AI ജോലികളെ എങ്ങനെ ബാധിക്കുന്നു? [വീഡിയോയും ക്വിസും]

ചുരുക്ക ഉത്തരം: AI പ്രധാനമായും ജോലികളുടെ ഭാഗങ്ങൾ ഓട്ടോമേറ്റ് ചെയ്തും, ഔട്ട്‌പുട്ട് വേഗത്തിലാക്കിയും, പ്രതീക്ഷകൾ വർദ്ധിപ്പിച്ചും ജോലി പുനഃക്രമീകരിക്കുകയാണ് ചെയ്യുന്നത് - പ്രത്യേകിച്ച് എൻട്രി ലെവൽ റോളുകളിൽ. നിങ്ങൾ AI ഉപയോഗിക്കാൻ പഠിക്കുകയും അതിന്റെ ഔട്ട്‌പുട്ടുകൾ പരിശോധിക്കുകയും ചെയ്താൽ, നിങ്ങൾക്ക് ലിവറേജ് ലഭിക്കാനുള്ള സാധ്യത കൂടുതലാണ്; നിങ്ങളുടെ ജോലി പ്രധാനമായും ആവർത്തിച്ചുള്ള ഫസ്റ്റ്-പാസ് പ്രൊഡക്ഷൻ ആണെങ്കിൽ, ടീമുകൾ AI സ്വീകരിക്കുമ്പോൾ നിങ്ങൾ കൂടുതൽ തുറന്നുകാട്ടപ്പെടും.

പ്രധാന കാര്യങ്ങൾ:

ചുമതലാ മാറ്റം: ആവർത്തിക്കാവുന്ന ജോലികളുടെ ഓട്ടോമേഷൻ പ്രതീക്ഷിക്കുക, റോളുകൾ അപ്രത്യക്ഷമാകുന്നതിനു പകരം പരിണമിക്കും.

എൻട്രി ലെവൽ ലാഡർ: ജൂനിയർമാർക്ക് കുറഞ്ഞ ഒഴിവുകളും ആദ്യ ദിവസത്തെ യോഗ്യത ആവശ്യകതകളും നേരിടേണ്ടി വന്നേക്കാം.

പരിശോധന: വസ്തുതകൾ, സംഖ്യകൾ, സാഹചര്യങ്ങൾക്കനുസരിച്ച് കാര്യങ്ങൾ നടക്കുക, നയപരമായ അനുസരണം എന്നിവ പരിശോധിക്കുന്നതിൽ വൈദഗ്ദ്ധ്യം വളർത്തിയെടുക്കുക.

തീരുമാനങ്ങളിലേക്ക് നീങ്ങുക: ലക്ഷ്യങ്ങൾ, പരിമിതികൾ, വിട്ടുവീഴ്ചകൾ, ഫലങ്ങളുടെ ഉത്തരവാദിത്തം എന്നിവയിലേക്ക് അടുക്കുക.

ജോലിയുടെ തെളിവ്: ട്രാക്ക് സമയം ലാഭിച്ചു, പിശകുകൾ കുറഞ്ഞു, ഫലങ്ങൾ ദൃശ്യപരമായി വിലപ്പെട്ടതായി തുടരും.

ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:

🔗 അക്കൗണ്ടന്റുമാരെ AI മാറ്റിസ്ഥാപിക്കുമോ?
ഓട്ടോമേഷൻ അക്കൗണ്ടിംഗ് ജോലികളെയും ഭാവി റോളുകളെയും എങ്ങനെ മാറ്റുന്നുവെന്ന് പര്യവേക്ഷണം ചെയ്യുക.

🔗 സൈബർ സുരക്ഷയെ മാറ്റിസ്ഥാപിക്കാൻ AI-ക്ക് കഴിയുമോ?
സൈബർ പ്രതിരോധം, അപകടസാധ്യതകൾ, മനുഷ്യ മേൽനോട്ടം എന്നിവയിൽ AI യുടെ സ്വാധീനം വിലയിരുത്തുക.

🔗 ഡാറ്റാ എഞ്ചിനീയർമാരെ AI മാറ്റിസ്ഥാപിക്കുമോ?
AI-ക്ക് ഇന്ന് ഏതൊക്കെ ഡാറ്റ എഞ്ചിനീയറിംഗ് ജോലികൾ ഓട്ടോമേറ്റ് ചെയ്യാൻ കഴിയുമെന്ന് കാണുക.

🔗 ഇൻഷുറൻസ് ഏജന്റുമാരെ AI മാറ്റിസ്ഥാപിക്കുമോ?
ഇൻഷുറൻസ് വിൽപ്പനയെയും ഉപഭോക്തൃ സേവനത്തെയും AI എങ്ങനെ പുനർനിർമ്മിക്കുമെന്ന് അറിയുക.

1) “AI ജോലികളെ എങ്ങനെ ബാധിക്കുന്നു?” എന്നതിനുള്ള മനുഷ്യന്റെ ഉത്തരം (നാടകീയമായ ഒന്നല്ല) 😅

റോബോട്ടുകൾ എല്ലാം ഒറ്റരാത്രികൊണ്ട് ഏറ്റെടുക്കുന്ന സിനിമാ പതിപ്പ് നമുക്ക് ഒഴിവാക്കാം. യഥാർത്ഥ ആഘാതം ഇങ്ങനെയാണ് സംഭവിക്കുന്നത്:

• ജോലികൾ മുഴുവൻ ജോലികളല്ല, മറിച്ച് (ആദ്യം) യാന്ത്രികമായി മാറുന്നു . ഒ.ഇ.സി.ഡി.

• AI നന്നായി ഉപയോഗിക്കാൻ പഠിക്കുന്ന ആളുകൾക്ക് ജോലി വേഗത്തിലാകും . NBER

• എൻട്രി ലെവൽ ജോലികളിൽ പലപ്പോഴും ആവർത്തിക്കാവുന്ന ജോലികൾ ഉൾപ്പെടുന്നതിനാൽ അവയിലാണ് ഏറ്റവും കൂടുതൽ മാറ്റങ്ങൾ സംഭവിക്കുന്നത്. IMF

• AI-അധിഷ്ഠിത വർക്ക്ഫ്ലോകൾ നടപ്പിലാക്കാനും മേൽനോട്ടം വഹിക്കാനും അളക്കാനും പരിഹരിക്കാനും ആരെങ്കിലും നിർബന്ധിതരാകുന്നതിനാലാണ് പുതിയ റോളുകൾ പ്രത്യക്ഷപ്പെടുന്നത് . ലോക സാമ്പത്തിക ഫോറം

• "നല്ല ജീവനക്കാരൻ" എന്നതിന്റെ നിർവചനം "വേഗത്തിലുള്ള കൈകൾ" എന്നതിൽ നിന്ന് "ബുദ്ധിയുള്ള വിധി" എന്നതിലേക്ക് മാറുന്നു. ലോക സാമ്പത്തിക ഫോറം

അപ്പോൾ ആരെങ്കിലും ചോദിക്കുമ്പോൾ, "AI ജോലികളെ എങ്ങനെ സ്വാധീനിക്കുന്നു?" എന്നതാണ് ഏറ്റവും ശുദ്ധമായ ഉത്തരം:
AI ജോലിയുടെ രൂപം മാറ്റുന്നു - അത് അവഗണിക്കുന്നതിനുപകരം അതിനെ നയിക്കാൻ കഴിയുന്ന ആളുകൾക്ക് പ്രതിഫലം നൽകുന്നു. IMF

അതെ, ചില വേഷങ്ങൾ ചുരുങ്ങിപ്പോകും. ഒരു മോട്ടിവേഷണൽ പോസ്റ്റർ ഇമോജി കൊണ്ട് ഞാൻ അതിനെ കൂടുതൽ മനോഹരമാക്കാൻ പോകുന്നില്ല. പക്ഷേ, ഒരു നഗരം തകർക്കുന്നതിനേക്കാൾ ഒരു വീട് പുനർനിർമ്മിക്കുന്നത് പോലെയാണ് കഥ 🧱🏠.

2) AI മാറ്റങ്ങൾ പ്രവർത്തിക്കുന്ന മൂന്ന് വഴികൾ: മാറ്റിസ്ഥാപിക്കുക, പുനർരൂപകൽപ്പന ചെയ്യുക, അല്ലെങ്കിൽ ബാർ ഉയർത്തുക 📈

മിക്ക ജോലി ആഘാതങ്ങളും മൂന്ന് ബക്കറ്റുകളിലായി യോജിക്കുന്നു:

എ) മാറ്റിസ്ഥാപിക്കുക (ഒരു കൂട്ടം ജോലികൾ)

ഇങ്ങനെയാണ് AI ആവർത്തിച്ചുള്ള ഔട്ട്‌പുട്ടിന്റെ ഒരു ഭാഗം കൈകാര്യം ചെയ്യുന്നത്:

• അടിസ്ഥാന ഷെഡ്യൂളിംഗ്

• ആദ്യ ഡ്രാഫ്റ്റ് സംഗ്രഹങ്ങൾ

• ലളിതമായ ഉപഭോക്തൃ മറുപടികൾ

• പതിവ് ഡാറ്റ ക്ലീൻഅപ്പ്

• ടെംപ്ലേറ്റ് അടിസ്ഥാനമാക്കിയുള്ള എഴുത്ത്

ഇത് അപൂർവ്വമായി മാത്രമേ "മുഴുവൻ വ്യക്തിയെയും മാറ്റിസ്ഥാപിക്കുകയുള്ളൂ," അത് "അവർ മുമ്പ് ചെയ്തിരുന്നതിന്റെ 20-40% നീക്കം ചെയ്യുന്നു." ഓപ്പൺഎഐ ഒഇസിഡി

ചില ആളുകൾ ആളുകളുടെ എണ്ണത്തെ ന്യായീകരിച്ച രീതിയാണ് 20-40% എന്ന് നിങ്ങൾ മനസ്സിലാക്കുന്നതുവരെ അത് വളരെ മികച്ചതായി തോന്നുന്നു.

ബി) പുനർരൂപകൽപ്പന ചെയ്യുക (ജോലി തുടരുന്നു, പ്രവർത്തന രീതി മാറുന്നു)

ഇതാണ് ഏറ്റവും സാധാരണമായത്. നിങ്ങൾ ഇപ്പോഴും ജോലി ചെയ്യുന്നു, പക്ഷേ:

• നിങ്ങൾ ഔട്ട്പുട്ടുകൾ മേൽനോട്ടം വഹിക്കുന്നു

• നിങ്ങൾ എഡിറ്റ് ചെയ്ത് പരിശോധിക്കുക

• നിങ്ങൾ നിയന്ത്രണങ്ങൾ ഏർപ്പെടുത്തുന്നു

• നീ എഡ്ജ് കേസുകൾ കൈകാര്യം ചെയ്യുന്നു

• നീ അന്തിമ വിളി നടത്തുന്നു

ധാരാളം ആളുകൾ പദവിയോ ശമ്പള വർദ്ധനവോ ലഭിക്കാതെ തന്നെ "അവലോകകർ" ആയിത്തീരുന്നു, അത്... അനുയോജ്യമല്ല, പക്ഷേ അത് യഥാർത്ഥമാണ്.

സി) നിലവാരം ഉയർത്തുക (ഒരേ ജോലി പേര്, ഉയർന്ന പ്രതീക്ഷകൾ)

ഇത് സൂക്ഷ്മമാണ്. ടീമുകൾ AI ഉപകരണങ്ങൾ സ്വീകരിക്കുകയും പെട്ടെന്ന് “ശരാശരി ഔട്ട്‌പുട്ട്” “ഏറ്റവും കുറഞ്ഞ സ്വീകാര്യത” നേടുകയും ചെയ്യുന്നു.
ജോലി എളുപ്പമല്ല. ഇത് വേഗതയേറിയതും തിരക്കേറിയതുമായി തോന്നുന്നു 😵💫.

അതെ - AI ജോലികളെ എങ്ങനെ ബാധിക്കുന്നു? ചിലപ്പോൾ ഒരേ ജോലി നിശബ്ദമായി വേഗത കൂട്ടിയ ഒരു ട്രെഡ്‌മില്ല് പോലെ തോന്നിപ്പിക്കുന്നതിലൂടെ.

3) ഏതൊക്കെ ജോലികളാണ് ഏറ്റവും കൂടുതൽ ബാധിക്കപ്പെടുന്നത് - അത് എന്തുകൊണ്ടാണ് അഭിമാനത്തെക്കുറിച്ചല്ല, ജോലികളെക്കുറിച്ചാണ് 🎯

ഒരു മാന്യമായ നിയമം: ഒരു ടാസ്‌ക് എത്രത്തോളം പ്രവചനാതീതമോ, വാചകാധിഷ്ഠിതമോ, പാറ്റേൺ ഭാരമുള്ളതോ ആണോ അത്രത്തോളം AI-ക്ക് അതിനെ സഹായിക്കാനോ ഓട്ടോമേറ്റ് ചെയ്യാനോ കഴിയും. അതിനർത്ഥം ജോലി അപ്രത്യക്ഷമാകുമെന്നല്ല. അതിനർത്ഥം ജോലിയുടെ "ഗുരുത്വാകർഷണ കേന്ദ്രം" മാറുന്നു എന്നാണ്. OpenAI ILO

കൂടുതൽ തുറന്നുകാണിക്കപ്പെട്ട ടാസ്‌ക് തരങ്ങൾ

• ആവർത്തിച്ചുള്ള റിപ്പോർട്ടിംഗ്

• ടെംപ്ലേറ്റ് ഇമെയിലുകളും നിർദ്ദേശങ്ങളും

• അടിസ്ഥാന ഗവേഷണവും സംഗ്രഹങ്ങളും

• പതിവ് QA പരിശോധനകൾ

• ഡാറ്റ എൻട്രിയും വർഗ്ഗീകരണവും

• സ്റ്റാൻഡേർഡ് ഇമേജ് വ്യതിയാനങ്ങൾ (വലുപ്പം മാറ്റൽ, പശ്ചാത്തല നീക്കം ചെയ്യൽ, ദ്രുത എഡിറ്റുകൾ)

കൂടുതൽ സംരക്ഷിത ടാസ്‌ക് തരങ്ങൾ (ഇപ്പോൾ... ഇഷ്)

• ഉയർന്ന അവകാശവാദങ്ങളുള്ള വിധിന്യായങ്ങൾ

• സങ്കീർണ്ണമായ പരസ്പര ചർച്ചകൾ

• പ്രവചനാതീതമായ സാഹചര്യങ്ങളിൽ ശാരീരികമായി ചെയ്യുന്ന ജോലികൾ

• അവ്യക്തമായ നേതൃത്വ തീരുമാനങ്ങൾ

• ആഴത്തിലുള്ള പശ്ചാത്തലവും മക്കിൻസിയുടെ വിശ്വാസവും ആവശ്യമുള്ള ജോലി.

അരോചകമായി പറയട്ടെ: ഒരു ജോലിയിൽ രണ്ടും ഉൾപ്പെടാം. നിങ്ങളുടെ റോൾ "സുരക്ഷിത"മായിരിക്കാം, അതേസമയം നിങ്ങളുടെ ആഴ്ചയിലെ പകുതി ജോലികളും അടിസ്ഥാനപരമായി ഓട്ടോമേഷനുള്ള ഒരു ബഫറ്റാണ്.

4) "നിശബ്ദ" ആഘാതം: എൻട്രി ലെവൽ റോളുകളും നഷ്ടപ്പെട്ട ഗോവണിയും 🪜😬

ഈ ഭാഗം വളരെ പ്രധാനമാണ്, ആളുകൾ ഇതിനെക്കുറിച്ച് വേണ്ടത്ര സംസാരിക്കുന്നില്ല.

നിരവധി എൻട്രി ലെവൽ റോളുകൾ നിലവിലുണ്ട്, കാരണം സ്ഥാപനങ്ങൾക്ക് ഇവ ആവശ്യമാണ്:

• ആദ്യ പതിപ്പ് തയ്യാറാക്കാൻ ഒരാൾ

• പതിവ് ടിക്കറ്റുകൾ പ്രോസസ്സ് ചെയ്യാൻ ഒരാൾ

• കുറിപ്പുകളും റിപ്പോർട്ടുകളും സമാഹരിക്കാൻ ആരെങ്കിലും

• "തിരക്കുള്ളതാണെങ്കിലും അത്യാവശ്യമുള്ള" ജോലി ചെയ്യാൻ ഒരാൾ

AI-ക്ക് അതിൽ ചില ഭാഗങ്ങൾ ചെയ്യാൻ കഴിയും. അതായത് കമ്പനികൾ കുറച്ച് ജൂനിയർമാരെ നിയമിച്ചേക്കാം, അല്ലെങ്കിൽ ജൂനിയർമാർക്ക് വ്യത്യസ്ത ജോലികൾ നൽകിയേക്കാം (കൂടുതൽ ക്വാളിറ്റി എ, കൂടുതൽ ഏകോപനം, കൂടുതൽ ഉപകരണ ഉപയോഗം). IMF NBER

അപകടസാധ്യത ഒരു "തകർന്ന ഗോവണി" പ്രഭാവമാണ്:

• കുറച്ച് എൻട്രി പോയിന്റുകൾ

• അടിസ്ഥാനകാര്യങ്ങൾ പഠിക്കാനുള്ള സാധ്യത കുറവാണ്

• ടീമുകൾ മെലിഞ്ഞതിനാൽ മെന്റർമാർ കുറവാണ്

• ആദ്യ ദിവസത്തെ കഴിവിനുള്ള ഉയർന്ന പ്രതീക്ഷകൾ

നിങ്ങൾ കരിയറിന്റെ തുടക്കത്തിൽ ആണെങ്കിൽ, AI ജോലികളെ എങ്ങനെ ബാധിക്കുന്നു? എന്നതിന്റെ അർത്ഥം പലപ്പോഴും ഇതാണ്: ആളുകൾ മുമ്പ് ഉപയോഗിച്ചിരുന്നതിനേക്കാൾ വേഗത്തിൽ നിങ്ങൾ പ്രായോഗിക കഴിവ് കാണിക്കേണ്ടി വന്നേക്കാം.

അന്യായമോ? ചിലപ്പോൾ. സത്യമോ? പലപ്പോഴും. 🤷

5) AI സൃഷ്ടിക്കുന്ന പുതിയ ജോലികൾ (പലപ്പോഴും അവഗണിക്കപ്പെടുന്നവയും) 🧠✨

സാങ്കേതികവിദ്യയുടെ ഓരോ തരംഗവും ചില ജോലികളെ ഇല്ലാതാക്കുകയും മറ്റുള്ളവ സൃഷ്ടിക്കുകയും ചെയ്യുന്നു. AI വ്യത്യസ്തമല്ല, പക്ഷേ പുതിയ ജോലികൾ ആദ്യം... ആകർഷകമല്ലെന്ന് തോന്നാം. ലോക സാമ്പത്തിക ഫോറം

സാധാരണയായി വികസിക്കുന്ന മേഖലകൾ ഇതാ:

• AI പ്രവർത്തനങ്ങളും വർക്ക്ഫ്ലോ രൂപകൽപ്പനയും: “നമ്മൾ AI ഉപയോഗിക്കണം” എന്നത് ആളുകൾ പിന്തുടരുന്ന യഥാർത്ഥ ഘട്ടങ്ങളാക്കി മാറ്റുന്നു.

• AI ഗുണനിലവാരവും വിലയിരുത്തലും: ഔട്ട്‌പുട്ടുകൾ പരിശോധിക്കൽ, വിശ്വാസ്യത സ്കോറിംഗ്, പിശകുകൾ ട്രാക്കുചെയ്യൽ

• ഡാറ്റാ പരിപാലനം: ശരിയായ ഡാറ്റ നിലവിലുണ്ടെന്നും, വൃത്തിയുള്ളതാണെന്നും, ധാർമ്മികമായി കൈകാര്യം ചെയ്യപ്പെടുന്നുണ്ടെന്നും ഉറപ്പാക്കുക.

• സുരക്ഷയും അനുസരണവും: ചോർച്ചകൾ, ദുരുപയോഗം, "അയ്യോ, ഞങ്ങൾ രഹസ്യ കാര്യങ്ങൾ ഒട്ടിച്ചു" എന്ന ദുരന്തങ്ങൾ എന്നിവ തടയൽ.

• മനുഷ്യന്റെ റോളുകൾ: ഉയർന്ന ആഘാതമുണ്ടാക്കുന്ന ഔട്ട്‌പുട്ടുകൾ അവലോകനം ചെയ്യുക, തിരുത്തുക, അംഗീകരിക്കുക - ILO

• പരിശീലനവും പ്രാപ്തിയും: ഉപകരണങ്ങൾ ശരിയായി ഉപയോഗിക്കാൻ ടീമുകളെ പഠിപ്പിക്കൽ (ഇത് തോന്നുന്നതിലും വലുതാണ്) വേൾഡ് ഇക്കണോമിക് ഫോറം

കൂടാതെ, ഒരു പ്രത്യേക കാര്യം: വ്യക്തമായ ആന്തരിക മാർഗ്ഗനിർദ്ദേശങ്ങൾ എഴുതാൻ കഴിയുന്ന ആളുകൾ അപ്രതീക്ഷിതമായി വിലപ്പെട്ടവരായി മാറുന്നു. നയപരമായും പ്രായോഗികമായും. പാർട്ടികളിൽ രസകരമല്ല, പക്ഷേ ജോലിസ്ഥലത്ത് സൗകര്യപ്രദമാണ് 📝.

6) ഒരു AI-പ്രൂഫ് കരിയർ പ്ലാനിന്റെ നല്ല പതിപ്പ് എന്താണ്? 🧭🤝

ഇതാണ് എല്ലാവരും ആഗ്രഹിക്കുന്ന ഭാഗം: പ്ലേബുക്ക്. അല്ല, പ്ലേബുക്ക് "കോഡ് ചെയ്യാൻ പഠിക്കുക" അല്ല (ചിലപ്പോൾ സഹായകരമാണ്, ചിലപ്പോൾ വളരെ അപ്രസക്തമാണ്). AI-പ്രൂഫ് കരിയർ പ്ലാനിന്റെ ഒരു നല്ല പതിപ്പിൽ ചില ഘടകങ്ങൾ ഉണ്ട്:

1) നിങ്ങൾ ഒരു "സ്റ്റാക്ക്" തിരഞ്ഞെടുക്കുക, ഒരു വൈദഗ്ധ്യം പോലും തിരഞ്ഞെടുക്കരുത്

ഇതുപോലുള്ള ഒരു സ്റ്റാക്കിനെക്കുറിച്ച് ചിന്തിക്കുക:

• ഡൊമെയ്ൻ പരിജ്ഞാനം (നിങ്ങളുടെ വ്യവസായം)

• ടൂൾ ഫ്ലുവൻസി (AI + കോർ ടൂളുകൾ)

• ആശയവിനിമയം (തീരുമാനങ്ങൾ വിശദീകരിക്കൽ)

• വിധി (എന്തിൽ വിശ്വസിക്കണമെന്ന് അറിയുന്നത്)

• വിശ്വാസ്യത (ആളുകൾ നിങ്ങളെ ആശ്രയിക്കുന്നു)

ഒരു കഴിവ് ഒരു മെഴുകുതിരിയാണ്. ഒരു കൂമ്പാരം ഒരു ക്യാമ്പ് ഫയറാണ് 🔥. അൽപ്പം അപൂർണ്ണമായ രൂപകം, പക്ഷേ നിങ്ങൾക്ക് മനസ്സിലാകും.

2) നിങ്ങൾ തീരുമാനങ്ങളിലേക്ക് കൂടുതൽ അടുക്കുന്നു

ഓപ്ഷനുകൾ നിർമ്മിക്കുന്നതിൽ AI മികച്ചതാണ്. ഇനിപ്പറയുന്നവ ചെയ്യുമ്പോൾ മനുഷ്യർ വിലപ്പെട്ടവരായി തുടരുന്നു:

• ലക്ഷ്യങ്ങൾ നിർവചിക്കുക

• നിയന്ത്രണങ്ങൾ സജ്ജമാക്കുക

• ട്രേഡ്-ഓഫുകൾ തിരഞ്ഞെടുക്കുക

• ഫലങ്ങളുടെ ഉത്തരവാദിത്തം ഏറ്റെടുക്കുക BLS

നിങ്ങളുടെ ജോലി പ്രധാനമായും "വസ്തു ഉൽപ്പാദിപ്പിക്കുക" ആണെങ്കിൽ, "വസ്തു എന്തായിരിക്കണമെന്ന് തീരുമാനിക്കുക" എന്നതിലേക്ക് മാറാൻ തുടങ്ങുക

3) നിങ്ങൾ ജോലിയുടെ തെളിവ് നിർമ്മിക്കുന്നു

വൈബ്‌സ് അല്ല. തെളിവ്.

• മെട്രിക്കുകൾക്ക് മുമ്പോ ശേഷമോ

• സമയം ലാഭിച്ചു

• കുറഞ്ഞ പിശകുകൾ

• മെച്ചപ്പെട്ട ഉപഭോക്തൃ സംതൃപ്തി

• രേഖപ്പെടുത്തിയ പ്രക്രിയകൾ

ഒരു ചെറിയ പൊങ്ങച്ച ഫയൽ സൂക്ഷിക്കൂ. എനിക്കറിയാം, അത് ഭയങ്കരമായി തോന്നുന്നു. എന്തായാലും ചെയ്യൂ 😬.

4) നിങ്ങൾ സ്ഥിരീകരണത്തിന്റെ കഴിവ് പഠിക്കുന്നു

ഇതാണ് വിലകുറഞ്ഞ സൂപ്പർ പവർ:

• ഭ്രമാത്മക വസ്തുതകൾ പരിശോധിക്കുന്നു

• കാണാതായ എഡ്ജ് കേസുകൾ കണ്ടെത്തൽ

• നമ്പറുകളും ഉറവിടങ്ങളും ആന്തരികമായി സാധൂകരിക്കുന്നു

• "വേണ്ട, ഇത് വീണ്ടും ചെയ്യുക" എന്ന് എപ്പോൾ പറയണമെന്ന് അറിയുക

ഭാവി നല്ല എഡിറ്റർമാരുടേതാണ്. എഴുത്തിന്റെ മാത്രമല്ല - തീരുമാനങ്ങളുടെയും.

7) താരതമ്യ പട്ടിക: ജോലിസ്ഥലത്ത് ആളുകൾ AI ഉപയോഗിക്കുന്ന പ്രധാന വഴികൾ (ചിലർ എന്തുകൊണ്ട് നന്നായി പ്രവർത്തിക്കുന്നു) 🧾🤖

സമീപനങ്ങളുടെ ഒരു പ്രായോഗിക “മെനു” ഇതാ. പൂർണമല്ല. പക്ഷേ ഉപയോഗപ്രദമാണ്.

ഒരു വിചിത്രമായ കുറ്റസമ്മതം രൂപപ്പെടുത്തൽ: യഥാർത്ഥ വിലനിർണ്ണയം മാറുന്നതിനാലും "വിലയ്ക്ക് വില" എന്താണ് അർത്ഥമാക്കുന്നതെന്ന് ആളുകൾ വാദിക്കുന്നതിനാലും വിലകൾ മനഃപൂർവ്വം അവ്യക്തമാണ്. രണ്ടും ശരിയാണ്.

8) AI എല്ലായിടത്തും ഉള്ളപ്പോൾ "സംയോജിപ്പിക്കുന്ന" കഴിവുകൾ 📚⚙️

ഉപകരണങ്ങൾ മാറുമ്പോഴും മൂല്യവത്തായി തുടരുന്ന കഴിവുകളുടെ ഒരു ചെറിയ പട്ടിക നിങ്ങൾക്ക് ആവശ്യമുണ്ടെങ്കിൽ, ഇവയാണ് ഞാൻ ആഗ്രഹിക്കുന്നത് (ധാരാളം പ്രായോഗിക നിരീക്ഷണങ്ങളെയും ടീമുകളിൽ സ്ഥിരമായി പ്രകടനം നടത്തുന്നതിനെയും അടിസ്ഥാനമാക്കി): വേൾഡ് ഇക്കണോമിക് ഫോറം

വിധിയും വിമർശനാത്മക ചിന്തയും 🧠

• തെറ്റായ അനുമാനങ്ങൾ കണ്ടെത്തൽ

• ശരിയായ തുടർനടപടി ചോദിക്കുന്നു

• ഔട്ട്‌പുട്ട് വിശ്വസനീയമാണെങ്കിലും തെറ്റാകുമ്പോൾ തിരിച്ചറിയൽ

വ്യക്തമായ ആശയവിനിമയം 🗣️

• തീരുമാനങ്ങൾ വ്യക്തമായി എഴുതുക

• വിട്ടുവീഴ്ചകൾ വിശദീകരിക്കുന്നു

• സാങ്കേതിക വിദ്യയില്ലാത്ത ആളുകൾക്ക് സാങ്കേതിക കാര്യങ്ങൾ വിവർത്തനം ചെയ്യുന്നു

സിസ്റ്റം ചിന്ത 🔁

• വർക്ക്ഫ്ലോകൾ അവസാനം മുതൽ അവസാനം വരെ മനസ്സിലാക്കൽ

• തടസ്സങ്ങൾ തിരിച്ചറിയൽ

• ഔട്ട്പുട്ട് മാത്രമല്ല, പ്രക്രിയയും മെച്ചപ്പെടുത്തുന്നു

പങ്കാളികളുടെ സഹാനുഭൂതി 🤝

• ആളുകൾക്ക് യഥാർത്ഥത്തിൽ എന്താണ് വേണ്ടതെന്ന് അറിയുന്നത്

• ഒരു ഞെട്ടലില്ലാതെ പ്രതിരോധം കൈകാര്യം ചെയ്യുക

• വ്യത്യസ്തമായ കാര്യങ്ങൾ ആഗ്രഹിക്കുന്ന ടീമുകളെ വിന്യസിക്കുക

ഉപകരണ ഒഴുക്ക് (ഉപകരണ അഭിനിവേശമല്ല) 🧰

അറിയുക:

• ഫലപ്രദമായി എങ്ങനെ പ്രോംപ്റ്റ് ചെയ്യാം

• ഔട്ട്പുട്ടുകൾ എങ്ങനെ വിലയിരുത്താം

• നിങ്ങളുടെ വർക്ക്ഫ്ലോയിൽ AI എങ്ങനെ സംയോജിപ്പിക്കാം - BLS

ഉപകരണങ്ങളെക്കുറിച്ച് മാത്രം സംസാരിക്കുന്ന ആളായി മാറരുത്. ആരും ആ വ്യക്തിയെ ഉച്ചഭക്ഷണത്തിന് ക്ഷണിക്കില്ല. (ശരി, ചിലപ്പോൾ അവർ ക്ഷണിക്കും, പക്ഷേ ഞാൻ എന്താണ് ഉദ്ദേശിക്കുന്നതെന്ന് നിങ്ങൾക്കറിയാം) 🍜

9) മാറ്റിസ്ഥാപിക്കാവുന്ന ഭാഗമാകാതെ AI എങ്ങനെ ഉപയോഗിക്കാം 😬➡️😎

ഇതൊരു വലിയ കാര്യമാണ്. കാരണം ഒരു കെണിയുണ്ട്: ഏറ്റവും എളുപ്പമുള്ള ഭാഗങ്ങൾ വേഗത്തിൽ ചെയ്യാൻ വേണ്ടി മാത്രമാണ് നിങ്ങൾ AI ഉപയോഗിക്കുന്നതെങ്കിൽ, നിങ്ങളുടെ റോൾ ഇപ്പോൾ ഉള്ളതിനേക്കാൾ ലളിതമാക്കി മാറ്റിയേക്കാം.

പകരം ഈ തന്ത്രങ്ങൾ പരീക്ഷിക്കുക:

ഫലങ്ങളുടെ "ഉടമ" ആകുക

"ഞാൻ 10 ഓപ്ഷനുകൾ സൃഷ്ടിച്ചു" എന്നതിന് പകരം, ഇതിലേക്ക് മാറുക:

• "എക്സിനെ അടിസ്ഥാനമാക്കിയാണ് ഞാൻ ഏറ്റവും മികച്ച ഓപ്ഷൻ തിരഞ്ഞെടുത്തത്"

• "Y യുടെ നിയന്ത്രണങ്ങൾക്കെതിരെയാണ് ഞാൻ ഇത് സാധൂകരിച്ചത്"

• "ഞാൻ അത് Z ഉപയോക്തൃ ഗ്രൂപ്പ് ഉപയോഗിച്ച് പരീക്ഷിച്ചു"

ഉടമസ്ഥാവകാശം ഒട്ടിപ്പിടിക്കുന്നതാണ്. ഔട്ട്പുട്ട് സ്ലിപ്പറിയാണ്.

നിങ്ങളുടെ പ്രക്രിയ രേഖപ്പെടുത്തുക

എഴുതുക:

• നീ എന്താണ് ചെയ്തത്?

• നീ എന്തിനാണ് അത് ചെയ്തത്?

• എന്താണ് മാറിയത്?

• നീ എന്താണ് പഠിച്ചത്?

"ആർക്കും അത് ചെയ്യാൻ കഴിയും" എന്ന തരത്തിലുള്ള സംഭാഷണങ്ങളിൽ നിന്ന് ഇത് നിങ്ങളെ സംരക്ഷിക്കുന്നു.

AI-യ്ക്കും യാഥാർത്ഥ്യത്തിനും ഇടയിലുള്ള പാലമാകൂ 🌍

യാഥാർത്ഥ്യത്തിൽ ഇവ ഉൾപ്പെടുന്നു:

• നയം

• ബ്രാൻഡ് ശബ്ദം

• ഉപഭോക്തൃ സൂക്ഷ്മത

• നിയമപരമായ നിയന്ത്രണങ്ങൾ

• ടീം രാഷ്ട്രീയം (അതെ, രാഷ്ട്രീയം - സർക്കാർ രാഷ്ട്രീയമല്ല)

ആ കുഴപ്പങ്ങൾ AI സ്വാഭാവികമായി കൈകാര്യം ചെയ്യുന്നില്ല. മനുഷ്യർക്ക് അത് ചെയ്യാൻ കഴിയും.

AI പിന്തുണയ്ക്കുന്ന, എന്നാൽ പകരം വയ്ക്കാത്ത ഒരു സ്പെഷ്യാലിറ്റി വികസിപ്പിക്കുക

ഉദാഹരണങ്ങൾ:

• അനുസരണ ബോധമുള്ള മാർക്കറ്റിംഗ്

• ആരോഗ്യ സംരക്ഷണ പ്രവർത്തനങ്ങൾ (ഉയർന്ന സന്ദർഭം)

• സൈബർ സുരക്ഷാ വിശകലനം (ഉയർന്ന ഓഹരികൾ)

• എന്റർപ്രൈസ് വിൽപ്പന തന്ത്രം (ബന്ധങ്ങൾ കൂടുതൽ സജീവമായത്)

• ഉൽപ്പന്ന മാനേജ്മെന്റ് (ട്രേഡ്-ഓഫുകളും അലൈൻമെന്റും)

So again, How does AI impact jobs? Sometimes by forcing you to move up the value chain… even if you didn’t ask for it.

10) തൊഴിലുടമകൾ എന്ത് തെറ്റാണ് ചെയ്യുന്നത് (പകരം സ്മാർട്ട് ടീമുകൾ എന്താണ് ചെയ്യുന്നത്) 🏢🛠️

ആളുകളെ നിയന്ത്രിക്കുകയോ ടീമുകളെ നിർമ്മിക്കുകയോ ചെയ്താൽ, AI ഒരു സമ്മാനമോ സ്ലോ-മോഷൻ തലവേദനയോ ആകാം.

സാധാരണ തെറ്റുകൾ:

• പരിശീലനമില്ലാതെ ഉപകരണങ്ങൾ നിർമ്മിക്കൽ

• ഫലങ്ങളുടെ അളവിന് പകരം "പ്രവർത്തനം" അളക്കൽ

• AI ഔട്ട്‌പുട്ടുകൾ യാന്ത്രികമായി സ്വീകാര്യമാണെന്ന് കരുതുക

• വർക്ക്ഫ്ലോകൾ പുനർരൂപകൽപ്പന ചെയ്യുന്നതിനുമുമ്പ് ഹെഡ്കൗണ്ട് കുറയ്ക്കൽ

• ആളുകൾക്ക് പകരം വയ്ക്കാൻ കഴിയുമെന്ന് തോന്നുമ്പോൾ ഉണ്ടാകുന്ന മനോവീര്യാഘാതത്തെ അവഗണിക്കുന്നു

മികച്ച നീക്കങ്ങൾ:

• AI എവിടെയാണ് അനുവദനീയമെന്നും എവിടെയല്ലെന്നും നിർവചിക്കുക

• അവലോകന മാനദണ്ഡങ്ങൾ സൃഷ്ടിക്കുക ("നല്ലത്" എങ്ങനെയിരിക്കും)

• പരിശീലനത്തിലും ആന്തരിക പ്ലേബുക്കുകളിലും നിക്ഷേപിക്കുക

• ഗുണനിലവാരവും അപകടസാധ്യതയും നിരീക്ഷിക്കുന്നതിന് ഉടമസ്ഥാവകാശം നൽകുക

• വേൾഡ് ഇക്കണോമിക് ഫോറത്തിന്റെ വേഗത മാത്രമല്ല, പ്രതിഫല പ്രക്രിയ മെച്ചപ്പെടുത്തലുകളും

ഒരു കാര്യം കൂടി: നിങ്ങൾക്ക് ദത്തെടുക്കൽ വേണമെങ്കിൽ, ജാഗ്രത പാലിക്കുന്ന ആളുകളെ നാണം കെടുത്തരുത്. ജാഗ്രത ജ്ഞാനമാകാം. അല്ലെങ്കിൽ ഭയം. സാധാരണയായി രണ്ടും 😅.

11) പെട്ടെന്നുള്ള പതിവ് ചോദ്യങ്ങൾ: മീറ്റിംഗുകളിൽ ആളുകൾ മന്ത്രിക്കുന്ന ചോദ്യങ്ങൾ 🤫

"എന്റെ ജോലി AI ഏറ്റെടുക്കുമോ?"

അതിൽ നിന്ന് ചില ഭാഗങ്ങൾ എടുത്തേക്കാം. നിങ്ങളുടെ ഏറ്റവും മികച്ച പ്രതിരോധം ഇനിപ്പറയുന്നവ ചെയ്യുന്ന വ്യക്തിയാകുക എന്നതാണ്:

• AI നന്നായി ഉപയോഗിക്കുന്നു

• ശരിയായി പരിശോധിക്കുന്നു

• ബിസിനസ് സാഹചര്യം മനസ്സിലാക്കുന്നു

• മനുഷ്യരെ ഏകോപിപ്പിക്കാൻ കഴിയും IMF

"AI ഉപകരണങ്ങൾ പഠിച്ചാൽ മതിയോ?"

ഇല്ല. ഉപകരണങ്ങൾ മാറുന്നു. അടിസ്ഥാനകാര്യങ്ങൾ നിലനിൽക്കും. ഉപകരണങ്ങൾ പഠിക്കുക, അതെ, പക്ഷേ അവയെ വിധി, വ്യവസ്ഥാപരമായ ചിന്ത, ആശയവിനിമയം തുടങ്ങിയ കഴിവുകളുമായി ബന്ധിപ്പിക്കുക.

"എനിക്ക് AI വെറുപ്പാണെങ്കിലോ?"

നീ അതിനെ സ്നേഹിക്കണമെന്നില്ല. അതിനോടുള്ള ഒരു പ്രവർത്തന ബന്ധം മാത്രം മതി. ശല്യപ്പെടുത്തുന്നവനും എന്നാൽ എളുപ്പം കൈകാര്യം ചെയ്യാൻ കഴിവുള്ളവനുമായ ആ സഹപ്രവർത്തകനെപ്പോലെ.

"ഏറ്റവും സുരക്ഷിതമായ കരിയർ പാത ഏതാണ്?"

ഒന്നും പൂർണ്ണമായും സുരക്ഷിതമല്ല. എന്നാൽ ഉയർന്ന പശ്ചാത്തലം, വിശ്വാസം, ഉത്തരവാദിത്തം, മാനുഷിക ബന്ധങ്ങൾ എന്നിവയുള്ള റോളുകൾ കൂടുതൽ സ്ഥിരതയുള്ളതായിരിക്കും. മക്കിൻസി ഒഇസിഡി

12) സമാപന സംഗ്രഹം - അപ്പോൾ, AI ജോലികളെ എങ്ങനെ ബാധിക്കുന്നു? ✅🤖

AI എന്നത് ഒരൊറ്റ സംഭവമല്ല. ഇത് ചുമതലകൾ, പ്രതീക്ഷകൾ, വർക്ക്ഫ്ലോകൾ എന്നിവയുടെ ക്രമാനുഗതമായ പുനഃക്രമീകരണമാണ്. ചില റോളുകൾ ചുരുങ്ങുന്നു, ചിലത് വികസിക്കുന്നു, പലതും വികസിക്കുന്നു. ലോക സാമ്പത്തിക ഫോറം IMF

സാധാരണയായി ഏറ്റവും നന്നായി ചെയ്യുന്ന ആളുകൾ:

• AI-യെ ഒരു മാന്ത്രിക വടിയായിട്ടല്ല, ഒരു സഹപ്രവർത്തകനായിട്ടേ കാണൂ 🪄

• ജനറേറ്റ് ചെയ്യാൻ മാത്രമല്ല, പരിശോധിക്കാനും എഡിറ്റ് ചെയ്യാനും പഠിക്കുക

• തീരുമാനങ്ങളിലേക്കും ഉടമസ്ഥതയിലേക്കും കൂടുതൽ അടുക്കുക

• ഒരു ട്രെൻഡിനെ പിന്തുടരുന്നതിനുപകരം ഒരു നൈപുണ്യ ശേഖരം കെട്ടിപ്പടുക്കുക

• പ്രമാണ സ്വാധീനവും ഫലങ്ങളും

നിങ്ങൾ ഇപ്പോഴും ചോദിക്കുന്നുണ്ടെങ്കിൽ, AI ജോലികളെ എങ്ങനെ ബാധിക്കുന്നു? ഇതാ വ്യക്തമായ സംഗ്രഹം:

പൊരുത്തപ്പെടുത്തൽ, വ്യക്തമായ ചിന്ത, ഉത്തരവാദിത്തം എന്നിവയ്ക്ക് AI പ്രതിഫലം നൽകുന്നു - വിധിന്യായവുമായി ബന്ധമില്ലാത്ത ആവർത്തനത്തെ അത് ശിക്ഷിക്കുന്നു. OpenAI BLS
എല്ലായ്പ്പോഴും ന്യായമല്ല. എല്ലായ്പ്പോഴും രസകരമല്ല. എന്നാൽ പ്രായോഗികവും... ചിലപ്പോൾ ആവേശകരവുമാണ്.

യഥാർത്ഥ ലോക ഉദാഹരണം: "മാറ്റിസ്ഥാപിക്കാവുന്ന ഭാഗം" ആകാതെ ഒരു ജൂനിയർ ഓപ്പറേഷൻസ് അനലിസ്റ്റായി AI ഉപയോഗിക്കുന്നത് 🧾🤖

രംഗം

ഒരു ഇടത്തരം ഓൺലൈൻ റീട്ടെയിലറിൽ ഒരു ജൂനിയർ ഓപ്പറേഷൻസ് അനലിസ്റ്റിനെ സങ്കൽപ്പിക്കുക. അവരുടെ ആഴ്ചതോറുമുള്ള ജോലിയിൽ ഉപഭോക്തൃ പരാതി ട്രെൻഡുകൾ സംഗ്രഹിക്കുക, ഘടനാരഹിതമായ സ്പ്രെഡ്ഷീറ്റ് കുറിപ്പുകൾ വൃത്തിയാക്കുക, ആന്തരിക അപ്‌ഡേറ്റുകൾ തയ്യാറാക്കുക, പിന്തുണ മാനേജർക്കുള്ള പ്രശ്നങ്ങൾ ഫ്ലാഗ് ചെയ്യുക എന്നിവ ഉൾപ്പെടുന്നു.

AI-ക്ക് മുമ്പ്, അവരുടെ മൂല്യത്തിന്റെ ഭൂരിഭാഗവും ആദ്യ പാസിൽ നിന്നാണ് ലഭിച്ചത്: ടിക്കറ്റുകൾ വായിക്കുക, പ്രശ്നങ്ങൾ ഗ്രൂപ്പുചെയ്യുക, ഒരു ഏകദേശ സംഗ്രഹം എഴുതുക, ആഴ്ചതോറുമുള്ള ഓപ്‌സ് മീറ്റിംഗിനായി ഒരു സ്ലൈഡ് തയ്യാറാക്കുക.

AI ഉപയോഗിച്ച്, ആദ്യ വിജയം വളരെ വേഗത്തിൽ സംഭവിക്കും. സുരക്ഷിതമായ കരിയർ നീക്കം എന്നത് "AI എല്ലാം സംഗ്രഹിക്കാൻ അനുവദിക്കുക" എന്നതല്ല. സംഗ്രഹം പരിശോധിക്കുകയും, പാറ്റേൺ കണ്ടെത്തുകയും, ടീം അടുത്തതായി എന്തുചെയ്യണമെന്ന് ശുപാർശ ചെയ്യുകയും ചെയ്യുന്ന വ്യക്തിയായി അത് മാറുന്നു.

അസിസ്റ്റന്റിന് എന്താണ് വേണ്ടത്

ഇത് മൂല്യവത്താക്കാൻ, വിശകലന വിദഗ്ദ്ധൻ AI-ക്ക് നൽകും:

വ്യക്തിഗത ഡാറ്റ നീക്കം ചെയ്ത ഉപഭോക്തൃ ടിക്കറ്റ് എക്‌സ്‌പോർട്ടുകൾ

കമ്പനിയുടെ പരാതി വിഭാഗങ്ങൾ

റീഫണ്ട്, എസ്കലേഷൻ നിയമങ്ങൾ

നല്ല ആഴ്ചതോറുമുള്ള സംഗ്രഹങ്ങളുടെ ഉദാഹരണങ്ങൾ

റീഫണ്ടുകൾ, അക്കൗണ്ട് ക്ലോസ് ചെയ്യൽ, അല്ലെങ്കിൽ നിയമപരമായ ക്ലെയിമുകൾ എന്നിങ്ങനെ AI സ്വതന്ത്രമായി തീരുമാനിക്കാൻ പാടില്ലാത്ത കാര്യങ്ങളുടെ ഒരു ലിസ്റ്റ്

AI പിന്തുണ പ്രവർത്തിപ്പിക്കാൻ അനുവദിക്കുകയല്ല ലക്ഷ്യം. വിശകലന വിദഗ്ദ്ധന് കൂടുതൽ സമയം വിലയിരുത്തലിൽ ചെലവഴിക്കാൻ കഴിയുന്ന തരത്തിൽ പതിവ് തരംതിരിക്കൽ ജോലികൾ വേഗത്തിലാക്കുക എന്നതാണ് ലക്ഷ്യം.

ഉദാഹരണ നിർദ്ദേശം

വിശകലന വിദഗ്ദ്ധന് ഉപയോഗിക്കാൻ കഴിയുന്ന ഒരു പ്രായോഗിക നിർദ്ദേശം ഇതാ:

ഒരു ഓപ്പറേഷൻസ് മീറ്റിംഗിനായി അജ്ഞാതമാക്കിയ ഉപഭോക്തൃ പിന്തുണ ടിക്കറ്റുകൾ അവലോകനം ചെയ്യാൻ നിങ്ങൾ എന്നെ സഹായിക്കുകയാണ്. ടിക്കറ്റുകളെ വ്യക്തമായ ഇഷ്യൂ വിഭാഗങ്ങളായി തരംതിരിക്കുക, ഓരോ വിഭാഗത്തിലും എത്ര ടിക്കറ്റുകൾ ഉൾപ്പെടുന്നുവെന്ന് എണ്ണുക, ആവർത്തിച്ചുള്ള മൂന്ന് പ്രധാന പ്രശ്നങ്ങൾ തിരിച്ചറിയുക. കാരണങ്ങൾ കണ്ടെത്തരുത്. പ്രശ്നം എന്തുകൊണ്ട് സംഭവിച്ചുവെന്ന് ടിക്കറ്റ് ടെക്സ്റ്റ് വിശദീകരിക്കുന്നില്ലെങ്കിൽ, "കാരണം വ്യക്തമല്ല" എന്ന് എഴുതുക. ഒരു മനുഷ്യ മാനേജർ അവലോകനം ചെയ്യുന്നതിനായി മൂന്ന് നിർദ്ദേശിച്ച പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക.

എങ്ങനെ പരീക്ഷിക്കാം

ഒരു ലളിതമായ പരീക്ഷണം, ശരിയായ വിഭാഗങ്ങൾ ഇതിനകം അറിയപ്പെടുന്ന 30 പഴയ ടിക്കറ്റുകൾ എടുത്ത്, AI യുടെ ഔട്ട്‌പുട്ട് മനുഷ്യ അവലോകനം ചെയ്ത പതിപ്പുമായി താരതമ്യം ചെയ്യുക എന്നതാണ്.

ചെക്ക്:

അത് ടിക്കറ്റുകളെ ശരിയായി തരംതിരിച്ചിട്ടുണ്ടോ?

ഉപഭോക്താക്കൾ പരാതിപ്പെടാനുള്ള കാരണങ്ങൾ അത് കണ്ടുപിടിച്ചോ?

അടിയന്തരമോ സെൻസിറ്റീവോ ആയ വിഷയങ്ങൾ അതിൽ ഉൾപ്പെടുത്തിയിട്ടില്ലേ?

നിർദ്ദേശിച്ച നടപടികൾ കമ്പനി നയം പാലിച്ചാണോ?

ഒരു മാനേജർക്ക് രണ്ട് മിനിറ്റിനുള്ളിൽ സംഗ്രഹം മനസ്സിലാകുമോ?

മോശം ഔട്ട്‌പുട്ട് എന്നതിന് ഇങ്ങനെയൊരു ഉത്തരം ലഭിക്കും: "വെയർഹൗസിലെ ജീവനക്കാരുടെ കുറവ് മൂലമാണ് മിക്ക കാലതാമസങ്ങളും ഉണ്ടായത്," ടിക്കറ്റുകളിൽ വൈകിയുള്ള ഡെലിവറികളെക്കുറിച്ച് മാത്രമേ പരാമർശിക്കുന്നുള്ളൂ.

കൂടുതൽ ശക്തമായ ഒരു ഔട്ട്‌പുട്ട് ഇങ്ങനെയായിരിക്കും: "12 ടിക്കറ്റുകളിൽ വൈകിയുള്ള ഡെലിവറികൾ പരാമർശിക്കുന്നു. ടിക്കറ്റ് വാചകത്തിൽ നിന്ന് കാരണം വ്യക്തമല്ല. നിർദ്ദേശിക്കുന്ന അടുത്ത ഘട്ടം: ഒരു മൂലകാരണം നൽകുന്നതിന് മുമ്പ് പൂർത്തീകരണ ലോഗുകൾ പരിശോധിക്കുക."

ഫലമായി

ഉദാഹരണ ഫലം: ഈ വർക്ക്ഫ്ലോ ഉപയോഗിക്കുന്നതിന് മുമ്പും ശേഷവുമുള്ള മൂന്ന് സാമ്പിൾ ആഴ്ചതോറുമുള്ള റിപ്പോർട്ടിംഗ് ജോലികളുടെ സമയക്രമം അടിസ്ഥാനമാക്കി, വിശകലന വിദഗ്ദ്ധന് ആദ്യ ഡ്രാഫ്റ്റ് റിപ്പോർട്ടിംഗ് ഘട്ടം 2 മണിക്കൂർ 15 മിനിറ്റിൽ നിന്ന് 38 മിനിറ്റായി കുറയ്ക്കാൻ കഴിയും.

അളക്കൽ അടിസ്ഥാനം ലളിതമാണ്: മാനുവൽ ടിക്കറ്റ് അവലോകനത്തിനും ആദ്യ ഡ്രാഫ്റ്റിനും സമയം, തുടർന്ന് മനുഷ്യ പരിശോധന ഉൾപ്പെടെ AI- സഹായത്തോടെയുള്ള പതിപ്പിനും സമയം. ഈ ഉദാഹരണത്തിൽ, വിഭാഗങ്ങൾ പരിശോധിക്കുന്നതിനും നയ-സെൻസിറ്റീവ് ടിക്കറ്റുകൾ പരിശോധിക്കുന്നതിനും അന്തിമ ശുപാർശകൾ വീണ്ടും എഴുതുന്നതിനും അനലിസ്റ്റ് ഇപ്പോഴും 25 മിനിറ്റ് ചെലവഴിക്കുന്നു.

വിലപ്പെട്ട മെട്രിക് എന്നത് "സമയം ലാഭിക്കുക" മാത്രമല്ല. പിശക് നിരക്കും ട്രാക്ക് ചെയ്യുക. ഉദാഹരണത്തിന്, AI 30 ടിക്കറ്റുകളിൽ 4 എണ്ണം തെറ്റായി തരംതിരിക്കുകയാണെങ്കിൽ, അത് 13% വിഭാഗ പിശക് നിരക്കാണ് - സംഗ്രഹം ഒരു മാനേജരിൽ എത്തുന്നതിനുമുമ്പ് മനുഷ്യ അവലോകനം ആവശ്യമായി വരത്തക്കവിധം ഉയർന്നതാണ്.

എന്ത് തെറ്റ് സംഭവിക്കാം?

ഏറ്റവും വലിയ അപകടസാധ്യത AI സംഗ്രഹത്തെ സത്യമായി കണക്കാക്കുക എന്നതാണ്. ഇത് ടിക്കറ്റുകൾ ഭംഗിയായി ഗ്രൂപ്പുചെയ്യാം, പക്ഷേ സന്ദർഭം തെറ്റിച്ചേക്കാം, പാറ്റേണുകൾ പെരുപ്പിച്ചു കാണിക്കാം, അല്ലെങ്കിൽ വിശ്വസനീയമെന്ന് തോന്നുന്ന കാരണങ്ങൾ കണ്ടുപിടിക്കാം.

കമ്പനി നിയമങ്ങൾ പരിശോധിക്കാതെ സ്വകാര്യ ഉപഭോക്തൃ ഡാറ്റ ഒരു ഉപകരണത്തിലേക്ക് ഒട്ടിക്കുന്നത് മറ്റൊരു സാധാരണ തെറ്റാണ്. AI ഉപയോഗിക്കുന്നതിന് മുമ്പ് അനലിസ്റ്റ് പേരുകൾ, ഇമെയിലുകൾ, ഓർഡർ നമ്പറുകൾ, വിലാസങ്ങൾ, പേയ്‌മെന്റ് വിശദാംശങ്ങൾ എന്നിവ അജ്ഞാതമാക്കണം.

മൂന്നാമത്തെ തെറ്റ് വേഗത മാത്രം റിപ്പോർട്ട് ചെയ്യുക എന്നതാണ്. "ഞാൻ റിപ്പോർട്ട് വേഗത്തിലാക്കി" എന്ന് വിശകലന വിദഗ്ദ്ധൻ പറഞ്ഞാൽ ജോലി കുറഞ്ഞുപോയതായി തോന്നും. "ഞാൻ ഡ്രാഫ്റ്റിംഗ് സമയം 72% കുറച്ചു, നാല് തെറ്റായി തരംതിരിച്ച ടിക്കറ്റുകൾ കണ്ടെത്തി, മീറ്റിംഗിന് മുമ്പ് രണ്ട് വർദ്ധനവ് അപകടസാധ്യതകൾ തിരിച്ചറിഞ്ഞു" എന്ന് അവർ പറഞ്ഞാൽ അത് വിധിന്യായത്തെ സൂചിപ്പിക്കുന്നു.

പ്രായോഗിക ഉപദേശം

AI-ക്ക് സ്ലോ ഫസ്റ്റ് പാസ് നീക്കം ചെയ്യാൻ കഴിയും, എന്നാൽ കരിയർ മൂല്യം പിന്നീട് സംഭവിക്കുന്നതിൽ നിന്നാണ് വരുന്നത്: ഔട്ട്‌പുട്ട് പരിശോധിക്കുക, യഥാർത്ഥ പാറ്റേൺ കണ്ടെത്തുക, ട്രേഡ്-ഓഫുകൾ വിശദീകരിക്കുക, മികച്ച തീരുമാനമെടുക്കാൻ ടീമിനെ സഹായിക്കുക.

പതിവുചോദ്യങ്ങൾ

ദൈനംദിന ഓഫീസ് ജോലികളിലെ ജോലികളെ AI എങ്ങനെ ബാധിക്കുന്നു?

മിക്ക ജോലിസ്ഥലങ്ങളിലും, AI ഒറ്റരാത്രികൊണ്ട് മുഴുവൻ ജോലികളും മാറ്റിസ്ഥാപിക്കുന്നില്ല - അത് നിരവധി ജോലികൾ മാറ്റിസ്ഥാപിക്കുന്നു. അത് വേഗതയേറിയ ആദ്യ ഡ്രാഫ്റ്റുകൾ, വേഗത്തിലുള്ള സംഗ്രഹങ്ങൾ, കൂടുതൽ ഓട്ടോമേറ്റഡ് അഡ്മിൻ ജോലികൾ എന്നിവയായി ദൃശ്യമാകുന്നു. കാലക്രമേണ, പല റോളുകളും അവലോകനം ചെയ്യൽ, പരിശോധിച്ചുറപ്പിക്കൽ, അന്തിമ തീരുമാനം എടുക്കൽ എന്നിവയിലേക്ക് മാറുന്നു. ഏറ്റവും കൂടുതൽ നേട്ടമുണ്ടാക്കുന്ന ആളുകൾ സാധാരണയായി ഉപകരണങ്ങളെ പശ്ചാത്തല ശബ്ദമായി കണക്കാക്കുന്നതിനുപകരം AI ഔട്ട്‌പുട്ടുകൾ നിയന്ത്രിക്കാൻ പഠിക്കുന്നവരാണ്.

ഏതൊക്കെ ജോലികളെയാണ് AI ഏറ്റവും കൂടുതൽ ബാധിക്കുന്നത്, എന്തുകൊണ്ട്?

ജോലിയുടെ വലിയൊരു ഭാഗം പ്രവചനാതീതമോ, വാചകം അടിസ്ഥാനമാക്കിയുള്ളതോ, പാറ്റേൺ കൂടുതലുള്ളതോ ആകുമ്പോഴാണ് ഏറ്റവും കൂടുതൽ ബാധിക്കപ്പെടുന്നത് - പതിവ് റിപ്പോർട്ടിംഗ്, ടെംപ്ലേറ്റ് ചെയ്ത ഇമെയിലുകൾ, അടിസ്ഥാന ഗവേഷണ സംഗ്രഹങ്ങൾ, ഡാറ്റ വർഗ്ഗീകരണം എന്നിവ ചിന്തിക്കുക. അതിനർത്ഥം റോൾ യാന്ത്രികമായി അപ്രത്യക്ഷമാകുമെന്നല്ല, മറിച്ച് "ഗുരുത്വാകർഷണ കേന്ദ്രം" മാറുന്നു എന്നാണ്. കൂടുതൽ ഒറ്റപ്പെട്ട ജോലികളിൽ ഉയർന്ന ഓഹരികളുള്ള വിധിനിർണ്ണയം, സൂക്ഷ്മമായ മനുഷ്യ ഇടപെടൽ, വിശ്വാസം, പ്രവർത്തന മേഖലയിലുള്ള സങ്കീർണ്ണത എന്നിവ ഉൾപ്പെടുന്നു.

എന്റെ ജോലി AI ഏറ്റെടുക്കുമോ, അതോ അതിന്റെ ഒരു ഭാഗം മാത്രം ഏറ്റെടുക്കുമോ?

ഒരു ജോലിയുടെ ചില ഭാഗങ്ങൾ - പലപ്പോഴും ആവർത്തിച്ചുള്ള "ആദ്യം വിജയിക്കുന്ന" ജോലി - AI ഏറ്റെടുക്കുന്നു എന്നതാണ് ഒരു പൊതു ഫലം, അതേസമയം മനുഷ്യർ തീരുമാനങ്ങളുടെ ഉടമസ്ഥാവകാശം, എഡ്ജ് കേസുകൾ, ഉത്തരവാദിത്തം എന്നിവ നിലനിർത്തുന്നു. 20–40% ജോലികൾ അപ്രത്യക്ഷമായാൽ, ചില ടീമുകൾ വർക്ക്ഫ്ലോകൾ പുനർരൂപകൽപ്പന ചെയ്യുന്നതിന് പകരം ജീവനക്കാരുടെ എണ്ണം കുറയ്ക്കാനുള്ള സാധ്യതയുണ്ട്. AI നന്നായി ഉപയോഗിക്കുന്ന, കർശനമായി പരിശോധിക്കുന്ന, ബിസിനസ്സ് സന്ദർഭം മനസ്സിലാക്കുന്ന വ്യക്തിയായി മാറുക എന്നതാണ് സുരക്ഷിതമായ സ്ഥാനം.

AI യുടെ വരവോടെ എൻട്രി ലെവൽ റോളുകൾ ഇത്രയധികം മാറുന്നത് എന്തുകൊണ്ട്?

ആദ്യ ഡ്രാഫ്റ്റുകൾ, പതിവ് ടിക്കറ്റുകൾ, തിരക്കേറിയതും എന്നാൽ ആവശ്യമായതുമായ പ്രോസസ്സിംഗ് എന്നിവ കൈകാര്യം ചെയ്യുന്നതിനായി ചരിത്രപരമായി നിരവധി എൻട്രി ലെവൽ റോളുകൾ നിലവിലുണ്ടായിരുന്നു. ഇപ്പോൾ AI-ക്ക് അതിന്റെ ചില ഭാഗങ്ങൾ ഉൾക്കൊള്ളാൻ കഴിയും, അതിനാൽ കമ്പനികൾക്ക് കുറച്ച് ജൂനിയർമാരെ നിയമിക്കാം അല്ലെങ്കിൽ ജൂനിയർ ജോലികൾ QA, ഏകോപനം, ടൂൾ-ഡ്രൈവൺ വർക്ക്ഫ്ലോകൾ എന്നിവയിലേക്ക് മാറ്റാം. അത് ഒരു "തകർന്ന ഗോവണി" പ്രഭാവം സൃഷ്ടിക്കും, കുറഞ്ഞ എൻട്രി പോയിന്റുകളും ഉയർന്ന ദിവസത്തെ പ്രതീക്ഷകളും ഉണ്ടാകും. ആദ്യകാല കരിയർ ആളുകൾക്ക് പലപ്പോഴും മുമ്പത്തേക്കാൾ വേഗത്തിൽ പ്രായോഗിക കഴിവിന്റെ തെളിവ് ആവശ്യമാണ്.

ആളുകൾ അവഗണിക്കുന്ന ഏതൊക്കെ പുതിയ ജോലികളാണ് AI സൃഷ്ടിക്കുന്നത്?

മിന്നുന്ന തലക്കെട്ടുകൾക്കപ്പുറം, AI പ്രവർത്തനങ്ങൾ, വർക്ക്ഫ്ലോ ഡിസൈൻ, ഗുണനിലവാര വിലയിരുത്തൽ, മനുഷ്യർ നേരിട്ട് നടത്തുന്ന അവലോകനം എന്നിവയിലാണ് പലപ്പോഴും വളർച്ച പ്രകടമാകുന്നത്. ടീമുകൾക്ക് ഡാറ്റ സ്റ്റ്യൂവാർഡ്ഷിപ്പ്, സുരക്ഷ, അനുസരണ മേൽനോട്ടം, ആന്തരിക പരിശീലനം എന്നിവയും ആവശ്യമാണ്, അതിനാൽ ചോർച്ചകളോ ഒഴിവാക്കാവുന്ന തെറ്റുകളോ ഇല്ലാതെ ഉപകരണങ്ങൾ സ്വീകരിക്കാൻ കഴിയും. വ്യക്തമായ ആന്തരിക മാർഗ്ഗനിർദ്ദേശങ്ങളും പ്ലേബുക്കുകളും എഴുതാൻ കഴിയുന്ന ആളുകൾ അതിശയകരമാംവിധം വിലപ്പെട്ടവരായി മാറുന്നു. ആരെങ്കിലും "AI ഉപയോഗിക്കുക" എന്നത് സുരക്ഷിതവും ആവർത്തിക്കാവുന്നതുമായ ഒരു പ്രക്രിയയാക്കി മാറ്റേണ്ടതുണ്ട്.

ഒരു ഭ്രമത്തിന് പിന്നാലെ പോകാതെ, ഒരു യഥാർത്ഥ AI-പ്രൂഫ് കരിയർ പ്ലാൻ എന്താണ്?

ഒരു ഉറച്ച പദ്ധതി ഒരു നൈപുണ്യ ശേഖരം കെട്ടിപ്പടുക്കുന്നതുപോലെയാണ് കാണപ്പെടുന്നത്: ഡൊമെയ്ൻ പരിജ്ഞാനം, ഉപകരണങ്ങളുടെ ഒഴുക്ക്, ആശയവിനിമയം, വിധിനിർണ്ണയം, വിശ്വാസ്യത. തീരുമാനങ്ങളിലേക്ക് കൂടുതൽ അടുക്കുക - ലക്ഷ്യങ്ങൾ നിർവചിക്കുക, നിയന്ത്രണങ്ങൾ നിശ്ചയിക്കുക, വിട്ടുവീഴ്ചകൾ തിരഞ്ഞെടുക്കുക, ഫലങ്ങളുടെ ഉത്തരവാദിത്തം ഏറ്റെടുക്കുക. സമയം ലാഭിക്കുക, പിശകുകൾ കുറയ്ക്കുക, പ്രക്രിയകൾ മെച്ചപ്പെടുത്തുക തുടങ്ങിയ പ്രവൃത്തിയുടെ തെളിവ് സൂക്ഷിക്കുക. അണ്ടർറേറ്റ് ചെയ്ത സൂപ്പർ പവർ പരിശോധനയാണ്: ഭ്രമാത്മകത പിടിക്കൽ, നഷ്ടപ്പെട്ട കേസുകൾ, തെറ്റായ സംഖ്യകൾ.

മാറ്റിസ്ഥാപിക്കാവുന്ന ഭാഗമായി മാറാതെ എനിക്ക് എങ്ങനെ ജോലിസ്ഥലത്ത് AI ഉപയോഗിക്കാം?

ഏറ്റവും എളുപ്പമുള്ള ഭാഗങ്ങൾ വേഗത്തിൽ ചെയ്യാൻ നിങ്ങൾ AI ഉപയോഗിക്കുകയാണെങ്കിൽ, നിങ്ങളുടെ റോൾ അബദ്ധവശാൽ ലളിതമാക്കാൻ സാധ്യതയുണ്ട്. ഉടമസ്ഥതയിലേക്ക് മാറുക: നിങ്ങൾ എന്താണ് തിരഞ്ഞെടുത്തത്, എന്തുകൊണ്ട് അത് തിരഞ്ഞെടുത്തു, എങ്ങനെ സാധൂകരിച്ചു എന്ന് വിശദീകരിക്കുക. "ആർക്കും അത് ചെയ്യാൻ കഴിയും" എന്ന രീതിയിൽ നിങ്ങളുടെ പ്രക്രിയ രേഖപ്പെടുത്തുക. നയം, ബ്രാൻഡ് ശബ്ദം, ഉപഭോക്തൃ സൂക്ഷ്മത, നിയമപരമായ അപകടസാധ്യത എന്നിവ പോലുള്ള പ്രായോഗിക നിയന്ത്രണങ്ങൾക്കും AI-ക്കും ഇടയിലുള്ള പാലമായി മാറുക.

AI എല്ലായിടത്തും ഉള്ളപ്പോൾ ഏതൊക്കെ കഴിവുകളാണ് ഏറ്റവും കൂടുതൽ സംയോജിപ്പിക്കുന്നത്?

വിധിന്യായവും വിമർശനാത്മക ചിന്താഗതിയും സംയുക്തമാണ്, കാരണം AI-ക്ക് ഇപ്പോഴും തെറ്റായ ഒരു ഔട്ട്‌പുട്ട് നൽകാൻ കഴിയും. ടീമുകൾക്ക് തീരുമാനങ്ങളും വിട്ടുവീഴ്ചകളും വ്യക്തമായി എഴുതേണ്ടതിനാൽ വ്യക്തമായ ആശയവിനിമയം കൂടുതൽ പ്രധാനമാണ്. ഒരു ഘട്ടം വേഗത്തിലാക്കാൻ മാത്രമല്ല, വർക്ക്ഫ്ലോകൾ അവസാനം മുതൽ അവസാനം വരെ മെച്ചപ്പെടുത്താൻ സിസ്റ്റം ചിന്ത നിങ്ങളെ സഹായിക്കുന്നു. ഉപകരണ ഒഴുക്കും സഹായിക്കുന്നു - പക്ഷേ ഉപകരണ അഭിനിവേശമല്ല; AI-യെ ഉത്തരവാദിത്തത്തോടെ എങ്ങനെ പ്രോംപ്റ്റ് ചെയ്യാമെന്നും വിലയിരുത്താമെന്നും സംയോജിപ്പിക്കാമെന്നും അറിയുക എന്നതാണ് ദീർഘകാല നേട്ടം.

AI ഉപകരണങ്ങൾ സ്വീകരിക്കുമ്പോൾ തൊഴിലുടമകൾ പലപ്പോഴും എന്താണ് തെറ്റ് ചെയ്യുന്നത്?

പരിശീലനം, അവലോകന മാനദണ്ഡങ്ങൾ, അല്ലെങ്കിൽ AI അനുവദനീയമായ സ്ഥലങ്ങൾ എന്നിവയെക്കുറിച്ചുള്ള വ്യക്തമായ അതിരുകൾ എന്നിവയില്ലാതെ ഉപകരണങ്ങൾ പുറത്തിറക്കുന്നതാണ് ഒരു സാധാരണ തെറ്റ്. ചില ടീമുകൾ വർക്ക്ഫ്ലോകൾ പുനർരൂപകൽപ്പന ചെയ്യുന്നതിനുമുമ്പ് ജീവനക്കാരുടെ എണ്ണം കുറയ്ക്കുന്നു, തുടർന്ന് ഗുണനിലവാര പ്രശ്‌നങ്ങളിലും മനോവീര്യ പ്രശ്‌നങ്ങളിലും കലാശിക്കുന്നു. ശക്തമായ ടീമുകൾ ഗാർഡ്‌റെയിലുകൾ നിർവചിക്കുന്നു, "നല്ലത് എങ്ങനെയിരിക്കും" എന്ന് സജ്ജമാക്കുന്നു, പ്ലേബുക്കുകളിൽ നിക്ഷേപിക്കുന്നു, അപകടസാധ്യത നിരീക്ഷിക്കുന്നതിനുള്ള ഉടമസ്ഥാവകാശം നൽകുന്നു. ജാഗ്രതയെ പ്രതിരോധമായിട്ടല്ല, മറിച്ച് വിലപ്പെട്ടതായി കണക്കാക്കുമ്പോൾ ദത്തെടുക്കൽ മെച്ചപ്പെടുന്നു.

അവലംബം

1. ഇന്റർനാഷണൽ ലേബർ ഓർഗനൈസേഷൻ (ILO) - ilo.org

2. ഇന്റർനാഷണൽ ലേബർ ഓർഗനൈസേഷൻ (ILO) - ilo.org

3. ഓർഗനൈസേഷൻ ഫോർ ഇക്കണോമിക് കോ-ഓപ്പറേഷൻ ആൻഡ് ഡെവലപ്‌മെന്റ് (OECD) - oecd.org

4. ഓർഗനൈസേഷൻ ഫോർ ഇക്കണോമിക് കോ-ഓപ്പറേഷൻ ആൻഡ് ഡെവലപ്‌മെന്റ് (OECD) - oecdskillsandwork.wordpress.com

5. നാഷണൽ ബ്യൂറോ ഓഫ് ഇക്കണോമിക് റിസർച്ച് (NBER) - nber.org

6. അന്താരാഷ്ട്ര നാണയ നിധി (IMF) - imf.org

7. അന്താരാഷ്ട്ര നാണയ നിധി (IMF) - imf.org

8. ലോക സാമ്പത്തിക ഫോറം - 2023 ലെ തൊഴിലുകളുടെ ഭാവി റിപ്പോർട്ട് - weforum.org

9. വേൾഡ് ഇക്കണോമിക് ഫോറം - ദി ഫ്യൂച്ചർ ഓഫ് ജോബ്സ് റിപ്പോർട്ട് 2025: സ്കിൽസ് ഔട്ട്ലുക്ക് - weforum.org

10. OpenAI - GPT-കൾ GPT-കളാണ് - openai.com

11. മക്കിൻസി & കമ്പനി - mckinsey.com

12. യുഎസ് ബ്യൂറോ ഓഫ് ലേബർ സ്റ്റാറ്റിസ്റ്റിക്സ് (BLS) - തൊഴിൽ വിപണിയിൽ പുതിയ സാങ്കേതികവിദ്യകളുടെ സ്വാധീനം വിലയിരുത്തൽ - bls.gov

13. യുഎസ് ബ്യൂറോ ഓഫ് ലേബർ സ്റ്റാറ്റിസ്റ്റിക്സ് (BLS) - BLS തൊഴിൽ പ്രൊജക്ഷനുകളിൽ AI സ്വാധീനം ഉൾപ്പെടുത്തൽ - bls.gov

ഔദ്യോഗിക AI അസിസ്റ്റന്റ് സ്റ്റോറിൽ ഏറ്റവും പുതിയ AI കണ്ടെത്തുക

ഞങ്ങളേക്കുറിച്ച്