AI मुळे ऑफिसमधील नोकऱ्या कशा बदलत आहेत?

कोऱ्या पानांचा अंत

ऑफिसमधील काम आता शून्यापासून सुरू करण्याबद्दल राहिले नाही. व्हाईट कॉलर कामात झालेला मुख्य बदल म्हणजे कोऱ्या पानांचा अंत. बहुतेक व्यावसायिक आता पहिले ड्राफ्ट, सारांश आणि सुरुवातीचे कोड ब्लॉक्स तयार करण्यासाठी लार्ज लँग्वेज मॉडेल्सचा वापर करत आहेत. यामुळे वर्कफोर्सच्या सुरुवातीच्या स्तरावर मोठा बदल झाला आहे. जे कनिष्ठ कर्मचारी पूर्वी तासनतास मूलभूत संशोधनात किंवा ईमेल लिहिण्यात घालवत असत, त्यांना आता ती कामे काही सेकंदात पूर्ण झालेली दिसतात. तथापि, या वेगामुळे पडताळणीचे नवीन ओझे निर्माण झाले आहे. ऑफिस कर्मचाऱ्याची भूमिका आता निर्मात्याकडून संपादकाकडे सरकली आहे. तुम्हाला आता रिपोर्ट लिहिण्यासाठी पैसे दिले जात नाहीत. तर रिपोर्ट अचूक आहे आणि त्यात कोणतीही ‘हॅल्युसिनेशन्स’ (चुकीची माहिती) नाहीत याची खात्री करण्यासाठी पैसे दिले जातात. **सिंथेटिक लेबर** कडील या संक्रमणानुसार कामाचा आवाका वाढत आहे, तर प्रत्येक कामासाठी लागणारा वेळ कमी होत आहे. कंपन्या मोठ्या प्रमाणावर लोकांना कामावरून काढत नाहीत, पण त्या एका कर्मचाऱ्याकडून असे काम अपेक्षित करत आहेत ज्यासाठी पूर्वी तीन लोकांची गरज होती. मूल्य आता निर्माण करण्याच्या क्षमतेकडून पारखण्याच्या क्षमतेकडे सरकत आहे. जे लोक ऑटोमेटेड आउटपुटची गुणवत्ता पारखू शकत नाहीत, ते लवकरच त्यांच्या फर्मसाठी डोकेदुखी ठरतील.

प्रोबॅबिलिटी इंजिन्स मानवी तर्काची नक्कल कशी करतात

तुमची नोकरी का बदलत आहे हे समजून घेण्यासाठी, ही टूल्स नक्की काय आहेत हे समजून घेणे आवश्यक आहे. ही विचार करणारी यंत्रे नाहीत. ही प्रोबॅबिलिटी इंजिन्स आहेत. जेव्हा तुम्ही एखाद्या मॉडेलला प्रोजेक्ट प्रपोजल लिहिण्यास सांगता, तेव्हा ते तुमच्या कंपनीच्या ध्येयांचा विचार करत नसते. ते अस्तित्वात असलेल्या प्रपोजल्सच्या मोठ्या डेटासेटवर आधारित, मागील शब्दानंतर कोणता शब्द येण्याची सांख्यिकीय शक्यता जास्त आहे, याची गणना करत असते. म्हणूनच आउटपुट अनेकदा सामान्य वाटते. व्याख्येनुसार, हा सर्वात सरासरी संभाव्य प्रतिसाद असतो. हा सरासरी स्वभाव मीटिंगचे सारांश किंवा मानक व्यावसायिक संवादासारख्या नियमित कामांसाठी योग्य आहे, परंतु जिथे बारकावे आवश्यक आहेत अशा उच्च-जोखीम असलेल्या वातावरणात ते अपयशी ठरते. हे तंत्रज्ञान मजकुराला टोकन्समध्ये तोडून काम करते, जे अक्षरांचे तुकडे असतात ज्यावर मॉडेल संख्यात्मक प्रक्रिया करते. हे अब्जावधी पॅरामीटर्समध्ये हे टोकन्स एकमेकांशी कसे संबंधित आहेत याचे पॅटर्न ओळखते. जेव्हा एखादे मॉडेल अचूक उत्तर देते, तेव्हा ते कारण ते उत्तर त्याच्या ट्रेनिंग डेटामध्ये सर्वात संभाव्य परिणाम असते. जेव्हा ते खोटे बोलते, तेव्हा ते कारण ते खोटे प्रॉम्प्टच्या संदर्भात सांख्यिकीयदृष्ट्या प्रशंसनीय असते. म्हणूनच पुनरावलोकन अजूनही आवश्यक आहे. मॉडेलकडे सत्याची संकल्पना नसते. त्याच्याकडे फक्त संभाव्यतेची संकल्पना असते. जर एखादा व्यावसायिक कठोर पुनरावलोकन प्रक्रियेशिवाय या टूल्सवर अवलंबून असेल, तर तो प्रभावीपणे आपली प्रतिष्ठा अशा कॅल्क्युलेटरकडे सोपवत आहे ज्याला मोजता येत नाही.

जागतिक हबचे मोठे री-स्किलिंग

या तंत्रज्ञानाचा परिणाम जगभरात समान नाही. भारत आणि फिलीपिन्ससारख्या देशांतील आउटसोर्सिंग हबवर सर्वात तात्काळ दबाव आहे. पूर्वी परदेशात पाठवलेली कामे, जसे की मूलभूत डेटा एंट्री, कस्टमर सपोर्ट आणि लो-लेव्हल कोडिंग, आता अंतर्गत ऑटोमेटेड सिस्टमद्वारे हाताळली जात आहेत. जागतिक लेबर मार्केटसाठी हा एक मोठा बदल आहे. ऑटोमेटेड क्वेरीची किंमत एका सेंटच्या काही अंश असते, ज्यामुळे सर्वात स्वस्त मानवी श्रमालाही केवळ किमतीच्या आधारावर स्पर्धा करणे अशक्य होते. यामुळे या क्षेत्रातील कामगारांसाठी व्हॅल्यू चेनमध्ये वर जाणे संबंधित ठरते. त्यांनी जटिल समस्या सोडवणे आणि सांस्कृतिक संदर्भावर लक्ष केंद्रित करणे आवश्यक आहे जे समजून घेण्यासाठी मशीन्स अजूनही संघर्ष करत आहेत. आपण