Mental integration with generative AI through computational thinking
Hoven, Tuomas (2024-05-16)
Mental integration with generative AI through computational thinking
(16.05.2024)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2024052737933
https://urn.fi/URN:NBN:fi-fe2024052737933
Tiivistelmä
The rapid development of artificial intelligence (AI) has been received with both fear and excitement. The future of the field is clouded by uncertainty, inviting speculation of its direction. This thesis views the future as a path of collaboration, wherein humans and AI systems are working together, utilizing their respective strengths. While the collaborative path is not assured, it represents a balanced approach where humans retain a degree of control over AI.
As AI systems settle in societies, we are faced with the question: how can we best leverage their potential? To narrow down the question, this thesis focuses on generative AI systems. These systems are often built as user friendly interfaces that appeal for the general populace. Behind the seemingly simple interfaces lie numerous directions towards enhanced collaboration. These directions can be broadly categorized into two groups: (1) enhancing the knowledge of AI systems and (2) refining the AI systems themselves. This thesis attempts to provide guidance by bridging the gap in mutual understanding between the user and the generative AI system. The analysis is approached through computational thinking.
According to the results obtained, computational thinking is an integral tool for understanding AI. The relationship with computational thinking and human-AI collaboration is further explored by focusing on the four characteristics of computational thinking. The characteristics include problem decomposition, algorithmic thinking, abstraction, and automation. Each characteristic provides additional techniques for enhanced collaboration.
Further findings underline the importance of several prerequisites for efficient collaborative work. Explainable AI, mutual trust, and mutual understanding lay the foundation for collaboration with generative AI systems. As of now, opaque methods such as deep learning present challenges for explainability and mutual understanding.
Working with generative AI requires understanding when and how to utilize it. Allocating tasks according to the competencies of both the user and AI system highlights their complementary benefits. Using generative AI can be approached as a problem of finding the right abstractions through prompt engineering. Providing specific prompts that align with the semantics of the generative AI system promotes suitable outputs. Evaluating the output and giving feedback enables iterative improvement, as the AI system learns from its prior outputs. Tekoälyn nopea kehitys on herättänyt ihmisissä sekä pelkoa että innostusta. Alan tulevaisuutta ympäröi epävarmuus, joka on johtanut pohdintaan tekoälyn kehityssuunnasta. Tämä tutkielma lähestyy tulevaisuutta ihmisen ja tekoälyn yhteistyönä, jossa ihmiset ja tekoälyjärjestelmät hyödyntävät omia vahvuuksiaan. Yhteistyötä kuvaava tulevaisuus ei ole varmaa, mutta se edustaa polkua, jossa ihmiset ainakin osittain säilyttävät hallintansa tekoälyjärjestelmiin.
Kun tekoälyjärjestelmät asettuvat yhteiskuntiin, kohtaamme kysymyksen: miten voimme parhaiten hyödyntää niiden potentiaalia? Tarkempana rajauksena tässä tutkielmassa keskitytään generatiiviseen tekoälyyn. Generatiiviset tekoälyjärjestelmät rakennetaan usein käyttäjäystävällisiksi käyttöliittymiksi, jotka vetoavat laajaan yleisöön. Yksinkertaisten käyttöliittymien takana on kuitenkin lukuisia mahdollisuuksia parempaan ihmisen ja tekoälyn yhteistyöhön. Nämä mahdollisuudet voidaan jakaa yleisesti ottaen kahteen ryhmään: (1) tekoälyjärjestelmien ymmärtämisen parantamiseen ja (2) tekoälyjärjestelmien kehittämiseen. Tämä tutkielma pyrkii tarjoamaan ohjeistusta yhteistyötä varten kaventamalla keskinäisen ymmärryksen kuilua ihmisen ja tekoälyn välillä. Analyysin välineenä tutkielmassa käytetään laskennallista ajattelua.
Löydettyjen tulosten perusteella laskennallinen ajattelu on olennainen osa tekoälyn ymmärtämisen parantamista. Laskennallisen ajattelun vaikutusta ihmisen ja tekoälyn yhteistyöhön tutkitaan tarkemmin keskittymällä laskennallisen ajattelun neljään osa-alueeseen. Osa-alueet ovat ongelman hajottaminen, algoritminen ajattelu, abstraktio, sekä automaatio. Jokainen osa-alue tarjoaa täydentäviä käytäntöjä yhteistyön parantamiseksi.
Tutkimukset tuovat esiin edellytyksiä tehokkaalle yhteistyölle. Ihmisen ja generatiivisen tekoälyn yhteistyön perusedellytyksinä pidetään selitettävissä olevaa tekoälyä, keskinäistä luottamusta, sekä keskinäistä ymmärrystä. Toistaiseksi esimerkiksi syväoppimisen läpinäkymättömyys aiheuttaa haasteita perusedellytysten täyttymiselle.
Generatiivisen tekoälyn kanssa työskenteleminen edellyttää ymmärrystä siitä, miten ja milloin sitä käytetään. Tehtävät voidaan jakaa tekoälyjärjestelmien ja ihmisten kesken niiden osaamisalueiden mukaisesti. Tämä korostaa näiden täydentäviä osaamisalueita ja parantaa työn tehokkuutta. Generatiivisen tekoälyn käyttöä lähestytään syötteiden avulla, joiden suunnittelu muodostaa merkittävän rajapinnan ihmisen ja tekoälyn yhteistyölle. Yksityiskohtaiset, tekoälyjärjestelmän semantiikan kanssa yhteensopivat syötteet mahdollistavat merkityksellisen kommunikaation. Generatiivisen tekoälyn ulostulon arviointi sekä palautteen antaminen luovat pohjan iteratiiviselle kehittymiselle, kun tekoäly oppii aiemmista ulostuloistaan.
As AI systems settle in societies, we are faced with the question: how can we best leverage their potential? To narrow down the question, this thesis focuses on generative AI systems. These systems are often built as user friendly interfaces that appeal for the general populace. Behind the seemingly simple interfaces lie numerous directions towards enhanced collaboration. These directions can be broadly categorized into two groups: (1) enhancing the knowledge of AI systems and (2) refining the AI systems themselves. This thesis attempts to provide guidance by bridging the gap in mutual understanding between the user and the generative AI system. The analysis is approached through computational thinking.
According to the results obtained, computational thinking is an integral tool for understanding AI. The relationship with computational thinking and human-AI collaboration is further explored by focusing on the four characteristics of computational thinking. The characteristics include problem decomposition, algorithmic thinking, abstraction, and automation. Each characteristic provides additional techniques for enhanced collaboration.
Further findings underline the importance of several prerequisites for efficient collaborative work. Explainable AI, mutual trust, and mutual understanding lay the foundation for collaboration with generative AI systems. As of now, opaque methods such as deep learning present challenges for explainability and mutual understanding.
Working with generative AI requires understanding when and how to utilize it. Allocating tasks according to the competencies of both the user and AI system highlights their complementary benefits. Using generative AI can be approached as a problem of finding the right abstractions through prompt engineering. Providing specific prompts that align with the semantics of the generative AI system promotes suitable outputs. Evaluating the output and giving feedback enables iterative improvement, as the AI system learns from its prior outputs.
Kun tekoälyjärjestelmät asettuvat yhteiskuntiin, kohtaamme kysymyksen: miten voimme parhaiten hyödyntää niiden potentiaalia? Tarkempana rajauksena tässä tutkielmassa keskitytään generatiiviseen tekoälyyn. Generatiiviset tekoälyjärjestelmät rakennetaan usein käyttäjäystävällisiksi käyttöliittymiksi, jotka vetoavat laajaan yleisöön. Yksinkertaisten käyttöliittymien takana on kuitenkin lukuisia mahdollisuuksia parempaan ihmisen ja tekoälyn yhteistyöhön. Nämä mahdollisuudet voidaan jakaa yleisesti ottaen kahteen ryhmään: (1) tekoälyjärjestelmien ymmärtämisen parantamiseen ja (2) tekoälyjärjestelmien kehittämiseen. Tämä tutkielma pyrkii tarjoamaan ohjeistusta yhteistyötä varten kaventamalla keskinäisen ymmärryksen kuilua ihmisen ja tekoälyn välillä. Analyysin välineenä tutkielmassa käytetään laskennallista ajattelua.
Löydettyjen tulosten perusteella laskennallinen ajattelu on olennainen osa tekoälyn ymmärtämisen parantamista. Laskennallisen ajattelun vaikutusta ihmisen ja tekoälyn yhteistyöhön tutkitaan tarkemmin keskittymällä laskennallisen ajattelun neljään osa-alueeseen. Osa-alueet ovat ongelman hajottaminen, algoritminen ajattelu, abstraktio, sekä automaatio. Jokainen osa-alue tarjoaa täydentäviä käytäntöjä yhteistyön parantamiseksi.
Tutkimukset tuovat esiin edellytyksiä tehokkaalle yhteistyölle. Ihmisen ja generatiivisen tekoälyn yhteistyön perusedellytyksinä pidetään selitettävissä olevaa tekoälyä, keskinäistä luottamusta, sekä keskinäistä ymmärrystä. Toistaiseksi esimerkiksi syväoppimisen läpinäkymättömyys aiheuttaa haasteita perusedellytysten täyttymiselle.
Generatiivisen tekoälyn kanssa työskenteleminen edellyttää ymmärrystä siitä, miten ja milloin sitä käytetään. Tehtävät voidaan jakaa tekoälyjärjestelmien ja ihmisten kesken niiden osaamisalueiden mukaisesti. Tämä korostaa näiden täydentäviä osaamisalueita ja parantaa työn tehokkuutta. Generatiivisen tekoälyn käyttöä lähestytään syötteiden avulla, joiden suunnittelu muodostaa merkittävän rajapinnan ihmisen ja tekoälyn yhteistyölle. Yksityiskohtaiset, tekoälyjärjestelmän semantiikan kanssa yhteensopivat syötteet mahdollistavat merkityksellisen kommunikaation. Generatiivisen tekoälyn ulostulon arviointi sekä palautteen antaminen luovat pohjan iteratiiviselle kehittymiselle, kun tekoäly oppii aiemmista ulostuloistaan.