Kollaborative KI-Systeme: Teaming-Workflows zwischen Mensch und KI

Bild vom Autor

# Einführung

Wenn wir mit arbeiten Datenwissenschaftler bereiten sich auf Interviews vordas sehen wir ständig: Aufforderung rein, Antwort raus, weitermachen. Niemand rezensiert jemals etwas und niemand denkt jemals darüber nach, warum.

Was ist mit den Unternehmen, die die innovativsten Projekte liefern? Sie haben einen neuen Weg der Zusammenarbeit gefunden. Sie haben Umgebungen entwickelt, in denen Menschen und KI bei Entscheidungen zusammenarbeiten. KI generiert Optionen, zeigt Muster auf und markiert, was Aufmerksamkeit erfordert. Es zeigt seine Arbeit, damit Sie es überprüfen können. Menschen überprüfen, fügen Kontext hinzu und treffen die letzte Entscheidung. Keine Partei gibt der anderen einfach Befehle.

Bild vom Autor

# Beobachtung realer Anwendungen

Das ist nicht nur Theorie; es passiert jetzt.

// Wissenschaftliche Forschung und Gesundheitsversorgung verändern

AlphaFold generierte Proteinstrukturvorhersagen, die andernfalls jahrelange Forschung im Labor erfordern würden. Um die Bedeutung dieser Vorhersagen, ihre Bedeutung und die Reihenfolge der als nächstes durchzuführenden Experimente zu bestimmen, ist jedoch immer noch menschliches Fachwissen erforderlich.

Das Biotech-Unternehmen Insilico-Medizin ging sogar noch weiter. Die herkömmliche Arzneimittelentwicklung dauert allein vier bis fünf Jahre, um einen vielversprechenden Wirkstoff zu identifizieren. Insilico Medication hat eine KI-Plattform entwickelt, die Tausende potenzieller Arzneimittelmoleküle generiert und überprüft und vorhersagt, welche davon am wahrscheinlichsten wirken. Als nächstes prüfen medizinische Chemiker die besten Kandidaten, verfeinern die Struktur und erstellen Experimente, um sie zu validieren. Die Ergebnisse waren signifikant: Die Zeit, die zur Entdeckung einer Leitverbindung benötigt wurde, verringerte sich um etwa 75 % – von vier oder fünf Jahren auf nur 18 Monate.

Das gleiche Muster existiert in der Pathologie. PathAI analysiert Gewebeproben, um Krankheiten wie Krebs zu diagnostizieren. Pathologen überprüfen dann die KI-Befunde und fügen ihre eigene klinische Erfahrung hinzu, um eine Diagnose zu stellen. Laut a Studie des Beth Israel Deaconess Medical HeartDas Ergebnis struggle eine 99,5 % genaue Krebserkennung im Vergleich zu 96 %, als der Pathologe die Objektträger unabhängig überprüfte. Darüber hinaus verringerte sich der Zeitaufwand für die Durchsicht der Folien deutlich. KI erkennt Muster, die aufgrund von Müdigkeit übersehen werden; Menschen liefern klinischen Kontext.

Bild vom Autor

Was wir gelernt haben ist, dass KI Muster findet – sie zeichnet sich durch Lautstärke und Geschwindigkeit aus. Menschen zeichnen sich durch Urteilsvermögen und Kontext aus; Sie bestimmen, ob diese Muster wichtig sind.

AlphaFold hat Proteinstrukturen innerhalb von Stunden vorhergesagt, wofür Labore Jahre brauchen würden, aber Wissenschaftler entscheiden immer noch, was diese Strukturen bedeuten und welche Experimente als nächstes durchgeführt werden sollen. Die KI von Insilico erzeugte Tausende von Arzneimittelmolekülen, aber Chemiker entschieden, welche davon eine Synthese wert waren. PathAI markiert verdächtige Zellen in großem Maßstab, aber Pathologen fügen den klinischen Kontext hinzu, der die Diagnose bestimmt.

In jedem Fall haben weder KI noch Menschen allein das Ergebnis erreicht. Die Kombination tat es.

// Geschäftsentscheidungen verbessern

KI kann in Stunden erledigen, wofür Groups Wochen brauchten: Tausende von Verträgen prüfen, Risiken auf globalen Märkten analysieren und Muster in Nutzungsdaten erkennen. All dies kann schnell erledigt werden, aber die Entscheidung, was mit diesen Informationen geschehen soll, bleibt eine menschliche Verantwortung.

Zum Beispiel, JPMorgan Die Rechtsteams von Chase überprüften Verträge jedes Jahr 360.000 Stunden lang manuell, ein Prozess, der langsam, kostspielig und fehleranfällig struggle. Sie haben eine Lösung namens entwickelt Münzeeine Plattform für künstliche Intelligenz, die zum Lesen von Rechtsdokumenten mithilfe natürlicher Sprachverarbeitung (NLP) und maschinellem Lernen entwickelt wurde. COiN kann wichtige Punkte in Rechtsdokumenten extrahieren, ungewöhnliche oder fragwürdige Klauseln identifizieren und Bestimmungen innerhalb von Sekunden kategorisieren. Allerdings prüfen Anwälte weiterhin die vom System gemeldeten Punkte. Dadurch kann JPMorgan Verträge viel schneller als zuvor bearbeiten, seine Compliance-Fehler um 80 % reduzieren und seinen Anwälten die Möglichkeit geben, ihre Zeit mit Verhandlungen und der Entwicklung von Strategien zu verbringen, anstatt Verträge immer wieder zu lesen.

In einem anderen Beispiel, BlackRock ist der weltweit größte Vermögensverwalter und verwaltet Vermögenswerte im Gesamtwert von 21,6 Billionen US-Greenback für institutionelle Kunden und Privatanleger. In diesem Umfang muss BlackRock Millionen von Risikoszenarien auf mehreren globalen Märkten analysieren, was nicht von Hand möglich ist. Um dieses Downside zu lösen, hat BlackRock entwickelt Aladdin (Asset, Legal responsibility, Debt, and Derivatives Funding Community), eine KI-basierte Plattform zur Erfassung und Verarbeitung großer Mengen an Marktdaten und zur Identifizierung potenzieller Risiken, bevor sie auftreten. Es gibt immer noch eine menschliche Komponente: Die Portfoliomanager von BlackRock überprüfen die Analysen von Aladdin und nehmen dann alle Allokationen vor. Die Ergebnisse zeigen, dass Risikoanalysen, die früher Tage dauerten, jetzt in Echtzeit durchgeführt werden. Darüber hinaus übertrafen die Portfolios von BlackRock, die mithilfe der Analysen von Aladdin in Kombination mit menschlichem Urteilsvermögen erstellt wurden, sowohl rein algorithmische als auch rein menschliche Ansätze. Derzeit lizenzieren über 200 Finanzinstitute die Aladdin-Plattform für ihren eigenen Betrieb.

Bild vom Autor

Das Muster ist klar: KI stellt Optionen und Informationen in großem Maßstab zur Verfügung. Aber es wird Ihnen nicht sagen, wenn Sie falsch liegen; das musst du selbst herausfinden. Die Anwälte von JPMorgan prüfen immer noch, was COiN meldet, und die Portfoliomanager von BlackRock treffen immer noch die endgültigen Entscheidungen.

# Überprüfung kollaborativer KI-Instruments

Nicht alle KI-Instruments sind für die Zusammenarbeit konzipiert. Einige liefern eine Ausgabe als „Black Field“, während andere für die Zusammenarbeit mit Ihnen erstellt wurden. Die folgende Liste hebt Instruments hervor, die die Zusammenarbeit unterstützen:

// Verwenden allgemeiner Assistenten

• Claude / ChatGPT: Hierbei handelt es sich um Konversations-KIs, die Suggestions zu Ihrer Argumentation geben, Unklarheiten melden und Ihnen sagen, wenn sie unsicher sind. Sie stellen die Instruments dar, die der tatsächlichen Hin- und Her-Zusammenarbeit am nächsten kommen.

// Durchführung von Forschung und Analyse

• Entlocken: Dieses Instrument durchsucht wissenschaftliche Arbeiten und extrahiert Ergebnisse. Es zeigt Ihnen die Beweise hinter Behauptungen, damit Sie entscheiden können, ob Sie die Informationen akzeptieren.
• Konsens: Diese Plattform fasst wissenschaftliche Literatur zusammen und zeigt Bereiche an, in denen zwischen Forschern Übereinstimmungen und Meinungsverschiedenheiten bestehen, sodass Sie alle Aspekte einer Diskussion sehen können.
• Verwirrung: Dies liefert Suchergebnisse mit Zitaten. Jeder Anspruch verweist auf eine verifizierte Quelle.

// Codierung und Entwicklung optimieren

• GitHub-Copilot: Dieses Instrument schlägt Code-Vervollständigungen vor. Sie überprüfen, akzeptieren oder ändern; Nichts läuft, es sei denn, Sie genehmigen es.
• Cursor: Dies ist ein KI-nativer Code-Editor. Es zeigt Unterschiede der vorgeschlagenen Änderungen an, sodass Sie genau sehen, was die KI ändern möchte, bevor es passiert.
• Wiederholung: Hier finden Sie Erläuterungen zum Code, Vorschläge für Korrekturen und Unterstützung beim Debuggen. Sie behalten die Kontrolle darüber, was bereitgestellt wird.

// Weiterentwicklung von Information-Science-Workflows

• Julius: Dieses Instrument analysiert Daten und erstellt Visualisierungen. Es zeigt den Code an, der zum Erstellen der Visualisierung verwendet wurde, sodass Sie die Methodik überprüfen können.
• Verhexen: Dies ist ein kollaborativer Datenarbeitsbereich mit KI-Unterstützung. Es wurde für Groups entwickelt, in denen Menschen und KI bei der Analyse zusammenarbeiten.
• Datenroboter: Dies ist eine Plattform für automatisiertes maschinelles Lernen (AutoML), die Erklärungen zu Modellentscheidungen liefert. Es zeigt die Wichtigkeit der Merkmale und die Vorhersagesicherheit an, damit Sie die zugrunde liegende Logik verstehen.

// Verbesserung von Schreiben und Kommunikation

• Vorstellung von KI: Dieses Instrument ist für Entwürfe, Zusammenfassungen und Brainstorming in Ihren Arbeitsbereich integriert, aber Sie entscheiden, was bleibt.
• Grammatikalisch: Hier werden Änderungsvorschläge mit Erläuterungen angezeigt. Sie können jede einzelne Bearbeitung entweder akzeptieren oder ablehnen.

Was diese Instruments kollaborativ macht, ist, dass sie ihre Arbeit zeigen. Sie lassen Sie ihre Ergebnisse überprüfen und verlangen nicht, dass Sie ihre Ergebnisse akzeptieren. Das ist der Unterschied zwischen einem Instrument und einem Mitarbeiter.

# Den Erfolg der Zusammenarbeit messen

Bild vom Autor

Drei Arten von Metriken helfen Ihnen zu beurteilen, ob die Zusammenarbeit zwischen Mensch und KI tatsächlich funktioniert:

• Ergebnismetriken sind leicht zu verfolgen. Sehen Sie bessere Ergebnisse? Schnellere Abwicklung? Weniger Fehler? Sie sollten diese verfolgen.
• Noch bedeutsamer sind Prozessmetriken. Wenn Sie KI-Ausgaben niemals ablehnen, ist das kein Zeichen für hochwertige KI; Es ist ein Zeichen dafür, dass Sie aufgehört haben zu denken.
• Auch menschliche Erfahrungen sind wichtig. Können Sie diese Ergebnisse ohne KI erzielen? Verstehen Sie wirklich, warum die KI sich für das entschieden hat, was sie getan hat, oder machen Sie einfach mit, weil es clever klingt?

Eine gute Kontrolle: Wenn Sie immer die erste Ausgabe akzeptieren, kommt das eher einer Zustimmung als einer Zusammenarbeit gleich. Wenn Sie ohne KI arbeiten, können Sie gelegentlich eine Grundlinie beibehalten, sodass Sie wissen, was Ihre Arbeit ist und was das Instrument ist.

# Effektive Praktiken umsetzen

Bild vom Autor

Groups, die dies richtig machen, neigen dazu, ein paar gängige Praktiken zu befolgen:

• Legen Sie klare Rollen fest: Bestimmen Sie, welche Rolle Sie spielen und welche Rolle die KI spielt. Ein gängiges Setup beinhaltet die KI-Generierung von Optionen, während Sie die beste auswählen. Dadurch können Sie die Fähigkeit der KI nutzen, viele Möglichkeiten zu erkunden und gleichzeitig die endgültige Entscheidung bei sich zu behalten.
• Eingebaute Kontrollpunkte: Lassen Sie nicht zu, dass KI-Ausgaben ohne eine kurze Pause direkt in die nächste Section übergehen. Sie benötigen keine formelle Genehmigung, sollten sich jedoch eine Minute Zeit nehmen und darüber nachdenken, warum die KI ihre Entscheidung getroffen hat. Wenn Sie den Grund nicht formulieren können, akzeptieren Sie die Ausgabe nicht.
• Fordern Sie Transparenz: Verwenden Sie Instruments, die ihre Arbeit zeigen, einschließlich des von ihnen generierten Codes, der von ihnen verwendeten Quellen und der von ihnen vorgeschlagenen Änderungen. Wenn Sie nicht sehen können, wie die KI zu ihrer Ausgabe gelangt ist, können Sie sie nicht überprüfen.
• Bleiben Sie auf dem Laufenden: Arbeiten Sie regelmäßig ohne KI. Dabei handelt es sich nicht um eine Widerstandserklärung, sondern vielmehr um einen Vergleichsmaßstab. Sie möchten wissen, wie Ihre selbständige Arbeit aussieht, und Sie möchten in der Lage sein, sie auszuführen, wenn die Instruments ausfallen.

# Abschließende Gedanken

Bild vom Autor

Die Zusammenarbeit zwischen Mensch und KI stellt einen echten Wandel dar. Wir lernen, mit Systemen zu interagieren, die Eingaben bereitstellen, anstatt nur Befehle auszuführen.

Damit es funktioniert, sind neue Fähigkeiten erforderlich, etwa zu wissen, wann man sich auf KI verlassen und wann man sie in Frage stellen sollte. Dabei geht es darum, Prozesse zu bewerten, um festzustellen, ob sie Ergebnisse liefern oder sich einfach produktiv anfühlen. Am wichtigsten ist es, scharfsinnig genug zu bleiben, um Fehler zu erkennen, wenn sie passieren.

Groups, die Wege zur Zusammenarbeit mit KI entwickeln, erzielen bessere Ergebnisse. Sie erkennen Fehler früher und ziehen Optionen in Betracht, an die sie sonst nicht gedacht hätten. Groups, die diese Fähigkeiten nicht entwickeln, neigen dazu, KI entweder so eingeschränkt zu nutzen, dass ihnen die potenziellen Vorteile entgehen, oder sie werden so abhängig, dass sie ohne sie nicht funktionieren können.

# Beantwortung häufiger Fragen

// Was ist der Unterschied zwischen der Nutzung von KI als Werkzeug und der Zusammenarbeit damit?

Bei der Verwendung von Werkzeugen wird der KI ein Befehl übermittelt, den sie ausführt, während Sie die Ausgabe akzeptieren. Bei der Zusammenarbeit zeigt die KI ihre Arbeit, damit Sie sie überprüfen und entscheiden können. Sie können die Quellen, den Code und die Begründung einsehen und dann entscheiden, ob Sie die Ausgabe akzeptieren, anpassen oder ablehnen möchten. Wenn Sie nicht sehen können, wie die KI zu ihrem Schluss gekommen ist, können Sie nicht wirklich zusammenarbeiten.

// Wie kann ich vermeiden, zu sehr auf KI angewiesen zu sein?

Arbeiten Sie regelmäßig ohne KI und prüfen Sie, ob Sie artikulieren können, warum die KI die Ergebnisse präsentiert hat, die sie erbracht hat. Wenn Sie feststellen, dass Sie routinemäßig die erste bereitgestellte Ausgabe akzeptieren, oder wenn Ihre Leistung erheblich leidet, wenn Sie ohne KI arbeiten, sind Sie wahrscheinlich zu sehr darauf angewiesen.

// Bewerten Unternehmen dies in Interviews?

Ja. Interviewer beobachten jetzt, wie Kandidaten mit KI interagieren. Wer jeden Vorschlag annimmt, ohne ihn zu hinterfragen, zeigt ein schlechtes Urteilsvermögen, während diejenigen, die KI-Ergebnisse überprüfen, hinterfragen und anpassen, ein gutes Urteilsvermögen zeigen.

Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von Prime-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Traits auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Information-Science-Projekte vor und behandelt alles rund um SQL.