فرض کنید مسئول یک کلاس هستید و می‌خواهید از روی چند خط یادداشت، پیامی برای شرکت‌کنندگان آماده کنید. به یک دستیار هوش مصنوعی می‌گویید «یک یادآوری رسمی بنویس». پاسخ مرتب و آمادهٔ ارسال است، اما تاریخ را یک روز جلوتر نوشته و اضافه کرده است که غیبت باعث حذف از دوره می‌شود. شما چنین شرطی نگفته بودید. اگر فقط نثر را ببینید، کار تمام به نظر می‌رسد. اگر نتیجه را با اطلاعات واقعی مقایسه کنید، می‌بینید دستیار در نوشتن متن کمک کرده و هم‌زمان دو تصمیم را به جای شما گرفته است.
هوش مصنوعی کاربردی یعنی بتوانیم همین فرق را در موقعیت‌های مختلف تشخیص بدهیم. بعضی کارها مانند پیشنهاد چند ساختار برای متن، ساده کردن یک توضیح یا طراحی سؤال تمرینی از مدل کمک می‌گیرند. بعضی کارها مانند تعیین حق مشتری، اعلام یک موعد رسمی یا توضیح یک نتیجهٔ تخصصی نیاز به داده و مسئول مشخص دارند. این راهنما دربارهٔ ابزارهای مولد است؛ همان‌هایی که در پاسخ به درخواست، متن یا محتوای تازه می‌سازند. اصل استفاده این است که پیش از درخواست معلوم کنیم مدل قرار است در کدام بخش کمک کند و چه چیزی باید پس از پاسخ دوباره بررسی شود.
مدل در چه کاری مفید است و کجا باید بیشتر مراقب باشیم؟
دستیار مولد می‌تواند از زمینه‌ای که در اختیارش گذاشته‌اید استفاده کند و الگوهایی را که آموخته در یک پاسخ کنار هم بگذارد. روان بودن پاسخ به معنی تطابق آن با منبع یا وضعیت واقعی شما نیست. مؤسسهٔ ملی استاندارد و فناوری آمریکا در نمایهٔ مدیریت ریسک مدل‌های مولد، تولید پاسخ غلط با لحن مطمئن را از خطرهای این ابزارها می‌داند و به خطرهایی از جمله حریم خصوصی و وابستگی بیش از اندازه به پاسخ هم می‌پردازد. [۱] نتیجهٔ عملی این است که کیفیت نگارش را از درستیِ محتوا جدا بسنجیم.
قبل از شروع بپرسید اگر مدل اشتباه کند، چه کسی آن را می‌بیند و هزینه‌اش چقدر است. پیشنهاد عنوان برای نوشته‌ای که خودتان مرور می‌کنید، معمولاً اصلاح‌پذیر است. تهیهٔ یک پیام جمعی بر اساس مقرراتی که درست در اختیار مدل نگذاشته‌اید، می‌تواند تصمیم افراد را عوض کند. دادن پاسخ آماده برای یک موضوع پزشکی، حقوقی یا مالی با پیامد جدی، نیاز به بررسی مسئول واجد صلاحیت و منابع معتبر مربوط به همان شرایط دارد. به مدل می‌توانید برای مرتب کردن سؤال‌ها یا فهمیدن اصطلاحات عمومی رجوع کنید؛ تصمیم نهایی باید بر شاهد معتبر و بررسی انسانی تکیه کند. [۱]
کار را طوری تقسیم کنید که جای کنترل روشن باشد
مثلاً برای یک اطلاعیهٔ تغییر زمان، اطلاعات ثابت را خودتان از برنامهٔ معتبر بردارید. از مدل بخواهید در دو جمله برای مخاطب توضیح دهد چه چیزی تغییر کرده است. بعد متن را برای تاریخ، ساعت، محل و شرایط استثنا با برنامه تطبیق بدهید. در این تقسیم، نویسندهٔ متن و مسئول اطلاعات می‌توانند دو نقش متفاوت باشند. اگر از ابتدا از مدل بخواهید «همه چیز را آماده کن»، ممکن است همهٔ پاسخ یک‌پارچه به نظر برسد و تشخیص اینکه کدام جمله از شما آمده و کدام را مدل ساخته سخت شود.
در کارهای کم‌خطر هم می‌توانید اندازهٔ کمک را محدود کنید. کسی که می‌خواهد متن خودش را روان‌تر کند شاید از مدل بخواهد سه جملهٔ مبهم را پیدا کند و برای هرکدام توضیح دهد چرا سخت خوانده می‌شود. لازم نیست مدل تمام متن را بازنویسی کند. اگر می‌خواهید یک ایده را بهتر کنید، می‌توانید بخواهید چند نقطهٔ ضعف یا مثال مخالف پیشنهاد کند. وقتی فقط یک بخش کار را واگذار می‌کنید، آسان‌تر می‌توانید ببینید چه چیزی بهتر شده و کجا لحن یا منظور قبلی تغییر کرده است.
یک درخواست خوب از چه چیزهایی ساخته می‌شود؟
درخواست خوب از توضیح طولانی‌تر بودن به‌تنهایی به دست نمی‌آید. مدل باید بداند چه کاری انجام می‌دهد، از چه اطلاعاتی استفاده کند، پاسخ برای چه کسی است و کدام بخش‌ها باید ثابت بمانند. اگر می‌خواهید فقط همین متن بازنویسی شود، بگویید دادهٔ تازه اضافه نکند. اگر می‌خواهید مسئله را باز کند، بخواهید فرض‌ها را از نتیجه جدا کند. اگر اطلاعاتی کم است، می‌توانید از آن بخواهید پیش از نوشتن سؤال کند یا جای خالی را مشخص بگذارد. این دستورها جلوی همهٔ خطاها را نمی‌گیرند، اما بررسی نتیجه را ساده‌تر می‌کنند.
این نمونه برای همان پیام کلاس نوشته شده است. ساعت و تاریخِ فرضی فقط دادهٔ نمونه‌اند و باید در کار واقعی با اطلاعات معتبر جایگزین شوند.
برای شرکت‌کنندگان یک پیام کوتاه و محترمانه بنویس. کلاس چهارشنبه به ساعت ۱۸ منتقل شده و محل همان سالن قبلی است. تاریخ شمسی را اضافه نکن چون در یادداشت مشخص نشده. دربارهٔ غیبت یا جریمه چیزی ننویس. اگر عبارتی لازم است که در این اطلاعات نیست، آن را به صورت پرسش از من مطرح کن.
حالا نتیجه را با همان داده‌ها مقایسه کنید. اگر مدل نوشته «برگزاری کلاس از این پس ساعت ۱۸ خواهد بود»، باید روشن کنید تغییر فقط برای یک نوبت است یا دائمی. اگر گفته «حضور الزامی است»، قید تازه وارد متن شده است. برای اصلاح از یک دستور مشخص استفاده کنید: «تغییر فقط برای همین جلسه است؛ تعهد تازه اضافه نکن.» در بازبینی دوم هم همهٔ موارد مهم را ببینید، چون اصلاح یک جمله ممکن است جملهٔ دیگری را تغییر داده باشد.
از مدل بخواهید فرض‌هایش را قابل دیدن کند
فرض کنید گزارشی از چند گفت‌وگو با مشتری دارید و می‌خواهید برای بررسی اولیه دسته‌بندی‌شان کنید. می‌توانید از مدل بخواهید هر موضوع را با یک جمله از متنِ مجاز پشتیبانی کند، موردهای مبهم را در گروه جدا بگذارد و تعداد موارد را اعلام کند. وقتی پاسخ را می‌خوانید، نمونه‌ها را کنار متن بگذارید. اگر یکی از جمله‌ها را نمی‌توانید در متن پیدا کنید، آن را به عنوان شاهد نپذیرید. اگر مدل چند نظر متفاوت را به یک دسته برده، بررسی کنید تعریف دسته بیش از اندازه کلی نبوده باشد.
این شیوه برای برنامه‌ریزی هم کار می‌کند. اگر از مدل می‌خواهید برای یک جلسه سه گزینه بدهد، از آن بخواهید بگوید هر گزینه به چه شرایطی وابسته است. برای مثال، پیشنهاد برگزاری آنلاین ممکن است فرض کند همه به اینترنت و زمان مناسب دسترسی دارند. اگر این فرض برقرار نیست، ارزش پیشنهاد کمتر می‌شود. داشتن فهرست فرض‌ها به شما کمک می‌کند ببینید دقیقاً کدام قسمت را باید از افراد واقعی بپرسید. برای صورت‌بندی مسئله و سنجیدن گزینه‌ها، راهنمای حل مسئله و تصمیم‌گیری مسیر جداگانه‌ای دارد.
قبل از وارد کردن اطلاعات، تصمیم بگیرید چه چیزی لازم است
اگر کار فقط ساختن نمونهٔ نامه است، معمولاً نام کامل، شماره تماس، شناسه، آدرس یا جزئیات قرارداد لازم نیست. می‌توانید از «مشتری الف»، دادهٔ ساختگی یا شرح کلی استفاده کنید و اطلاعات واقعی را بعداً در محیط مجاز اضافه کنید. حذف نام همیشه کافی نیست. ترکیب یک تاریخ، سمت، محل و جزئیات کمیاب ممکن است دوباره فرد را قابل تشخیص کند. در کار سازمانی، مجاز بودن استفاده از یک ابزار به سیاست محل کار، تنظیمات و نوع داده بستگی دارد. از ابزار تأییدشده استفاده کنید و برای کارهایی که دادهٔ حساس می‌خواهند، پیش از شروع روشن کنید چه کسی اجازهٔ بررسی و استفاده دارد. [۱] [۲]
برای مثال، اگر می‌خواهید قالب پاسخ به درخواست بازگشت کالا بسازید، نیازی نیست پیام کامل مشتری با نشانی، شماره سفارش و شرح خصوصی‌اش را در ابزار عمومی وارد کنید. می‌توانید یک نمونهٔ فرضی بسازید: مشتری کالایی دریافت کرده که با اندازهٔ انتخابی سازگار نیست و می‌خواهد فرایند بازگشت را بداند. از مدل بخواهید فقط برای توضیح مراحل شناخته‌شده کمک کند و خط‌مشی را از متن مصوب شما بگیرد. اگر مدل برای بهتر کردن پاسخ درخواست اطلاعات بیشتری کرد، خودتان بسنجید آیا آن جزئیات واقعاً برای این مرحله لازم‌اند.
آپلود، تصویر و پیوند هم ممکن است اطلاعات منتقل کنند
گاهی متن کوتاه است، اما ضمیمه تمام اطلاعاتی را دارد که باید محافظت شوند. یک تصویر از داشبورد ممکن است نام افراد، شماره پرونده یا پیام‌های خصوصی را در حاشیه نشان دهد. پیوند یک سند هم می‌تواند اطلاعات دسترسی داشته باشد. قبل از فرستادن، تمام محتوای فایل یا تصویر را ببینید و به قسمت برجسته اکتفا نکنید. اگر یک جدول برای پیدا کردن قالب نیاز است، می‌توانید تنها سطر و ستون‌های نمونه را با دادهٔ ساختگی جدا کنید. نمونهٔ کوچک‌تر هم برای بررسی پاسخ وقت کمتری می‌گیرد و هم احتمال انتقال اطلاعات اضافی را کم می‌کند.
اگر برای کار ضروری، ابزار بدون دسترسی به دادهٔ واقعی فایده‌ای ندارد، جایگزین مناسب می‌تواند ابزار سازمانیِ مجاز یا انجام دستی همان بخش باشد. تصمیم را به فرض «مدل احتمالاً این را جایی نمی‌فرستد» نسپارید. باید بدانید داده برای چه منظور و در چه محیطی استفاده می‌شود. راهنمای یونسکو برای آموزش و پژوهش نیز حفاظت از داده و نقش انسانی را در استفاده از ابزارهای مولد پررنگ می‌کند. [۲]
پاسخ را با چه روشی بررسی کنیم؟
اول ببینید کدام جمله‌ها اگر اشتباه باشند نتیجه را عوض می‌کنند. در متن یادآوری، ساعت و شرایط حضور از انتخاب سلام یا پایان پیام مهم‌ترند. در یک گزارش، نام شخص، عدد، تاریخ، نسبت دادن نقل‌قول و نتیجه‌گیری‌های سببی معمولاً به بررسی نیاز دارند. متن بلند را یکجا با معیار «خوب به نظر می‌رسد» نسنجید. جملهٔ دارای ادعا را علامت بزنید و منبعش را کنار آن بگذارید. اگر نمی‌توانید منبع مناسب پیدا کنید، آن جمله را حذف کنید، به عنوان فرض بیان کنید یا برای بررسی بیشتر کنار بگذارید.
ارجاع تولیدشده را شخصاً باز کنید
ابزار ممکن است نام مقاله، مؤسسه یا پیوندی بدهد که ظاهر واقعی دارد. حتی اگر پیوند باز شود، باید ببینید صفحهٔ مقصد همان ادعا را پشتیبانی می‌کند یا نه. ممکن است تحقیق برای گروه خاصی انجام شده باشد و پاسخ آن را به همه تعمیم دهد. ممکن است عنوان منبع درست باشد و عددی که از آن نقل شده اشتباه باشد. دنبال بخش، جدول یا جمله‌ای بگردید که اثر ادعاشده را نشان می‌دهد. اگر فقط موضوع کلی مشابه است، منبع کافی نیست. مسئله را به مدل دیگری نسپارید تا همان نقل را تأیید کند؛ دو پاسخ مشابه جای اصل شاهد را نمی‌گیرد. [۱]
برای ادعاهای وابسته به زمان، تاریخ منبع را هم ثبت کنید. ممکن است ابزار بتواند به منابع تازه دسترسی داشته باشد یا نتواند. در هر دو حالت، باید ببینید وضعیت برای چه تاریخ و کدام زمینه گفته شده است. اگر ابزار می‌گوید «آخرین مقررات»، اصل متن رسمی و تاریخ اجرا را پیدا کنید. اگر این اطلاعات برای تصمیم شما مهم است و دسترسی به اصلش ندارید، پاسخ را موقت نگه دارید. برای سنجش منشأ و تاریخ، راهنمای سواد رسانه‌ای مسیر بررسی منبع را توضیح می‌دهد.
خلاصه را با متن اصلی مقایسه کنید
در خلاصه‌ها فقط دنبال جملهٔ ساخته‌شده نباشید. حذف یک استثنا، جا انداختن یکی از نظرها یا تبدیل پیشنهاد به تصمیم می‌تواند جهت متن را عوض کند. مثلاً در صورت‌جلسه نوشته‌اند «اگر تا چهارشنبه تأیید نهایی رسید، سفارش ارسال شود». خلاصه ممکن است بگوید «ارسال برای چهارشنبه برنامه‌ریزی شد». تاریخ از متن آمده، اما نقش شرط عوض شده است. خلاصهٔ خوب باید جای شرط، مسئول و موعد را حفظ کند. اگر این سه چیز اهمیت دارند، آن‌ها را پیش از خواندن سبک نگارش با اصل متن تطبیق دهید.
گاهی متن اصلی ناقص است. اگر در یادداشت نیامده چه کسی باید اقدام کند، دستیار نباید کسی را حدس بزند. می‌توانید فیلد «مسئول تعیین نشده» را نگه دارید تا در جلسه بعد روشن شود. همین قاعده برای جداول هم مفید است. عددی که در یک سطر خالی است نباید با میانگین یا حدس پر شود، مگر اینکه خودتان تعریف کرده باشید قرار است یک برآورد مشخص بسازید. تفاوت دادهٔ مشاهده‌شده و تخمین باید در خروجی قابل دیدن باشد.
برای تصمیم واقعی یک نمونهٔ مخالف پیدا کنید
اگر مدل پیشنهاد داده همهٔ پیام‌های پشتیبانی را خودکار پاسخ دهید، نمونه‌ای پیدا کنید که پاسخ خودکار در آن کافی نباشد. شاید مشتری دو سفارش هم‌زمان دارد یا دربارهٔ خطایی می‌پرسد که قبلاً رسیدگی شده است. دیدن یک مورد متفاوت کمک می‌کند بفهمید باید پیام به انسان منتقل شود یا قاعدهٔ روشن‌تری لازم است. برای متن آموزشی هم می‌توانید از مدل بخواهید یک مثال مخالف بدهد و خودتان ببینید آیا به تعریف مربوط است. هدف این است که نتیجه فقط در حالت ساده و آشنا کار نکند.
سه کاربرد روزمره با سه روش متفاوت
یادگیری یک مبحث ناآشنا
به جای اینکه از ابزار بخواهید همهٔ پاسخ‌ها را آماده کند، می‌توانید از آن بخواهید بعد از هر تلاش شما بازخورد بدهد. برای مثال، ابتدا خودتان معنی یک پاراگراف را توضیح دهید. سپس بخواهید به شما بگوید کدام بخش توضیح مبهم است و یک سؤال برای یادآوری بپرسد. اگر ابزار بلافاصله جواب نهایی را نشان دهد، شاید بخشی از تمرین را از دست بدهید. می‌توانید از ابتدا بگویید تا وقتی پاسخ نداده‌اید، فقط سرنخ بدهد. این شیوه به شما اجازه می‌دهد بفهمید واقعاً چه چیزی را فهمیده‌اید و چه چیزی صرفاً آشنا به نظر می‌رسد.
در یادگیری زبان، بازخورد مدل می‌تواند مثال‌های متنوع بسازد، اما زبان طبیعی به موقعیت وابسته است. یک تعبیر ممکن است در نامهٔ رسمی مناسب باشد و در گفت‌وگو عجیب به نظر برسد. اگر هدف شما بهتر حرف زدن با آدم واقعی است، نتیجه را با متن‌های معتبر یا بازخورد یک گویشور بررسی کنید. برای درس دانشگاهی هم به قواعد استاد یا مؤسسه دربارهٔ استفاده از ابزار توجه کنید و اجازه ندهید پاسخ آماده جای کار مورد انتظار را بگیرد. راهنمای یونسکو استفادهٔ آموزشی را در کنار عاملیت یادگیرنده و تصمیم انسانی قرار می‌دهد. [۲] اگر مسئلهٔ اصلی انتخاب روش تمرین است، راهنمای یادگیری مؤثر از همان نقطه شروع می‌کند.
نوشتن در محیط کار
یک پیام کاری ممکن است نثر ساده بخواهد، اما اصل پیام از رابطه و تصمیم واقعی می‌آید. اگر باید دربارهٔ تأخیر به همکار خبر بدهید، اول خودتان روشن کنید چه چیزی قطعی است، چه چیزی هنوز معلوم نیست و قرار است چه وقت خبر بعدی را بدهید. بعد برای کوتاه کردن و انتخاب ترتیب جمله‌ها کمک بگیرید. بازبینی کنید که عبارت‌های مؤدبانه باعث حذف مسئولیت یا تغییر موعد نشده باشند. اگر ابزار جمله‌ای مثل «در اولین فرصت اطلاع می‌دهیم» پیشنهاد کرد، زمانی را بنویسید که واقعاً می‌توانید خبر بدهید.
برای بررسی اثر کمک، یک بار بدون ابزار و یک بار با آن پیش بروید. شاید در متن‌های تکراری صرفه‌جویی مشخصی ببینید، ولی برای نامهٔ حساس بازبینی آن‌قدر زمان ببرد که نوشتن مستقیم سریع‌تر باشد. کیفیت را هم با معیار خواننده بسنجید: آیا کسی که متن را می‌گیرد می‌فهمد باید چه کند؟ آیا میان توضیح، درخواست و تصمیم فرق گذاشته شده؟ این معیار از این پرسش که «آیا متن حرفه‌ای به نظر می‌رسد؟» به نتیجهٔ واقعی نزدیک‌تر است.
خلاصه کردن نظرها و گزارش‌ها
فرض کنید تیم شما نظرهای بی‌نام و مجاز دربارهٔ روند ثبت‌نام جمع کرده است. برای پیدا کردن موضوع‌ها می‌توانید از مدل بخواهید چند دستهٔ اولیه پیشنهاد دهد و برای هر دسته شناسهٔ سطرهای مربوط را بنویسد. سپس نمونه‌ای از سطرها را خودتان بخوانید. اگر مدل در یک دسته «نداشتن زمان» و «پیدا نکردن زمان مناسب» را با هم گذاشته، بررسی کنید این دو برای تصمیم شما فرق دارند یا نه. اولی شاید به طول فرایند مربوط باشد و دومی به محدودیت انتخاب. خلاصه‌ای که این فرق را از بین می‌برد، ممکن است شما را به اقدام کم‌اثر برساند.
حواستان به نظرهای کم‌شمار اما مهم هم باشد. اگر بیشتر افراد از ظاهر فرم حرف زده‌اند و فقط چند نفر گفته‌اند نمی‌توانند با صفحه‌خوان آن را تکمیل کنند، موضوع دوم را فقط به دلیل فراوانی کمتر حذف نکنید. قبل از دادن کار به مدل روشن کنید علاوه بر تعداد، شدت پیامد و گروه‌های متاثر هم مهم‌اند. گزارش نهایی باید با دادهٔ اصلی سازگار باشد و معلوم باشد دسته‌بندی بخشی از تحلیل است، نه ثبت بی‌طرفانهٔ همهٔ واقعیت. برای طراحی بررسی، مقالهٔ روش تحقیق دربارهٔ گردآوری و تفسیر شاهد توضیح بیشتری دارد.
چه زمانی بهتر است فرایند را خودکار نکنیم؟
کمک گرفتن برای یک پیش‌نویس با فرستادن پاسخ بدون بررسی فرق دارد. در حالت دوم، خطا پیش از رسیدن به مخاطب شاید دیده نشود. اگر تصمیم ممکن است دسترسی، درآمد، حق یا اعتبار کسی را عوض کند، باید مسئول انسانی بتواند منشأ تصمیم را توضیح دهد و امکان رسیدگی به خطا وجود داشته باشد. مثلاً پاسخ خودکار دربارهٔ وضعیت یک سفارش ساده ممکن است با دادهٔ معتبر و راه ارجاع کار کند. رد کردن درخواست مشتری بر اساس متنی که ابزار از شرح مبهم برداشت کرده، به بررسی بیشتری نیاز دارد. تعیین حدود این دو کار از همان ابتدا به طراحی فرایند کمک می‌کند. [۱]
نمونهٔ دیگر، استفادهٔ گروهی از ابزار برای بررسی رزومه‌هاست. مرتب کردن درخواست‌ها با ویژگی‌های روشن و مجاز یک کار است و نتیجه‌گیری دربارهٔ شایستگی یک فرد کار دیگری. اگر ابزار بتواند پیشنهادش را روان توضیح دهد، این توضیح جای شناخت معیار و بررسی شواهد را نمی‌گیرد. قبل از چنین کاربردی باید مسئولیت، اجازهٔ استفاده از داده، معیار تصمیم و راه اعتراض روشن باشند. برای شروع عملی، حوزه‌ای را انتخاب کنید که خطا در آن زود دیده شود و برگشت از آن ممکن باشد.
برای یک کار تکرارشونده معیار کوچک تعریف کنید
اگر تیم هر هفته از مدل برای پیش‌نویس پیام‌ها استفاده می‌کند، چند نمونهٔ نماینده انتخاب کند و نتیجه را با معیار ثابت بسنجد. می‌شود دقت اطلاعات، وضوح اقدام و زمان بازبینی را جدا ثبت کرد. اگر متن از نظر لحن بهتر شده اما هر بار یک تاریخ اشتباه در آن هست، صرفه‌جویی واقعی به اندازه‌ای که از اولین نگاه به نظر می‌رسد نیست. اگر ابزار برای درخواست‌های ساده مناسب است و برای موقعیت‌های خاص نیاز به اصلاح زیاد دارد، فرایند را بر اساس همین تفاوت طراحی کنید. لازم نیست یک دستور برای همهٔ پیام‌ها به کار برود.
تغییر ابزار، مدل یا تنظیمات هم می‌تواند نتیجه را عوض کند. اگر استفاده برای تیم اهمیت دارد، نمونه‌های قدیمی را با روش تازه مرور کنید و ببینید آیا نوع خطا تغییر کرده است. یک نمونهٔ موفق از هفتهٔ قبل کافی نیست که نتیجهٔ امروز را تضمین کند. همچنین مشخص کنید وقتی ابزار در دسترس نیست، کار چگونه پیش می‌رود. اگر کل فرایند به پاسخ یک ابزار وابسته باشد، قطع دسترسی می‌تواند یک کار ساده را متوقف کند. نسخهٔ انسانیِ کوتاه یا قالبِ ازپیش آماده گاهی برای ادامهٔ کار کافی است.
جدول انتخاب مقدار کمک
جدول زیر نشان می‌دهد بر اساس کاری که در دست دارید، چه چیزی را به مدل بدهید و پس از پاسخ کدام بخش را شخصاً بررسی کنید. نمونه‌ها برای تصمیم اولیه‌اند و سیاست محل کار یا مقررات استفاده از داده را عوض نمی‌کنند.
| کار | کمک مناسب | بررسی انسانی |
|---|---|---|
| پیش‌نویس اطلاعیه | مرتب کردن متن از روی دادهٔ مجاز. | تاریخ، شرط، مخاطب و مسئول. |
| آمادگی برای یادگیری | پرسش تمرینی یا توضیح با مثال. | حل مستقل و تطبیق با منبع معتبر. |
| جمع‌بندی نظرهای کاربران | دسته‌بندی اولیه و آوردن نمونه از متن بی‌نام. | وجود نمونه در داده، معنی دسته و موارد حذف‌شده. |
| تصمیم حساس دربارهٔ افراد | کمک محدود به کار مجاز، مانند مرتب کردن پرسش‌ها. | سنجش مستقل شواهد، اختیار و مسئولیت تصمیم. |
اگر هنوز نمی‌دانید کار در کدام ردیف می‌گنجد، از پیامد اشتباه شروع کنید. چه کسی آن را کشف می‌کند؟ آیا می‌شود قبل از ارسال اصلاحش کرد؟ آیا اطلاعات ورودی لازم و مجازند؟ ممکن است تصمیم بگیرید ابتدا با یک نمونهٔ ساختگی روش را بسنجید و بعد دربارهٔ کار واقعی تصمیم بگیرید. این مسیر معمولاً از امتحان مستقیم ابزار با دادهٔ واقعی قابل کنترل‌تر است.
در کار فارسی چه چیزهایی را جداگانه مرور کنیم؟
در فارسی، بعضی خطاها ممکن است در متن روان به چشم نیایند. یکی تبدیل تاریخ شمسی و میلادی است. اگر موعد رویداد در سامانه با تاریخ شمسی ثبت شده، همان تاریخِ معتبر را در متن بگذارید و در صورت نیاز به تبدیل، با تقویم یا سامانهٔ مسئول تطبیق دهید. نام روز هفته را نیز جدا بررسی کنید. مدل ممکن است تاریخ را از شما گرفته باشد، اما نام روز را خودش ساخته باشد. در اطلاعیه‌ای که برای چند شهر یا کشور فرستاده می‌شود، ساعت و منطقهٔ زمانی را واضح بنویسید. تبدیل درست تاریخ، درستی ساعت را ثابت نمی‌کند.
واحد و شکل عدد هم می‌تواند معنی را تغییر دهد. اگر مبلغ در دادهٔ اصلی ریال است و متن برای خوانندهٔ معمولی به تومان نوشته می‌شود، ابتدا خودتان واحد را تعیین کنید و عدد را دوباره حساب کنید. اگر گفته‌اید «کمتر از دو میلیون»، مطمئن شوید بازنویسی آن را به «تا دو میلیون» تغییر نداده است. اگر بخشی از مبلغ یا هزینه هنوز قطعی نیست، پاسخ نباید آن را به عددی مشخص تبدیل کند. روش خوب این است که عدد و واحد را از منبع معتبر بردارید و پس از ویرایش، نسخهٔ نهایی را دوباره با همان متن تطبیق دهید.
نام‌ها و اصطلاح‌های تخصصی را هم مرور کنید. یک حرف جاافتاده در نام یک پژوهشگر یا سازمان می‌تواند مخاطب را به منبع دیگری بفرستد. در ترجمه، ممکن است یک واژهٔ مشترک چند معنای مختلف داشته باشد. از مدل بخواهید جاهایی را که ترجمه به زمینه بستگی دارد مشخص کند و سپس خودتان ببینید اصطلاح در متن اصلی چه نقشی دارد. اگر اصطلاحی در فارسی جا افتاده است، لازم نیست برای هر کلمه معادل تازه بسازید. معیار مهم این است که خواننده همان چیزی را بفهمد که در متن معتبر گفته شده است.
روانی زبان را با مناسب بودن برای موقعیت یکی نگیریم
پیامی که با عبارتی رسمی و طولانی شروع می‌شود شاید از نظر دستور بی‌نقص باشد، اما در یک گروه کاری کوچک بیش از حد دور به نظر برسد. از طرف دیگر، لحن بسیار خودمانی برای اطلاعیه‌ای که به افراد ناآشنا می‌رسد مناسب نیست. به جای اینکه فقط «محترمانه» بخواهید، نمونه‌ای کوتاه از لحن مطلوب یا توضیحی دربارهٔ رابطه بدهید. بعد متن را بلند بخوانید. اگر واقعاً حاضر نیستید همان جمله را به مخاطب بگویید، احتمال دارد کلمه‌ها با شیوهٔ ارتباط شما جور نباشند. دستیار می‌تواند انتخاب جمله‌ها را آسان کند و تصمیم دربارهٔ صدا و لحن به شما برمی‌گردد.
ساختار متن هم بر فهم اثر دارد. اگر ابزار برای یک موضوع ساده یک فهرست بلند ساخت، ببینید آیا خواننده واقعاً برای انجام کار به همهٔ بخش‌ها نیاز دارد. شاید یک پاراگرافِ روشن و یک تاریخ کافی باشد. اگر مقایسهٔ چند گزینه مهم است، جدول می‌تواند خواناتر باشد، به شرط اینکه واحدها و شرط‌ها یکسان نمایش داده شوند. ویرایش نهایی فقط زیبا کردن جمله‌ها نیست؛ بخشی از آن این است که اطلاعات را به شکلی بدهید که مخاطب بتواند تصمیم بگیرد.
اگر به جای جواب، چند خروجی ناسازگار گرفتیم
فرض کنید از ابزار سه بار دربارهٔ ساختار یک گزارش سؤال کرده‌اید و هر بار ترتیب متفاوتی داده است. در انتخاب ساختار، چند پاسخ متفاوت می‌تواند مفید باشد. یکی برای مدیر پرمشغله مناسب است، دیگری برای همکار فنی و سومی برای خواننده‌ای که با موضوع آشنا نیست. معیار را به مخاطب و کارش وصل کنید. اگر اختلاف دربارهٔ یک واقعیت است، مثل اینکه مهلت درخواست چه روزی است، انتخاب پاسخ محبوب فایده‌ای ندارد. باید از بیرونِ پاسخ به منبع اصلی برسید. پیش از مقایسه روشن کنید تفاوت دربارهٔ پیشنهاد است یا دربارهٔ ادعای واقعی.
گاهی مدل در جواب سؤال دوم طوری حرف می‌زند که گویا پیشنهاد سؤال اول را فراموش کرده است. از آن بخواهید موارد ثابت و تغییرها را جدا بنویسد و خودتان ببینید چه چیزی عوض شده. اگر در حال نوشتن یک سند طولانی هستید، نسخهٔ معتبر را خارج از گفت‌وگو نگه دارید. با این کار اگر بخشی از زمینه نادیده گرفته شد، می‌توانید فقط قسمت لازم را با توضیح روشن وارد کنید و به بازسازی همهٔ تصمیم‌ها از روی پاسخ‌های پراکنده نیاز ندارید. برای کار گروهی هم بهتر است معلوم باشد چه نسخه‌ای مبنای بازبینی است.
یک مسیر ساده برای گزارش خطا داشته باشید
اگر از ابزار برای کاری استفاده می‌کنید که چند نفر نتیجه‌اش را می‌بینند، راهی بگذارید که بتوانند خطا را نشان دهند. در یک پاسخ خودکار، مثلاً می‌توان گزینهٔ رسیدگی انسانی یا نشانی واحد مسئول را در نظر گرفت. در سند آموزشی، می‌توانید یادداشت کنید کدام بخش با کمک ابزار تهیه و چگونه بررسی شده است، اگر قواعد محل آموزش چنین چیزی می‌خواهد یا دانستنش برای خواننده اهمیت دارد. هدف از این کار این است که وقتی پاسخ نادرست است، فرد بداند به چه کسی مراجعه کند و اصلاح به همان مخاطبی برسد که نسخهٔ نخست را دیده است.
اگر خطایی پیدا کردید، تنها همان پاسخ را درست نکنید. ببینید آیا ورودی مبهم بوده، ابزار به منبع لازم دسترسی نداشته یا مرحلهٔ بازبینی آن ادعا را نمی‌دیده است. اگر مشکل هر بار در تبدیل تاریخ رخ می‌دهد، تاریخ را از سامانه بگیرید و تغییرش را به مدل نسپارید. اگر خطا در خلاصه کردن نظرهای مخالف است، نمونهٔ بررسی را از همان دسته بردارید. اصلاح فرایند کمک می‌کند دفعهٔ بعد برای همان خطر دوباره هزینه ندهید.
بعضی درخواست‌ها پس از این بررسی به شکل ساده‌تری درمی‌آیند. اگر می‌بینید مدل هر بار باید دوباره همان اطلاعات ثابت را بپرسد، شاید قالبی مشخص برای ورودِ داده بهتر باشد. اگر در نهایت همهٔ جمله‌ها را بازنویسی می‌کنید، شاید ارزش اصلی ابزار در پیشنهاد ساختار یا سؤال باقی‌مانده باشد. دربارهٔ دامنهٔ کمک با توجه به نتیجه تصمیم بگیرید. کوچک‌تر کردن نقش ابزار می‌تواند فرایند را دقیق‌تر، قابل بررسی‌تر و در بعضی کارها سریع‌تر کند.
برای کارهای تکراری یک مثال معیار نگه دارید
فرض کنید هر هفته می‌خواهید از روی یادداشت جلسه، فهرست اقدام‌ها بسازید. یک یادداشت ساختگی تهیه کنید که در آن یک تصمیم قطعی، یک پیشنهاد و یک شرطِ باز وجود دارد. بعد نسخهٔ درست را خودتان بنویسید. هر بار شکل درخواست یا ابزار را تغییر دادید، آن را روی همین نمونه امتحان کنید و ببینید سه حالت را از هم جدا می‌کند یا نه. این نمونه جای بررسی صورت‌جلسهٔ واقعی را نمی‌گیرد. مزیتش این است که پیش از استفاده می‌فهمید آیا روش تازه دست‌کم یکی از خطاهای شناخته‌شده را تکرار می‌کند.
برای گسترش این مثال، یک مورد هم بگذارید که نام مسئول در آن نیامده است. خروجی درست باید نداشتن اطلاعات را نشان دهد، حتی اگر از نظر ظاهری فهرست ناقص به نظر برسد. اگر نتیجه هر بار نامی می‌سازد، راه مناسب شاید استفاده از قالبی باشد که در آن «نامشخص» یک پاسخ معتبر است و مسئول بعداً تکمیل می‌شود. مثال معیار باید شبیه کار واقعی باشد و عمداً اطلاعاتی نداشته باشد که قرار است مدل از خودش حدس بزند. همین جزئیات کمک می‌کند ارزیابی، تنها مقایسهٔ دو متن خوش‌خوان نباشد.
پیشنهاد مطالعه
Co-Intelligence: Living and Working with AI نوشتهٔ ایتن مولیک در فهرست بوکادمی آمده است. برای کسی که دنبال نمونه‌های استفاده از مدل در نوشتن، یادگیری و کار است، کتاب نقطهٔ خوبی برای ادامهٔ مطالعه است. برای ارزیابی خطرهای مشخص، مانند پاسخ ساختگی یا انتقال داده، منابع فنی این مقاله بحث جداگانه‌ای دارند. [۱] [۳]
جمع‌بندی
در یادآوری کلاس، مدل توانست جمله‌ها را مرتب کند، اما تاریخ و شرط غیبت را هم تغییر داد. راه عملی این است که تاریخ، مخاطب و سیاست دوره را پیش از نوشتن مشخص کنید و از مدل بخواهید جزئیات نامعلوم را علامت بزند. بعد نسخهٔ نهایی را با یادداشت اصلی و اطلاعات ثبت‌نام تطبیق دهید. اگر چیزی نامشخص است، آن را از مسئولش بپرسید تا حدس وارد پیام نهایی نشود.
برای کاری که تکرار می‌شود، نمونه‌ای با پاسخ معلوم نگه دارید و تغییر در ابزار یا دستور را روی آن امتحان کنید. وقت اصلاح و اهمیت خطا را هم بسنجید. ممکن است دستیار برای ساخت پیش‌نویس یا دسته‌بندی اولیه سودمند باشد و هنوز تصمیم دربارهٔ مبلغ، موعد یا ارسال پیام نیاز به بررسی فرد مسئول داشته باشد. مسئولیتِ نسخهٔ نهایی را پیش از استفاده روشن کنید.
دیدگاه‌ها (۰)