Школьница из Астаны прошла в международную научную программу и разработала авторский метод работы с ИИ
Томирис Сатыбалды – ученица выпускного класса из Астаны. При подготовке к экзамену по математике она использовала различных ИИ-агентов, которые часто выдавали противоположные результаты. Девушка заинтересовалась этой проблемой и провела научное исследование. В рамках проекта она разработала Algorithmic Oversight Development Model – авторскую методологию по формированию навыков взаимодействия с искусственным интеллектом.
Специально для Digital Business Томирис рассказала, зачем бизнесу алгоритмическая грамотность, как выявлять «слепые» зоны нейросетей и почему ИИ-помощник не может быть хорошим или плохим.
«Большинство ученых рассматривают функции ИИ фрагментарно»
– В моей семье никто не занимается наукой и технологиями. Мама – домохозяйка, у папы – собственный бизнес. Однако родители всегда с уважением относились к ученым за их трудолюбие и любознательность. Меня воспитывали так: нужно учиться новому и добиваться своих целей, даже если это хобби. Уже в младшей школе хорошо танцевала и мастерски играла на домбре.
В 7 классе влюбилась в биологию и химию, так как эти предметы помогали лучше понять, как устроен мир вокруг нас. В 10-м увлеклась искусственным интеллектом. Стала встречать ИИ-агентов на каждом втором образовательном интернет-ресурсе. При подготовке к экзамену по математике обратила внимание, что помощники с искусственным интеллектом на разных площадках иногда выдают противоположный результат на один и тот же запрос.
Стало интересно, почему так происходит. Решила заглянуть «под капот» AI и узнать, как устроены алгоритмы нейросетей. На эту тему прочитала множество специализированной литературы и поняла, что большинство ученых рассматривают функции ИИ фрагментарно.
Одни исследуют автоматизацию процессов, другие – доверие людей к алгоритмам, третьи – взаимодействие человека и машины. Но никто из них не предложил создать целостную модель, которая научит корректной и эффективной работе с искусственным интеллектом. И речь сейчас не о том, как правильно писать промпты, а как читать и трактовать выводы алгоритмов, замечать «слепые зоны» нейросетей (ситуации, где ИИ дает ответ, но на самом деле не понимает контекст или ошибается) и принимать обоснованные решения вместе с ИИ.
Так я пришла к идее изучать навыки работы с ИИ — от них напрямую зависит результат для людей и компаний.
«Из 100 кандидатов принимают только 8-10»
– В 2024-м году полностью погрузилась в сферу машинного обучения. Это наукоемкое направление, в котором трудно развиваться без экспертной поддержки. Поэтому для начала нужно было найти научного руководителя.
Подала документы на участие в Lumiere Education. Это образовательная программа, которая позволяет ученикам старших классов проводить исследовательские работы в партнерстве с действующими учеными. Поступить туда довольно сложно из-за высокой конкуренции: из 100 кандидатов принимают только 8-10. Кроме того, нужно подробно описать свои академические интересы, тему исследования и мотивационное письмо. После этого начала исследование под руководством профессора Нельберто Николаса Кинто из бизнес-школы UCL в Лондоне.
Как это выглядело на практике: составляла план, структурировала результат работы и отправляла их ментору. Затем созванивались раз в две недели, и профессор давал свои рекомендации. Так началось первое в моей жизни качественное исследование, в основе которого – метод сбора и анализа нечисловых данных, направленный на выявление глубинных смыслов. Проще говоря, стояла задача выявить паттерны поведения людей при внедрении в их работу ИИ-инструментов.
«В больших компаниях ошибки ИИ могут дорого стоить»
– Мне удалось договориться о проведении исследования в небольшой казахстанской строительной компании, где до этого проходила стажировку. В эксперименте приняли участие 20 человек – сотрудники финансового и бухгалтерского отделов.
В ходе эксперимента наблюдала, как по мере погружения в тему сотрудники вырабатывали собственный рабочий протокол распределения задач. Они начали интуитивно делегировать системе рутинные операции, оставляя за собой самые рискованные и нестандартные кейсы.
Наглядный пример – работа с финансовыми данными: алгоритм автоматически отслеживал неточности в расчете прибыли, но часто ложно срабатывал. В больших компаниях такие ошибки могут дорого стоить. Со временем участники эксперимента научились классифицировать сигналы ИИ, четко понимая, какие из них нужно перепроверить, а какие – принять без правок.
На языке науки подобные навыки называются алгоритмическими компетенциями. Они позволяют интерпретировать выводы ИИ, чтобы принимать взвешенные решения. Например, чтобы выявить «слепые зоны» системы, нужно объяснить ей корпоративный контекст, то есть вручную загрузить конфиденциальные данные, которых нет в интернете.
Эксперимент наглядно показал, что взаимодействие с технологиями – динамичный процесс обучения. Каждый из участников внес огромный вклад в понимание того, где заканчивается эффективность алгоритма, а где требуется экспертный взгляд человека. По сути, ИИ становится полноценным участником бизнес-процесса, но финальное решение – всегда зона ответственности человека, владеющего алгоритмической грамотностью.
В итоге пришла к мнению, что ИИ не может быть «хорошим» или «плохим». Результат его работы зависит от уровня вовлеченности специалиста, его способности критически оценивать риски и готовности к непрерывному обучению.
«Процесс рецензирования в научном журнале занимает 6 месяцев»
– На основе исследования разработала Algorithmic Oversight Development Model – авторскую методологию, которая помогает сотрудникам компаний формировать навыки работы с искусственным интеллектом. Это своего рода инструкция, которая помогает научиться проверять и интерпретировать информацию при работе с нейросетями.
Методология и результаты исследования описаны в статье, которая сейчас находится на этапе согласования в нескольких профильных изданиях, поэтому пока не могу поделиться выводами. Рассчитываю, в первую очередь, на Journal of Student Research (JSR). Это издание аффилировано с College Board — организацией, ответственной за экзамен SAT и поступление в мировые вузы. В академической среде публикация в JSR — знак высокого доверия и качества. Процесс рецензирования занимает около полугода: такая длительная внешняя экспертиза необходима для подтверждения объективности и научной ценности исследования.
В будущем хочу развиваться на стыке экономики, бизнеса и технологий. Сейчас подбираю зарубежные университетские программы, которые позволят погрузиться в эту междисциплинарную область. В ближайшие 5-10 лет сфокусируюсь на разработке инструментов, которые сделают внедрение ИИ на предприятиях более ответственным и эффективным.