Når man står overfor komplekse problemer i et utviklingsarbeid, kan det være nyttig å analysere det ved å bryte ned i mindre håndterbare deler eller nivåer.
Det hjelper til å forstå systemets deler, deres interaksjon og hvordan de samlet bidrar til det overordnede problemet [liste v/ChatGPT 4]:
- Forstå det store bildet: Begynn med å identifisere og forstå det overordnede problemet. Dette innebærer å forstå kontekst, avgrense eller finne systemetsgrenser og de viktigste aktørene involvert.
- Definere: En klar og presis problemdefinisjon er avgjørende. Dette trinnet innebærer bl.a. å skille mellom symptomer og de underliggende årsakene til problemet.
- Bryte ned: Del systemet eller problemet inn i mindre, mer håndterbare delsystemer eller komponenter. Dette kan være funksjonelle enheter, prosesser eller moduler.
- Analyser på mikronivå: For hvert delsystem, utfør en detaljert analyse for å forstå dets funksjoner og hvordan det interagerer med andre delsystemer, – identifisere avhengigheter, dataflyt og kontrollflyt mellom komponentene.
- Vurder innvirkningen: Analyser hvordan problemer eller endringer i ett nivå eller komponent kan påvirke andre nivåer.
- Prioriter problemområder: Basert på analysen, identifiser hvilke deler av systemet som krever umiddelbar oppmerksomhet og ressurser. Dette hjelper til å finne de mest kritiske områdene som kan gi størst innvirkning på løsningen av det overordnede problemet.
- Fokus på årsak fremfor symptom: Sikre at løsningene adresserer de underliggende årsakene til problemet, ikke bare de synlige symptomene.
- Integrer løsninger: Etter å ha analysert og adressert de ulike nivåene individuelt, integrer løsningene for å sikre at de fungerer sammen som et hele.
- Vurder systemet som helhet: Gå tilbake til det overordnede problemet og vurder hvordan de individuelle løsningene påvirker systemet som helhet. Dette kan involvere ytterligere iterasjoner av dekomponering og analyse basert på nye innsikter.
Utviklingsarbeide er ofte en iterativ prosess med slike underpunkter. Basert på tilbakemeldinger og resultatene av løsningene, kan det være nødvendig å gjenta noen av stegene for å finjustere tilnærming og løsninger.
Snus på hodet.
Nå kan det snus på hodet. Det skyldes at kunstig intelligens kan virke inn på alle nivåer og samspillet mellom dem. Det skjer gjennom registrering av tilbakevendende mønstre i konfigurasjons- og hendelser på hvert enkelt nivå. Det gir grunnlag for sannsynlighetsberegning av hvordan utformingen bør være.
Ki-støttet problemtilpasning
Tidsskriftet Wired Magazine * skriver om en bølge av produktutvikling for å nærme seg dette på en ny måte. Det handler overflatisk sett om å erstatte all mulig slags app-er med et KI-drevet program som tilpasser seg brukerens behov i (tilnærmet) sanntid. Prinsippet er interessant i lys av en lagdelingsmodell som antydet over.
Her er det de digitale systemnivåene vi må ta i betraktning:l
- Fysisk og global infrastruktur av datasentre med tjenere for klient-tjener-arkitekturen på Internett.
- Nasjonal digital “grunnmur” som håndterer et rikt lag av data over dette i tråd med nasjonale behov og personvern-reguleringer.
- Digitale læringsmiljøer med mange typer funksjonalitet.
- Interaktive læreverk og andre bok-inspirerte læringsressurser.
- Moduler og digitale læringsobjekter rundt et avgrenset idetilfang, demonstrasjon og operasjoner, for gjenbruk
På hvert av disse nivåene kreves sammenstilninger og tilpasninger (konfigurasjon) som krever ulike problemforståelse, rutinisering og ferdigheter.
Dersom det operative nivå og operasjonene selv blir kodet som tegnstrenger, og det kan de bli i det de bestilles og utføres, gir dette seg også til generative prosesser som baserer seg på automatisk klassifikasjon og maskinlæring.
You can get a pretty good glimpse of how Brain Technologies’ tech works with its app, Natural AI, which it released in 2020. Yue says his company pioneered the large action models that can enable a digital AI assistant to execute tasks.. its AI can purportedly generate interfaces for more than 4 million functions it has trained since 2016. That should cover almost anything you can do on a computing device. [Wired]
Framfor språktegn er det her handlingskoder som legges til grunn. Vi kunne kanskje kalle det for LOM – Large Operational Models. De erstatter LLM – Large Language Models.
Det kan lede fram til løsninger ..som kan håndtere alle slags oppgaver gjennom én portal, og dermed omgå behovet for spesifikke apper for en bestemt funksjon. [Wired]
Produktet Humane Ai Pin er under utvikling som en bærbar enhet som kan identifisere objekter, ta bilder, og projisere informasjon i håndflaten eller på et papirark. Den drives av en digital assistent som bruker flere store språkmodeller, slik som ChatGPT, og den er designet for å redusere avhengigheten av smarttelefonen. [Ibid.] Et annet apparat kalt Rabbit R1 kan utføre oppgaver som å bestille en Uber eller en flyreise via muntlige ordre.
Her snus altså håndteringslogikken på hodet.
Framfor å logge seg inn på administrative system som Canvas og Teams, settes arbeidsmiljøet opp på bestilling der og da. Det kan skje via muntlige ordre:
Inviter hele styret til et møte førstkommende fredag kl 13-14 der jeg vil sende ut en video-introduksjon kl 16 dagen før. Legg alt i ukeplaner for deltakerne og gi nødvendige varsler ..
Spørsmålet som vi bør begynne å grunne på: Hvilke oppgaver, miljøer og situasjoner – hvilke konfigurasjoner – kan vi da se for oss i undervisningen i UH-systemet?
Fra å være definert av passiv registrering av systemlogikk på de ulike nivåene nedenfra og opp (under administrativ og teknisk styring ovenfra-ned), bør fagmiljøene generelt og de digitale dosenter spesielt ta tak i arbeidet med legge opp gode scenarier. Det er som med opplæring av de store språkmodellene der vi må arbeide med implisitte verdier som tekstsamlingene uttrykker.
*) Chokkatto, Julian: These companies have a plan to kill apps. Wired Magazine 02.03.2024