AI పరీక్షను అంచనా వేసినప్పుడు: 90% ఖచ్చితత్వం విరిగిన వ్యవస్థల గురించి నిజంగా ఏమి వెల్లడిస్తుంది
డిజిటల్ ట్రాన్స్ఫర్మేషన్ మరియు బిజినెస్ ప్రాసెస్ రీ-ఇంజినీరింగ్‌పై సంస్థలతో పనిచేసేటప్పుడు, నేను తరచుగా ముందుగా ఒక ప్రశ్న అడుగుతాను: మీ ప్రణాళిక నిజమైన ముందుకు చూసే తార్కికత కంటే చారిత్రక నమూనా పునరావృతంపై ఎంత మేరకు ఆధారపడి ఉంది?
యూకేలోని 18 ఏళ్ల విద్యార్థుల బృందం ఇటీవల ఆ ప్రశ్నకు నేను చూసిన ఏ బోర్డ్రూమ్ ప్రెజెంటేషన్ కంటే ఎక్కువ బలంగా సమాధానం ఇచ్చింది.
20 సంవత్సరాల GCSE మరియు A-Level పరీక్షా పత్రాలు, మార్కింగ్ పథకాలు, పరీక్షకుల నివేదికలు మరియు పాఠ్యక్రమ పత్రాలను ఉపయోగించి, వారు 90% కంటే ఎక్కువ ఖచ్చితత్వంతో పరీక్షా ప్రశ్నలను అంచనా వేసే AI వ్యవస్థను నిర్మించారు. గత సంవత్సరం వ్యవస్థ 85% చేరుకుంది. ఈ సంవత్సరం అది 90% దాటింది. ఈ మెరుగుదల యాదృచ్ఛికంగా జరగలేదు. అది రూపొందించిన విధంగానే పనిచేసే ఫీడ్‌బ్యాక్ లూప్.
చాలామంది దీనిని AI గురించిన కథగా చదువుతారు. నేను దీనిని వ్యవస్థల గురించిన కథగా చదువుతాను.
ఆర్కిటెక్చర్ కొత్తది కాదు
వారు ఏమి నిర్మించారో ఖచ్చితంగా చెప్దాం. వ్యవస్థ మూడు పొరలపై ఆధారపడుతుంది: రెండు దశాబ్దాల చారిత్రక పత్రాలు మరియు పరీక్షకుల వ్యాఖ్యలను ప్రాసెస్ చేసే డేటా ఇంజెషన్ పొర, అంశాల చక్రాలు మరియు కవరేజ్ అంతరాలను మోడల్ చేయడానికి పెద్ద భాషా మోడళ్లను ఉపయోగించే నమూనా గుర్తింపు పొర, మరియు చారిత్రక పునరావృతంతో బారించిన ర్యాంక్ చేసిన అంచనాలను ఉత్పత్తి చేసే సంభావ్య అవుట్‌పుట్ పొర.
ఇది కాల నమూనా అంచనాకు వర్తించే రిట్రీవల్-ఆగ్మెంటెడ్ జెనరేషన్. అదే ఆర్కిటెక్చరల్ తర్కం ఆర్థిక అంచనా, రిటైల్ డిమాండ్ ప్లానింగ్, మోసం గుర్తింపు, సైబర్ సెక్యూరిటీ అనలిటిక్స్ మరియు సప్లై చెయిన్ ఆప్టిమైజేషన్‌లో కనిపిస్తుంది.
డొమైన్ మారుతుంది. గణితం మారదు.
90% ఖచ్చితత్వం నిజంగా ఏమి బహిర్గతం చేస్తుంది
చారిత్రక డేటాపై శిక్షణ పొందిన వ్యవస్థ 90% కంటే ఎక్కువ ఖచ్చితత్వంతో పరీక్షా ప్రశ్నలను అంచనా వేయగలిగితే, అది ప్రధానంగా అధునాతన AI యొక్క ఆధారం కాదు. అది నిర్మాణాత్మకంగా నిర్ణీత మూల్యాంకన వ్యవస్థ యొక్క ఆధారం.
బాగా రూపొందించిన పరీక్ష చారిత్రక నమూనా అంచనాకు అత్యంత నిరోధకంగా ఉండాలి. 20 సంవత్సరాల డేటా వచ్చే ఏడాది పత్రంలో ఏమి వస్తుందో 90% విశ్వాసంతో చెప్పగలిగితే, వ్యవస్థ నిజమైన అవగాహన కాదు, జ్ఞాపకశక్తి మరియు నమూనా సరిపోలికను కొలుస్తోంది.
విద్యార్థులు పరీక్షా వ్యవస్థను విరగగొట్టలేదు. ఇప్పటికే విరిగిన దానిని కనిపించేలా చేశారు.
అదే లోపం వ్యాపారంలోనూ ఉంది. గత ఏడాది అనుమానాలను పునరుత్పత్తి చేసే వార్షిక ప్రణాళిక చక్రాలు. మునుపటి పోటీ వాతావరణంలో విలువైన ప్రవర్తనలకు బహుమతి ఇచ్చే పనితీరు చట్రాలు. నిర్మాణాత్మక మార్పును గుర్తించడానికి ఎటువంటి విధానం లేని వ్యూహాత్మక మేధో ప్రక్రియలు. ఇవి వేర్వేరు సమస్యలు కావు. ఇవి వేర్వేరు డొమైన్‌లలో అదే సమస్య.
సంస్థలు ఇప్పుడు ఏమి ఎదుర్కోవాలి
మన్నికైన పోటీ స్థానాలను నిర్మించే సంస్థలు తమ ఉద్యోగులు ఏమి ఉపయోగించవచ్చో పరిమితం చేసేవి కావు. AI నిజంగా పునరావృతం చేయలేనిదానికి బహుమతి ఇవ్వడానికి తమ ప్రక్రియలను పునర్రూపకల్పన చేసేవి: తెలియని డొమైన్‌లలో కొత్త సంశ్లేషణ, అస్పష్ట పరిస్థితుల్లో నైతిక తీర్పు, క్రాస్-డొమైన్ సృజనాత్మకత, మరియు వేగవంతమైన సమాధానాలను ఉత్పత్తి చేయడం కంటే మెరుగైన ప్రశ్నలు అడగడానికి క్రమశిక్షణ.
మీ వ్యూహం, ప్రణాళిక లేదా నిర్ణయం తీసుకోవడం చారిత్రక డేటా నుండి 90% ఖచ్చితత్వంతో అంచనా వేయగలిగితే, AI మీ అతిపెద్ద సవాలు కాదు.
Originally published on LinkedIn by Keshavan Thiagaraja. Read the original on LinkedIn.