AI കാരണം ഓഫീസിലെ ജോലിരീതികൾ എങ്ങനെ മാറുന്നു?

ഒഴിഞ്ഞ പേജുകളുടെ അന്ത്യം

ഓഫീസ് ജോലി ഇപ്പോൾ പൂജ്യത്തിൽ നിന്ന് തുടങ്ങേണ്ട ഒന്നല്ല. വൈറ്റ് കോളർ ജോലികളിലെ ഏറ്റവും വലിയ മാറ്റം ഒഴിഞ്ഞ പേജുകളുടെ അന്ത്യമാണ്. മിക്ക പ്രൊഫഷണലുകളും ഇപ്പോൾ വലിയ ലാംഗ്വേജ് മോഡലുകൾ ഉപയോഗിച്ചാണ് ആദ്യത്തെ ഡ്രാഫ്റ്റുകളും സമ്മറികളും കോഡ് ബ്ലോക്കുകളും തയ്യാറാക്കുന്നത്. ഇത് ജോലിസ്ഥലത്തെ എൻട്രി ലെവൽ ജോലികളെ മാറ്റിമറിച്ചു. മുമ്പ് മണിക്കൂറുകളോളം ഗവേഷണം നടത്തി ഇമെയിലുകൾ തയ്യാറാക്കിയിരുന്ന ജൂനിയർ ജീവനക്കാർക്ക് ഇപ്പോൾ നിമിഷങ്ങൾക്കുള്ളിൽ ആ ജോലി പൂർത്തിയാക്കാം. എന്നാൽ, ഈ വേഗത പരിശോധനയുടെ പുതിയ ഭാരം സൃഷ്ടിക്കുന്നു. ഓഫീസ് ജീവനക്കാരന്റെ റോൾ ഇപ്പോൾ ഒരു സ്രഷ്ടാവിൽ നിന്ന് എഡിറ്ററിലേക്ക് മാറി. റിപ്പോർട്ട് എഴുതുന്നതിനല്ല, മറിച്ച് റിപ്പോർട്ട് കൃത്യമാണെന്നും അതിൽ തെറ്റായ വിവരങ്ങൾ (hallucinations) ഇല്ലെന്നും ഉറപ്പാക്കുന്നതിനാണ് നിങ്ങൾക്ക് പ്രതിഫലം ലഭിക്കുന്നത്. **സിന്തറ്റിക് ലേബർ** (synthetic labor) എന്ന ഈ മാറ്റം അർത്ഥമാക്കുന്നത് ജോലിയുടെ അളവ് കൂടുകയും ഓരോ ജോലിക്കും ചെലവഴിക്കുന്ന സമയം കുറയുകയും ചെയ്യുന്നു എന്നാണ്. കമ്പനികൾ കൂട്ടത്തോടെ ആളുകളെ പിരിച്ചുവിടുന്നില്ലെങ്കിലും, മുമ്പ് മൂന്ന് പേർ ചെയ്തിരുന്ന ജോലി ഒരാളിൽ നിന്ന് പ്രതീക്ഷിക്കുന്നു. കഴിവ് എന്നത് നിർമ്മിക്കുന്നതിലല്ല, മറിച്ച് വിലയിരുത്തുന്നതിലാണ്. ഓട്ടോമേറ്റഡ് ഔട്ട്‌പുട്ടിന്റെ ഗുണനിലവാരം വിലയിരുത്താൻ കഴിയാത്തവർ പെട്ടെന്നുതന്നെ കമ്പനിക്ക് ബാധ്യതയായി മാറും.

പ്രോബബിലിറ്റി എഞ്ചിനുകൾ എങ്ങനെ മനുഷ്യന്റെ യുക്തിയെ അനുകരിക്കുന്നു

നിങ്ങളുടെ ജോലി എന്തുകൊണ്ട് മാറുന്നു എന്ന് മനസ്സിലാക്കാൻ, ഈ ടൂളുകൾ എന്താണെന്ന് നിങ്ങൾ അറിയണം. ഇവ ചിന്തിക്കുന്ന യന്ത്രങ്ങളല്ല. ഇവ പ്രോബബിലിറ്റി എഞ്ചിനുകളാണ്. ഒരു പ്രോജക്റ്റ് പ്രൊപ്പോസൽ എഴുതാൻ നിങ്ങൾ ഒരു മോഡലിനോട് ആവശ്യപ്പെടുമ്പോൾ, അത് നിങ്ങളുടെ കമ്പനിയുടെ ലക്ഷ്യങ്ങളെക്കുറിച്ച് ചിന്തിക്കുകയല്ല ചെയ്യുന്നത്. നിലവിലുള്ള പ്രൊപ്പോസലുകളുടെ വലിയൊരു ഡാറ്റാസെറ്റിനെ അടിസ്ഥാനമാക്കി, ഏത് വാക്കാണ് അടുത്തതായി വരേണ്ടതെന്ന് സ്റ്റാറ്റിസ്റ്റിക്കൽ സാധ്യത കണക്കുകൂട്ടുകയാണ് അത് ചെയ്യുന്നത്. അതുകൊണ്ടാണ് ഔട്ട്‌പുട്ട് പലപ്പോഴും സാധാരണമായി തോന്നുന്നത്. ഇത് മീറ്റിംഗ് സമ്മറികൾക്കോ സാധാരണ ബിസിനസ് ആശയവിനിമയങ്ങൾക്കോ അനുയോജ്യമാണ്, എന്നാൽ സൂക്ഷ്മത ആവശ്യമുള്ള കാര്യങ്ങളിൽ ഇത് പരാജയപ്പെടുന്നു. ടെക്സ്റ്റ് ടോക്കണുകളായി വിഭജിച്ചാണ് ഇത് പ്രവർത്തിക്കുന്നത്. ഒരു മോഡൽ ശരിയായ ഉത്തരം നൽകുമ്പോൾ, അത് അതിന്റെ ട്രെയിനിംഗ് ഡാറ്റയിലെ ഏറ്റവും സാധ്യതയുള്ള ഫലമായതുകൊണ്ടാണ്. അത് നുണ പറയുമ്പോൾ, അത് പ്രോംപ്റ്റിന്റെ പശ്ചാത്തലത്തിൽ സ്റ്റാറ്റിസ്റ്റിക്കലി സാധ്യമായതുകൊണ്ടാണ്. അതുകൊണ്ടാണ് റിവ്യൂ ഇപ്പോഴും അത്യാവശ്യമായിരിക്കുന്നത്. ഒരു മോഡലിന് സത്യത്തെക്കുറിച്ച് ധാരണയില്ല, സാധ്യതയെക്കുറിച്ച് മാത്രമേയുള്ളൂ. ഒരു പ്രൊഫഷണൽ റിവ്യൂ പ്രക്രിയയില്ലാതെ ഈ ടൂളുകളെ ആശ്രയിച്ചാൽ, അവർ തങ്ങളുടെ പ്രശസ്തി ഒരു കാൽക്കുലേറ്ററിനെ ഏൽപ്പിക്കുകയാണ് ചെയ്യുന്നത്.

ആഗോള ഹബ്ബുകളിലെ വലിയ പുനർപരിശീലനം

ഈ സാങ്കേതികവിദ്യയുടെ സ്വാധീനം ലോകമെമ്പാടും തുല്യമായിട്ടല്ല അനുഭവപ്പെടുന്നത്. ഇന്ത്യ, ഫിലിപ്പീൻസ് തുടങ്ങിയ രാജ്യങ്ങളിലെ ഔട്ട്‌സോഴ്സിംഗ് ഹബ്ബുകൾക്കാണ് ഏറ്റവും വലിയ സമ്മർദ്ദം നേരിടേണ്ടി വരുന്നത്. ഡാറ്റ എൻട്രി, കസ്റ്റമർ സപ്പോർട്ട്, ലോ-ലെവൽ കോഡിംഗ് തുടങ്ങിയ ജോലികൾ ഇപ്പോൾ ആഭ്യന്തര ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങൾ കൈകാര്യം ചെയ്യുന്നു. ആഗോള തൊഴിൽ വിപണിയിൽ ഇതൊരു വലിയ മാറ്റമാണ്. ഒരു ഓട്ടോമേറ്റഡ് ക്വറിയുടെ ചെലവ് വളരെ കുറവായതിനാൽ, മനുഷ്യ അധ്വാനത്തിന് വിലയുടെ കാര്യത്തിൽ മത്സരിക്കാൻ കഴിയില്ല. അതിനാൽ, ഈ മേഖലകളിലെ തൊഴിലാളികൾ വാല്യൂ ചെയിനിൽ മുകളിലേക്ക് നീങ്ങേണ്ടതുണ്ട്. യന്ത്രങ്ങൾക്ക് പിടികിട്ടാത്ത സങ്കീർണ്ണമായ പ്രശ്നപരിഹാരങ്ങളിലും സാംസ്കാരിക പശ്ചാത്തലങ്ങളിലും അവർ ശ്രദ്ധ കേന്ദ്രീകരിക്കണം. യന്ത്രം കഠിനാധ്വാനം ചെയ്യുകയും മനുഷ്യൻ അവസാന പരിശോധന നടത്തുകയും ചെയ്യുന്ന ഒരു