هوش مصنوعی به دنبال بهره وری است

کالج محاسباتی شوارتزمن MIT به هفت پروژه بین رشته ای که مدیریت تقویت شده با هوش مصنوعی را بررسی می کنند، کمک هزینه اعطا می کند.

کالج محاسباتی MIT Stephen A. Schwarzman به هفت پروژه که در حال بررسی چگونگی استفاده از هوش مصنوعی و تعامل انسان و کامپیوتر برای ارتقای فضاهای کاری مدرن برای دستیابی به مدیریت بهتر و بهره وری بالاتر هستند، کمک هزینه اعطا کرده است.

این پروژه ها که توسط Andrew W. Houston ’05 و Dropbox Inc. تأمین مالی می شوند، در نظر گرفته شده اند که بین رشته ای باشند و محققان را از محاسبات، علوم اجتماعی و مدیریت گرد هم بیاورند.

کمک‌های اولیه می‌تواند تیم‌های پروژه را قادر به انجام تحقیقاتی کند که منجر به تلاش‌های بزرگ‌تر در این حوزه به سرعت در حال تحول می‌شود، و همچنین جامعه‌ای را حول سؤالات مرتبط با مدیریت تقویت‌شده با هوش مصنوعی بسازند.

هفت پروژه منتخب و سرنخ تحقیقاتی عبارتند از:

«LLMex: پیاده‌سازی چشم‌انداز وانوار بوش از Memex با استفاده از مدل‌های زبان بزرگ»، به رهبری پتی میس از آزمایشگاه رسانه و دیوید کارگر از گروه مهندسی برق و علوم کامپیوتر (EECS) و آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) . این پروژه با الهام از Memex وانوار بوش، طراحی، پیاده سازی و آزمایش مفهوم پروتزهای حافظه با استفاده از مدل های زبان بزرگ (LLM) را پیشنهاد می کند. سیستم مبتنی بر هوش مصنوعی به طور هوشمند به افراد کمک می‌کند تا حجم وسیعی از اطلاعات را پیگیری کند، بهره‌وری را تسریع بخشد و خطاها را با ثبت خودکار اقدامات و جلسات کاری خود، پشتیبانی از بازیابی بر اساس ابرداده‌ها و توصیف‌های مبهم، و پیشنهاد اطلاعات مرتبط و شخصی‌سازی شده به صورت فعالانه انجام دهد. بر روی تمرکز و زمینه فعلی کاربر.

“استفاده از عوامل هوش مصنوعی برای شبیه سازی سناریوهای اجتماعی”، به رهبری جان هورتون از دانشکده مدیریت اسلون MIT و جاکوب آندریاس از EECS و CSAIL. این پروژه توانایی شبیه‌سازی آسان سیاست‌ها، ترتیبات سازمانی و ابزارهای ارتباطی با عوامل هوش مصنوعی را قبل از اجرا تصور می‌کند. بهره برداری از قابلیت های LLM های مدرن برای خدمت به عنوان یک مدل محاسباتی از انسان، این دیدگاه از شبیه سازی اجتماعی را واقعی تر و به طور بالقوه پیش بینی تر می کند.

“تخصص انسان در عصر هوش مصنوعی: آیا می توانیم کیک خود را بخوریم و آن را هم بخوریم؟” به رهبری مانیش راغوان از MIT Sloan و EECS، و Devavrat Shah از EECS و آزمایشگاه اطلاعات و سیستم های تصمیم گیری. پیشرفت در یادگیری ماشین، هوش مصنوعی و کمک های تصمیم گیری الگوریتمی، این چشم انداز را ایجاد کرده است که الگوریتم ها می توانند تصمیم گیری انسان را در تنظیمات مختلف تکمیل کنند. این پروژه به‌جای جایگزینی متخصصان انسانی، آینده‌ای را می‌بیند که در آن هوش مصنوعی و کمک‌های تصمیم‌گیری الگوریتمی نقشی مکمل با تخصص انسانی ایفا می‌کنند.

«اجرای هوش مصنوعی مولد در بیمارستان‌های ایالات متحده» به رهبری جولی شاه از دپارتمان هوانوردی و فضانوردی و CSAIL، رتسف لوی از MIT Sloan و مرکز تحقیقات عملیات، کیت کلوگ از MIT Sloan و بن آرمسترانگ از مرکز عملکرد صنعتی. در سال‌های اخیر، مطالعات افزایش فرسودگی شغلی پزشکان و پرستاران در ایالات متحده را با افزایش بار اداری مرتبط با پرونده الکترونیک سلامت و سایر فناوری‌ها مرتبط دانسته‌اند. هدف این پروژه ایجاد چارچوبی جامع برای مطالعه این است که چگونه فناوری‌های هوش مصنوعی مولد می‌توانند بهره‌وری سازمان‌ها را افزایش دهند و کیفیت شغلی را برای کارگران در بخش‌های مراقبت‌های بهداشتی بهبود بخشند.

«ابزارهای نرم‌افزاری تقویت‌شده هوش مصنوعی مولد برای دموکراتیک کردن برنامه‌نویسی»، به رهبری هارولد آبلسون از EECS و CSAIL، سینتیا بریزیل از آزمایشگاه رسانه و اریک کلوپفر از مطالعات/نوشتن رسانه‌ای مقایسه‌ای. پیشرفت در هوش مصنوعی مولد در یک سال گذشته باعث ایجاد تحول در مفروضات شغلی آینده در نرم‌افزار شده و نقش کدنویسی را از بین می‌برد. این پروژه با ایجاد یک ابزار نرم‌افزاری که می‌تواند بسیاری از نیاز زبان‌آموزان را برای مقابله با کد هنگام ایجاد برنامه‌های کاربردی از بین ببرد، تحول مشابهی را در آموزش محاسبات برای کسانی که هیچ آموزش فنی قبلی ندارند، تحریک می‌کند.

“کسب تخصص و بهره وری اجتماعی در دنیای هوش مصنوعی” به رهبری دیوید اتکین و مارتین براجا از دپارتمان اقتصاد و دانیل لی از MIT Sloan. تصور می‌شود که هوش مصنوعی مولد توانایی‌های کارگرانی را که وظایف شناختی را انجام می‌دهند، افزایش می‌دهد. این پروژه به دنبال درک بهتر این موضوع است که چگونه ورود فناوری‌های هوش مصنوعی بر کسب مهارت و بهره‌وری تأثیر می‌گذارد و مداخلات سیاستی تکمیلی را بررسی می‌کند که به جامعه اجازه می‌دهد تا دستاوردهای چنین فناوری‌هایی را به حداکثر برساند.

“Augmented Onboarding and Support” به رهبری تیم کراسکا از EECS و CSAIL و کریستوف پاوس از دپارتمان فیزیک. در حالی که LLM ها در سال های اخیر جهش های زیادی به جلو داشته اند و آماده هستند تا شیوه یادگیری دانش آموزان و متخصصان در مورد ابزارها و سیستم های جدید را اساساً تغییر دهند، اغلب یک منحنی یادگیری شیب دار وجود دارد که افراد برای استفاده کامل از منابع باید از آن بالا بروند. برای کمک به کاهش این مشکل، این پروژه توسعه سیستم‌های داخلی و پشتیبانی مبتنی بر LLM را پیشنهاد می‌کند که تأثیر مثبتی بر نحوه عملکرد تیم‌های پشتیبانی و بهبود تجربه کاربر خواهد داشت.