Using profiles of cognitive capability to assess AI suitability for workplace tasks

आधुनिक कार्यस्थल में, एक शांत लेकिन गंभीर प्रश्न संगठनों के भविष्य के बारे में उनकी सोच को नया आकार दे रहा है: कौन से काम सुरक्षित रूप से आर्टिफिशियल इंटेलिजेंस (AI) को सौंपे जा सकते हैं, और कौन से मानवीय हाथों में ही रहने चाहिए? वर्षों तक, इसका उत्तर अस्पष्ट रहा है। कंपनियाँ अक्सर मशीन की बुद्धिमत्ता को आंकने के लिए व्यापक, समग्र परीक्षण अंकों पर निर्भर रहती हैं, ठीक वैसे ही जैसे एक स्कूल का प्रधानाचार्य किसी छात्र के पूरे वर्ष का निर्णय उसके एक एकल अंतिम परीक्षा ग्रेड के आधार पर कर सकता है। ये स्कोर सामान्य प्रदर्शन की एक झलक देते हैं, लेकिन वे शायद ही कभी यह समझा पाते कि कोई प्रणाली क्यों सफल या विफल होती है, और न ही वे यह भविष्यवाणी कर पाते कि वह वास्तविक दुनिया के जटिल और अप्रत्याशित कार्यों को कैसे संभालेगी। जब कोई मशीन नियंत्रित परीक्षण में विफल होती है, तो यह अक्सर एक रहस्य होता है; लेकिन जब वह वास्तविक कार्यालय या कारखाने में विफल होती है, तो इसके परिणाम महंगे और खतरनाक हो सकते हैं। मुख्य चुनौती यह है कि आर्टिफिशियल इंटेलिजेंस इंसानों की तरह नहीं सोचता। इसकी ताकत और कमजोरियां ऊबड़-खाबड़ और असमान हैं; इसके पास तथ्यों का एक विशाल पुस्तकालय हो सकता है लेकिन यह घटनाओं के क्रम की योजना बनाने के सरल तर्क में संघर्ष कर सकता है। इन प्रणालियों को सुरक्षित रूप से तैनात करने के लिए, नेताओं को एक काम की विशिष्ट संज्ञानात्मक मांगों (cognitive demands) को मशीन की विशिष्ट संज्ञानात्मक क्षमताओं के साथ मैप करने के तरीके की आवश्यकता है, ताकि अनुमान लगाने के बजाय एक स्पष्ट, साक्ष्य-आधारित मूल्यांकन किया जा सके।

कैम्ब्रिज विश्वविद्यालय और अन्य संस्थानों के शोधकर्ताओं का एक नया तकनीकी रिपोर्ट इस समस्या का समाधान पेश करता है। यह पूछने के बजाय कि क्या एक मशीन एक विशिष्ट कार्य कर सकती है, टीम ने उस कार्य के लिए आवश्यक अंतर्निहित मानसिक क्षमताओं का प्रोफाइल बनाने और सीधे मशीन की क्षमताओं के साथ उनकी तुलना करने के लिए एक पाइपलाइन विकसित की। उन्होंने आर्टिफिशियल इंटेलिजेंस परीक्षण की जटिल दुनिया को अठारह मुख्य संज्ञानात्मक कौशलों, जैसे स्मृति, तर्क, योजना और सामाजिक समझ में विभाजित करके शुरुआत की। मौजूदा परीक्षण प्रश्नों के एक विशाल संग्रह का उपयोग करते हुए, उन्होंने प्रत्येक प्रश्न को यह निर्धारित करने के लिए एनोटेट (annotate) किया कि उसमें कौन से मानसिक कौशल आवश्यक थे और वह कितना कठिन था। इसने परीक्षणों का एक विस्तृत "डिमांड मैप" तैयार किया। फिर उन्होंने इस मानचित्र का उपयोग छह अलग-अलग AI प्रणालियों के वास्तविक संज्ञानात्मक प्रोफाइल का अनुमान लगाने के लिए किया, न कि केवल उनके अंतिम स्कोर को देखकर, बल्कि विभिन्न प्रकार की मानसिक चुनौतियों में उनके प्रदर्शन का विश्लेषण करके। परिणाम स्वरूप प्रत्येक मशीन के लिए एक ऐसा प्रोफाइल प्राप्त हुआ जिसने दिखाया कि उसकी क्षमताएं कहाँ मजबूत थीं और कहाँ नाजुक थीं, जिससे पता चला कि हालांकि प्रणालियों में समग्र शक्ति भिन्न थी, लेकिन उनकी खूबियों और खामियों का स्वरूप उल्लेखनीय रूप से समान था।

इन प्रोफाइल्स को वास्तविक दुनिया के निर्णयों के लिए उपयोगी बनाने के लिए, शोधकर्ताओं को यह जानने की आवश्यकता थी कि मानव कर्मचारियों को वास्तव में अपने काम के लिए क्या चाहिए। उन्होंने वेयरहाउस लॉजिस्टिक्स और विनिर्माण से लेकर ग्राहक सेवा और डेटा विश्लेषण तक, छह विभिन्न व्यावसायिक क्षेत्रों के 410 कर्मचारियों का सर्वेक्षण किया। यह पूछने के बजाय कि मशीन कितनी अच्छी तरह काम करेगी, शोधकर्ताओं ने उनसे यह पहचानने के लिए कहा कि उनके दैनिक कार्यों के लिए सबसे महत्वपूर्ण मानसिक कौशल कौन से हैं। कर्मचारियों ने अपनी विशिष्ट भूमिकाओं के लिए समस्या-समाधान, योजना और संचार जैसे कौशलों के महत्व को रैंक किया। इस प्रक्रिया ने लगभग सभी नौकरियों के लिए सामान्य एक "संज्ञानात्मक कोर" (cognitive core) को उजागर किया: स्मृति, भाषा और आगे की योजना बनाने की क्षमता पर भारी निर्भरता। जबकि विभिन्न नौकरियों ने अलग-अलग माध्यमिक कौशलों पर जोर दिया—जैसे वेयरहाउस श्रमिकों के लिए स्थानिक तर्क (spatial reasoning) या बिक्री कर्मचारियों के लिए सामाजिक समझ—कार्य के लिए आवश्यक मौलिक मानसिक तंत्र आश्चर्यजनक रूप से सुसंगत था।

जब शोधकर्ताओं ने AI प्रोफाइल्स को नौकरी की आवश्यकताओं के ऊपर रखा, तो उपयुक्तता की एक स्पष्ट तस्वीर उभर कर आई। अध्ययन में पाया गया कि सबसे उन्नत AI प्रणालियाँ उन कार्यों के लिए सबसे उपयुक्त हैं जो भाषा, तथ्यात्मक ज्ञान और सामाजिक संपर्क पर अत्यधिक निर्भर हैं, क्योंकि ये वे क्षेत्र हैं जहाँ वर्तमान मशीनें उत्कृष्ट हैं। हालाँकि, वे जटिल योजना बनाने, भौतिक वस्तुओं के बारे में तर्क करने, या गतिशील वातावरण में कारण-और-प्रभाव संबंधों को समझने वाले कार्यों में लगातार संघर्ष करती हैं। महत्वपूर्ण रूप से, शोधकर्ताओं ने पाया कि विभिन्न AI मॉडलों के बीच का अंतर विभिन्न प्रकार के संज्ञानात्मक कौशलों के बीच के अंतर से बहुत कम था। दूसरे शब्दों में, एक AI प्रणाली अपने साथियों की तुलना में अपने समग्र "व्यक्तित्व" में मौलिक रूप से भिन्न नहीं थी; बल्कि, वे सभी कुछ क्षेत्रों में मजबूत और कुछ में कमजोर थीं। सबसे सक्षम प्रणालियों ने योजना और नियंत्रण के मामले में अपने समकक्षों की तुलना में केवल मामूली सुधार दिखाया, जो यह सुझाव देता है कि हालांकि मशीनें जानकारी को व्यवस्थित करने में बेहतर हो रही हैं, लेकिन वे अभी भी उस प्रकार के लचीले, लक्ष्य-निर्देशित व्यवहार में महारत हासिल करने से दूर हैं जिसे इंसान स्वाभाविक रूप से अपनाते हैं।

इस ढांचे ने किसी विशिष्ट नौकरी के लिए "उपयुक्तता स्कोर" (suitability score) की गणना करने का एक तरीका भी प्रदान किया, जिससे संगठन यह देख सकते हैं कि कौन से कार्य स्वचालन (automation) के लिए तैयार हैं और कौन से नहीं। मशीन की क्षमता प्रोफ़ाइल को व्यवसाय के लिए कार्य के महत्व के साथ जोड़कर, यह प्रणाली उन उच्च-प्राथमिकता वाले अवसरों को उजागर कर सकती थी जहाँ AI प्रभावी और मूल्यवान दोनों होगा। उदाहरण के लिए, डेटा विश्लेषण और प्रशासनिक अनुसंधान जैसे कार्य स्वचालन के मजबूत उम्मीदवार के रूप में उभरे, जबकि गहरे पारस्परिक तालमेल या जटिल भौतिक तर्क की आवश्यकता वाले कार्य दृढ़ता से मानव के क्षेत्र में रहे। शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण एक एकल कंपनी पर किया, जिससे यह पता चला कि कैसे इसी पद्धति को एक विशिष्ट संगठन की अनूठी जरूरतों के लिए अनुकूलित किया जा सकता है, जो व्यापक उद्योग रुझानों से व्यक्तिगत कर्मचारियों के विशिष्ट कर्तव्यों तक पहुँचती है।

यह अध्ययन स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि एक उच्च परीक्षण स्कोर मशीन की कार्यस्थल में विश्वसनीयता की गारंटी देने के लिए पर्याप्त है। यह प्रदर्शित करता है कि एक प्रणाली जिसका औसत स्कोर उच्च है, फिर भी विनाशकारी रूप से विफल हो सकती है यदि उसमें किसी विशेष, छिपे हुए कौशल की कमी हो जो किसी विशेष कार्य के लिए आवश्यक हो। शोधकर्ता यह भी चेतावनी देते हैं कि उनके निष्कर्ष वर्तमान पीढ़ी के AI मॉडल और आज उपलब्ध विशिष्ट परीक्षणों पर आधारित हैं। जैसे-जैसे नई मशीनें बनाई जाएंगी और नए परीक्षण विकसित किए जाएंगे, प्रोफाइल्स को अपडेट करने की आवश्यकता होगी। हालाँकि, स्वयं यह विधि सुदृढ़ है। मशीन क्या कर सकती है के मापन को काम के लिए क्या आवश्यक है के मापन से अलग करके, यह ढांचा कार्य के भविष्य के बारे में चर्चा करने के लिए एक स्थिर, वैज्ञानिक भाषा प्रदान करता है। यह सुझाव देता है कि आगे का रास्ता ऐसी मशीन खोजने के बारे में नहीं है जो सब कुछ कर सके, बल्कि हमारे वर्तमान उपकरणों की विशिष्ट, असमान क्षमताओं को मानव श्रम की विशिष्ट, असमान मांगों के साथ सावधानीपूर्वक मिलाने के बारे में है, जिससे यह सुनिश्चित हो सके कि स्वचालन वहां तैनात किया जाए जहां यह वास्तव में सफल होगा।