طريقة إسب

عملية التجزئة الأسية

السياق

تواجه الطريقة التي نصمم بها وننفذ العمل تحديًا من خلال ظهور LLMs. ولكن اعتمادها على نطاق واسع يعوقه أهميتها المحدودة، حيث تبين أن استغلال إمكاناتها الكاملة أكثر تعقيدا من المتوقع.

يضاف إلى هذا الجمود الوهم من جانب المستخدم، حيث يخلط الأخير بين أهداف مقدمي النماذج (السعي وراء ASI) والقدرات الحقيقية لـ LLMs.

إن الوعود بالاستقلالية لا تساعد في تخفيف هذا الوهم، حيث تولد توقعات متناقضة وسلوكيات غير عقلانية، مشتركة بين السلبية المتأصلة في الخوف من الاستبدال المخطط له، والرغبة في التعجيل بقدوم خدمة UPS لملء خيبة الأمل، وبالتالي إنكار ما هو فوري. ومع ذلك، فإن فائدة LLMs حقيقية وملموسة للغاية.

إن الافتقار إلى الصلة والوعود غير المتناسبة ينقل تصورًا خاطئًا على الفور لفائدة نماذجIA محولات.

وهكذا، فمن الاستخدامات الأولى، تبدو نماذج GPT قليلة الفائدة بالنسبة لنا مقارنة بالجهود اللازمة التي يجب بذلها لنستخرج منها ما يعادل توقعاتنا.

ومع ذلك، لإدراك المدى الفوري لإمكانات ماجستير إدارة الأعمال، من الضروري تغيير المنظور، بدءًا من التذكير بأنها مجرد أدوات لدعم المهام، مع بقاء البشر في قلب إنتاج القيمة.

إن الاستبدال سوف يحدث بالفعل، ولكن سيتم ذلك تحت دافع الإنسان الذي يعرف كيفية استغلال إمكانات نماذج GPT، وليس من خلال الذكاء الاصطناعي نفسه، من خلال عامل الذكاء الوحيد، لأنه بدون قصد الإنسان،ذكاء إصطناعي لا يزال خاملًا.

وبالتالي فإن التحدي المتمثل في التبني الناجح يكمن أولاً في فهم حدود LLMs، من أجل فهم مدى إمكاناتها من الزاوية الصحيحة، وتعلم كيفية استغلالها بالكامل.

فهم الحدود

تكمن مشكلة حاملي شهادات LLM في أسلوبهم الموحد في معالجة اللغة.

إنها تنتج إجابات عامة للغاية، مما يخفف من الخصوصية والدقة والأصالة، بل ويذهب إلى حد تشويه الحقيقة لمطابقة خصائص الملاءمة لقيمة متوسطة مرجحة، وهي الأكثر احتمالًا من الناحية الإحصائية.

هذه الظاهرة، المتأصلة في عمل الشبكات العصبية الاصطناعية، تقلل من الأهمية التي يدركها المستخدم وتولد فقدان الملاءمة بين التوقعات والنتائج المقدمة.

ومن ثم تبدو جهود التحول أكبر من أن تتمكن من تكييف الحلول مع الاحتياجات الفريدة للمستخدمين، ولا سيما من خلال منظور وعد آخر لا يمكن الدفاع عنه، ألا وهو الضبط الدقيق.

معقدة ومكلفة وتستغرق وقتا طويلا وغير قابلة للتكيف مع التغيرات الدائمة في البيئة المهنية، والضبط الدقيق لا يحل مشكلة التعميم المنهجي إلا بشكل غير كامل.

ومع ذلك، لمواجهة هذا الاتجاه نحو التعميم، هناك شيء واحد يكفي؛ تقسيم المهام، ثم تكليفها بذكاء اصطناعي شديد التخصص، ومخصص ومركّز على أهداف فريدة، بحيث يكون الاهتمام بالمهام هو الأمثل من خلال السياق الفائق.

من خلال تعيين مهام صغيرة لذكاءات اصطناعية مخصصة، مبرمجة خصيصًا لهذه المهام الصغيرة المحددة، يصبح من الممكن معالجة كل عنصر بسرعة وخبرة متزايدة، دون تطورات تقنية معينة، ودون التقليل من الأهمية المتصورة ودون اللجوء إلى الضبط الدقيق تمامًا. .

يضمن هذا التقسيم نتائج أكثر صلة من كل وجهة نظر، وبالتالي تحسين جودة النتائج الناتجة ورضا المستخدم.

من ناحية أخرى، وعلى عكس الضبط الدقيق، يتيح هذا النهج تعديلات مستمرة ومرنة وسهلة التنفيذ لتحسين قدرات الذكاء الاصطناعي المتخصص، وتعزيز سلوكه وفقًا للسيناريوهات التي تمت مواجهتها أثناء تشغيله.

لا يزال من الضروري معرفة كيفية التقسيم من خلال النظر في تباين أهداف ونوايا المتقدمين، مع تضمين منظور تفسير الذكاء الاصطناعي.

تشكل طريقة ESP الحل لهذه المشكلات، من خلال معالجة الملاءمة من خلال جميع الأبعاد التي تؤثر عليها، من خلال التقسيم الدقيق للمهن والتخصصات والمهام إلى مهام صغيرة.

ولا يقتصر هذا النهج على تحسين العمليات البسيطة، ولكنه يمهد الطريق لعصر جديد من الكفاءة والأهمية في عالم العمل المدعوم بالذكاء الاصطناعي.

تعريف الطريقة

تعد طريقة ESP، وهي اختصار لعبارة "عملية التجزئة الأسية"، بمثابة نهج تجزئة استراتيجي يهدف إلى تحسين الأداء التنظيمي والتشغيلي بشكل كبير من خلال التأثيرات التراكمية التي تعمل فيها كل مهمة يتم تضخيمها بواسطة الذكاء الاصطناعي على تضخيم المهام الأخرى.

تعتمد الطريقة على مبدأ تقسيم العمليات والتخصصات والمهام إلى مهام صغيرة وتخصصات فرعية، مما يجعل من الممكن تجميع مكاسب الكفاءة.

يلعب كل عنصر من عناصر هذه الطريقة دورًا أساسيًا من خلال تأثير التآزر والتراكم، مع التركيز على التحسين المنهجي لأصغر خطوة في العملية والتجزئة العميقة لكل عنصر من عناصر تخصصات الأعمال.

يسلط الحرف "E" الذي يعني "الأسّي" الضوء على أهمية زيادة الأداء بشكل كبير من خلال التأثيرات التراكمية للتحسينات. في كل خطوة في عملية المهمة، يمكن للمؤسسات تحقيق توفير كبير في الوقت التراكمي. وتعزز هذه الديناميكية النمو السريع والمستدام، وهو أمر ضروري في بيئة الأعمال التنافسية.

يشير الحرف "S" لـ "التجزئة" إلى التحلل المنهجي للمشاريع والعمليات والإدارات والمهن والمهام والمهام الفرعية السياقية، بهدف القضاء على تضارب النوايا والأهداف المتأصلة في التعميم الناجم عن GPT. ويتيح هذا النهج توزيعًا أفضل للموارد وزيادة دقة التنفيذ وإدارة أكثر كفاءة للمشاريع.

أخيرًا، يشير الحرف "P" لـ "العملية" إلى إنشاء إجراءات موحدة لضمان التنفيذ المتسق للعمليات، بما يتماشى مع أطر النوايا والأهداف، مما يسمح بفهم أفضل للتأثيرات الإضافية وزيادة التحكم في هذه الأخيرة، وبالتالي الاعتراف بالتأثيرات الكاملة استغلال الآثار التراكمية.

يعد تأثير طريقة ESP على الكفاءة التشغيلية كبيرًا، مما يجعل من الممكن تحسين معدل كفاءة الذكاء الاصطناعي بنسبة تصل إلى 70%.

وهذا لا يقلل من وقت التنفيذ فحسب، بل يقلل أيضًا من الأخطاء، مع زيادة جودة النتائج ورضا المستخدم، ولكل جانب من هذه الجوانب تأثير على الأداء ومعدل الدوران.

المبادئ في العمل

تتيح طريقة ESP استخلاص المادة الدافعة لـ LLMs من خلال أربعة مبادئ وأساليب تعمل بالتآزر: التجسيم والتحلل والعمق والذاتية.

التجسيم

نحن البشر لا ندرك بشكل بديهي جودة ما تتضمنه المهنة من تخصصات ومهام وما يرتبط بها من مهام فرعية. ومن ناحية أخرى، نحن نعرف ما هي أنواع الاحتياجات العامة التي تلبيها المهنة (أو الخدمة).

وبالتالي، يجب علينا (البشر) أن نبني نهجنا المهني في التعامل مع الذكاء الاصطناعي من خلال منظور المهنة، لأنه معيار بديهي يلغي جزءًا كبيرًا من الأسئلة المتعلقة بما يمكن أن يُسأل عن مهنة واحدة بدلاً من أخرى.

لكن يجب ألا ننسى أنه مع الذكاء الاصطناعي، يتم تحديد أساليب تنفيذ المهنة بأنفسنا، مما يعني ضمنا أننا ممثلون ومتفرجون على النتيجة.

كشركة مصنعة لأهمية النتيجة، يجب علينا أن نحدد بدقة متناهية ما هي المعلومات التي يجب أن يتلقاها الذكاء الاصطناعي المسؤول عن المهمة. وذلك حتى تتمكن من الاستجابة لطلباتنا كمتفرج، مع الأخذ في الاعتبار أن منظور الملاءمة هذا متغير حسب ظروف الطلب.

وهنا يأتي دور النهج المجسم، لأننا في الحقيقة، باعتبارنا فاعلين في النتيجة، غير قادرين على تحقيق مستوى الدقة المطلوب لتلبية متطلبات دورنا المتفرج.

من ناحية أخرى، باعتبارنا هذا المتفرج للنتيجة الناتجة، يمكننا قياس مدى ملاءمتها وبالتالي تكييف دورنا كممثل.

في الواقع، باعتبارنا متلقين للاستجابة الناتجة عن الذكاء الاصطناعي الذي نحن أيضًا مهندسوه، يمكننا الحكم على مدى كفاية توقعاتنا في مواجهة الآثار التي نفترضها بشأن المهنة، وتوجيه هذه الكفاية بحيث يتم التعميم أن تكون موجهة بمعنى أننا نعطيها.

وبالتالي، فإن تجسيم الأعمال هو في المقام الأول معيار مرجعي، بالنسبة لنا أكثر من الذكاء الاصطناعي، مما يسمح لنا بلعب أدوار مختلفة تتعلق بالتفاعلات التجارية، في بناء الأهمية المتوقعة.

وبالتالي فإن تجسيم الأعمال يؤدي إلى توجيه مسبق للنوايا والأهداف العامة، وهو أمر ضروري لوضع سياق الطلبات المتغيرة لمقدم الطلب، مع الحفاظ على الملاءمة بين أهدافه وأهداف الذكاء الاصطناعي المجسم المطلوب.

وبالتالي فإن تجسيم الأعمال يشكل خطوة أولى أساسية في طريقة ESP، مما يجعل من الممكن مواءمة توقعاتنا مع النتائج التي يتم التنبؤ بأهميتها من خلال التعرف البديهي على الآثار المترتبة على الأعمال، دون معرفة التداعيات.

ومع ذلك، فإن تجسيم الأعمال ليس كافيًا في حد ذاته، لأنه لا يشير بأي حال من الأحوال إلى طرق معالجة محددة متأصلة في الطلبات، على الرغم من أنها موجهة نحو الأعمال.

مبدأ التحلل

يؤدي تجسيد المهنة بواسطة الذكاء الاصطناعي إلى ظهور سلوكيات أساسية تبدو متماسكة، لكن النتائج الناتجة عن التجسيم البسيط تظل عامة للغاية وبالتالي غير قابلة للاستخدام.

يكمن مفتاح آخر للملاءمة في استخلاص الجوهر العميق للمهن، أي التخصصات والمهارات والمعارف المرتبطة بها، مما يجعل من الممكن دمج الدقة المطلوبة في تنفيذ الذكاء الاصطناعي المجسم.

ولتحقيق هذا المستوى من الدقة، من الضروري أولاً توضيح الاختلافات بين المهنة والتخصصات التي تنطوي عليها، مع الأخذ في الاعتبار معايير الذكاء الاصطناعي الخاصة، ومعايير التفسير الخاصة به، من أجل منعه من تقييم الخصوصيات التي نفكر فيها. نقدم من خلال الدقة.

المهنة حسب الذكاء الاصطناعي

تتضمن المهنة تطبيقًا متغيرًا لمهارات متعددة، يعكس كل منها عدة أطياف من المعرفة تتنوع أهميتها أيضًا. (المهارات المتعلقة بمجال التطبيق، المعرفة المتعلقة بديناميكية التفسير فيما يتعلق بالمهارات التي سيتم ممارستها، فيما يتعلق مباشرة بسياق التنفيذ).

الانضباط وفقا لمنظمة العفو الدولية

ومن ناحية أخرى، يتكون النظام بشكل جوهري من مهارات محددة، تعكس كل منها أيضًا معرفة محددة، ولكنها تتفاعل ضمن إطار مختصر (العالم الحصري للنظام). وهذا يمنع الترجيح العام الناتج عن مجموع المكونات المهنية، لأن كل التفاصيل المستخرجة من طبيعة التخصص تشترك معها في الجوهر.

تعتبر هذه المفاهيم واختلافاتها حاسمة، لأنه بدون قيود في التوجه وعرض نطاق التفسير الذي له تأثير سلوكي، يقوم الذكاء الاصطناعي بتعميم والفصل بشكل منهجي في الخصائص ذات الصلة بالنسبة لنا.

في الواقع، في جميع الظروف، فإنه يفسر نوايانا، ويفترض توقعاتنا ضمن إطار عام، وهو، هنا، مهنة، تتكون في حد ذاتها من تخصصات، وبالتالي من مهارات أساسية متعددة وأطياف من المعرفة التي خصائصها في هذا السياق المقياس هو بالفعل متوسط مرجح لا يسمح بالعمق.
وفي ظل هذه الظروف فإن النتيجة من غير الممكن أن تكون ذات صلة، لأن توليدها يشتمل على عدد لا يحصى من التقديرات التقريبية، وكل واحدة منها يتم تبسيطها للحصول على المتوسط الأكثر ترجيحاً من الناحية الإحصائية.
الأمر الذي لا يؤدي إلا إلى العمومية وغياب الخصوصية المتأصلة في الأهمية المتوقعة.
وينتج عن ذلك العديد من عمليات إعادة العمل والتعديلات التي غالبًا ما تستغرق وقتًا أطول من القيام بذلك بنفسك، بدون الذكاء الاصطناعي.
وبالتالي، فإن تقسيم المهن إلى تخصصات له أهمية كبيرة، لأنه يحد من إمكانيات التفسير بينما يضيق تركيز اهتمام الذكاء الاصطناعي، وبالتالي يزيد من الأهمية المنتجة.

يعد هذا التحلل شرطًا أساسيًا لوضع الذكاء الاصطناعي المهني المجسم موضع التنفيذ، لكنه ليس كافيًا، لأن هذا التحلل لا يقدم سوى المستوى الأول من العمق: الانضباط في المهنة.

مبدأ العمق

لكي تكون ملاءمة النتائج مثالية ومنهجية، يجب أن يتم تجزئة كل تخصص مستخرج بدوره، هذه المرة من حيث المهارات والمعرفة، مما يؤدي إلى استخلاص مهام ذات أهداف واحدة.

يؤدي هذا التقسيم الفرعي الإضافي بدوره إلى تقليل أطر التنفيذ، مما يقلل بشكل أكبر من احتمالات سوء تفسير النوايا والأهداف، مع زيادة تضييق نطاق اهتمام الذكاء الاصطناعي.

يمكن بعد ذلك تقسيم المهمة ذات الهدف الواحد التي لم تعد تنطوي على تضارب في التفسير أو الهدف إلى مهام صغيرة شديدة التخصص، مما يؤدي إلى فكرة ذات أهمية مثالية، تتميز بتركيز الاهتمام المخصص بالكامل لكل مهمة صغيرة على حدة.

وبالتالي، فإن كل مهمة، مقسمة بشكل منهجي إلى عدة مهام صغيرة، تحصل على أقصى مستوى من الاهتمام، مما يعزز أهمية تفسير الذكاء الاصطناعي من خلال تأثير العمق والأهمية الملحوظة من خلال تأثير التركيز. كل من هذه التأثيرات يضخم بعضها البعض.

وهذا يعزز أيضًا القدرة على إنتاج الملاءمة عندما يكون لدينا دور الفاعل في هذه الملاءمة، لأن التحلل العميق يكشف لنا أصغر مكونات هذه البقع الدقيقة. المكونات التي يعتبرها الذكاء الاصطناعي معالم، على الرغم من أنها غير محسوسة بالنسبة لنا.

كممثل ذي صلة

يتيح لنا استخراج تفاصيل العناصر التي تشكل المهنة والتخصصات والمهارات والمعرفة والمهام والمهام الدقيقة ذات الصلة تحديد توقعاتنا وتكوين الذكاء الاصطناعي المجسم بطريقة مثالية.

كمتفرج

تكشف هذه التفاصيل والمقتطفات المجزأة عن التوقعات المحتملة للمستخدم النهائي (والذي قد يكون نحن)، مما يجعل من الممكن تحديد إطار النوايا بشكل أفضل بحيث تكون الاستعلامات متوافقة تمامًا مع قدرات الذكاء الاصطناعي المتاحة، مما يساهم في إلى التوجيه المسبق الفعال من ناحية، وإلى عمق التفاعلات من ناحية أخرى.

الذاتية

وأخيرًا، من المناسب العودة إلى الطريقة التي يتم بها التعامل مع المهمة بمساعدة الكمبيوتر، دون الذكاء الاصطناعي، من أجل إدراك أفضل لتدرج مستويات العمق والعوامل المؤثرة المجاورة لها.

يقوم البشر بتوزيع انتباههم بشكل حدسي وفقًا لأولوياتهم وأهدافهم، مستغلين قدراتهم المعرفية ووقتهم ومهاراتهم ومعارفهم وطاقتهم لتحديد عمق المعالجة وكذلك مستوى تفاصيلها وفقًا لطبيعة العملية. حاجة فورية.

يتحكم البشر باستمرار في التسلسل الهرمي لأولويات الاهتمام، ومستوى التركيز، والعمق المطلوب، الذي يعتمد في حد ذاته على الأهداف، ويعتمد الأخير أيضًا على عوامل التفسير.

وهذا العمل المعرفي والغريزي ثابت. ولا يمكن للذكاء الاصطناعي إعادة إنتاجه، لأنه في جميع الحالات، الحكم على مدى الملاءمة هو حكمنا.

في الواقع، فإن خصائص الملاءمة هي ذاتية. ولذلك فهم يخضعون لحكمنا بطبيعتهم.

بمعنى آخر، أي نتيجة تبدو ذات صلة، ولكن معايير أهميتها التي يحتفظ بها الذكاء الاصطناعي تفلت منا، لا يمكن أن تقدم مستوى كافيًا من الموثوقية لاستخدامها.

لأن الموثوقية يتم تحديدها حصريًا من خلال حكمنا.

ومن هنا تأتي الحاجة إلى استخلاص خصائص هذه الأهمية الذاتية بعناية من أجل السيطرة على جميع الجوانب التي قد تفلت منا في نهج غير مجزأ وعمومي بطبيعته.

لأن الأمر لا يتعلق أكثر ولا أقل بالثقة في النتائج المتولدة في أطر متغيرة، بما في ذلك الأحكام والقرارات التي يجب أن تعتمد موثوقيتها على التحكيم البشري. الأمر متروك له لتحديد تدرج العمق بالمعرفة الكاملة بالحقائق، بدءًا من المهنة وحتى المهام الدقيقة.

هذا، مع عدم نسيان أن الأطر والسياقات يجب أن تكون مقيدة قدر الإمكان لضمان خصوصية العمق من جهة، وتوجيه أقصى قدر من الاهتمام نحو ما حددناه سابقًا في ضوء التجزئة من جهة أخرى.

وهذا يساهم في الثقة في النتائج الناتجة، لأنه من خلال الاستخلاص التفصيلي لأصغر المكونات وصولاً إلى مقاييس غير قابلة للتجزئة، فإننا نتقن أسس الموثوقية والملاءمة.

ويتم تحقيق ذلك عن طريق التقسيم المتتالي للمهنة > التخصصات > | المهارات والمعرفة | > المهام > المهام الصغيرة التي تشكل العمق.

وفي الوقت نفسه، فإن هذا الإطار الدقيق يجعل من الممكن وضع مبادئ ذاتية للتفسير مسبقًا في جميع الأبعاد التي تنطوي عليها المهمة، دون أن تعاني النتيجة من تخفيف الأهمية المتوقعة من حيث الخصوصية والعمق.

وبالتالي فإن طريقة ESP تضمن الاستغلال الأمثل لإمكانات LLMs، عن طريق تحويل العمليات المعرفية البشرية في نهاية المطاف إلى إجراءات مجزأة ينفذها البشر.

ثم يصبح الأخير مشغلاً للأنظمة البيئية للذكاء الاصطناعي. إنه يقود ويأمر ويتحكم ويضع موضع التنفيذ أنظمة الذكاء الاصطناعي التي تم إنشاؤها وبرمجتها خصيصًا لإنجاز مهام معينة، لأهداف معينة، والتي يقوم بعد ذلك بتجميعها من أجل المساهمة في هدف أوسع يظل هو المقاول الرئيسي له.

في هذه المنافسة المتزامنة للمبادئ والأساليب تكمن أهمية استخدام الذكاء الاصطناعي، مما يزيد من سرعة التنفيذ والجودة بمقدار عشرة أضعاف، ويقلل معدلات الخطأ ويكون له تأثير كبير على رقم الأعمال، لا سيما من خلال اقتصاديات وقد تم تحقيق هذا النطاق بفضل القدرات الزائدة التي يتمتع بها كل إنسان.

تنفيذ طريقة ESP

يتطلب تنفيذ طريقة ESP خبرة في الهندسة السريعة والأدوات المناسبة.

الشروط:

لديك حساب على neuraking.com، لكي تكون قادرًا على إنشاء ذكاء اصطناعي مجسم احترافي.

يمتلك قدرات مهندس سريعة صالحة لاستغلال الإمكانات الكاملة لـ AI ESP التي يعتمد عليها تنفيذ الطريقة.

الإجراءات عبر IA ESP:

قم بزيارة AI ESP هنا: https://neuraking.com/ia-assistants/esp/.

الخطوة 1: تحديد الأعمال باستخدام ESP AI

تشتمل كل مهنة على قطاعات يجب تحديدها قبل أي تجزئة، وذلك للتأكد من أن تعريفنا للدلالات يتوافق مع فكرة النماذج التحويلية التي سيتم استخدامها.

وسنستخدم هنا المثال "المحاسب".

أ: استخراج أو التحقق من اسم المهنة الملازم للحاجة

ب: تحديد المهن التي سيتم تحويلها إلى الذكاء الاصطناعي المجسم

سيقدم ESP AI قائمة بالمهن المرتبطة بالمصطلح الذي تم إدخاله (هنا: محاسب).

ج: اختيار المهن وتصنيفها

في هذه المرحلة، تشير استجابة ESP AI إلى الهيكل التنظيمي الذي سيحتاج إلى تكراره، حيث تكون كل مهنة عبارة عن ذكاء اصطناعي سيتم إنشاؤه، مثل هذا:

للمحاسبة:

المحاسب العام = الذكاء الاصطناعي
مساعد محاسب = الذكاء الاصطناعي
المدقق الداخلي = الذكاء الاصطناعي
إلخ

وهكذا بالنسبة لكل مهنة يجب تقسيمها لاحقًا.
يحيط علما بهذا لإخضاع كل مهنة لهذا الإجراء.

الخطوة 2: استخراج التخصصات مع زميل فريق ESP AI

أ: استخراج التخصصات باستخدام ماركو C.3.02.11.24

من إحدى المهن التي يوفرها الذكاء الاصطناعي ESP، سننتقل إلى استخراج التخصصات باستخدام الذكاء الاصطناعي "Marco C.3.02.11.24"، زميل ESP الأول.

للتوضيح سوف نستخدم "خبير الضرائب"، مع تحديد "في شركة محاسبة". وهذا التوضيح ضروري، لأننا بدأنا من مصطلح “المحاسبة”، ولكن هذه الزاوية غير معروفة لماركو C.3.02.11.24.

ب: تحديد التخصصات التي سيتم نقلها إلى أقسام أعضاء الفريق المجسمة

سيقدم IA Marco C.3.02.11.24 قائمة بالتخصصات المرتبطة بالوظيفة/المهنة، مع مفاهيم أولية واضحة حول إمكانيات تدخل IA LLM (هنا: متخصص ضرائب في شركة محاسبة).

هنا، تشير إمكانيات الاستخدام المذكورة إلى المهارات والمعرفة التي ستكون ضرورية لاستغلال الذكاء الاصطناعي المرتبط به، ولكن لا يؤخذ ذلك في الاعتبار بشكل مباشر في هذه المرحلة من عملية الاستخراج.

في هذه المرحلة، يخبرنا الرد من AI Marco C.3.02.11.24 قبل كل شيء بالهيكل التنظيمي لأقسام أعضاء الفريق التي يجب أن ترافق بشكل مثالي أخصائي ضرائب الذكاء الاصطناعي، مثل هذا:

الذكاء الاصطناعي الرئيسي:

ضريبة الذكاء الاصطناعي

أقسام زميل فريق الذكاء الاصطناعي:

التحليل والتنبؤ الضريبي
- أفراد الطاقم المتخصص (غير معروفين في هذه المرحلة)
المطابقة التنظيمية
- أفراد الطاقم المتخصص (غير معروفين في هذه المرحلة)
التخطيط الضريبي
- أفراد الطاقم المتخصص (غير معروفين في هذه المرحلة)
كشف الاحتيال
- أفراد الطاقم المتخصص (غير معروفين في هذه المرحلة)
إدخال البيانات وإنشاء التقارير
- أفراد الطاقم المتخصص (غير معروفين في هذه المرحلة)
الاستشارة الضريبية
- أفراد الطاقم المتخصص (غير معروفين في هذه المرحلة)
إدارة التوثيق
- أفراد الطاقم المتخصص (غير معروفين في هذه المرحلة)

النقل في نهاية الإجراء بهذه الطريقة:

ج: اختيار الأقسام وتصنيفها

قم بتسجيل الأقسام المدرجة من أجل إعادة تخزينها مع أعضاء الفريق لاحقًا.

في هذه المرحلة، لا يمكننا بعد تحديد هذه العناصر، لكن من الضروري إنشاء المنظمة التي ستدمجها.

الخطوة 3: استخراج أفعال الحركة التي تقتصر على قدرات LLM

إن صدى المهارات والمعرفة والأفعال والأفعال الضمنية هي العناصر التي ستميز توجهات الأهداف والمهام، دون الحاجة إلى إنشاء المعرفة والمهارات.

ولتحقيق هذه الغاية، يقدم رد ماركو C.3.02.11.24 مؤشرات حول إمكانيات المساعدة بواسطة الذكاء الاصطناعي، مما يجعل من الممكن الحد من النهج المتبع في مجال قدرات الذكاء الاصطناعي التوليدي وتوجيه خيارات الاختيار في هذا الإجراء.

لاستخراج أفعال الفعل وعناصر الفعل الضمنية غير اللفظية، يجب عليك اختيار إحدى الإجابات من Marco C.3.02.11.24 لنقلها إلى Laurent F.1.01.24، على سبيل المثال: “التحليل وضريبة التنبؤ: الذكاء الاصطناعي يمكن أن يساعد في التحليل كميات كبيرة من البيانات الضريبية لتحديد الاتجاهات والتنبؤ بالنتائج الضريبية.

تعتبر هذه العناصر مهمة أيضًا لتحديد توجهات تجزئة المهام التي تساهم في حسن سير هذا الإجراء.

الخطوة 4: استخراج المهام المرتبطة بالانضباط

ج: استخراج المهام

من أحد التخصصات التي يوفرها AI Marco C.3.02.11.24 والعناصر التي يوفرها Laurent F.1.01.24، سننتقل إلى استخراج المهام المرتبطة بزميل فريق ESP الثالث: Sienna B .2.02.11.24. XNUMX.

للتوضيح سوف نستخدم "التحليل والتنبؤ الضريبي"، تحديد أفعال الفعل والأفعال الضمنية المقدمة من Laurent F.1.01.24.

في هذه المرحلة، يبدأ عمق المهام في الظهور بمفهوم زمني للمعالجة والإجراءات الأساسية (على غرار المهارات والمعرفة التي سيتم تقديمها لاحقًا كمعلمات).

ب: تحديد واختيار

حدد المهام التي تتوافق بشكل أفضل مع توقعاتك للمساعدة في مجال الذكاء الاصطناعي، ثم قم بتدوينها لتقسيم كل من هذه المهام لاحقًا إلى خطوات معالجة.

الخطوة 5: تقسيم المهام إلى خطوات

من إحدى المهام التي تقدمها AI Sienna B.2.02.11.24، سننتقل إلى التحلل إلى خطوات المعالجة مع Hugo D.1.02.11.24.

لن يشير هذا الذكاء الاصطناعي إلى ما يجب على الإنسان فعله فحسب، بل سيحدد أيضًا المهام الصغيرة المرتبطة به والتي يمكن تقسيمها مع أعضاء الفريق الآخرين أو الذكاء الاصطناعي التجاري أو الإدارات.

للتوضيح سوف نستخدم "جمع البيانات الضريبية ذات الصلة من الفترات السابقة".

لقد تم اختيار هذا المثال عمداً لجانبه غير البديهي، لأن مصطلح "الجمع" يقودنا إلى الاعتقاد بأن هذه المهمة (الجمع) تقع على عاتق الإنسان، وبالتالي لا يوجد سبب لوجودها.

لكن لا بد من التعمق على هذا الأساس لاستخراج المادة الدقيقة من اعتبارات النماذج التحويلية.

ستساعدنا إجابة Hugo D.1.02.11.24 على فهم جوهر كل مهمة من خلال تسليط الضوء على كيفية المضي قدمًا من حيث الأهمية الإجرائية والتحليل الأمثل إلى أنظمة الذكاء الاصطناعي وزملاء الفريق المناسبين.

في هذه المرحلة، يخبرنا الرد من AI Hugo D.1.02.11.24 بتفاصيل الهيكل التنظيمي لأعضاء الفريق الذين ينبغي دمجهم بشكل مثالي في الأقسام المرتبطة بأخصائي الضرائب في الذكاء الاصطناعي، كما تم تحديده مسبقًا من خلال الرد من ماركو سي.3.02.11.24.

هكذا :