Az oktatási szervezetek eltérnek a legtöbb más ágazattól, mivel a kernactiviteit maga – tanítás, begeleiding, beoordeling – nehezen választható el az azt végző emberektől. Ahol egy gyár vagy egy üzlet átírhatja a folyamatait anélkül, hogy a munka identitása sérülne, egy iskolában vagy főiskolában minden változás hamar érinti a docens és a diák közötti kapcsolatot. Ez nem teszi lassabbá az ágazatot a technika terén, de óvatosabbá tesz abban a kérdésben, mit szabad valójában az AI-nak tennie, mielőtt „átvételről” beszélnénk.
Ehhez járul, hogy az oktatási intézmények gyakran több rétegből állnak, amelyek nem azonos sebességgel mozognak: egy vezetőség, néhány helyszín vagy kar, és egy nagy csoport docens, saját munkamódokkal. A legtöbb AI-kezdeményezés, amivel találkozunk, egy ilyen rétegben indul el anélkül, hogy a többi réteget bevonnák. Egy docens kísérletezik egy nyelvi modellel visszajelzés adásához, míg az IT-osztálynak nincs képe arról, milyen adat hagyja el emiatt az épületet. Egy vezetőség megfogalmaz egy AI-víziót, míg a tanulói nyomkövető rendszerek adatkezelése még papíron vagy különálló táblázatokban létezik. Ez az eltérés nem az akarat hiányából ered, hanem a sorrendből.
Egy CvB-tag, üzemvezetési igazgató vagy IT-vezető, aki azt látja, hogy az AI-pilotok elakadnak, gyakran ugyanazt a mintát ismeri fel: a pilot önmagában működik, de nem skálázódik. Ez ritkán a technika hiányossága miatt van. Gyakrabban egy a fundamentális rétegek közül hiányzik, amelyek szükségesek egy pilot fenntartásához: egy szervezeti struktúra, amely döntéseket tud hozni és delegálni az AI-ról, egy IT-infrastruktúra, amely biztonságosan tud új alkalmazásokat befogadni, és adatkezelés, amely rendben van, mielőtt egy modell bármi értelmeset tudna vele kezdeni. Csak ha ez a három áll, van értelme a függő rétegekre nézni: hogyan dolgoznak vele az emberek, milyen betekintést nyújt, és mennyire intelligensen kezeli végül a szervezet.
Az oktatásban ez erősebben érvényes, mint máshol, mivel a fundamentális rétegek gyakran történelmileg alakultak ki oktatási döntések körül, nem technikai döntések körül. Egy iskolai igazgatás az inspekció felé való elszámolásra van kialakítva, nem újrahasználható adatokra AI-alkalmazások számára. Egy IT-osztály gyakran kicsi, és a fenntartásra irányul, nem új rendszerek integrálására. Ez nem hiányosság, hanem egy másik prioritás, amelyet évtizedekkel ezelőtt rögzítettek, és amely most befolyásolja, hogy az AI valójában milyen gyorsan gyökeret ereszt.
A hybridresourcing.com mérése hét dimenziót vizsgál, öt szintre osztva, a baseline-tól az intelligence-ig. Az oktatási intézmények esetében kitűnik, hogy a szervezet és az adatkezelés pontszáma gyakran elmarad az ambíció vagy az egyéni alkalmazások pontszámától. Rendszeresen van már valaki, aki dolgozik az AI-val, néha már fejlett szinten, míg a szervezet mint egész még az első szinten áll a döntéshozatal és az adatstruktúra terén. Ez a szórás láthatóvá válik a plot-fordulóban, amelyben ugyanazon intézmény több embere külön-külön pontoz. Az oktatási szervezeteknél ez a szórás gyakran nagyobb az átlagosnál, pontosan azért, mert a vezetőség, az IT és az oktató személyzet ritkán ugyanabból a képből dolgozik.
Ez a szórás önmagában nem probléma. Ez információ. Egy vezető, aki azt gondolja, hogy a szervezet készen áll az AI nagy léptékű alkalmazására, és egy IT-vezető, aki tudja, hogy az infrastruktúra ezt még nem bírja el, mindketten igazat mondanak a saját pozíciójukból. A mérés explicitté teszi ezt a különbséget, hogy a beszélgetés arról szólhasson, minek kell előbb állnia, nem arról, kinek van igaza.
A hét dimenzió időben nem egyenrangú. A szervezet, az IT-infrastruktúra és az adatkezelés azok a dimenziók, amelyekre a másik négy támaszkodik. Egy iskola, amely a betekintésen vagy az intelligencián akar dolgozni anélkül, hogy az adatok rendben lennének, futóhomokra épít. Ez az oktatási intézményekre éppúgy érvényes, mint a kiskereskedelmi vállalatokra, amelyek hasonló hátrányokkal küzdenek az adatkezelésben, vagy a horeka-ágazatra, ahol a szervezeti struktúrák gyakran éppen olyan szétaprózottak a telephelyek között. Az ágazat más, a sorrend nem.
Ez azt jelenti, hogy a „hol állunk” kérdés kevésbé egy pontszámra vonatkozó kérdés, és inkább arra vonatkozik, hol hiányzik a fundament. Egy intézmény, amely papíron ambiciózus pontszámot ér el az AI-használatban, de nincs betekintése a saját IT-infrastruktúrájába, nem tudja majd valóra váltani ezt az ambíciót anélkül, hogy előbb visszatérne az alapokhoz. Ezt mutatják az ICT-ágazat és a pénzügyi szolgáltatások intézményei is: a függő dimenziókon mutatott magas ambíció nem kompenzálja a gyenge fundamentumot.
A hybridresourcing.com érettségi mérése épül. Aki tudni akarja, hogyan pontoz a saját intézménye a hét dimenzión, és hogyan viszonyul ez a pontszám a saját szervezetén belüli kollégák pontszámához, feliratkozhat a várólistára. Még nincs ma használható eszköz; van azonban egy tiszta kép arról, mit fog eredményezni a mérés, amint elérhetővé válik.
Ez az oldal arról a kérdésről szól, hogy egy oktatási szervezet elbírja-e az AI-t: vajon a fundament áll-e, mielőtt valamit ráépítenének. Egy másik kérdés, amely csak ezután válik értelmessé, az, hogy az AI konkrétan mit tud átvenni az oktatásban. Ehhez való az FTE TO AI munkamérése: az feladatonként kiszámolja, mely része a munkának alkalmas arra, hogy az AI átvegye, függetlenül attól, hogy a szervezet mint egész erre már készen áll-e. Aki mindkét kérdést kombinálja, nem csak a lehetőségekbe nyer betekintést, hanem abba a sorrendbe is, amelyben azok valósággá válhatnak.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.