A promptolástól a tudásarchitektúráig – mi választja el az AI-felhasználót az intelligens rendszerek építőjétől?
Van egy ábra, amely első pillantásra egyszerűen mutatja be a mesterséges intelligencia működését. A felhasználó bemenetet ad, az MI a rendelkezésére álló tudás és algoritmusok alapján kimenetet állít elő, majd az ember dönt arról, hogy felhasználja, elveti vagy továbbfejleszti az eredményt.
Ez a modell helyes kiindulópont. Azt azonban már kevésbé mutatja meg, hogy mekkora különbség lehet két MI-felhasználó között, még akkor is, ha mindketten ugyanazt az alkalmazást használják.
Az egyikük kérdéseket fogalmaz meg. A másik megtanulja mérnöki pontossággal irányítani a rendszert. A harmadik már magát a tudásarchitektúrát tervezi meg, amelyből a mesterséges intelligencia dolgozik.
A különbség nem egyszerűen a tapasztalat mennyisége. A különbség a rendszerhez való viszonyban rejlik.
Véleményem szerint az AI-kompetencia megértéséhez három technológiai szintet és öt egyéni kompetenciafokozatot kell megkülönböztetnünk.
I. A mesterséges intelligencia három technológiai szintje
1. szint – A promptolás szintje
Ezen a szinten a felhasználó kérdéseket tesz fel, feladatokat ad, szövegeket készíttet, összefoglalásokat kér és megoldásokat keres.
A felhasználó megpróbálja minél pontosabban megfogalmazni az igényét, majd értékeli a kapott választ. Ha az eredmény nem megfelelő, újrafogalmazza a kérdést, további kontextust ad, vagy újabb utasításokat ír.
Ez a szint hasznos, és komoly gyakorlati értéke van. A promptolás megtanulása sok ember számára jelentős termelékenységnövekedést eredményezhet.
A korlátja azonban az, hogy a felhasználó alapvetően a meglévő rendszer működési keretei között dolgozik. A válasz minőségét továbbra is meghatározza a modell képessége, a hozzáférhető információ, a rendelkezésre álló kontextus és az adott feladat megfogalmazása.
A jól megírt prompt önmagában nem pótolja a hiányzó szakmai tudást, a gyenge adatminőséget vagy a megfelelő rendszerarchitektúrát.
A kulcskérdés ezen a szinten: hogyan kérdezzek úgy, hogy jobb választ kapjak?
2. szint – A promptmérnökség és a rendszeresített munkafolyamatok szintje
A következő szinten a felhasználó már nem tekinti a promptot egyszeri kérdésnek. Megtanulja strukturálni a feladatokat, meghatározni a szerepeket, korlátozni a válasz formátumát, biztosítani a kontextust, és ellenőrzési lépéseket épít be a folyamatba.
Megjelennek a következők:
- strukturált utasítások és állandó szabályrendszerek;
- több lépésből álló AI-munkafolyamatok;
- feladatokra specializált ügynökök;
- dokumentum-visszakeresés és külső tudásforrások;
- tesztelés, validáció és hibakezelés;
- a kimenetek minőségének szisztematikus értékelése.
Itt már nem pusztán kérdezünk, hanem megtervezzük, hogyan dolgozzon az MI.
Ez jelentős előrelépés. Ugyanakkor a fejlett promptolás sem szünteti meg automatikusan a modell vagy az adatforrások korlátait. Egy tökéletesen megtervezett munkafolyamat is csak annyira megbízható, amennyire az alapjául szolgáló tudás, a modellek és az ellenőrzési mechanizmusok lehetővé teszik.
A kulcskérdés ezen a szinten: hogyan tervezzek olyan munkafolyamatot, amely megbízhatóbb eredményt állít elő?
3. szint – A tudásarchitektúra és a kibernetikai rendszertervezés szintje
A következő minőségi ugrás ott kezdődik, amikor már nemcsak a bemenetet és a munkafolyamatot tervezzük meg, hanem azt is, hogy miből, milyen szerkezetben és milyen ellenőrzési mechanizmusokkal dolgozik a mesterséges intelligencia.
Ezen a szinten a központi kérdés nem a prompt, hanem a tudás.
Milyen forrásokat használunk? Hogyan különítjük el a hiteles szakmai tartalmat a gyenge minőségű információktól? Miként reprezentáljuk a fogalmakat és az összefüggéseket? Hogyan követjük nyomon az állítások eredetét? Miként kapcsoljuk össze a tudást a matematikai modellekkel, az optimalizációval és a döntési folyamatokkal?
A MONACO fejlesztése során én ebbe az irányba építem a rendszeremet.
A kiindulópont egy nagyméretű, saját kurátori könyvkorpusz, amelyet tudatos tudásszervezéssel, strukturált kódexekkel, indexeléssel, összefüggésmodellezéssel és ellenőrzési mechanizmusokkal kívánok hasznosítani.
Az elképzelés lényege, hogy a tudás ne egyszerű dokumentumhalmaz legyen. A fogalmak, állítások, módszerek és bizonyítékok közötti kapcsolatok is váljanak a rendszer számára feldolgozhatóvá.
Az indexelés ebben az értelmezésben nem állhat meg a betűrendnél vagy a szavak egyszerű egyezésénél. Szemantikai és hálózati kapcsolatokat kell kialakítani, ahol a csomópontok jelentést hordoznak, az élek kapcsolatokat fejeznek ki, a súlyozás pedig az adott feladat szempontjából releváns összefüggéseket segíti feltárni.
Fontos technikai különbség, hogy a hagyományos keresés, a tudásgráf, a vektoros visszakeresés és a neurális hálózat eltérő módszerek. Ezek egymást kiegészítő elemek lehetnek, de nem azonosak. A súlyozott kapcsolatok kialakítása önmagában még nem tesz egy indexet neurális hálózattá.
A cél egy olyan integrált architektúra, amelyben a megfelelő tudás kiválasztása, a szakmai következtetés, a matematikai ellenőrzés és a döntés dokumentálása egymásra épül.
A kulcskérdés ezen a szinten: hogyan tervezzek olyan tudásrendszert, amelyből a mesterséges intelligencia ellenőrizhetőbb és relevánsabb következtetéseket tud előállítani?
Ez már nem egyszerűen AI-használat. Ez AI-rendszertervezés.
II. Az AI-felhasználók öt kompetenciaszintje
A három technológiai szint a rendszerhez való viszonyt írja le. Az öt kompetenciaszint ezzel szemben azt mutatja meg, hogyan fejlődik az egyén a tudatlanságtól a tudatosan átadható szakértelemig.
A két modell összekapcsolása azért fontos, mert valaki használhat fejlett technológiát anélkül, hogy valóban értené annak működését. Másvalaki viszont még egyszerű eszközökkel is magas szintű szakmai ítélőképességet mutathat.
1. szint – Tudattalan inkompetencia
„Nem tudom, hogy mit nem tudok.”
Az AI-felhasználó ezen a szinten gyakran úgy tekint a mesterséges intelligenciára, mint egy mindentudó digitális szakértőre. Feltesz egy kérdést, választ kap, és annak meggyőző megfogalmazását összetévesztheti a megbízhatósággal. Nem feltétlenül ismeri a hallucináció, az adatminőség, a modellkorlátok vagy a forrásellenőrzés problémáját. A rendszer korlátai azért maradnak rejtve, mert a felhasználó még nem rendelkezik azzal a tudással, amelynek segítségével felismerhetné őket.
Jellemző viselkedés: a válasz elfogadása pusztán azért, mert logikusnak és professzionálisnak hangzik.
Fejlődési feladat: felismerni, hogy az MI válasza állítás, amelyet a feladat súlyától függően ellenőrizni kell.
2. szint – Tudatos inkompetencia
„Már látom, hogy mit nem tudok.”
A felhasználó felismeri, hogy a mesterséges intelligencia tévedhet. Észreveszi, hogy a kérdés megfogalmazása, a kontextus, a források és az ellenőrzési módszerek befolyásolják az eredményt. Elkezd érdeklődni a promptolás, a modellek közötti különbségek, a dokumentumfeldolgozás és a munkafolyamatok iránt. Ez gyakran kényelmetlen szakasz. A felhasználó már felismeri a problémákat, de még nem rendelkezik azokkal a módszerekkel, amelyekkel következetesen megoldhatná őket.
Jellemző viselkedés: rájön, hogy az első válasz nem feltétlenül elég, és tudatosabban kezd kísérletezni.
Fejlődési feladat: a felismeréseket strukturált módszerekké alakítani.
3. szint – Tudatos kompetencia
„Már tudom, hogyan kell csinálni, de figyelnem kell minden lépésre.”
A felhasználó megtanulja a promptmérnökséget, a források kezelését, az eredmények ellenőrzését és a feladatok szisztematikus lebontását. Tudja, hogyan kell megadni a célt, a korlátokat, a kimeneti formátumot és az ellenőrzési szempontokat. Képes munkafolyamatokat kialakítani, és felismeri, mikor szükséges külső tudás vagy szakértői kontroll. Mégis, minden összetettebb feladat jelentős tudatos figyelmet kíván.
Jellemző viselkedés: szabályok, ellenőrzőlisták és módszerek következetes alkalmazása.
Fejlődési feladat: az egyes technikákat megbízható, ismételhető munkafolyamatokká szervezni.
4. szint – Tudattalan kompetencia
„Már természetesen alkalmazom a megfelelő módszert.”
A felhasználó jelentős gyakorlattal rendelkezik. Felismeri, milyen típusú feladatot kapott, milyen információra van szüksége, melyik módszert érdemes választania, és mikor kell ellenőriznie az eredményt. Nem kell minden alkalommal a nulláról felépítenie a folyamatot. A jó gyakorlatok beépültek a gondolkodásába. Ez azonban nem jelenti azt, hogy minden döntése helyes. A magas szintű rutin is hordozhat vakfoltokat, ezért a kritikus ellenőrzéseknek a rendszer részét kell képezniük.
Jellemző viselkedés: a megfelelő eszköz, adatforrás és módszer gyors, természetes kiválasztása.
Fejlődési feladat: a kialakult szakértelem tudatos felülvizsgálata, dokumentálása és mások számára is átadhatóvá tétele.
5. szint – Tudatosított tudattalan kompetencia
„Nemcsak jól csinálom, hanem azt is el tudom magyarázni, hogy miért és hogyan.”
Ez az oktatói, mentori és rendszerszintű szakértői kompetencia. Az illető természetesen alkalmazza a módszereit, de kérésre képes rekonstruálni a gondolkodási folyamatot, megnevezni a döntési szempontokat, feltárni a hibalehetőségeket, és másokat is megtanítani a megfelelő eljárásokra. Az AI területén ez azt jelenti, hogy a szakértő nemcsak jó eredményeket ér el, hanem képes megtervezni, tesztelni, dokumentálni és átadni azokat a módszereket, amelyekkel mások is megbízhatóbb rendszereket hozhatnak létre.
Jellemző viselkedés: a szakértelem explicitté tétele, a módszertan tanítása és a döntések ellenőrizhetőségének biztosítása.
Fejlődési feladat: olyan szakmai tudásrendszerek és kompetenciafejlesztési módszerek kialakítása, amelyek mások teljesítményét is javítják.
III. Hogyan kapcsolódik össze a két modell?
A három technológiai szint és az öt kompetenciafokozat nem ugyanazt méri. Az első a technológiai megközelítés összetettségét, a második az egyén tudatosságát és szakmai jártasságát írja le.
A két tengelyt együtt kell vizsgálni.
Egy kezdő felhasználó már használhat tudásgráfot vagy fejlett AI-ügynököt, de ettől még nem feltétlenül érti, hogyan működik a rendszer. Egy tapasztalt szakértő pedig képes lehet egyszerű eszközökkel is kiváló eredményeket elérni.
Az alábbi táblázat ezért nem merev besorolás, hanem egy fejlődési térkép.
| Kompetenciafokozat | Jellemző AI-használat | Következő fejlődési lépés |
|---|---|---|
| 1. Tudattalan inkompetencia | A válaszok kritikátlan elfogadása | A modellkorlátok felismerése |
| 2. Tudatos inkompetencia | Kísérletezés és a hibák felismerése | Strukturált promptolás és ellenőrzés |
| 3. Tudatos kompetencia | Szabályozott munkafolyamatok és forrásellenőrzés | Integrált rendszerek tervezése |
| 4. Tudattalan kompetencia | Hatékony, rutinszerű rendszerhasználat | A szakmai rutin explicitté tétele |
| 5. Tudatosított tudattalan kompetencia | Módszertanok tervezése, validálása és tanítása | Mások kompetenciájának és a rendszerek megbízhatóságának fejlesztése |
A lényeg: a fejlődés nem merül ki abban, hogy valaki egyre bonyolultabb promptokat ír. A fejlődés azt jelenti, hogy egyre jobban érti a feladatot, a tudást, a technológiát és a döntés következményeit.
IV. A MONACO: a tudás minőségétől az ellenőrizhető döntésig
A MONACO fejlesztésében számomra ez a szemlélet válik igazán érdekessé.
A cél nem egy újabb chatbot létrehozása, amely szebben fogalmaz, vagy ügyesebben követi az utasításokat. A cél egy olyan vállalati döntéstámogató architektúra kialakítása, amelyben a tudás, az optimalizáció, a pszichológiai szempontok és az ellenőrizhetőség egységes folyamatot alkotnak.
Ennek több összetevője van.
1. Kurált tudásbázis. A szakmai források kiválasztása, rendszerezése, indexelése és eredetük nyomon követése.
2. Tudásgráf és szemantikai kapcsolatok. A fogalmak, állítások, módszerek és bizonyítékok közötti kapcsolatok reprezentálása.
3. Optimalizációs motor. A döntési alternatívák matematikai vizsgálata, a célfüggvények és korlátok explicit kezelésével.
4. Pszichológiai és szervezeti réteg. Az emberi viselkedés, a motiváció, az érdekellentétek és a végrehajtási feltételek vizsgálata.
5. Challenger és validáció. Az alternatívák, a rejtett feltételezések, a hibalehetőségek és a bizonytalanság vizsgálata.
6. Döntési memória. Az ajánlások, a feltételezések, a tényleges eredmények és a későbbi tanulságok strukturált megőrzése.
Ez az architektúra lehetővé teszi, hogy a MONACO ne pusztán választ állítson elő, hanem egy döntéshez vezető, vizsgálható folyamatot támogasson.
Fontos pontosítás: a rendszer minősége nem a könyvek számából önmagában következik. A nagy korpusz értéke a források minőségétől, a releváns visszakereséstől, a helyes következtetéstől, a matematikai validációtól és a tényleges teljesítmény mérésétől függ.
A tudás mennyisége lehet versenyelőny. A tudás szervezése és ellenőrizhető alkalmazása teheti működőképes rendszerré.
V. „BIG FIVE IS DEAD” – a dobozolás kora lejárt?
A provokatív kijelentést nem szó szerinti tudományos tényként, hanem szakmai kihívásként fogalmaznám meg.
A személyiségmodellek – így a Big Five, a DISC és a Myers–Briggs-típusú megközelítések – különböző célokra készültek, és eltérő elméleti, illetve mérési alapokkal rendelkeznek. Nem indokolt valamennyit egyetlen mozdulattal érvénytelennek nyilvánítani.
A kérdés inkább az, hogy elegendő-e az embert néhány stabil kategóriába sorolni, ha a viselkedése a helyzettől, a kapcsolati környezettől, a terheléstől, a motivációtól és a céloktól függően változik.
A diplomamunkámban is olyan irányú gondolkodás foglalkoztatott, amely a hálózati összefüggések, a marketing és a pszichológia összekapcsolásával vizsgálja az emberi viselkedést.
Ebből a nézőpontból a kategóriák mellett fontos szerepet kaphatnak a változók közötti kapcsolatok, azok súlyozása, a kontextus és a dinamikus változások.
A kihívás nem feltétlenül a személyiségmodellek eltörlése. Sokkal inkább az, hogy a statikus tipológiákat meghaladó, empirikusan ellenőrizhető és helyzetérzékeny modelleket építsünk.
Ugyanez a kérdés az AI területén is megjelenik.
Elég-e megtanulni a megfelelő kérdéseket feltenni, vagy eljött az idő, hogy magukat a tudásrendszereket is tudatosan megtervezzük?
Az igazi versenyelőny a tudásarchitektúrában rejlik
A mesterséges intelligencia használatának elterjedése nem jelenti automatikusan az AI-kompetencia általános emelkedését.
A promptolás fontos készség. A promptmérnökség és a munkafolyamatok tervezése magasabb szintű felkészültséget igényel. A tudásarchitektúra kialakítása pedig már azt követeli meg, hogy a szakember a források, az adatok, a modellek, a kapcsolatok és az ellenőrzési mechanizmusok egészét rendszerként értelmezze.
A MONACO fejlesztésében ezt az utóbbi megközelítést tartom meghatározónak.
A valódi kérdés nem az, ki tudja a legjobb promptot megírni. Hanem az, ki képes olyan rendszert létrehozni, amelyben a releváns tudás megtalálható, a következtetések ellenőrizhetők, az alternatívák összehasonlíthatók, a hibák felismerhetők, és a végső döntés felelőssége egyértelmű marad.
A technológiai fejlődés következő fontos szakaszában ezért a tudás szervezése, a rendszertervezés és az ellenőrizhető döntéshozatal legalább olyan fontos lehet, mint maga a modell.
A promptolás megtanít használni az AI-t. A rendszertervezés megtanít arra, hogyan építsünk megbízhatóbb AI-alapú képességeket. A tudásarchitektúra pedig megteremti azt az alapot, amelyre ezek a képességek épülhetnek.