقراءة كل كلمة يكتبها الذكاء الاصطناعي، بل بتصميم نظام يعرف فيه الذكاء الاصطناعي حدوده، ويطلب المساعدة عند الحاجة، ويتعلم من التوجيه البشري للتعامل مع المواقف الروتينية بمفرده. وبينما تعد النتائج الحسابية واعدة، يشير الباحثون إلى أن الاختبار الحقيقي يظل قائماً: وهو كيف سيؤثر هذا النظام على قدرة المشرف البشري على البقاء مدركاً ومسيطراً عندما يكون العمل حقيقياً والرهانات عالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.