چگونه چت جی پی تی با کمک هزاران فری لنس شغل های واقعی را می آموزد

جایی میان زمین‌های زراعی و کابین خلبان، چت‌جی‌پی‌تی در حال آموختن چگونگی کارکرد دنیای واقعی است—وظیفه‌ به وظیفه، از طریق فری‌لنس‌های حرفه‌ای.

در پشت پرده، شبکه‌ای در حال رشد از پیمانکاران و متخصصان موضوعی دانش‌های بسیار تخصصی را به هوش مصنوعی تزریق می‌کنند. نه داده‌های کلی و سطحی، بلکه تخصص‌هایی که از یک خاک‌شناس، خلبان تجاری یا یک پزشک انتظار می‌رود. و برای این کار، دستمزدهای قابل‌توجهی پرداخت می‌شود.

اسنادی که Business Insider بررسی کرده است، نشان می‌دهد ابتکاری مرتبط با OpenAI—که داخلی‌ها آن را پروژه استیج‌کرافت می‌نامند—هزاران فری‌لنس را به کار گرفته تا نحوه درک هوش مصنوعی از مشاغل واقعی را شکل دهند. هماهنگی این کار از طریق Handshake AI انجام می‌شود، یک استارتاپ سان‌فرانسیسی که بی‌سر‌و‌صدا از یک پلتفرم کاریابی به بازیگری مهم در اقتصاد برچسب‌گذاری داده تبدیل شده است.

آموزش هوش مصنوعی برای تفکر مانند یک حرفه‌ای

این یک کار معمولیِ برچسب‌گذاری داده نیست. از پیمانکاران خواسته می‌شود وارد نقشی مشخص شوند—مثلاً پرستار دستیار یا مدیر موسیقی—و سناریوهای واقع‌گرایانه را از ابتدا بسازند. آنها پرامپت‌هایی می‌نویسند که شبیهِ جریان‌های واقعیِ کاری است: تدوین گزارش‌ها، تحلیل مجموعه‌داده‌ها، یا تهیه تحویل‌دادنی‌هایی که انتظارات دنیای واقعی را منعکس می‌کنند.

نکته متفاوت چیست؟ همه‌چیز باید طوری انجام شود که انگار کار به یک همکار انسانی سپرده می‌شود، نه به یک مدل هوش مصنوعی. ساده‌سازی نکنید. «مغزپَست» نکنید. هدف اصالت و واقع‌نمایی است.

یکی از راهنمایان آموزشی این موضوع را ساده بیان می‌کند: تمرکز روی کارهای دانش‌محور باشد، نه کارهای یدی. این یعنی شبیه‌سازی تصمیم‌گیری، تفکر انتقادی و تسلط حوزه‌ای—مهارت‌هایی که حرفه‌های مدرن را تعریف می‌کنند.

در یک مثال، مشارکت‌کنندگان از آنها خواسته می‌شود به‌عنوان مدیر مالیِ یک شرکت تئاتر عمل کنند و برگه‌های حقوق و دستمزد را بر اساس قراردادهای اتحادیه‌ای بسازند. در مثال دیگر، ممکن است از آنها خواسته شود یک مرور ادبیات پزشکی 10 صفحه‌ای تولید کنند. اینها مسائل آموزشی سطحی نیستند؛ اینها بخش‌هایی از مشاغل واقعی‌اند.

گسترش دامنه تخصص‌ها

یکی از اهداف این روش، گسترش طیف تخصص‌ها و ایجاد مجموعه‌داده‌هایی است که مدل بتواند در موقعیت‌های عملی رفتار معتبر و قابل اتکا داشته باشد. برای رسیدن به این هدف، پروژه از متخصصانی با پیش‌زمینه‌های متنوع استفاده می‌کند:

• متخصصان پزشکی و پژوهشگران بالینی برای تولید و بازبینی مقالات و دستورالعمل‌های درمانی،
• مهندسان و دانشمندان زمین‌شناسی برای تحلیل داده‌های جغرافیایی و زمین‌شناسی،
• خلبانان تجاری برای بازتولید سناریوهای مدیریت پرواز و تصمیم‌گیری اضطراری،
• متخصصان کشاورزی و خاک‌شناسان برای ارزیابی شرایط مزرعه و کاربرد کود یا آبیاری،
• و حتی حرفه‌های هنری مانند مدیران موسیقی یا مجسمه‌سازان برای بخش‌های خلاقانه و فرهنگی.

ترکیب این تخصص‌ها به مدل امکان می‌دهد پاسخ‌هایی سازگار با چارچوب‌ها و استانداردهای هر حوزه تولید کند—نه صرفاً پاسخ‌هایی که «به‌نظر» درست می‌آیند.

نحوه طراحی سناریوها

پیمانکاران سناریوها را به‌صورت گام‌به‌گام می‌سازند: ابتدا چارچوب مسئله را تعریف می‌کنند، سپس داده‌ها و شرایط مرجع را وارد می‌کنند و در نهایت انتظارهای خروجی —مانند فرم گزارش، ملاحظات اخلاقی، یا مراجع علمی— مشخص می‌شود. این فرایند باعث می‌شود مدل نه تنها اطلاعات را بازتولید کند، بلکه فرآیند تصمیم‌گیری را نیز تقلید نماید.

نیروی کار در مقیاس هزاران نفر

برآورد می‌شود تا کنون حدود ۳۰۰۰ تا ۴۰۰۰ فری‌لنس در این پروژه مشارکت داشته‌اند. دستمزد از حدود ۵۰ دلار در ساعت آغاز می‌شود، اما برای تخصص‌های بسیار دقیق، نرخ‌ها می‌تواند به‌طور قابل‌توجهی افزایش یابد—گاهی تا ۵۰۰ دلار در ساعت—که براساس آگهی‌ها و لیست‌های منتشرشده در پلتفرم Handshake گزارش شده است.

تنوع مشاغل تامل‌برانگیز است. از خلبانان تجاری، زمین‌شناسان، داروسازان، کشاورزان، متخصصان منابع انسانی تا مجسمه‌سازان—فهرست مدل‌سازی مشاغل بسیار گسترده است. یک صفحه‌گسترده‌ لو رفته که به این پروژه مرتبط بود، صدها نقش را در صنایع مختلف فهرست کرده و همراه آنها جزئیاتی از تماس پیمانکاران را نیز نشان می‌داد—موضوعی که نگرانی‌هایی درباره افشای داده‌ها ایجاد کرده است.

هر ارسال از چندین لایه بازبینی عبور می‌کند: ابتدا بازبینی داخلی، سپس توسط کارشناسان موضوعی، و در نهایت بازبینی توسط خود OpenAI. ایده این است که مدل نه تنها هوشمند به‌نظر برسد، بلکه رفتار کسی را تقلید کند که واقعاً شغل را بلد است.

نتیجه: تغییری در نحوۀ آموزش هوش مصنوعی — کمتر درباره هوش عمومی، بیشتر درباره اعتبار حرفه‌ای.

سازوکار کنترل کیفیت و اعتبارسنجی

کنترل کیفیت در چند مرحله انجام می‌شود: تعریف معیارهای خروجی، ارزیابی همتا، تست‌های عملکردی در سناریوهای واقعی‌شده، و در نهایت بازخورد مستقیم از متخصصان حوزه. این زنجیره از صحت علمی و عملی اطمینان حاصل می‌کند و داده‌های آموزشی را به‌گونه‌ای پالایش می‌کند که مدل در تولید پاسخ‌های تخصصی خطای کمتری داشته باشد.

مسائل حریم خصوصی و امنیت داده

لو رفتن صفحه‌گسترده و جزئیات تماس برخی پیمانکاران، سوالاتی درباره حفاظت از داده و حریم خصوصی مطرح کرده است. وقتی داده‌های واقعیِ حرفه‌ای و اطلاعات تماس افراد با هدف آموزشی جمع‌آوری می‌شود، خطرات افشا و سوءاستفاده نیز افزایش می‌یابد. برای کاهش ریسک، استانداردهای ناشناس‌سازی و کنترل دسترسی باید اعمال شوند؛ اما مستندات افشا شده نشان می‌دهد در برخی موارد نگرانی‌هایی وجود داشته است.

پیامدها، تعارضات و آینده‌ی حرفه‌ها

یک نکته تلخ در این داستان وجود دارد. برخی مشارکت‌کنندگان به‌طور کامل از این پارادوکس آگاه‌اند: آنها در حال آموزش سیستم‌هایی هستند که ممکن است روزی جایگزینِ بخشی از کارِ خودِ آنها شوند. این تنش میان نیاز بازار به داده‌های تخصصی برای پیشرفت فناوری و نگرانی شغلیِ کسانی که این دانش را فراهم می‌کنند، قابل‌توجه است.

تنش‌ها با گزارش‌های اخیر اختلاف بر سر پرداخت‌ها تشدید شده است. چندین پیمانکار ادعا کرده‌اند که پس از اتمام کار، هزاران دلار از پرداخت‌ها محروم شده‌اند با این استدلال که قوانین پلتفرم نقض شده است—تصمیماتی که به گفته آنها بدون امکان تجدیدنظر اتخاذ شده‌اند. Handshake از ابراز نظر عمومی خودداری کرده و OpenAI نیز در این رابطه سکوت کرده است.

ملاحظات اخلاقی و اقتصادی

این مدل همکاری برای آموزش هوش مصنوعی چند پرسش اخلاقی و اقتصادی مطرح می‌کند:

• آیا پرداختِ منصفانه برای مشارکت‌کنندگان تضمین می‌شود؟
• چه تدابیری برای جلوگیری از جایگزینی بی‌قاعده نیروی انسانی با مدل‌ها اتخاذ می‌شود؟
• چگونه از سوءاستفاده یا افشای اطلاعات حساس جلوگیری می‌شود؟
• آیا قراردادها و حقوق فکری مشارکت‌کنندگان محافظت می‌شود؟

سقوط یا موفقیت در این حوزه تا حد زیادی به پاسخ به این پرسش‌ها بستگی دارد. تنظیم‌گریِ شفاف و سیاست‌های حمایتی می‌تواند به حفظ تعادل میان نوآوری و منافع نیروی کار کمک کند.

چشم‌انداز شغلی و تحول نقش‌ها

هرچند برخی از نقش‌ها ممکن است با ورود مدل‌های پیشرفته دگرگون شوند، اما تقاضا برای تخصص انسانی از بین نخواهد رفت؛ بلکه تغییر خواهد کرد. نقش‌هایی که حول تولید داده‌های آموزشی معتبر، ارزیابی کیفیت مدل، و مدیریت عوارض اخلاقی و فنی شکل می‌گیرند، پررنگ‌تر خواهند شد. به عبارت دیگر، فری‌لنس‌ها و متخصصان ممکن است به طور فزاینده‌ای به عنوان همکارانِ طراحی و نظارت بر سیستم‌های هوش مصنوعی تبدیل شوند—نه صرفاً به عنوان منابعی برای تولید محتوا.

هم‌زمان، سازمان‌ها و شرکت‌ها باید در برنامه‌ریزی نیروی انسانی خود تجدیدنظر کنند: آموزش مجدد (reskilling)، طراحی نقش‌های جدید و ایجاد چارچوب‌های حفاظتی برای حقوق حرفه‌ای از جمله رویکردهای ضروری خواهد بود.

چرا این روند اهمیت دارد

حرکت به سمت آموزش مبتنی بر تخصص نشان‌دهنده یک تغییر استراتژیک در توسعه هوش مصنوعی. مدل‌ها دیگر صرفاً به دنبال پاسخ‌های عمومی و کلی نیستند؛ بلکه می‌خواهند در دامنه‌های پیچیده و حساس، تصمیمات قابل‌اعتماد تولید کنند. این امر می‌تواند کارایی در صنایع پزشکی، حمل‌ونقل، کشاورزی و خدمات حرفه‌ای را افزایش دهد—مشروط بر اینکه چارچوب‌های اخلاقی، قانونی و اقتصادی مناسبی برقرار باشند.

برای پژوهشگران هوش مصنوعی، سیاست‌گذاران و مدیران محصول، این فرصت و چالش به‌طور هم‌زمان مطرح است: چگونه می‌توان سیستم‌هایی ساخت که هم کارآمد باشند و هم عدالت و امنیت حرفه‌ای را رعایت کنند؟ پاسخ به این سوال‌ها بر مسیر توسعه فناوری و ساختار بازار کار در دهه‌های آینده تأثیر خواهد گذاشت.

نکات کلیدی و جمع‌بندی

• پروژه‌هایی مانند پروژه استیج‌کرافت نشان می‌دهند آموزش هوش مصنوعی به سمت جذب تخصص انسانی واقعی حرکت کرده است.
• استفاده از فری‌لنس‌ها با تخصص‌های متنوع باعث می‌شود مدل‌ها رفتارهای حرفه‌ای و تصمیم‌گیری‌های حوزه‌ای را بهتر تقلید کنند.
• مسائل مربوط به پرداخت، حریم خصوصی و حفاظت از داده‌ها ریسک‌هایی هستند که باید شناسایی و مدیریت شوند.
• نیروی کار و کسب‌وکارها می‌توانند با برنامه‌ریزی برای بازآموزی و ایجاد نقش‌های جدید، از فرصت‌های ناشی از این تحول بهره ببرند.

در نهایت، کسانی که نزدیک‌ترین دسترسی را به ساخت این مدل‌ها دارند—فری‌لنس‌ها و متخصصانی که داده‌های آموزشی را می‌سازند و بازبینی می‌کنند—نقش تعیین‌کننده‌ای در شکل‌دهی آینده حرفه‌های خود خواهند داشت. در این فرایند، هم فرصت‌های جدیدی پدید می‌آید و هم پرسش‌های دشواری درباره عدالت، امنیت و شفافیت مطرح می‌شود که به تصمیم‌گیری جمعی و سیاست‌گذاری هوشمند نیاز دارد.