正直いうと、私は変化にあまり興味がありません。金曜の夜は、Netflixのお薦めよりも、超大作の映画の方が好きです。しかし、仕事での学び方には関心があります。ですから、この1年間、私は新たなテクノロジーがL&Dに与える影響について考え続けてきました。誇大広告を乗り越えて生き残るものは何か？安っぽい模造品を作るのではなく、本当のインパクトを与えるにはどうすればいいのか？などです。
私たちは、Degreedの社内外でこれらのトピックを議論してきました。しかし、会話をもっと広げたいと思います。
そこで、私たちは新しい取り組みであるDegreed Experimentsを発表することにしました。これは、L&Dの課題に対する新しいテクノロジーの適合性を探ることを目的としたブログシリーズ（そしてできれば双方向の会話）です。実践的なプロトタイプを通して、何がうまくいき、何がうまくいかないのか、そしてその過程で遭遇する新たな疑問について、皆さんと共有していきます。このような経験を通して、貴社が新たなテクノロジーや機会を評価するのを助けることができる、より多くの情報を得た信頼できるパートナーになることでしょう。
Degreed Experiments
私たちは長い間ラーニングプロダクトを開発してきましたが、製品を開発する方法は変化しています。AIの導入により、製品体験は予測可能で決定論的なものではなくなりました。AIを搭載した製品がどのようなものかは、実際に触ってみるまでわかりません。
この予測不可能性を、仕事の未来やL&Dの役割の進化と組み合わせることで、迅速な実験と反復を必要とするダイナミズムが生まれます。
今、私たちはAIに関するあらゆる会話を目にしており、その雑音に加担したくはありません。私たちは、試行錯誤からしか得られない実際のデータと事例を提供することを決意しています。
ハンズオンプロトタイプをご期待ください
まず、私たちは開発会社です。つまり、ハンズオンプロトタイプのデモをお見せし、成果物をクリティカルに評価することで、その結果をあなた自身で判断していただくことができます。
今後のブログでは、次のような新しいテクノロジーの使用例を深く掘り下げていきます：
実践シナリオをチャットからライブスピーチへアップグレード
私たちの仮説：実践シナリオは、文脈の中でスキルを開発するための優れた方法です。チャットベースのシナリオで実践するだけでなく、ライブの会話（本当に誰かと話しているような）で実践するオプションがあれば、シナリオをよりリアルに感じることができます。これは、営業電話、面接、エグゼクティブコーチングなどのユースケースでより効果的です。
従業員データからのスキル推論
私たちの仮説：既存の従業員データと活動を活用することで、スキルの強みとギャップを素早く特定することができ、より良いデータカバレッジ、より最新のプロファイルを得ることができます。また、これをどのように行うかの詳細も非常に重要になると予想されます。
スキル、タスク、その他の要件に対する動的分類法
私たちの仮説：スキル、人材、業務を（硬直した従来の分類法に対して）迅速かつ柔軟に整理することで、学習体験の構築、タレント人材の特定、キャリアパスのマッピングをスピードアップすることができます。
スマートなモバイルナッジとコンテンツ配信
私たちの仮説：既存の多くのコンテンツをモバイルフレンドリーなナッジに再フォーマットすることで、エンゲージメントとリテンションをより最適化することができます。マイクロラーニングのコンセプトは過剰に広まっていますが、私たちは、新しいテクノロジーでこれにアプローチする新しい方法があると考えています。
社内人材の発掘
私たちの仮説：人材と社内の機会をマッチングさせるダイナミックな方法が必要です。これには、その人のスキル、経験、職場の人間関係、その他の重要な属性を考慮することも含まれます。評価を行う人は、最適な人材を見つけるために、必要に応じてマッチングに使用する基準を変更できる必要があります。
パーソナライズされた学習体験の構築
私たちの仮説：学習とはコンテンツ以上のものです。パフォーマンスのギャップを埋めるために最適化された体験をデザインし、パーソナライズすることができます。
サイドバイサイドモデル評価
私たちの仮説：モデルや方法論を並べて比較することで、どのようなユースケースにも最適なものを特定することができます。
新興テクノロジーの最新研究レビュー
AIは急速かつ無秩序に進歩しています。最新のテクノロジーに関する研究を探り、L&Dへの影響を評価します。
新興テクノロジーにおける最近の劇的な進歩は、L&Dのための新しいユースケースを切り開くでしょう。
マルチモーダル：画像、音声、ビデオ、アバターは、コンテンツ作成と配信に新たな扉（と罠）を開くでしょう。
RAG（検索拡張世代）の進化： 自分のソース文書から検索したり、要約したり、質問したりする機能は、大きなユースケースです。私たちは、RAGの方法論、より長いコンテキストウィンドウ、記憶を拡張する方法、そして知識管理を強化する新しいアーキテクチャ（ChatGPTのようなモデルで使用されるトランスフォーマーを超えて）の急速な進歩を見ています。
エージェント：AIモデルの類似性と競争力が高まるにつれて、次のフロンティアは、様々なモデルを使用して一連のアクション（作業の計画と評価を含む）を実行できるエージェントになるでしょう。これにより、さらなる自動化への扉が開かれるでしょう。
スクリーンビジョン： 研究者たちは、アプリケーション間の正式な連携統合がされているかに関係なく、画面上のものを見て行動できるAIアシスタントを研究しています。これにより、OJTやパフォーマンス・サポートが一変する可能性があります。
ウェアラブル： 新しいAIウェアラブルは登場したばかりですが、デスクレス・ワーカーをサポートする方法が増える可能性があります。
さらに、明らかにはなっていないが重要な制限も存在します。これらは管理または軽減することができますが、それでもそれらを理解することは非常に重要です。
事実性：AIは、長文のコンテンツを作成したり、正確な引用を提供したりする際、事実に忠実であることにまだ苦労しています。
長文の推論：AIは、自己完結した情報の断片を見つけることには長けていますが、長い文脈を推論することには苦労しています。
指示に従うこと：最も高度なモデルであっても、3分の1は指示に完全に従っていません。
予測不可能性：すべてのモデルがすべてのタスクに適しているわけではありません。モデルからの出力は変化し、モデル自体も予測不可能な方法で頻繁に更新されます。
コスト：利用が拡大するにつれ、コストは重要な要素となります。ベンダーは、能力とコストのトレードオフを模索するか、コストを顧客に転嫁することになるでしょう。
最後に、より戦略的な意味合いがあります。
AIが特定の役割の実行可能性や能力を崩壊させるとき、キャリアの流動性をナビゲートするための準備はできているか？
新しいベンダーからどのような機能を得るべきか、または既存のアプリケーションに組み込まれるのを待つべきか？
新たな規制や監査は、どの機能を活用できるかにどのように影響するか？
AIはどのデータにアクセスできるのか、データの品質はどうなのか、機密データや誤分類データの可視性は高まるのか？
AIがL&Dから置き換えるモノはあるのか？
組織内でAIリテラシーを高めるには何が必要か？
あなたのために
役立つ情報がたくさんあれば幸いです。私たちは、あなたのユースケースや組織にとっての新しいテクノロジーの適合性を、あなた自身で判断できるようにします。私たちは、すべての進歩に関する最新情報を簡単に入手できるようにします。社内で同僚が同じような質問をする中で、あなたのビジネスにとってより良いパートナーになるお手伝いをします。また、その過程で楽しい時間を過ごすことができれば幸いです！
参加方法
アイデアや質問をお寄せください。皆様のご意見をお聞かせください。tblake@degreed.comにご連絡ください。
ボランティアで実験に参加してください。各プロトタイプのテストとフィードバックにご協力いただける方を数名選びます。あなたの興味をそそるトピックを tblake@degreed.com までお知らせください。
私たちの次のブログをキャッチしてください。
ありがとうございました！一緒に何を学ぶか、楽しみです。
By Taylor Blake, April 18, 2024
Comments