ఆటోమేషన్ ఒకేసారి ఒక్కో టాస్క్‌ను తొలగిస్తుందని మరియు వృత్తిని అలాగే నిలబెడుతుందని లేబర్-మార్కెట్ అంచనాలు భావించాయి. మొత్తం వర్క్‌ఫ్లోలను పూర్తి చేసే ఏజెంటిక్ AI ఆ ఊహను చెల్లనిదిగా చేస్తుంది, మరియు పాత ఫ్రేమ్‌వర్క్‌లు కొలవలేని వాటిని కొలవడానికి ఏజెంటిక్ టాస్క్ ఎక్స్‌పోజర్ (ATE) అనే కొత్త మిశ్రమ స్కోరు నిర్మించబడింది.
కార్యనిర్వాహక సారాంశం
- Autor-Levy-Murnane టాస్క్ ఫ్రేమ్‌వర్క్‌పై నిర్మించిన వాటితో సహా, ఆటోమేషన్ యొక్క మునుపటి అంచనాలు ఒక ఊహను పంచుకుంటాయి: మిగిలిన మానవ పని చుట్టూ సమన్వయ కవచంగా వృత్తి మనుగడ సాగిస్తుంది.
- ఏజెంటిక్ AI వ్యవస్థలు నాలుగు ప్రమాణాలను సంతృప్తిపరుస్తాయి: అవి లక్ష్య వివరణను తీసుకుంటాయి, స్వయంప్రతిపత్తితో సాధనాలను ఎంచుకుని ప్రారంభిస్తాయి, అనుమితి దశల అంతటా స్థితిని (state) నిర్వహిస్తాయి, మరియు మధ్యస్థ దశలలో మానవ జోక్యం లేకుండా పూర్తి చేసిన పని ఉత్పత్తిని అందిస్తాయి.
- ATE స్కోరు AI సామర్థ్య స్కోర్లు, వర్క్‌ఫ్లో కవరేజ్ కారకాలు మరియు లాజిస్టిక్ స్వీకరణ వేగాన్ని మిళితం చేస్తుంది. క్రెడిట్ అనలిస్టులు, న్యాయమూర్తులు మరియు సస్టైనబిలిటీ నిపుణులు 0.43-0.47 ATE స్కోర్లను చేరుకుంటారు.
- ఈ పత్రం ఐదు US టెక్నాలజీ ప్రాంతాలలోని ఆరు ప్రధాన వృత్తిపరమైన సమూహాలలో 236 SOC కోడ్‌లకు ATE ని వర్తింపజేస్తుంది, మరియు ప్రత్యేకంగా ఏజెంటిక్ AI వ్యవస్థలను లక్ష్యంగా చేసుకున్న టాస్క్ ఎక్స్‌పోజర్ ఫ్రేమ్‌వర్క్ యొక్క మొదటి బహుళ-ప్రాంతీయ అనుభవపూర్వక అనువర్తనంగా తనను తాను అభివర్ణించుకుంటుంది.
- స్థానభ్రంశంతో పాటు, మానవ-AI సహకారం, AI గవర్నెన్స్ మరియు డొమైన్-నిర్దిష్ట AI కార్యకలాపాలలో కేంద్రీకృతమై ఉన్న పదిహేడు వర్ధమాన వృత్తిపరమైన విభాగాలను ఈ పత్రం గుర్తిస్తుంది.
లక్ష్యాన్ని మించిపోయిన అంచనాలు #
పారిశ్రామిక రోబోలు తయారీ రంగ కార్మికులను స్థానభ్రంశం చేశాయి. కానీ అవి ప్రాథమిక అంచనాలు సూచించిన కాలపరిమితిలో లేదా స్థాయిలో దానిని చేయలేదు. లేబర్-మార్కెట్ అంచనాలను చదవడం వృత్తిగా పెట్టుకున్న ఎవరినైనా ఆ వాక్యం కొంచెం అప్రమత్తం చేయాలి, ఎందుకంటే అది ఒక నమూనాను వివరిస్తుంది: దిశ సరైనదే కానీ పరిమాణం తప్పింది.
ఈ సాహిత్యంలో అత్యంత ప్రసిద్ధ శీర్షిక సంఖ్య Frey మరియు Osborne నుండి వచ్చింది, వీరు 702 US వృత్తులను మొత్తం "కంప్యూటరీకరణ సామర్థ్యం" (computerizability) ఆధారంగా స్కోర్ చేయమని నిపుణులను కోరారు. వారి ఫలితం ఏమిటంటే 47% వృత్తులు అధిక ప్రమాదంలో ఉన్నాయి. ఇది ఆశ్చర్యపరిచే సంఖ్య, మరియు ఇది చాలా దూరం ప్రయాణించింది.
విశ్లేషణ టాస్క్ స్థాయికి (task level) దిగినప్పుడు మరియు నామమాత్రంగా ప్రభావితమయ్యే వృత్తులలో టాస్క్ వైవిధ్యాన్ని (task heterogeneity) పరిగణనలోకి తీసుకున్నప్పుడు ఏమి జరుగుతుందో Arntz, Gregory మరియు Zierahn ఆ తర్వాత చూపించారు. OECD దేశాలలో అధిక-ప్రమాద అంచనాలు 9-14% కి పడిపోతాయి. 47% మరియు 9-14% మధ్య దూరం అనేది సంఖ్యలను సవరించడంలో వచ్చిన భేదాభిప్రాయం కాదు. ఇది విశ్లేషణ ప్రమాణం (unit of analysis) గురించిన ఎంపికను ప్రతిబింబిస్తుంది, మరియు ఆ ఎంపిక సమాధానాన్ని మూడు రెట్లు లేదా అంతకంటే ఎక్కువ మారుస్తుంది.
వృత్తి-స్థాయి మరియు టాస్క్-స్థాయి అంచనాల మధ్య చర్చ ఇంకా పరిష్కారం కాలేదని మూల పత్రం నిజాయితీగా చెబుతుంది. ఈ రంగం చేరుకున్న ఆచరణాత్మక ఏకాభిప్రాయం ఏమిటంటే: టాస్క్-స్థాయి విభజన అవసరం, మరియు వృత్తి-స్థాయి లేబుల్‌లు చాలా స్థూలంగా ఉంటాయి. ఆ ఏకాభిప్రాయమే మిగిలిన వాదన నిలబడే పునాది. ఏజెంటిక్ AI ఒత్తిడికి గురిచేసే పునాది కూడా అదే.
టాస్క్ ఫ్రేమ్‌వర్క్‌లు ఎలా పనిచేస్తాయి #
ఆ ఒత్తిడి ఎక్కడి నుండి వస్తుందో చూడటానికి, టాస్క్ సంప్రదాయం ఏమి చెబుతుందో ఖచ్చితంగా తెలుసుకోవడం సహాయపడుతుంది.
Autor, Levy మరియు Murnane వృత్తిపరమైన టాస్క్‌లను రెండు అక్షాల వెంబడి విభజించారు: రొటీన్ (routine) వర్సెస్ నాన్-రొటీన్ (non-routine), మరియు కాగ్నిటివ్ (cognitive) వర్సెస్ మాన్యువల్ (manual). ఆటోమేషన్ రొటీన్ పనులకు ప్రత్యామ్నాయంగా మారుతుందని, అదే సమయంలో నాన్-రొటీన్ పనులకు పూరకంగా ఉంటుందని వారి వాదన. ఇది ఒక స్పష్టమైన ఆలోచన, మరియు ఒక ఉద్యోగంలోని ఏ భాగాలను యంత్రం గ్రహించగలదో మాట్లాడటానికి తరువాతి పరిశోధనలకు ఇది పదజాలాన్ని ఇచ్చింది.
Acemoglu మరియు Restrepo దాని పైన ఒక అధికారిక నిర్మాణాన్ని నిర్మించారు. మూలధనం మరియు శ్రమ మధ్య కేటాయించబడిన టాస్క్‌ల నిరంతర శ్రేణి ఫలితంగా అవుట్‌పుట్ వస్తుందని వారు నమూనా చేశారు. వారి ఫ్రేమింగ్‌లో, పునఃస్థాపన ఛానెల్ (reinstatement channel) అని వారు పిలిచే కొత్త-టాస్క్ సృష్టి, టాస్క్ స్థానభ్రంశాన్ని మించిపోతుందా లేదా అనే దానిపై ఆధారపడి శ్రమ వాటా (labour share) పెరుగుతుంది లేదా తగ్గుతుంది. వారిని అనుసరించి, జోడించిన విలువలో శ్రమ వాటా sL = W * L / Y = f(|NL| / |N|) గా రాయబడుతుంది, ఇక్కడ W అనేది వేతన రేటు, L అనేది ఉపాధి మరియు Y అనేది అవుట్‌పుట్. రెండు శక్తులు ఒకదానికొకటి వ్యతిరేకంగా లాగుతాయి, మరియు ఏది గెలుస్తుందో అది లాభాలను ఎవరు దక్కించుకుంటారో నిర్ణయిస్తుంది.
ఇక్కడ మరో రెండు కొలత ప్రయత్నాలు ముఖ్యమైనవి ఎందుకంటే అవి ఫ్రేమ్‌వర్క్‌ను వృత్తి-స్థాయి సంఖ్యలుగా మార్చాయి. Felten, Raj మరియు Seamans ప్రచురించబడిన AI సామర్థ్య పురోగతులను O*NET సామర్థ్య వర్గీకరణకు అనుసంధానించడం ద్వారా AI ఆక్యుపేషనల్ ఎక్స్‌పోజర్ (AIOE) స్కోరును నిర్మించారు. Eloundou మరియు ఇతరులు టాస్క్ స్థాయిలో GPT-4 స్వీయ-అంచనాలతో క్రౌడ్-వర్కర్ వ్యాఖ్యలను కలుపుతూ, GPT-4 పై దృష్టి సారించిన సమాంతర కొలతను నిర్మించారు.
వారి ప్రధాన ఆవిష్కరణ ఏమిటంటే, 80% US కార్మికులు కనీసం 10% టాస్క్‌లు LLM-ప్రభావితమయ్యే ఉద్యోగాలలో ఉన్నారు. అత్యధిక ప్రభావం అధిక-వేతనం, డిగ్రీ-అవసరమయ్యే వృత్తులలో కేంద్రీకృతమై ఉంది. ఆటోమేషన్ మొదట రొటీన్, తక్కువ-వేతన పనులను దెబ్బతీస్తుందనే పాత సహజ భావనకు ఈ ఫలితం వ్యతిరేకంగా ఉంటుంది, మరియు వైట్-కాలర్ ప్రశ్న ఎందుకు అత్యవసరంగా మారిందో ఇది వివరిస్తుంది.
ప్రతి ఫ్రేమ్‌వర్క్ పంచుకునే గుర్తించని లోపం #
ఈ పనులన్నింటి గురించి మూల పత్రం ఒక సూటియైన వాదన చేస్తుంది. ఉదహరించబడిన ప్రతి ఫ్రేమ్‌వర్క్ ఒక నిర్మాణాత్మక గుర్తించని లోపాన్ని (architectural blind spot) పంచుకుంటుంది: వృత్తి చెక్కుచెదరకుండా ఉండగా ఆటోమేషన్ వ్యక్తిగత టాస్క్‌లను మాత్రమే ఏరివేస్తున్నట్లు అవి నమూనా చేస్తాయి. Autor-Levy-Murnane టాస్క్ ఫ్రేమ్‌వర్క్‌పై నిర్మించిన వాటితో సహా దాదాపు అన్ని అంచనాలు, ఆటోమేషన్ ఒకేసారి ఒక్కో టాస్క్‌ను ఏరివేస్తుందని మరియు మిగిలిన మానవ పని చుట్టూ సమన్వయ కవచంగా (coordination shell) వృత్తి మనుగడ సాగిస్తుందనే ఊహను పంచుకుంటాయి.
అది నిర్మాణం గురించిన ఊహ, సాంకేతికత గురించినది కాదు. యంత్రం ఎంత సామర్థ్యం కలదో అది ఏమీ చెప్పదు. యంత్రం ఎన్ని టాస్క్‌లను తీసుకున్నా, మిగిలిన వాటిని కలిపి ఉంచడానికి ఇంకా ఎవరో ఒకరు ఉండాలని అది చెబుతుంది.
పారాలీగల్ (paralegal) ఉదాహరణ ఈ విషయాన్ని స్పష్టం చేస్తుంది. ఒక టాస్క్-ఎక్స్‌పోజర్ విశ్లేషణ పారాలీగల్ యొక్క టాస్క్‌లలో 80% LLM-ప్రభావితమైనవిగా గుర్తించవచ్చు మరియు అయినప్పటికీ ఆ వృత్తి సురక్షితమని నిర్ధారించవచ్చు, ఎందుకంటే ఆ టాస్క్‌లను సమన్వయం చేయడానికి మానవ విచక్షణ అవసరం. ఆ నిర్ధారణ కవచం ఊహ (shell assumption) నుండి వస్తుంది. టాస్క్‌లు ప్రభావితమవుతాయి, కానీ వాటి మధ్య కుట్టు ప్రభావితం కాదు, కాబట్టి ఉద్యోగం అలాగే ఉంటుంది.
అప్పుడు మూల పత్రం యొక్క కీలక మలుపు వస్తుంది: పారాలీగల్ పాత్రను రక్షించిన సమన్వయ అడ్డంకి (coordination bottleneck) ఇప్పుడు ఏజెంట్ యొక్క ప్లానింగ్ మాడ్యూల్ లోపల ఉంది. అది నిజమైతే, పారాలీగల్‌ను సురక్షితంగా ఉంచిన తర్కం పనిచేయడం మానేస్తుంది. రక్షణ సమన్వయం నుండి వచ్చింది. ఒక ఏజెంటిక్ వ్యవస్థ చేసేది ఖచ్చితంగా ఆ సమన్వయమే.
పత్రంలో ఇది అత్యంత ఉపయోగకరమైన ఆలోచన అని నేను భావిస్తున్నాను, మరియు దానిని దాని స్వంత ప్రాతిపదికన తీసుకోవాలి. పాత ఫ్రేమ్‌వర్క్‌లు టాస్క్‌ల గురించి తప్పు చెప్పడం లేదు. టాస్క్‌లు పోయిన తర్వాత ఏమి మిగులుతుందో చెప్పడంలోనే అవి తప్పు చేస్తున్నాయి. టాస్క్‌లను ఒక్కొక్కటిగా స్కోర్ చేసే కొలత, మొత్తం క్రమాన్ని ఒక యూనిట్‌గా నిర్వహించే వ్యవస్థను చూడలేదు.
ఏజెంటిక్‌గా ఏది పరిగణించబడుతుంది #
వాదన ఒక వ్యత్యాసంపై ఆధారపడి ఉంటే, ఆ వ్యత్యాసానికి ఒక నిర్వచనం అవసరం. మూల పత్రం నాలుగు ప్రమాణాలతో ఒక నిర్వచనాన్ని అందిస్తుంది. ఏజెంటిక్ AI వ్యవస్థ అనేది:
- టాస్క్ వివరణకు బదులుగా లక్ష్య వివరణను (goal specification) స్వీకరిస్తుంది;
- లక్ష్యాన్ని అనుసరించడానికి స్వయంప్రతిపత్తితో సాధనాలను ఎంచుకుంటుంది మరియు ప్రారంభిస్తుంది;
- బహుళ అనుమితి దశల అంతటా స్థితిని (state) నిర్వహిస్తుంది; మరియు
- మధ్యస్థ దశలలో మానవ జోక్యం లేకుండా పూర్తి చేసిన పని ఉత్పత్తిని అందిస్తుంది.
దీనిని జాబితాగా ఉంచుకోవడం విలువైనది, ఎందుకంటే ప్రమాణాలు విడివిడిగా ఉన్నాయి మరియు ప్రతి ఒక్కటి తనిఖీ చేయవచ్చు. ప్రాంప్ట్‌కు సమాధానమిచ్చే వ్యవస్థ మొదటి దానిలో విఫలమవుతుంది. ప్రతి మధ్యస్థ దశను ఆమోదించడానికి ఒక వ్యక్తి అవసరమయ్యే వ్యవస్థ నాల్గవ దానిలో విఫలమవుతుంది.
సాధారణ పదాలలో చెప్పాలంటే, ఒక ఏజెంట్ లక్ష్యాన్ని స్వీకరిస్తుంది, సాధనాలను ఎంచుకుంటుంది, బహుళ-దశల ప్రణాళికను అమలు చేస్తుంది, తన స్వంత అవుట్‌పుట్‌ను తనిఖీ చేసుకుంటుంది మరియు పూర్తి చేసిన పని ఉత్పత్తిని అందిస్తుంది. ఏజెంటిక్ వ్యవస్థలు టూల్ కాల్స్‌ను గొలుసులా కలుపుతాయి, దశల అంతటా స్థిరమైన మెమరీని నిర్వహిస్తాయి, బహుళ-చర్యల క్రమాలను ప్లాన్ చేస్తాయి మరియు మధ్యస్థ అవుట్‌పుట్‌లు నాణ్యత తనిఖీలలో విఫలమైనప్పుడు తమను తాము సరిదిద్దుకుంటాయి (self-correct).
స్వీయ-సవరణ వివరాలు మొదట కనిపించే దానికంటే ఎక్కువ ముఖ్యమైనవి. ఒక దశ విఫలమైనప్పుడు ఆగిపోయే పైప్‌లైన్‌కు ఇంకా దగ్గరలో ఒక మనిషి అవసరం. విఫలమైన నాణ్యత తనిఖీని గమనించి మళ్ళీ ప్రయత్నించే వ్యవస్థ, ఒకప్పుడు మనిషి ఉనికిని సమర్థించిన పర్యవేక్షణలో కొంత భాగాన్ని తనలో కలిపేసుకుంది.
ఈ పత్రం తన అంశాన్ని ఈ విధంగా నిర్వచిస్తుంది: విడివిడి టాస్క్‌లకు బదులుగా మొత్తం వృత్తిపరమైన వర్క్‌ఫ్లోలను (entire occupational workflows) పూర్తి చేయగల స్వయంప్రతిపత్త AI ఏజెంట్లు. "మొత్తం" అనే పదం బరువును మోస్తుంది. మొత్తం వాదన అంతా ఒక విడి టాస్క్ మరియు పూర్తి వర్క్‌ఫ్లో మధ్య ఉన్న ఖాళీ గురించే.
ఈ సమయం ఎందుకు కీలకం #
ఈ ప్రశ్న కేవలం ఊహాజనితం కాదని చెప్పడానికి మూల పత్రం రెండు రకాల ఆధారాలను అందిస్తుంది. మొదటిది సామర్థ్యానికి సంబంధించినది. GPT-4-స్థాయి నమూనాలు బార్ పరీక్ష (bar exam) మరియు US మెడికల్ లైసెన్సింగ్ పరీక్షలో (US Medical Licensing Exam) ఉత్తీర్ణత-స్కోరు పరిమితులను చేరుకున్నాయి లేదా దాటాయి, మరియు CFA లెవల్ I లో ఉత్తీర్ణత సాధించడానికి కొన్ని శాతం పాయింట్ల దగ్గరకు వచ్చాయి. పని కష్టంగా ఉంటుందనే కారణంతోనే ప్రవేశాన్ని పరిమితం చేసే వృత్తులకు ఇవి అర్హత పరీక్షలు.
రెండవది విస్తరణకు (deployment) సంబంధించినది. Amazon, Microsoft, Salesforce, ServiceNow మరియు Workday లతో సహా ప్రధాన ఎంటర్‌ప్రైజ్ టెక్నాలజీ విక్రేతలు, తమ 2024 ఎర్నింగ్స్ కాల్స్ మరియు ఇన్వెస్టర్ ప్రజెంటేషన్లలో వైట్-కాలర్ వర్క్‌ఫ్లోలను తాకే ప్రొడక్షన్ ఏజెంటిక్ విస్తరణలను వెల్లడించారు. ఇవి ప్రొడక్షన్ విస్తరణలు, పరిశోధన డెమోలు కావు, మరియు అవి విద్యావేత్తలకు కాకుండా పెట్టుబడిదారులకు ప్రకటించబడ్డాయి.
విస్తరణలు ఇప్పటికే ఉద్యోగుల సంఖ్య ప్రణాళికను (headcount planning) ప్రభావితం చేస్తున్నప్పుడు మాత్రమే కంపెనీలు చేసే ప్రకటనలుగా మూల పత్రం ఆ వెల్లడింపులను చదువుతుంది. మూల పత్రం దానిని కొలతగా కాకుండా ఒక వివరణగా ఫ్రేమ్ చేస్తుంది, మరియు దానిని అలాగే పరిగణించాలి. నాకు ఇవ్వబడిన రికార్డులో ఎక్కడా ఉద్యోగుల సంఖ్య గణాంకాలు నేరుగా నివేదించబడలేదు. కానీ ఆ అనుమితి సహేతుకమైనది: ఖర్చు ప్రాతిపదికకు ముఖ్యమైనది కాకపోతే కంపెనీలు సాధారణంగా ఒక విస్తరణను పెట్టుబడిదారుల ముందు ఉంచవు.
రెండింటినీ కలిపి ఉంచితే కొత్త కొలత కోసం వాదన సూటిగా ఉంటుంది. కేవలం సామర్థ్యం మాత్రమే ఈ అంశాన్ని ముందుకు నెట్టదు, మరియు కొన్ని పైలట్ ప్రాజెక్టులు కూడా నెట్టవు. కానీ ఇప్పటికే ప్రొడక్షన్‌లో ఉన్న వ్యవస్థలలో, వృత్తిపరమైన పరిమితులను దాటుతున్న సామర్థ్యం ఆ పని చేస్తుంది.
ATE స్కోరు: అది దేనిని కొలుస్తుంది మరియు దేనిని కొలవదు #
ఈ పత్రం యొక్క సమాధానం ఏజెంటిక్ టాస్క్ ఎక్స్‌పోజర్ (ATE) స్కోరు. ఇది పూర్తి స్థాయి వర్క్‌ఫ్లో కవరేజ్, ప్రస్తుత ఏజెంటిక్ AI సామర్థ్య ప్రమాణాలు మరియు ఎంటర్‌ప్రైజ్ స్వీకరణ వేగాన్ని పరిగణనలోకి తీసుకోవడానికి Acemoglu-Restrepo టాస్క్ స్థానభ్రంశ ఫ్రేమ్‌వర్క్‌ను విస్తరించే మిశ్రమ కొలమానం. ప్రస్తుత ఏజెంటిక్ AI వ్యవస్థల ద్వారా ఒక వృత్తి o ఏ స్థాయిలో పూర్తి స్థాయి స్థానభ్రంశానికి గురవుతుందో ఈ స్కోరు కొలుస్తుంది.
ఇందులో మూడు అంశాలు చేర్చబడ్డాయి: AI సామర్థ్య స్కోర్లు, వర్క్‌ఫ్లో కవరేజ్ కారకాలు మరియు లాజిస్టిక్ స్వీకరణ వేగం. వర్క్‌ఫ్లో కవరేజ్ కారకం (workflow coverage factor) అనేది గుర్తించని లోపాన్ని నేరుగా పరిష్కరించే భాగం. మునుపటి పరిశోధనలలో లోపించినది ఏమిటంటే, ఒక వృత్తి యొక్క పూర్తి వర్క్‌ఫ్లో కూర్పు ఏజెంటిక్ AI యొక్క కార్యాచరణ పరిధిలో కూర్చుందా లేదా అనే కొలత అని మూల పత్రం చెబుతుంది, మరియు అది దానిని వర్క్‌ఫ్లో కవరేజ్ కారకంగా సూత్రీకరిస్తుంది. పాత స్కోర్లు ఒక టాస్క్ ప్రభావితమవుతుందా అని అడుగుతాయి. ఇది మొత్తం వర్క్‌ఫ్లో ఒక ఏజెంట్ చేయగలిగే దానిలో ఇముడుతుందా అని అడుగుతుంది.
నిర్మాణంలో మరో రెండు భాగాలు పేర్కొనబడ్డాయి. wo,t అనే పదం వృత్తి o లో టాస్క్ t యొక్క ప్రాముఖ్యత-భారిత ఔచిత్యం, ఇది O*NET టాస్క్ ప్రాముఖ్యత రేటింగ్‌ల నుండి తీసుకోబడింది. మరియు CAP(t), సామర్థ్య పదం, AI బెంచ్‌మార్క్ సాహిత్యం మరియు ప్రాక్టీషనర్ విస్తరణ నివేదికల నుండి అంచనా వేయబడుతుంది. కాబట్టి టాస్క్ ప్రాముఖ్యత ప్రామాణిక వృత్తిపరమైన డేటాబేస్ నుండి వస్తుంది, అయితే సామర్థ్యం రెండు వనరుల నుండి వస్తుంది: బెంచ్‌మార్క్‌లు మరియు క్షేత్ర నివేదికలు.
ఈ పత్రం పద్ధతి గురించి స్పష్టంగా ఉంది, మరియు పాఠకుడు దానిని అలాగే పట్టుకోవాలి. ATE స్కోర్లు క్రమాంకనం చేయబడిన స్వీకరణ పారామితులను ఉపయోగించి O*NET టాస్క్ డేటా నుండి అల్గారిథమిక్‌గా గణించబడతాయి; అవి రిగ్రెషన్ అంచనాలు (regression estimates) కావు. దానికి ఆచరణాత్మక పరిణామాలు ఉన్నాయి. ఒక రిగ్రెషన్ అంచనా ప్రామాణిక దోషాలు (standard errors) మరియు గుర్తింపు వాదనల సాధారణ యంత్రాంగంతో వస్తుంది. క్రమాంకనం చేయబడిన అల్గారిథమిక్ మిశ్రమ స్కోరు అలా రాదు, మరియు దాని అవుట్‌పుట్‌లు నమూనా-ఆధారిత అంచనాలు (model-derived projections), ఈ పదబంధాన్ని పత్రమే తన స్థానభ్రంశ గణాంకాల కోసం ఉపయోగిస్తుంది. అవి తన పారామితుల క్రింద నమూనా ఏమి సూచిస్తుందో వివరిస్తాయి. అవి ఏమి జరిగిందో నివేదించవు.
అది నిజాయితీ గల ఫ్రేమింగ్ అని నేను వాదిస్తాను, మరియు అంచనా వేయబడుతున్న విషయం ఇంకా జరగని అంచనా సమస్యకు అదే సరైనది. పేర్కొన్న ఇన్‌పుట్‌ల నుండి నిర్మించిన మిశ్రమ స్కోరును తనిఖీ చేయవచ్చు, సవాలు చేయవచ్చు మరియు తిరిగి క్రమాంకనం చేయవచ్చు. స్వీకరణ వేగం గురించి ఎవరైనా విభేదిస్తే, ఏ డయల్ తిప్పాలో వారికి తెలుస్తుంది.
నమూనా దీనిని ఎక్కడ వర్తింపజేస్తుంది #
అనుభవపూర్వక అనువర్తనం విస్తృతమైనది. ఈ పత్రం ఆరు ప్రధాన వృత్తిపరమైన సమూహాలలో విస్తరించి ఉన్న 236 స్టాండర్డ్ ఆక్యుపేషనల్ క్లాసిఫికేషన్ (SOC) కోడ్‌లకు ATE ఫ్రేమ్‌వర్క్‌ను వర్తింపజేస్తుంది, 2025-2030 కాలానికి ఐదు ప్రధాన యునైటెడ్ స్టేట్స్ టెక్నాలజీ ప్రాంతాలలో నమూనా-ఆధారిత స్థానభ్రంశ అంచనాలను రూపొందిస్తుంది. ఆ ఐదు ప్రాంతాలు San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark, మరియు Boston-Cambridge.
ప్రత్యేకంగా ఏజెంటిక్ AI వ్యవస్థలను లక్ష్యంగా చేసుకున్న టాస్క్ ఎక్స్‌పోజర్ ఫ్రేమ్‌వర్క్ యొక్క మొదటి బహుళ-ప్రాంతీయ అనుభవపూర్వక అనువర్తనంగా ఈ పత్రం దీనిని వివరిస్తుంది. అది రచయితలు చేసిన ప్రాధాన్యత దావా, మరియు నా ముందు ఉన్న సమాచారం నుండి నేను దానిని తనిఖీ చేయలేను. నేను చెప్పగలిగేది ఏమిటంటే, జాతీయ-స్థాయి అధ్యయనాలు పంచుకునే సమస్యకు ప్రాంతీయ రూపకల్పన ఒక వివేకవంతమైన ప్రతిస్పందన: ప్రభావం అనేది వృత్తుల లక్షణం, కానీ స్వీకరణ అనేది ప్రదేశాలు మరియు సంస్థల లక్షణం.
మూల పత్రం ఇచ్చే ఫలితాల ప్రకారం, క్రెడిట్ అనలిస్టులు, న్యాయమూర్తులు మరియు సస్టైనబిలిటీ నిపుణులు 0.43-0.47 ATE స్కోర్లను చేరుకుంటారు. ఈ సమూహాన్ని రెండవసారి చూడటం విలువైనది. ఒక క్రెడిట్ అనలిస్ట్, ఒక న్యాయమూర్తి మరియు ఒక సస్టైనబిలిటీ నిపుణుడు శిక్షణ, జీతం లేదా రోజువారీ పనిలో ఒకరినొకరు పోలి ఉండరు. పత్రం ప్రకారం వారిలో ఉమ్మడిగా ఉన్నది ఒకే పరిధిలో ఉన్న స్కోరు. రంగం ఆధారంగా లేదా ఊహించిన సృజనాత్మకత ఆధారంగా ఉద్యోగాలను "సురక్షితమైనవి" మరియు "ప్రమాదంలో ఉన్నవి"గా బద్ధకంగా వర్గీకరించడానికి వ్యతిరేకంగా దీనిని ఒక గుర్తుగా నేను చదువుతాను.
మూల పత్రం సమర్థించే దానికంటే ఎక్కువగా ఈ సంఖ్యలో అర్థం వెతకడాన్ని కూడా నేను వ్యతిరేకిస్తాను. నా వద్ద ఉన్న సమాచారం ఈ మూడు వృత్తులకు పరిధిని ఇస్తుంది మరియు మిగిలిన 236 కోడ్‌లతో ఇది ఎలా పోలుస్తుందో చెప్పదు. కాబట్టి పత్రం యొక్క స్కేల్‌లో ఈ పాత్రలు గణనీయంగా ప్రభావితమవుతాయని ఈ సంఖ్య చూపిస్తుంది. అవి అత్యధికంగా ప్రభావితమవుతాయని ఇది చూపించదు.
ప్రాంతీయ ఆవిష్కరణలు మళ్ళీ చెప్పుకోవాల్సిన ఒక షరతుతో వస్తాయి. 2026-2027 లో సియాటిల్ (Seattle) యొక్క శ్రామికశక్తి ప్రభావాలు, 2028-2030 లో విస్తృత జాతీయ సాంకేతికేతర శ్రామికశక్తి ఏమి ఎదుర్కొంటుందో ముందుగా చూపిస్తాయని పత్రం పేర్కొంది. అది పేర్కొన్న కాలయాపనతో కూడిన అంచనా, మరియు అది షరతులతో కూడుకున్నది. ఇది నమూనా ఉత్పత్తి చేసే పరికల్పనగా చదవబడుతుంది, మరియు దీనిని స్థాపించబడిన వాస్తవంగా తీసుకోకూడదు. కానీ ఇది ఉపయోగకరమైన రకమైన దావా, ఎందుకంటే తప్పు కావడానికి వీలున్నంత నిర్దిష్టంగా ఇది ఉంది. సియాటిల్ యొక్క ప్రారంభ నమూనా 2028 నాటికి జాతీయ సాంకేతికేతర శ్రామికశక్తికి వ్యాపించకపోతే, నమూనాకు దాటవేయలేని సమస్య ఉన్నట్లే.
చిట్టా యొక్క పునఃస్థాపన వైపు #
ఒక స్థానభ్రంశ స్కోరు తనంతట తానుగా Acemoglu-Restrepo కథలో సగం మాత్రమే చెబుతుంది. వారి ఫ్రేమ్‌వర్క్‌లో, కొత్త-టాస్క్ సృష్టి స్థానభ్రంశాన్ని మించిపోతుందా లేదా అనే దానిపై శ్రమ వాటా ఆధారపడి ఉంటుంది. ఫ్రేమ్‌వర్క్‌ను విస్తరించి కేవలం స్థానభ్రంశాన్ని మాత్రమే కొలిచే పత్రం, ఆ ఫ్రేమ్‌వర్క్‌కు ఉద్రిక్తతను ఇచ్చే భాగాన్ని వదిలివేసినట్లవుతుంది.
ఈ పత్రం అలా చేయదు. ఏజెంటిక్ AI పునఃస్థాపన ప్రభావాలను (reinstatement effects) సృష్టించే వృత్తిపరమైన విభాగాలను ఇది గుర్తిస్తుంది: ఏజెంటిక్ విస్తరణకు ముందు లేని కొత్త పాత్రలు భారీ స్థాయిలో మానవ పర్యవేక్షణ, గవర్నెన్స్ మరియు సహకారం కోసం డిమాండ్‌ను సృష్టిస్తాయి. మొత్తంగా ఇది పునఃస్థాపన ప్రభావాల నుండి ప్రయోజనం పొందే పదిహేడు వర్ధమాన వృత్తిపరమైన విభాగాలను గుర్తిస్తుంది. అవి మానవ-AI సహకారం, AI గవర్నెన్స్ మరియు డొమైన్-నిర్దిష్ట AI కార్యకలాపాల పాత్రలలో కేంద్రీకృతమై ఉన్నాయి.
దీని యంత్రాంగాన్ని అనుసరించడం సులభం. ఏజెంట్లు వర్క్‌ఫ్లోలను మొదటి నుండి చివరి వరకు నిర్వహిస్తే, ఎవరో ఒకరు వాటిని పర్యవేక్షించాలి, అవి నడిచే నియమాలను సెట్ చేయాలి, మరియు వాటితో కలిసి పని చేయాలి. పర్యవేక్షించడానికి ఇంకా ఏమీ లేనందున ఆ అవసరాలు ఉద్యోగాలుగా ఉనికిలో లేవు.
ఈ పదిహేడు విభాగాలు ఎంతమందికి ఉపాధి కల్పిస్తాయో, లేదా వాటి పెరుగుదల ATE స్కోర్లు సూచించే స్థానభ్రంశాన్ని భర్తీ చేస్తుందో లేదో మూల పత్రం నాకు చెప్పదు. కాబట్టి నేను ఉపయోగించగల డేటా కేంద్ర ప్రశ్నను తెరిచే ఉంచుతుంది: పునఃస్థాపన స్థానభ్రంశాన్ని మించిపోతుందా లేదా అనేది. అలా మించిపోతుందని, లేదా మించిపోదని ధీమాగా రాసే ఎవరైనా ధృవీకరించబడిన దావాలను దాటి వెళ్తున్నారు. చిట్టా యొక్క రెండు వైపులనూ ఒకే ఫ్రేమ్‌వర్క్‌లో ఉంచడం మరియు కొత్త పాత్రలు ఎక్కడ కనిపిస్తాయో పేరు పెట్టడం ఈ పత్రం యొక్క సహకారం.
దీని నుండి ఏమి తీసుకోవాలి #
ఇందులో ఒక పద్ధతిపరమైన పాఠం మరియు ఒక ఆచరణాత్మక పాఠం ఉన్నాయి.
పద్ధతిపరమైన పాఠం ఏమిటంటే విశ్లేషణ ప్రమాణమే సమాధానాన్ని నిర్ణయిస్తుంది. వృత్తుల నుండి టాస్క్‌లకు మారడం వల్ల 47% నుండి 9-14% కి మార్పు వచ్చింది. ఆటోమేట్ చేయబడుతున్న విషయం ఇకపై ఒక టాస్క్ కానందున, టాస్క్‌ల నుండి వర్క్‌ఫ్లోలకు (workflows) మరొక మార్పు ఇప్పుడు అవసరమని ఈ పత్రం వాదిస్తుంది. ప్రమాణం మారిన ప్రతిసారీ అంచనాలు మారాయి, మరియు డేటా ఎంపికకు ఇచ్చేంత పరిశీలన ప్రమాణం ఎంపికకు కూడా ఇవ్వాలని ఈ రంగం యొక్క చరిత్ర సూచిస్తుంది.
ఆచరణాత్మక పాఠం రాబోయే ఐదు సంవత్సరాలలో ఉద్యోగుల సంఖ్య, శిక్షణ లేదా ఉత్పత్తులను ప్లాన్ చేసే ఎవరికైనా వర్తిస్తుంది. ఒక పాత్ర యొక్క టాస్క్‌లలో 80% ప్రభావితమవుతాయని మీకు చెప్పే స్కోరు సరిపోదు, ఎందుకంటే మిగిలిన 20% మన్నికైన మానవ కేంద్రమా లేదా ఏజెంట్ యొక్క ప్లానింగ్ మాడ్యూల్ ఇప్పుడు అందించగల కేవలం జిగురు మాత్రమేనా అనేది అది చెప్పదు. ఆ ప్రశ్నను నేరుగా అడగడానికే వర్క్‌ఫ్లో కవరేజ్ కారకం ఉంది.
ATE స్కోరు అనేది క్రమాంకనం చేయబడిన పారామితులతో కూడిన మిశ్రమ స్కోరు, మరియు దాని అంచనాలు నమూనా-ఆధారితమైనవి. అవి 2025-2030 గురించిన నిర్మాణాత్మక వాదన, దాని రికార్డు కాదు. వాటిని విస్మరించడానికి బదులుగా పరీక్షించడానికి అదే కారణం. సియాటిల్ పరికల్పన ఒక ప్రారంభ పరీక్షను అందిస్తుంది: అక్కడ 2026-2027 ప్రభావాలు నమూనా సూచించినట్లుగా కనిపిస్తే, 2028-2030 లో జాతీయ సాంకేతికేతర శ్రామికశక్తికి ఉండే కాలయాపన తదుపరి గమనించాల్సిన అంశంగా మారుతుంది. మరియు పదిహేడు పునఃస్థాపన విభాగాలు దావాలు పరిష్కరించలేని ప్రశ్నను సంధిస్తాయి: ఏజెంట్లను పర్యవేక్షించడానికి సృష్టించబడిన పాత్రలు శ్రమ వాటాకు ముఖ్యమైన సంఖ్యలో వస్తాయా లేదా అనేది.
తరచుగా అడిగే ప్రశ్నలు #
మునుపటి టాస్క్-ఎక్స్‌పోజర్ ఫ్రేమ్‌వర్క్‌లు ఏజెంటిక్ AI ప్రభావాన్ని ఎందుకు తక్కువగా అంచనా వేస్తాయి?
Autor-Levy-Murnane సంప్రదాయంపై నిర్మించిన మునుపటి ఫ్రేమ్‌వర్క్‌లు, వృత్తి మానవ సమన్వయ కవచంగా మనుగడ సాగిస్తుండగా ఆటోమేషన్ వ్యక్తిగత టాస్క్‌లను మాత్రమే తొలగిస్తుందని భావిస్తాయి. ఏజెంటిక్ AI వ్యవస్థలు గతంలో మానవ సమన్వయకర్త అవసరమైన ప్లానింగ్, టూల్ ఇన్వొకేషన్, స్టేట్ మేనేజ్‌మెంట్ మరియు మధ్యస్థ నాణ్యత తనిఖీలను తమలో కలిపేసుకుంటాయి, తద్వారా విడివిడి టాస్క్‌లకు బదులుగా మొత్తం వర్క్‌ఫ్లోలను ప్రభావానికి గురిచేస్తాయి.
ఏజెంటిక్ టాస్క్ ఎక్స్‌పోజర్ (ATE) స్కోరు ఎలా లెక్కించబడుతుంది?
ATE అనేది O*NET టాస్క్ ప్రాముఖ్యత రేటింగ్‌లు (wo,t), AI సామర్థ్య ప్రమాణాలు మరియు ప్రాక్టీషనర్ విస్తరణ నివేదికలు (CAP(t)), ఒక వృత్తి యొక్క పూర్తి వర్క్‌ఫ్లో ఏజెంట్ యొక్క కార్యాచరణ పరిధిలో ఇముడుతుందా అని కొలిచే వర్క్‌ఫ్లో కవరేజ్ కారకం, మరియు 236 SOC కోడ్‌ల అంతటా క్రమాంకనం చేయబడిన లాజిస్టిక్ స్వీకరణ వేగ పారామితుల నుండి నిర్మించబడిన అల్గారిథమిక్ మిశ్రమ స్కోరు.
కొత్త ఉద్యోగాల సృష్టి (పునఃస్థాపన ప్రభావాలు) గురించి ఈ అధ్యయనం ఏమి కనుగొంది?
Acemoglu-Restrepo పునఃస్థాపన ఛానెల్‌ను విస్తరిస్తూ, ఈ అధ్యయనం మానవ-AI సహకారం, AI గవర్నెన్స్ మరియు డొమైన్-నిర్దిష్ట AI కార్యకలాపాలలో కేంద్రీకృతమై ఉన్న పదిహేడు వర్ధమాన వృత్తిపరమైన విభాగాలను గుర్తిస్తుంది. ఆ విభాగాలలో వృద్ధి వర్క్‌ఫ్లో-స్థాయి స్థానభ్రంశాన్ని భర్తీ చేస్తుందా లేదా అనేది ఇంకా తెరిచి ఉన్న అనుభవపూర్వక ప్రశ్నగానే ఉంది.
References #
- Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
- Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
- Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
- National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.
చివరిగా సమీక్షించబడింది .
ఈ వ్యాసాన్ని క్రాస్-పోస్ట్ చేయండి
Medium కోసం ఫార్మాట్ చేసి కాపీ చేయండి
# ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/](https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/) టాస్క్-ఎక్స్‌పోజర్ ఫ్రేమ్‌వర్క్‌లు ఒక వృత్తిని మానవులు ఇంకా చేసే పనుల చుట్టూ మనుగడ సాగించే కవచంలా పరిగణిస్తాయి. ఏజెంటిక్ వ్యవస్థలు ఒక లక్ష్యాన్ని అనుసరించి పూర్తి చేసిన పని ఉత్పత్తిని అందిస్తాయి, కాబట్టి సమన్వయ పని... Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/
Mastodon కోసం ఫార్మాట్ చేసి కాపీ చేయండి
ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau టాస్క్-ఎక్స్‌పోజర్ ఫ్రేమ్‌వర్క్‌లు ఒక వృత్తిని మానవులు ఇంకా చేసే పనుల చుట్టూ మనుగడ సాగించే కవచంలా పరిగణిస్తాయి. ఏజెంటిక్ వ్యవస్థలు ఒక లక్ష్యాన్ని అనుసరించి పూర్తి చేసిన పని ఉత్పత్తిని అందిస్తాయి, కాబట్టి సమన్వయ పని... https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/
LinkedIn కోసం ఫార్మాట్ చేసి కాపీ చేయండి
ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau టాస్క్-ఎక్స్‌పోజర్ ఫ్రేమ్‌వర్క్‌లు ఒక వృత్తిని మానవులు ఇంకా చేసే పనుల చుట్టూ మనుగడ సాగించే కవచంలా పరిగణిస్తాయి. ఏజెంటిక్ వ్యవస్థలు ఒక లక్ష్యాన్ని అనుసరించి పూర్తి చేసిన పని ఉత్పత్తిని అందిస్తాయి, కాబట్టి సమన్వయ పని. ముఖ్యమైన వ్యూహాత్మక అంశాలు ఇవి: - లక్ష్యాన్ని మించిపోయిన అంచనాలు. పారిశ్రామిక రోబోలు తయారీ రంగ కార్మికులను స్థానభ్రంశం చేశాయి. - టాస్క్ ఫ్రేమ్‌వర్క్‌లు ఎలా పనిచేస్తాయి. ఆ ఒత్తిడి ఎక్కడి నుండి వస్తుందో చూడటానికి, టాస్క్ సంప్రదాయం ఏమి చెబుతుందో ఖచ్చితంగా తెలుసుకోవడం సహాయపడుతుంది. - ప్రతి ఫ్రేమ్‌వర్క్ పంచుకునే గుర్తించని లోపం. ఈ పనులన్నింటి గురించి మూల పత్రం ఒక సూటియైన వాదన చేస్తుంది. - ఏజెంటిక్‌గా ఏది పరిగణించబడుతుంది. వాదన ఒక వ్యత్యాసంపై ఆధారపడి ఉంటే, ఆ వ్యత్యాసానికి ఒక నిర్వచనం అవసరం. ఈ వ్యాసంలో వివరించిన సవాళ్లకు మీ సంస్థ దృక్పథం ఏమిటి? → https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/ #ఏజెంటిక్ #బద్దలుకొడుతుంది #ఊహ #వెనుక #టాస్క్ఎక్స్‌పోజర్ Sebastien Rousseau | CC-BY-4.0
ఈ వ్యాసాన్ని ఉదహరించండి
ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau
టాస్క్-ఎక్స్‌పోజర్ ఫ్రేమ్‌వర్క్‌లు ఒక వృత్తిని మానవులు ఇంకా చేసే పనుల చుట్టూ మనుగడ సాగించే కవచంలా పరిగణిస్తాయి. ఏజెంటిక్ వ్యవస్థలు ఒక లక్ష్యాన్ని అనుసరించి పూర్తి చేసిన పని ఉత్పత్తిని అందిస్తాయి, కాబట్టి సమన్వయ పని...
BibTeX
@online{rousseau2026ప,
author = {Rousseau, Sebastien},
title = {{ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau}},
year = {2026},
url = {https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/},
urldate = {2026}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau PY - 2026 UR - https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/ ER -
Vancouver
Rousseau S. ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 25. Available from: https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/
Chicago
Rousseau, Sebastien. "ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau." sebastienrousseau.com. October 25, 2026. https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/.
APA
Rousseau, S. (2026, October 25). ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/
ఈ వ్యాసాన్ని పునఃప్రచురించండి
ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau
టాస్క్-ఎక్స్‌పోజర్ ఫ్రేమ్‌వర్క్‌లు ఒక వృత్తిని మానవులు ఇంకా చేసే పనుల చుట్టూ మనుగడ సాగించే కవచంలా పరిగణిస్తాయి. ఏజెంటిక్ వ్యవస్థలు ఒక లక్ష్యాన్ని అనుసరించి పూర్తి చేసిన పని ఉత్పత్తిని అందిస్తాయి, కాబట్టి సమన్వయ పని...
ఈ వ్యాసం కింది లైసెన్స్ కింద ఉంది Creative Commons Attribution 4.0 International. పునఃప్రచురణకు కానానికల్ URLకు ఆపాదన అవసరం.
ప్రతి టాస్క్-ఎక్స్‌పోజర్ అంచనా వెనుక ఉన్న ఊహను బద్దలు కొట్టే ఏజెంటిక్ AI — Sebastien Rousseau టాస్క్-ఎక్స్‌పోజర్ ఫ్రేమ్‌వర్క్‌లు ఒక వృత్తిని మానవులు ఇంకా చేసే పనుల చుట్టూ మనుగడ సాగించే కవచంలా పరిగణిస్తాయి. ఏజెంటిక్ వ్యవస్థలు ఒక లక్ష్యాన్ని అనుసరించి పూర్తి చేసిన పని ఉత్పత్తిని అందిస్తాయి, కాబట్టి సమన్వయ పని... Originally published at https://sebastienrousseau.com/te/2026-10-25-prati-task-ekspojar-amchana-venuka-unna/ by Sebastien Rousseau. Licensed under CC-BY-4.0.