سود:
- توانایی طراحی حرفه ای پروپوزال مشاوره (حوزه، رویکرد، تیم، مدت زمان، قیمت) با پشتیبانی از هوش مصنوعی
- امکان قرار دادن گیت های اعتبار سنجی و چک لیست های کیفیت در گردش کار انتها به انتها و بازرسی هر خروجی مهم قبل از انتشار
- توانایی تبدیل اصول محرمانه بودن، اخلاقیات، صداقت منبع و تایید کارشناسان به یک عادت پایدار در کل فرآیند.
یک کار مشاوره اغلب نه با تجزیه و تحلیل، بلکه با یک پیشنهاد شروع می شود: سندی که درک صحیح شما از مشکل مشتری، رویکرد راه حل شما، تیم شما، چارچوب زمانی و قیمت شما را توضیح می دهد. یک پیشنهاد خوب برنده تجارت است. یک پیشنهاد بد یا اغراق آمیز هم باعث از بین رفتن کسب و کار و هم به شهرت می شود. در این بخش نهایی، ما دو چیز را با هم ترکیب میکنیم: تهیه پیشنویس یک پیشنهاد حرفهای با هوش مصنوعی و گردآوری تمام اصول تأیید، حریم خصوصی و اخلاقی که در طول ماژول آموختهایم و در یک جریان کاری امن سرتاسر. هدف این است که از هوش مصنوعی در هر مرحله از مشاوره استفاده شود و در عین حال اطمینان حاصل شود که هیچ خروجی حیاتی بدون نظارت به مشتری نمی رسد.
اسکلت یک پیشنهاد خوب
یک پیشنهاد مشاوره قوی شامل بخشهای زیر میشود: درک مشکل (گفتن مشکل مشتری به زبان او)، رویکرد (چگونه آن را حل میکنید، چه چارچوب/روششناسی)، طرح تجاری و جدول زمانی، تیم و نقشها، محصولات مورد انتظار، قیمت و شرایط پرداخت، مراجع. هوش مصنوعی این اسکلت را به سرعت پر می کند، اما هرگز دو چیز را به مدل واگذار نکنید: درک واقعی مشتری از مشکل خود و قیمت.
نقش شما: مشاوره نویسنده پروپوزال. مشتری و مشکل: [خلاصه]. رویکرد من: [چارچوب/روش شناسی]. مدت زمان: [هفته]. تیم: [نقش]. وظیفه: نوشتن یک پیش نویس پروپوزال حرفه ای. بخش ها: درک مسئله، رویکرد، طرح تجاری + جدول زمانی، تیم، موارد قابل تحویل، مرحله بعدی. قوانین: - بدون اغراق: بدون ادعاهای مبتنی بر شواهد مانند "نتایج تضمین شده"، "بهترین"، "مشاور اصلی" و غیره. من آن را پر خواهم کرد. - مشکل مشتری را در کلمات او بگویید (از عبارتی که گفتم استفاده کنید). لحن: اطمینان بخش، واضح، واقع بینانه.
نکته: قوی ترین بخش پیشنهاد اغلب «درک مشکل» است. مشتری می خواهد ببیند که شما واقعاً مشکل او را درک می کنید. این بخش را به صورت عمومی روی مدل چاپ نکنید. از کلمات و جزئیات مشخص مشتری استفاده کنید. یک تعریف کلی مسئله این تصور را ایجاد می کند که "آنها ما را درک نمی کنند."
چک لیست کیفیت: فیلتر نهایی قبل از انتشار
هر تحویل مهم (نقل، تحلیل، ارائه) باید قبل از مراجعه به مشتری، یک کنترل کیفیت استاندارد را پشت سر بگذارد. این لیست را به یک عادت تبدیل کنید. شما همچنین می توانید هوش مصنوعی را پیش حسابرسی کنید، اما تایید نهایی با شماست.
کنترل کنید
سوال
گذشت؟
منبع
آیا هر موضوع/ادعا به منبع بستگی دارد؟
☐
حساب کاربری
آیا هر حساب به طور مستقل تأیید می شود؟
☐
منطق
آیا واقعاً نتایج از شواهد حاصل می شود؟
☐
اغراق
آیا ادعای غیرمستند/اغراق آمیز رفع شده است؟
☐
حریم خصوصی
آیا اطلاعات مشتری محافظت شده و ناشناس است؟
☐
متخصص
آیا تاییدیه کارشناسی در زمینه نظارتی اخذ شده است؟
☐
سازگاری
آیا اعداد در اسلایدها ثابت هستند؟
☐
نقش شما: حسابرس کنترل کیفیت. پیش نویس پیشنهاد/ارائه زیر را برای موارد زیر حسابرسی کنید: - اظهارات غیرمستند یا اغراق آمیز (پرچم گذاری کنید و پیشنهاد اصلاح کنید). تصحیح را تایید می کنم.
دروازه های جریان و تأیید سرتاسر
هر مرحله ای که در طول ماژول یاد می گیریم یک زنجیره را تشکیل می دهد. راز امنیت در قرار دادن دروازههای تأیید (نقاط بازرسی) در این زنجیره است: یک خروجی هوش مصنوعی قبل از رفتن به مرحله بعدی (به ویژه مشتری) توسط یک انسان در برابر منبع و منطق بررسی و تأیید میشود.
جریان کار مشاوره - با درهای تأیید 1) تعریف مشکل → [DOOR] مشکل درست است، تأیید با مشتری2) ترکیب تحقیقاتی → [DOOR] هر عدد به منبع مرتبط است3) اندازه بازار → [DOOR] دو روش بررسی متقابل هستند4) تجزیه و تحلیل داده ها → [DOOR] به طور مستقل بررسی می شوند. نمودار صادقانه، محور صفر است6) تجزیه و تحلیل کیفی ← [DOOR] مضامین شواهد با نقل قول، دادههای ناشناس7) چارچوب/استراتژی ← [DOOR] هر مورد ثابت شده است و چه چیزی8) مدل کسبوکار/مالی ← [DOOR] اقتصاد واحد + تأییدیه متخصص9) ارائه/داستان، ادعای exa-0، [DOOR] پیشنهاد/تحویل → چک لیست کیفیت [DOOR] + محرمانه بودن
دنباله تأیید را برای هر دروازه نگه دارید: چه خروجی، چه منبعی، چه کسی تأیید کرده است، وضعیت آن چگونه است. این آهنگ هم کیفیت را تضمین می کند و هم می پرسد "این عدد از کجا آمده است؟" این به شما امکان می دهد همیشه به سؤال پاسخ دهید.
نقش شما: هماهنگ کننده کیفیت پروژه در زیر اقلام قابل تحویل حیاتی پروژه (تعداد بازار، تجزیه و تحلیل، پیام اسلاید...) وجود دارد. خروجی | منبع بر اساس | روش تایید | وضعیت | گزینه های وضعیت: تایید شده / تایید نشده / در انتظار تایید کارشناس. هر خروجی با منشا ناشناخته یا تایید نشده را به بالا منتقل کنید و آن را به عنوان "آماده برای انتشار نیست" علامت بزنید.
مکانی دائمی برای رعایت اصول اخلاقی، رازداری و تایید کارشناسان
سه اصل در سراسر ماژول تکرار شد زیرا همه آنها به یک نقطه منتهی می شوند: مسئولیت با شخص است. اطلاعات مشتری توسط KVKK و قراردادهای محرمانه محافظت می شود. در یک وسیله نقلیه کنترل نشده آپلود نمی شود، ناشناس است. در زمینههای حیاتی انطباق مانند سلامت، امور مالی و قانون، خروجی هوش مصنوعی جایگزین تاییدیه متخصص صالح نمیشود. و هر موضوع، هر ادعا، هر پیشنهادی بدون تایید به دست مشتری نمی رسد. هوش مصنوعی یک دستیار ارشد است. مشاور آن را امضا می کند.
سه کیف کوچک
مورد 1 - پیشنهاد اغراق آمیز باعث شکست شما شد. یک مشاور از مدل میخواهد یک پیشنهاد بنویسد. این مدل عباراتی مانند "نتایج تضمین شده با بهترین تیم در صنعت" را قرار می دهد. مشاور بدون توجه آن را ارسال می کند. مشتری می گوید: "من از مشاوری که نتیجه تضمینی می دهد محتاط هستم" و کار را نمی دهد. اگر چک لیست کیفیت مطابق با تبلیغات بود، نقل قول صادقانه و اطمینان بخش خواهد بود.
مورد 2 - گیت احراز هویت کار را ذخیره کرد. نرخ رشد در اسلاید 4 ارائه با مدل مالی در اسلاید 9 در تضاد است. دروازه کنترل کیفیت قبل از انتشار این اختلاف را نشان می دهد. به منبع برگردید و عدد صحیح را پیدا کنید. اگر مشتری دو عدد متضاد را در جلسه ببیند، اعتبار کل ارائه از بین می رود.
مورد 3 - حد تایید کارشناسی. در یک پروژه مراقبت های بهداشتی، این مدل یک پیش نویس پیشنهاد کارایی درمان را تولید می کند. مشاور این را مستقیماً ارائه نمی کند. آن را به پزشک صحرایی نشان می دهد. پزشک می گوید که دو فرض از نظر بالینی نادرست است. پیش نویس تصحیح می شود. هوش مصنوعی پیش تجزیه و تحلیل را تسریع کرده است، اما حرف آخر بر عهده متخصص است. تصمیم با خود شخص است.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
یک پیشنهاد مشاوره قوی بنویسید که مرا جلب کند.
این دعوت به اغراق برای مدل «اراده برنده» و «قوی» است. یک متن کلی ظاهر می شود که پر از ادعاهای اثبات نشده است و مشتری را درک نمی کند.
اعلان قدرتمند:
نقش شما: نویسنده پیشنهاد. مشکل مشتری (به قول او): «[...]». رویکرد: [چارچوب]. مدت زمان/تیم/مواد تحویلی: [...]. وظیفه: یک پیشنهاد واقعی، کم بیان، قابل اعتماد تهیه کنید. قوانین: ادعاهای بدون مدرک و اظهارات "ضمانت/بهترین/رهبر" ممنوع است؛ درک مشکل در جملات مشتری را ایجاد کنید. خروجی و جدول زمانی مشخص را ارائه دهید. قیمت را خالی بگذارید در پایان: متن خود را از نظر اغراق و ابهام بررسی کنید.
اشتباهات رایج
- اغراق در پیشنهاد. ادعاهای اثبات نشده مانند "نتایج تضمین شده، بهترین تیم" به جای اعتماد ایجاد شک می کند.
- برای عبور از درک کلی از مشکل. اگر مشتری نتواند مشکل خود را تشخیص دهد، میگوید «ما را درک نکردند». از جملات او استفاده کنید.
- قیمت را به مدل واگذار کنید. قیمت یک تصمیم استراتژیک است. مدل بازار را نمی شناسد و اعداد را بدون منبع تولید می کند.
- از گیت تأیید عبور کنید. اگر خروجی بحرانی بدون کنترل به مشتری برسد، یک اشتباه کل کار را خراب می کند.
- رد شدن از چک لیست کیفیت بررسی منبع، محاسبه، اغراق و محرمانگی باید قبل از انتشار انجام شود.
- دور زدن تاییدیه کارشناسی در منطقه تنظیم شده، خروجی هوش مصنوعی پیش نویس است. حرف آخر با متخصص است.
توجه: بزرگترین خطر در جریان پشتیبانی از هوش مصنوعی سرتاسر، راحتی سرعت است. وقتی همه چیز به آرامی و به سرعت پیش می رود، رد شدن از تأیید آسان است. گیت های تأیید را به یک مرحله اجباری تبدیل کنید، نه یک مرحله اختیاری. مشاور مسئول هر خروجی است که به مشتری می رسد. "هوش مصنوعی آن را تولید کرد" هرگز یک دفاع نیست.
به طور خلاصه
پیشنهاد دروازه ای برای ارتباط مشاوره است. هوش مصنوعی آن را به سرعت و حرفه ای ترسیم می کند، اما درک مشکل و قیمت از مشاور می آید، اغراق پاک می شود. در تصویر گسترده تر، تمام مراحل آموخته شده در سراسر ماژول در یک گردش کار امن مجهز به گیت های اعتبار سنجی ادغام می شوند: هر خروجی حیاتی قبل از رسیدن به مشتری در برابر منبع و منطق بررسی می شود، محرمانه بودن محافظت می شود، متخصص در زمینه تنظیم شده اعتبار سنجی می کند. هوش مصنوعی مشاوره را از ابتدا تا انتها سرعت می بخشد. اما دقت بصیرت، صداقت روایت و مسئولیت تصمیم گیری همیشه بر عهده انسان است.
وظیفه کاربردی
یک طرح کلی با یک درخواست قوی برای پیشنهاد برای یک مشکل مشتری واقعی یا نماینده تهیه کنید. درک مشکل را از زبان خود مشتری تثبیت کنید و قیمت را خالی بگذارید. نسخه خطی را از نظر اغراق و منابع بررسی و تصحیح کنید که باعث بررسی کنترل کیفیت می شود. در نهایت، جریان سرتاسر ماژول را در نظر بگیرید و برای هر یک از 10 مرحله پروژه معمولی خود یک دروازه تأیید بنویسید و چه کسی در آن دروازه چه چیزی را بررسی خواهد کرد.
چک لیست
- [ ] در پروپوزال، درک مشکل جملات مشتری را ایجاد کردم.
- [ ] من اظهارات اغراق آمیز و غیرمستند را پاک کردم.
- [ ] قیمت رو خودم تعیین کردم به مدل نگذاشتم.
- [ ] من یک لیست خروجی مشخص و جدول زمانی ارائه کردم.
- [ ] همه موارد چک لیست کیفیت را اعمال کردم.
- [ ] من یک گیت تأیید را در هر مرحله حیاتی از گردش کار قرار می دهم.
- [ ] من به طور دائم حریم خصوصی، اخلاقیات و تأییدیه متخصص را در جریان قرار داده ام.
امتحان ماژول
1. بهترین اقدام قبل از قرار دادن عدد اندازه بازار ناشی از خروجی هوش مصنوعی در ارائه مشتری در مشاوره مدیریت چیست؟
- الف) تأیید شماره با اتصال آن به منبع، محاسبه مجدد و آزمایش آن در برابر منطق صنعتی ✔
- ب) قرار دادن مستقیم روی اسلاید به عنوان مدل به طور روان و با اطمینان پاسخ می دهد
- ج) با بزرگتر کردن عدد از آنچه هست، پیشنهاد را چشمگیرتر کنید
- د) منبع را مخفی کنید و فقط نتیجه را نشان دهید
توضیحات: مدل های زبان بزرگ با اعتماد به نفس به نظر می رسند و می توانند اعداد را "توهم" کنند، حتی اگر چنین نباشند. از آنجایی که در مشاوره مشتری با مشاهده این عدد تصمیمات بزرگی می گیرد، هر عدد مهم باید به منبع واقعی مرتبط شود، مجددا محاسبه و با منطق صنعت آزمایش شود. یک مسئله تأیید نشده یک پیش نویس بدون امضا است.
2. یک مشاور می خواهد جدول حاوی اسامی و حقوق 2400 کارمند مشتری را تجزیه و تحلیل کند. صحیح ترین رویکرد کدام است؟
- الف) داده ها را در اولین ابزار وب رایگانی که پیدا می کند آپلود کنید و خلاصه درخواست کنید
- ب) به اشتراک گذاری داده ها همانطور که هست و نگرانی در مورد حریم خصوصی بعدا
- ج) حقوق ها را کمی تغییر دهید و اسامی را بگذارید
- د) استفاده از ابزارهای مورد تایید شرکت یا ناشناس سازی با تغییر نام با شماره کد ✔
توضیحات: اطلاعات مشتری توسط قراردادهای محرمانه و KVKK محافظت می شود. آپلود اطلاعات شخصی به هر ابزاری تخلف است. باید از یک ابزار تایید شده شرکتی استفاده شود که حفظ دادهها را تضمین میکند، یا دادهها باید با جایگزین کردن نامها با شمارههای کد ناشناس شوند.
3. برای درخت فرضیه (درخت موضوع) "MECE" به چه معناست؟
- الف) داشتن شعبات فراوان و تفصیلی تا حد امکان
- ب) درخت توسط هوش مصنوعی تولید شده است
- ج) شاخه ها با هم تضاد ندارند و موضوع را کاملاً با هم می پوشانند ✔
- د) درخت به یک شاخه اصلی کاهش می یابد
توضیح: MECE (Mutually Exclusive, Collectively Exhaustive) به این معنی است که شاخه ها روی هم قرار نمی گیرند (متقابل از هم جدا می شوند) و همه با هم کاملاً موضوع را می پوشانند. همپوشانی یا از دست دادن شاخه ها تحلیل را تحریف می کند. درخت تولید شده توسط هوش مصنوعی نیز باید با این معیار بررسی شود.
4. هدف اصلی استفاده از روش های «بالا به پایین» و «پایین به بالا» در تخمین اندازه بازار چیست؟
- الف) با انجام دوبار محاسبه و بررسی متقاطع خطاهای فرضی را بگیرید ✔
- ب) از بین دو روش بزرگتر را انتخاب کنید و بازار را جذاب تر جلوه دهید.
- ج) فقط از روشی استفاده کنید که به کار کمتری نیاز دارد
- د) اختلاط دو روش برای اجتناب از ذکر منبع
توضیحات: با دو روش مستقل بررسی شد. از بالا به پایین سهمی را از مجموع بزرگتر، از پایین به بالا از پایه (واحد x قیمت x مقدار) تخصیص می دهد. وقتی دو نتیجه نزدیک به هم باشند، اعتماد به نفس می دهد. تفاوت زیاد نشان می دهد که یک فرض نادرست است و باعث اصلاح می شود.
5. مهم ترین مرحله تأیید در هنگام تجزیه و تحلیل AI صفحه گسترده اکسل چیست؟
- الف) اعتماد به توضیح روان مدل و پذیرش نتیجه
- ب) انجام مجدد یا بررسی دستی هر حساب به طور مستقل ✔
- ج) فقط به دنبال زیبا جلوه دادن نمودار هستید
- د) قرار دادن خلاصه مدل در اسلاید بدون باز کردن جدول
توضیح: مدلهای زبان بزرگ در تولید متن قدرتمند هستند، اما میتوانند بیصدا در محاسبات اشتباه کنند و با اطمینان نتیجه اشتباه را ارائه دهند. بنابراین، هر کل، نسبت و درصد یا باید در مدل تغییر شکل داده شود یا به طور مستقل با دست/در اکسل بررسی شود.
6. اصل "همبستگی علیت نیست" در تحلیل به چه معناست؟
- الف) اینکه دو داده با هم عمل می کنند ثابت نمی کند که یکی باعث دیگری می شود ✔
- ب) همبستگی همیشه علیت را ثابت می کند
- ج) وقتی علیت یافت شد، نیازی به جستجوی همبستگی نیست.
- د) این دو مفهوم دقیقاً یکسان هستند
توضیح: صرف اینکه دو متغیر با هم افزایش می یابند (همبستگی) به این معنی نیست که یکی باعث دیگری می شود (علت). ممکن است عامل سوم یا تصادفی وجود داشته باشد. هوش مصنوعی می تواند به همبستگی اشاره کند، اما ادعای علیت مستلزم شواهد و دانش حوزه است. مشاور باید این تمایز را حفظ کند.
7. هنگام تفکیک متن مصاحبه به مضامین با هوش مصنوعی، کدام برنامه بیشتر قابلیت اطمینان را افزایش می دهد؟
- الف) گرفتن مضامین از مدل به صورت خلاصه و عدم درخواست نقل قول
- ب) تقویت موضوع با گنجاندن نام شرکت کنندگان در تجزیه و تحلیل
- ج) چشمگیرترین موضوع را انتخاب کنید و بقیه را حذف کنید
- د) از هر موضوع با نقل قول های کلمه به کلمه بر اساس متن پشتیبانی کنید و منبع را دنبال کنید ✔
توضیح: هر موضوع باید با نقل قولها (شواهد) کلمه به کلمه از رونوشت پشتیبانی شود. بنابراین، می توان تأیید کرد که مدل ساخته نشده است و موضوع از داده های واقعی می آید. مضامین قابل نقل خطر توهم دارند و نمی توان آنها را به منبع ردیابی کرد.
8. رایج ترین دام هنگام پر کردن یک چارچوب SWOT یا مشابه با هوش مصنوعی چیست؟
- الف) پرکردن کادر با جملات کلیشه ای بدون شواهد ملموس و چه ✔
- ب) پیوند دادن هر مورد به داده ها و منبع
- ج) استفاده از چارچوب به عنوان چارچوبی برای تفکر
- د) یافته ها را اولویت بندی کنید و مهمترین آنها را برجسته کنید
توضیح: قاب ها به راحتی با کلیشه های خالی پر می شوند ("برند قوی"، "رقابت فزاینده"). ارزش در گره زدن هر مورد به شواهد ملموس و افزودن یک لایه «پس چه» است. اظهارات کلی بدون شواهد به تصمیم گیرنده چیزی نمی گوید.
9. «اقتصاد واحد» در ارزیابی مدل کسب و کار چه چیزی را می سنجد و چرا باید تأیید شود؟
- الف) تعداد کل کارکنان شرکت؛ نیازی به تایید نیست
- ب) فقط بودجه بازاریابی؛ زیر سوال نمی رود چون ثابت است
- ج) مانده درآمد-هزینه به ازای هر مشتری/تراکنش. ✔ فرض خوش بینانه باید به دلیل ریسک تأیید شود
- د) تعداد رقبا؛ مدل مطمئنا می داند
توضیح: اقتصاد واحد درآمد و هزینه (مانند هزینه جذب مشتری و ارزش طول عمر) را به ازای هر مشتری یا معامله مقایسه می کند. این نشان می دهد که آیا کسب و کار می تواند در مقیاس سود کسب کند یا خیر. از آنجایی که هوش مصنوعی می تواند این حساب را با مفروضات خوش بینانه ایجاد کند، اعداد و مفروضات باید به طور مستقل بررسی شوند و در صورت لزوم تایید مشاور مالی دریافت شود.
10. ساختار پیام در ارائه مشاوره بر اساس اصل هرم چگونه باید باشد؟
- الف) ابتدا همه داده ها را نشان می دهد و در آخر به نتیجه می رسد
- ب) به هیچ وجه نگفتن نتیجه، تا شنونده خودش نتیجه بگیرد.
- ج) تا حد امکان اطلاعات را در هر اسلاید قرار دهید
- د) ابتدا پاسخ اصلی را بدهید سپس دلایل و شواهد مؤید را ذکر کنید ✔
توضیح: اصل هرم ابتدا پاسخ اصلی (پیشنهاد/نتیجه گیری) را می دهد و سپس استدلال و شواهد مؤید آن را در زیر قرار می دهد. تصمیم گیرنده زمان محدودی دارد. او می خواهد اول نتیجه را ببیند. فهرست کردن شواهد ابتدا و نتیجه گیری در آخر شنونده را خسته می کند و پیام را ضعیف می کند.
11. عنوان اقدام یک اسلاید باید چه باشد؟
- الف) برچسبی که نوع اسلاید را نشان می دهد، به عنوان مثال. "صورت درآمد"
- ب) پیام تک جمله ای بر اساس شواهد به دست آمده از داده های اسلاید ✔
- ج) پاراگرافي كه تا حد امكان طولاني باشد و شامل تمام اعداد باشد
- د) ادعای اغراق آمیز و بدون سند برای جلب توجه
توضیحات: عنوان اقدام، پیامی تک جمله ای و مبتنی بر شواهد است که می گوید اسلاید به چه معناست، نه «آنچه» را نشان می دهد (مثلاً «بخش A 70 درصد سود را به ارمغان می آورد»). عناوین توصیفی مانند "نمودار فروش" پیام را منتقل نمی کنند. هوش مصنوعی میتواند یک عنوان پیشنویس ایجاد کند، اما این ادعا باید با شواهد مطابقت داشته باشد.
12. نقش خروجی هوش مصنوعی هنگام مشاوره در یک صنعت تحت نظارت مانند بهداشت و درمان یا امور مالی چیست؟
- الف) جایگزین تاییدیه متخصص می شود، تصمیم می تواند مستقیماً به مدل واگذار شود
- ب) هوش مصنوعی به هیچ وجه در بخش های نظارتی قابل استفاده نیست
- ج) در صورت وجود خطا مسئولیت بر عهده ارائه دهنده مدل می باشد.
- د) پیش نویس تهیه می کند ولی حرف آخر و مسئولیت با کارشناس و شخص ذیصلاح است✔
توضیح: در این زمینهها، هوش مصنوعی پیشنویسها و تحلیلهای اولیه را تولید میکند، اما جایگزین تاییدیه کارشناسان صالح (وکیل، آکچوئر، پزشک، کارشناس صنعت) نمیشود. حرف آخر با متخصص، تصمیم گیرنده است. "هوش مصنوعی چنین گفته است" یک دفاع نیست. مسئولیت همیشه بر عهده مشاور و تصمیم گیرنده است.
13. هنگام نوشتن یک درخواست مشاوره خوب برای هوش مصنوعی، کدام عنصر کیفیت خروجی را بیشتر افزایش می دهد؟
- الف) تا حد امکان کوتاه و کلی بودن اعلان
- ب) درخواست از مدل برای پر کردن اطلاعات گمشده با پیشبینی خودش
- ج) در مورد نقش، وظیفه، منبع، مخاطب هدف، قالب و مرزها شفاف باشید
- د) فقط گفتن "تحلیل خوبی انجام بده"
توضیح: خواسته های مبهم مدل را به حدس زدن و اغراق سوق می دهد. روشن بودن در مورد نقش، وظیفه، منبع داده شده، مخاطبان هدف، قالب و مرزها (به عنوان مثال «فقط بر اساس دادههایی که ارائه میدهم، آن را تشکیل ندهید») خروجی را دقیق و ایمن میکند. هرچه زمینه واضح تر باشد، بار تأیید کمتر است.
14. «دروازه اعتبارسنجی» (نقطه بازرسی) در جریان مشاوره انتها به انتها با پشتیبانی هوش مصنوعی به چه معناست؟
- الف) تنظیمی که دسترسی به اینترنت هوش مصنوعی را خاموش می کند
- ب) نقطه ای که در آن یک خروجی بحرانی قبل از رفتن به مرحله بعدی توسط انسان در برابر منبع و منطق بررسی و تایید می شود.
- ج) دکمه ای که امکان ارسال خودکار اسلایدها را فراهم می کند
- د) اتاق فیزیکی محل ملاقات تیم
توضیحات: گیت تایید نقطه ای است که در آن یک خروجی هوش مصنوعی قبل از رفتن به مرحله بعدی (به ویژه مشتری یا نقل قول نهایی) توسط یک انسان در برابر منبع و منطق بررسی و اعتبارسنجی می شود. خروجی های مهم مانند اعداد بازار، تجزیه و تحلیل، پیام های اسلاید و پیشنهادات بدون عبور از این درها منتشر نمی شوند. این فرآیند قابل ردیابی و ایمن است.