الذكاء الاصطناعي التوليدي للموارد البشرية

* هذا الإصدار من WorkplaceTech Pulse كتبه تريفور شاتشنر، مدير المنتجات السابق وأخصائي الابتكار في مكان العمل في مختبرات SHRM . نأمل أن تجدوا أفكاره قيمة. 

مقدمة

والآن، بعد مرور ما يزيد قليلاً عن عام على طرح ChatGPT، نجد أنفسنا في مشهد ذكاء اصطناعي مختلف تماماً. فمع وجود العديد من المنافسين الذين يتنافسون جميعاً على حصة في السوق، وعقود الشركات لأدوات الذكاء الاصطناعي التوليدية، والمزيد من التدقيق القانوني والحكومي أكثر من أي وقت مضى، نحن على موعد مع سنوات قليلة حافلة بالأحداث من تطور الذكاء الاصطناعي.

نحن نتعمق في هذا الإصدار في الذكاء الاصطناعي التوليدي ونتطرق إلى بعض التفاصيل التقنية للذكاء الاصطناعي التوليدي. ربما تتساءل، "لماذا يحتاج شخص ما في الموارد البشرية إلى معرفة ذلك؟ من المهم فهم ما يشكل التكنولوجيا التي نستخدمها كل يوم، خاصةً عندما تؤثر على القرارات على مستوى المؤسسة مثل المواهب والعمليات والاستراتيجية. وبما أن الذكاء الاصطناعي مدمج في المزيد والمزيد من عمليات الموارد البشرية اليومية، فنحن بحاجة إلى البقاء على دراية بكيفية عمله. إن فهم التكنولوجيا هو جزء من المعادلة، أما الجزء الثاني فهو إيجاد الفرصة المناسبة لاستخدامها. كما أننا سنلقي نظرة على كيفية تطبيق أحد فرق الموارد البشرية لأدوات الذكاء الاصطناعي التوليدي في سير العمل وكيف أثر ذلك على مؤسستهم. دعونا نتعمق في الأمر.

الذكاء الاصطناعي مقابل الذكاء الاصطناعي التوليدي

كان يُعتقد أن الذكاء الاصطناعي ممكنًا منذ عام 1950 عندما نشر آلان تورينج، الذي يُعتبر على نطاق واسع أب علم الحاسوب النظري والذكاء الاصطناعي، ورقة بحثية بعنوان "آلات الحوسبة والذكاء"، حيث كتب في مقالته الشهيرة: "أقترح النظر في السؤال: "هل يمكن للآلات أن تفكر؟ وكانت الإجابة في النهاية هي نعم.

تم إنشاء أول برنامج للذكاء الاصطناعي في عام 1956 من قبل ثلاثة علماء هم هربرت سيمون وألين نيويل وكليف شو. وقد تم تطوير برنامجهم الذي أطلقوا عليه اسم "منظّر المنطق" لحل البراهين الرياضية. وقد أثبتوا أن الآلة يمكنها التفكير مثل عالم الرياضيات. وقد أحرزت أبحاث الذكاء الاصطناعي تقدماً كبيراً على مدار أكثر من 20 عاماً التالية حيث كانت ذاكرة الكمبيوتر والتخزين العامل الرئيسي المقيد. وفي عام 1997، لم يعد هذا هو الحال، وهزم برنامج ذكاء اصطناعي يُدعى Deep Blue، ابتكرته شركة IBM للعب الشطرنج، أستاذ الشطرنج الكبير غاري كاسباروف. أدرجت كل هذه الخلفية لأنه من المهم معرفة أن الذكاء الاصطناعي موجود منذ فترة طويلة الآن. 

الذكاء الاصطناعي بالمعنى التقليدي هو مجرد برنامج كمبيوتر تم إعطاؤه مجموعة معينة من القواعد لمعالجة المعلومات والبيانات وإنتاج نتيجة محددة. ويمكن تحسينه بمرور الوقت من خلال التعلم المعزز والضبط الدقيق، ولكنه لا يخلق محتوى جديدًا ومبتكرًا وطرقًا جديدة لحل المشكلات. يمكن رؤية الذكاء الاصطناعي التقليدي في العمل في الحياة اليومية من نتفليكس وتوصيات جوجل، إلى أليكسا وسيري (حتى كتابة هذا المقال في عام 2023).

الذكاء الاصطناعي التوليدي هو الحدود التالية.

الذكاء الاصطناعي التوليدي

إن الذكاء الاصطناعي التوليدي (GenAI)، مثله مثل الذكاء الاصطناعي التقليدي، ليس جديدًا وقد تم البحث فيه منذ الستينيات. كانت هناك ثلاثة ابتكارات حديثة في مجال التعلم الآلي سمحت للذكاء الاصطناعي التوليدي بالازدهار. الأول كان طفرة في عام 2014، يسمى شبكات الخصومة التوليدية (Generative Adversarial Networks)، والذي سمح للذكاء الاصطناعي الجيني بإنشاء صور ومقاطع فيديو وصوت أصيلة. وسمح التطور الثاني الذي أُطلق عليه اسم " المحولات" للباحثين بتدريب نماذج كبيرة دون وضع علامات على البيانات وتنظيمها. ويسمح التقدم الثالث، المسمى نماذج اللغة الكبيرة (LLMs)، للآلات بفهم العلاقات بين الكلمات وفهم سياق المدخلات النصية. تعمل نماذج اللغات الكبيرة على تشغيل العديد من أدوات الذكاء الاصطناعي التي نتفاعل معها اليوم. لن نتعمق كثيرًا في هذه التطورات التقنية، ولكن من المهم معرفة أن كل من هذه التطورات لعبت دورًا في تطوير الذكاء الاصطناعي الجيني إلى ما هو عليه اليوم. 

إذن كيف تعمل الأداة؟ المكونات الرئيسية لأداة الذكاء الاصطناعي هي واجهة ونموذج ومدخلات ومخرجات.

الواجهة:

هذه هي الطريقة التي سيرى بها المستخدم أداة الذكاء الاصطناعي ويتفاعل معها. قد يكون هذا موقعًا إلكترونيًا أو تطبيقًا أو روبوت محادثة أو حتى واجهة لا يراها المستخدمون. واعتماداً على التطبيق، يمكن أن يعمل GenAI في الخلفية ولن يظهر للمستخدم سوى الإخراج فقط. إذا قمت بزيارة ChatGPT، فإن صفحة الويب التي تصل إليها هي ببساطة واجهة لأداة الذكاء الاصطناعي. 

تلعب الواجهات دوراً كبيراً في كيفية استخدامنا للتكنولوجيا وتفاعلنا معها. فقبل عام 2023، كان من الممكن استخدام الذكاء الاصطناعي الجيني، ولكنه كان مقتصراً فقط على أولئك الذين يتمتعون بالبراعة التقنية الكافية لإرسال واستقبال المعلومات عبر واجهات برمجة التطبيقات (واجهة برمجة التطبيقات هي طريقة لإرسال واستقبال المعلومات بين التطبيقات). وقد أتاح إدخال واجهات المستخدم، مثل تلك التي رأيناها في ChatGPT أو BARD، لمزيد من الأشخاص التفاعل بسهولة مع أدوات الذكاء الاصطناعي هذه. 

النموذج:

هذه هي الطريقة التي ستعالج بها أداة الذكاء الاصطناعي المعلومات وتوفر مخرجات مفيدة للمستخدمين. تم تصميم النماذج لمحاكاة كيفية عمل الدماغ البشري. باستخدام العديد من خوارزميات التعلُّم الآلي، يتم إنشاء هذه النماذج لمعالجة البيانات والتعلُّم واتخاذ القرارات بناءً على البيانات. هناك العديد من الأنواع المختلفة من النماذج مثل الانحدار الخطي والشبكات العصبية العميقة والانحدار اللوجستي وأشجار القرار AI وغيرها الكثير. GPT4 و LaMDA و LLaMA و DALL-E2 هي نماذج أخرى شاعت من خلال استخدامها في أدوات الذكاء الاصطناعي. يعد النموذج مهمًا جدًا اعتمادًا على التطبيق حيث أن بعض النماذج ستكون أكثر ملاءمة لمعالجة النصوص، بينما يتفوق البعض الآخر في معالجة الصور والفيديو. يمكن أيضًا تدريب النماذج على بيانات خاصة لتوفير نتائج خاصة بالصناعة أو المؤسسة. 

المدخلات:

اعتمادًا على النموذج والواجهة، ستكون هذه هي الطريقة التي يستوعب بها الذكاء الاصطناعي المعلومات. يمكن أن تكون نصًا أو صوتًا أو فيديو أو صورًا أو مجموعة من أنواع البيانات. هذا مهم لأن كل نموذج سيتفاعل بشكل مختلف مع المدخلات المختلفة. على سبيل المثال، عند استخدام ChatGPT أو أداة ذكاء اصطناعي أخرى تركز على النص، من الممكن الحصول على إجابتين مختلفتين تماماً بناءً على كيفية صياغة السؤال، أو مقدار السياق الذي أقدمه إلى جانب السؤال. أيضًا، أداة مثل ChatGPT ستتفاعل بشكل مختلف تمامًا إذا قمتُ بتحميل صورة عن أداة ذكاء اصطناعي مثل DALLE المصممة للتعامل مع هذه الأنواع من المدخلات (على الرغم من أنه حتى كتابة هذا المقال، يعمل الاثنان جنبًا إلى جنب من خلال واجهة واحدة). لسنوات عديدة كانت المدخلات عقبة كبيرة أمام استخدام الذكاء الاصطناعي، ولكن مع أدوات LLMs، أصبح بإمكاننا الآن استخدام لغة مشتركة للتواصل مع هذه النماذج.

المخرجات:

يمكن أن تختلف مخرجات أداة الذكاء الاصطناعي بشكل كبير بناءً على المدخلات والوضع، ولكن هذا هو المكان الذي تتم فيه صياغة النتيجة المتوقعة. تأخذ أداة الذكاء الاصطناعي المدخلات، وتقوم بتشغيلها من خلال النموذج، وتخرج المعلومات التي يتم توليفها من معرفة النموذج والمدخلات المقدمة. وهنا يأتي دور مصطلح "التوليد". فبدون النماذج القوية، كان بإمكان الذكاء الاصطناعي القيام بعملية محددة فقط، ولكن الآن أصبح الذكاء الاصطناعي قادرًا على توليد وإنشاء معلومات جديدة.

النماذج اللغوية الكبيرة

أحد المكونات الأساسية للذكاء الاصطناعي التوليدي (GenAI) في مجال الموارد البشرية هو نماذج اللغة الكبيرة (LLMs). يتم تدريب هذه البرامج الحاسوبية المتقدمة على مجموعات بيانات ضخمة من النصوص والرموز، مما يمكّنها من فهم الفروق الدقيقة في اللغة، وتحليل أنماط الكتابة، وحتى توليد صيغ نصية مبتكرة.

فيما يلي كيفية عمل الماجستير في القانون وإمكاناته في مجال الموارد البشرية.

فهم المحرك: الرموز والتوقعات

تعمل LLMs عن طريق تقسيم النص إلى وحدات أصغر تسمى الرموز. فكّر في الرموز على أنها لبنات بناء اللغة، على غرار الطريقة التي تكون بها الكلمات هي لبنات بناء الجمل. يقوم برنامج LLM بتشريح جملة مثل "الثعلب البني السريع يقفز فوق الكلب الكسول" إلى رموز مفردة، كل منها يمثل كلمة.

يكمن السحر الحقيقي في التنبؤ. حيث تتفوق أدوات LLMs في التنبؤ بالرمز التالي في التسلسل. بعد تحليل الرموز القليلة الأولى (على سبيل المثال، "الثعلب الأسمر السريع")، تتنبأ الآلة بتوقع الكلمة الأكثر احتمالاً التي ستليها (على سبيل المثال، "يقفز"). ويستند هذا التنبؤ إلى الكم الهائل من البيانات النصية التي تم تدريب LLM عليها، مما يسمح لها بفهم السياق والعلاقات بين الكلمات.

تُمكِّن عملية التنبؤ المستمر هذه الآلية LLMs من أداء العديد من المهام بما في ذلك:

• التلخيص: يمكن لخبراء الإدارة القانونية تلخيص المستندات المطولة بكفاءة مثل التوصيف الوظيفي أو مراجعات الأداء أو طلبات المرشحين. تخيل أن يقوم أخصائي إدارة الموارد البشرية بتلخيص الوصف الوظيفي المطول في نقاط رئيسية تسلط الضوء على المؤهلات والمسؤوليات الأساسية، مما يوفر على أخصائيي الموارد البشرية وقتاً وجهداً ثميناً. (المصدر: 

• استخراج المعلومات: يمكن توجيه أخصائيي إدارة الموارد البشرية لاستخراج تفاصيل محددة من النص باستخدام المطالبات. على سبيل المثال، يمكن لأخصائي الموارد البشرية أن يطلب من أخصائي الموارد البشرية توجيه أخصائي الموارد البشرية لاستخراج مهارات أو خبرات محددة مذكورة في السيرة الذاتية، مما يسهل عملية الفرز. 

• التواصل المخصص: يمكن لـ LLMs تخصيص التواصل مع المرشحين والموظفين من خلال مطالبات مختلفة. تخيّل أن تقوم إدارة LLM بإنشاء رسائل بريد إلكتروني مخصصة مصممة خصيصًا للمرشحين الأفراد بناءً على مؤهلاتهم والدور الوظيفي المحدد، مما يعزز تجربة المرشح.

من المهم أن نتذكر أن هذه الآليات لا تزال قيد التطوير، ويجب معالجة الاعتبارات الأخلاقية مثل التحيز ودقة الوقائع قبل تطبيقها على نطاق واسع في ممارسات الموارد البشرية. ومع ذلك، لا يمكن إنكار إمكانات أدوات إدارة LLM في تبسيط المهام وتحسين الكفاءة وإضفاء الطابع الشخصي على تجربة الموارد البشرية. ومع استمرار تطور تكنولوجيا إدارة الموارد البشرية LLM في التطور، يمكن لمحترفي الموارد البشرية الاستفادة من هذه الأداة القوية لتشكيل مستقبل العمل وإنشاء عملية إدارة مواهب أكثر كفاءة وفعالية.

ما وراء الأساسيات: الطاقة التوليدية للموارد البشرية

تكمن الإمكانات الحقيقية لـ LLMs في قدراتها التوليدية. فمن خلال فهم السياق والعلاقات بين الكلمات، يمكن حثّ الآليات اللغوية المحدودة على إنشاء المعلومات. فيما يلي بعض حالات الاستخدام الشائعة:

• كتابة التوصيف الوظيفي: يمكن استخدام مسودات التوصيف الوظيفي لإنشاء مسودات أولية للتوصيف الوظيفي بناءً على معايير محددة يقدمها أخصائيو الموارد البشرية. وهذا يمكن أن يقلل بشكل كبير من الوقت والجهد اللازمين لإعداد توصيفات وظيفية دقيقة وجذابة.

• توليد أسئلة المقابلات: يمكن أن يُطلب من أخصائيي الموارد البشرية توليد أسئلة المقابلات بناءً على الدور الوظيفي المحدد ومهارات المرشح المطلوبة. يمكن أن يساعد ذلك أخصائيي الموارد البشرية على إنشاء عملية مقابلة أكثر استهدافاً وفعالية. 

• إنشاء ملاحظات الأداء: يمكن استخدام مسودات تقييمات الأداء لتوليد مسودات أولية لتقييمات الأداء، مع مراعاة بيانات الموظفين ومقاييس الأداء المحددة. ويمكن أن يوفر ذلك لموظفي الموارد البشرية نقطة انطلاق ويضمن الحصول على تغذية راجعة متسقة وموضوعية.

في حين أن الوظائف المذكورة أعلاه تُظهر تعدد استخدامات الآليات ذاتية القيادة (LLMs)، فإن تسخير إمكاناتها بفعالية يتوقف على الهندسة السريعة (لدينا مقال كامل مخصص لهذا الموضوع هنا). تشير الهندسة الفورية إلى فن صياغة تعليمات واضحة وموجزة توجه الآلية نحو تحقيق النتيجة المرجوة. تمامًا كما يؤدي تقديم تعليمات واضحة لزميل إلى تحقيق نتائج أفضل، فإن التعليمات المصممة جيدًا ضرورية لزيادة فعالية إدارة الموارد البشرية في مجال الموارد البشرية.

من خلال فهم عمليات LLM المختلفة - الاختزالية والتحويلية والتوليدية - يمكنك تخصيص المطالبات لتحقيق أهداف محددة:

• المطالبات الاختزالية: تعمل العمليات الاختزالية مثل مرشحات المعلومات، حيث تعمل على تكثيف المدخلات الكبيرة في مخرجات أصغر وأكثر تركيزًا. وهي تتفوق في استخلاص العناصر الرئيسية، مثل تلخيص تقرير مطول أو تحديد نقاط بيانات محددة مثل الأسماء أو التواريخ أو المواقع داخل نص. بالإضافة إلى ذلك، يمكن للعمليات الاختزالية تصنيف النص بناءً على محتواه أو أسلوبه، مثل تصنيف رسالة بريد إلكتروني كشكوى أو طلب وظيفة. مثال: تخيل الحاجة إلى تلخيص مراجعات الأداء المطولة للإدارة العليا. يمكن أن تكون المطالبة الفعالة هي "لخص نقاط القوة والضعف الرئيسية التي تم تحديدها في مراجعة الأداء هذه، مع التركيز على مجالات التحسين." توجه هذه المطالَبة طالب الإدارة العليا إلى تلخيص المعلومات مع تسليط الضوء على الجوانب الحاسمة.

• المطالبات التحويلية: تتلاعب العمليات التحويلية بشكل المعلومات وعرضها دون تغيير معناها الأساسي. فهي تتفوق في إعادة تشكيل المدخلات دون تغيير المحتوى الأساسي. تخيل تحويل كتلة نصية إلى جدول أو قائمة نقطية أو جدول زمني. تندرج تحت هذه الفئة أيضًا ترجمة اللغات وتغيير أنماط الكتابة لتكون أكثر رسمية أو غير رسمية أو مقنعة.
  مثال: يمكن تحويل التوصيف الوظيفي المطول إلى قوائم نقطية للمؤهلات والمسؤوليات الرئيسية من خلال مطالبة مثل: "قم بتحويل هذا الوصف الوظيفي إلى قائمة نقطية تبرز المهارات والخبرات الأساسية المطلوبة للوظيفة." توجه هذه المطالبة طالب الماجستير في القانون إلى إعادة هيكلة المعلومات مع الحفاظ على معناها الأساسي.

• المطالبات التوليدية: العمليات التوليدية هي المبدعين الحقيقيين، حيث تتوسع على مدخلات معينة لتوليد محتوى جديد تمامًا. تستخدم هذه العمليات المعلومات المتوفرة كنقطة انطلاق لإنتاج مخرجات أصلية مثل المقالات أو رسائل البريد الإلكتروني أو المقالات الكتابية الإبداعية أو حتى الأكواد. يمكنهم أيضًا طرح أفكار جديدة، أو توليد الخطوط العريضة، أو استكشاف موضوع ما بشكل أكبر من خلال إضافة تفاصيل وأمثلة.
  
  مثال: يمكن تسهيل العصف الذهني لمواد تدريبية جديدة من خلال مطالبة مثل: "توليد محتوى تدريبي مبتكر حول مهارات التواصل الفعّال، مع تضمين سيناريوهات واقعية ذات صلة بمؤسستنا." تشجع هذه المطالبة عضو هيئة التدريس على إنشاء محتوى أصلي بناءً على المعايير المقدمة.

من خلال إتقان هندسة الفوري، يمكن لأخصائيي الموارد البشرية إطلاق الإمكانات الكاملة لأدوات إدارة المواهب ودمجها بسلاسة في مختلف عمليات سير العمل. وهذا يُمكِّنهم من تبسيط المهام، وتعزيز الكفاءة، وإضفاء الطابع الشخصي على تجربة الموارد البشرية، مما يساهم في نهاية المطاف في عملية إدارة المواهب بشكل أكثر فعالية.

الخاتمة

يشهد مجال الذكاء الاصطناعي الجيني تطوراً سريعاً، مع ظهور تطورات جديدة بوتيرة غير مسبوقة. ومن المستحيل التنبؤ بالمسار الدقيق لهذه التكنولوجيا في السنوات القادمة. ومع ذلك، هناك شيء واحد مؤكد: سيستمر تأثير الذكاء الاصطناعي الجيني في النمو، وسيعيد تشكيل طريقة عملنا بشكل أساسي. وبصفتنا متخصصين في الموارد البشرية، فإن البقاء على اطلاع على هذه التطورات والبحث بنشاط عن فرص لدمج حلول الذكاء الاصطناعي الجيني المسؤولة سيكون أمرًا بالغ الأهمية في التعامل مع مستقبل العمل والاستعداد له.

المراجع

• https://www.forbes.com/sites/bernardmarr/2023/07/24/the-difference-between-generative-ai-and-traditional-ai-an-easy-explanation-for-anyone/?sh=3ee99d8d508a
• https://sitn.hms.harvard.edu/flash/2017/history-artificial-intelligence/
• https://history-computer.com/logic-theorist/
• https://blog.stackademic.com/understanding-the-difference-between-gpt-and-llm-a-comprehensive-comparison-1f624c713507#:~:text=GPT%20models%20excel%20at%20text,range%20of%20language%2Drelated%20tasks.&text=LLMs%20encompass%20a%20variety%20of,on%20the%20specific%20LLM's%2020objectives.
• https://www.techtarget.com/searchenterpriseai/definition/generative-AI#:~:text=Generative%20AI%20focuses%20on%20creating,many%20types%20of%20new%20outputs.
• https://dataconomy.com/2023/04/04/best-ai-models-types-how-to-choose-what-is/
• https://scs.georgetown.edu/news-and-events/article/9402/generative-ai-can-help-recruiters-shouldnt-replace-them
• https://analyticsindiamag.com/leena-ai-unveils-worklm-its-proprietary-large-language-model/
• https://joshbersin.com/2023/03/the-role-of-generative-ai-and-large-language-models-in-hr/
• https://www.capellasolutions.com/blog/leveraging-llms-for-enhanced-human-resource-management
• https://medium.com/@andrew_johnson_4/harnessing-large-language-models-for-human-resource-management-7390d193c608
• https://www.youtube.com/watch?v=aq7fnqzeaPc