[ad_1]
Seiring dengan terus bertransformasinya AI, pengalaman orang-orang yang dilayaninya pun ikut berubah.
Penelitian yang dilakukan oleh McKinsey menunjukkan bahwa pada tahun 2025, 62% organisasi setidaknya bereksperimen dengan agen AI, sementara hampir 9 dari 10 kini mengatakan bahwa mereka menggunakannya secara rutin.
Dekan School of Engineering di Manhattan University, Profesor Emerita dari desain teknik dan teknik mesin di Penn State University, dan seorang praktisi KAI.
Meskipun angka-angka ini menggembirakan, kekhawatiran mengenai teknologi ini tetap ada, terutama seputar kualitas dan keandalan data serta jawaban yang tidak akurat yang dapat dihasilkan oleh alat AI. Ketidakakuratan adalah risiko yang berupaya dimitigasi oleh sebagian besar organisasi, menurut McKinsey.
Jadi, adakah cara untuk meningkatkan keluaran LLM dan mendapatkan jawaban serta informasi yang kita inginkan dan sesuai kebutuhan? Saat ini, jawabannya adalah dengan memberi tahu pengguna agar lebih baik dalam menanggapi permintaan mereka, namun jika kita melihat bagaimana manusia berinteraksi satu sama lain, mungkin ada solusi lain.
Memperkenalkan keragaman kognitif – dan mengapa hal itu penting bagi LLM
Pada manusia, keragaman kognitif mengacu pada perbedaan dalam cara individu berpikir, memecahkan masalah, menghasilkan ide, dan mengambil keputusan.
Inventarisasi KAI menunjukkan bahwa keragaman ini muncul dalam bentuk preferensi alami dan bawaan terhadap jumlah struktur yang kita gunakan saat menghasilkan solusi, mengatur lingkungan saat kita menerapkannya, dan merespons aturan dan norma kelompok.
Teori Adaptasi-Inovasi, yang menjadi dasar KAI, menggambarkan spektrum yang berkisar dari sangat adaptif hingga sangat inovatif, dengan variasi tak terbatas di antaranya.
Secara umum, individu yang lebih adaptif lebih menyukai struktur yang lebih banyak dan lebih memilih untuk memanfaatkan peraturan yang jelas dan konsisten, sementara orang yang lebih inovatif lebih menyukai struktur yang lebih sedikit dan lebih cenderung mengabaikan atau mengubah peraturan agar tetap terlibat.
Preferensi seseorang terhadap lebih banyak adaptasi atau lebih banyak inovasi tidak berhubungan dengan preferensinya intelijen atau motivasi; dan karena itu, tidak ada posisi ideal yang bisa dimiliki seseorang di spektrum KAI.
Penelitian selama puluhan tahun oleh Dr. MJ Kirton mengenai Teori Adaptasi-Inovasi menunjukkan bahwa, ketika individu memahami gaya kognitif mereka, solusi dapat dicapai dengan cara yang lebih efektif, dapat ditindaklanjuti, dan efisien – baik sendiri maupun dalam tim.
Tapi bagaimana kita bisa menerapkan teori ini pada teknologi, dan bisakah kita melatih LLM untuk bekerja dengan cara yang sama? Penelitian menunjukkan jawabannya adalah ‘ya’.
Apa yang disarankan oleh penelitian ini:
Sebuah makalah baru-baru ini oleh para peneliti di Carnegie Mellon University dan Penn State University – Menempatkan Hantu di Mesin: Meniru Gaya Kognitif dalam Model Bahasa Besar – mengeksplorasi pertanyaan mendasar: dapatkah LLM meniru gaya kognitif jika kita mengajari mereka caranya?
Para peneliti mengajarkan model LLM tentang Teori Adaptasi-Inovasi, memberikan pemahaman tentang keragaman kognitif dan bagaimana orang yang lebih adaptif dan inovatif berperilaku. Ia kemudian ditugaskan untuk memecahkan tiga masalah desain menggunakan dua perintah berbeda, masing-masing perintah telah dirancang khusus dengan gaya kognitif yang berbeda.
Satu petunjuk dibingkai secara adaptif – mencerminkan gaya berpikir seseorang yang teliti, memperhatikan detail, dan berkembang ketika bekerja dengan ekspektasi yang jelas; petunjuk lainnya dibingkai secara inovatif – mencerminkan gaya berpikir seseorang yang bersemangat ketika ekspektasinya lebih ambigu dan terdapat fleksibilitas yang lebih besar.
Jawaban dievaluasi berdasarkan kelayakan (seberapa bisa diterapkan dan realistis solusinya) dan keterkaitan paradigma (apakah gagasan tetap berada dalam kerangka yang ada atau menyimpang dari kerangka tersebut).
Hasilnya menunjukkan bahwa pendekatan adaptif menghasilkan solusi yang lebih layak, terstruktur, dan tradisional. Sebaliknya, dorongan inovatif menghasilkan solusi yang kurang layak namun lebih menantang paradigma.
Sederhananya, LLM tidak hanya menghasilkan solusi atau jawaban, namun juga menghasilkan solusi yang tepat berdasarkan pengetahuannya tentang keragaman kognitif dan gaya kognitif efektif dari individu yang mengajukan pertanyaan.
Hasilnya, solusi ini memberikan solusi yang lebih inovatif/adaptif tergantung pada bagaimana solusi tersebut diminta dan apa yang dibutuhkan oleh penanya.
Tapi apa arti semua ini bagi masa depan LLM?
Sederhananya, kita menyia-nyiakan kekuatan LLM jika kita tidak memperhitungkan keragaman kognitif. Jika kita ingin mendapatkan solusi yang lebih baik, lebih relevan, dan produktif dari AI, serta menjadikannya lebih efisien, teknologi generasi berikutnya harus memiliki pemahaman tentang keragaman kognitif yang tertanam di dalamnya.
Dalam kehidupan nyata, kita jarang mengawali sebuah pertanyaan dengan menjelaskan secara rinci bagaimana kita berpikir atau mendekati suatu masalah, namun kita tahu kapan sebuah jawaban sesuai dengan cara berpikir kita atau tidak – dan apakah jawaban seperti itu yang kita cari. Jika LLM dapat memberi kita rentang kemungkinan jawaban yang sama dengan yang diwakili oleh spektrum gaya kognitif, hal ini akan menghilangkan siklus dorongan yang tidak ada habisnya hingga kita menemukan jawaban yang kita perlukan.
Penelitian menunjukkan bahwa, dengan mengintegrasikan pemahaman tentang gaya kognitif manusia ke dalam teknologi itu sendiri, kita memberikan keunggulan pada diri kita sendiri dan alat AI kita. Dari sana, peluang untuk mendapatkan harga yang lebih baik lagi produktivitasefisiensi dan kepuasan pengguna berpotensi meroket.
Kami menampilkan Model Bahasa Besar (LLM) terbaik untuk pengkodean.
[ad_2]
Tautan sumber
