Školenie je zamerané na prácu s výstupmi, ktoré vytvoril AI model a na to, čo s nimi robiť. Ťažisko je v posune z roly toho, kto text vyrába, do roly toho, kto ho posudzuje a ručí za to, čo posiela ďalej. Účastníci si posilnia dve veci: schopnosť rozhodnúť, koľko kontroly ktorý výstup potrebuje, a schopnosť tú kontrolu reálne vykonať v čase, ktorý na ňu v bežnom režime majú. Pracujeme s AI výstupmi, ktoré si účastníci vyrobia priamo na školení na svojej vlastnej agende.
- Zvládnutie rozhodnutia, koľko kontroly ktorý výstup dostane a aj jej realizácie.
- Rozvoj schopnosti rozpoznať nepodložené tvrdenie aj v AI texte, ktorý sa číta dobre a pôsobí sebavedomo.
- Zvýšenie istoty pri overovaní tvrdenia mimo výstupu – keď zdroj existuje, ale tvrdenie nepodporuje
- Posilnenie návyku sformulovať vlastný názor skôr, než ho ovplyvní prvý návrh modelu.
- Podpora pre pomenovanie toho, čo overené nebolo, namiesto tichého posunutia ďalej.
Čo mi model vlastne vrátil
- Čo v hotovom výstupe je overiteľné tvrdenie, čo hodnotenie a čo vata
- Ktoré jedno tvrdenie by bolelo najviac, keby neplatilo – a prečo práve ono určuje poradie kontroly
- Vlastný názor pred prvým návrhom modelu: kedy sa vyplatí a čo sa stane, keď sa vynechá
Prečo chybu v dobrom výstupe nevidno
- Automatizačné skreslenie (automation bias) – návrh systému sa prijíma ľahšie než návrh kolegu
- Nadmerné spoliehanie: prijatie výstupu aj tam, kde bolo z čoho ho odmietnuť
- Efekt ukotvenia – prvý návrh modelu ako kotva pre všetko, čo po ňom nasleduje
- Sebaistý tón výstupu ako informácia o formulácii, nie o kvalite obsahu
Tri roviny validácie výstupu
- Sú fakty pravdivé, existujú uvedené zdroje, drží argumentácia pohromade
- Tri symptómy nespoľahlivého reťazca: skok v odvodení, opora, ktorá nedrží, istota namiesto opory
- Kedy zdroj existuje, ale tvrdenie nepodporuje – tri možné verdikty o opore
- Nasadený výstup so zasadenými chybami: účastníci najprv sami označia, kde záver nevyplýva, a potom sa dozvedia, čo v ňom naozaj bolo – aj to, čo v ňom bolo v poriadku
Koľko kontroly ktorý výstup dostane
- Kedy má spojenie človeka a AI zmysel a kde človek hodnotu nepridáva – prečo viac kontroly nie je vždy lepšie
- Následky ako meradlo: čo sa stane, keď si chybu nikto nevšimne, a kto to odnesie
- Štyri stupne kontroly – od prejdenia očami po „nepošlem to sám“
- Koľko overenie naozaj stojí času a čo z toho vyplýva pre agendu, ktorá sa opakuje
- Ako vedome znížiť kontrolu, keď na overenie nie je čas, a povedať to nahlas
Rozhodnutie a čo po ňom
- Päť možností, ktorými posúdenie končí: použiť, opraviť, pustiť ďalej s výhradou, zahodiť, eskalovať
- Tri ťahy, keď výstup nesedí: spresniť zadanie, vypýtať si oporu, ísť k prameňu
- Prečo vypýtané zdôvodnenie od modelu nie je dôkaz – a za čo človek ručí, keď výstup posiela ďalej
| PROGRAM | 1.DEŇ |
| Registrácia | 8:45 |
| Program | 9:00 |
| Obed | 12:00 |
| Program | 13:00 |
| Ukončenie | 16:30 |
Kurzy prebiehajúce prezenčnou formou sa konajú v Nikar Training Centre na adrese Liptovská 10, 821 09 Bratislava, www.nikar.sk