AI କ୍ଷେତ୍ରରେ ଦକ୍ଷତା ବଢ଼ାଇବାର ଅର୍ଥ କ’ଣ?
AI ଦକ୍ଷତା ବିକାଶ ଅର୍ଥ ହେଉଛି ଲୋକମାନେ ବର୍ତ୍ତମାନ କରୁଥିବା କାମ ପାଇଁ ଆବଶ୍ୟକ AI ଦକ୍ଷତା ଗଢ଼ିବା. ଜଣେ ନିଯୁକ୍ତିକର୍ତ୍ତା ପଦର ସଂକ୍ଷିପ୍ତ ବିବରଣୀରୁ ନିଯୁକ୍ତି ବିଜ୍ଞାପନର ଖସଡ଼ା ତିଆରି କରିବା ଓ ସେଥିରେ ମନଗଢ଼ା ଆବଶ୍ୟକତା ଯୋଡ଼ାଯାଇଛି କି ନାହିଁ ଯାଞ୍ଚ କରିବା ଶିଖନ୍ତି. ଜଣେ ଆର୍ଥିକ ବିଶ୍ଳେଷକ ତଥ୍ୟର ସୀମା ମଧ୍ୟରେ ରହି ବିଚ୍ୟୁତିର ସାରାଂଶ ମାଗିବା ଶିଖନ୍ତି. ଚାକିରି ସେହି ରହେ; ତାହାର କେତେକ କାମ କରିବାର ପଦ୍ଧତି ବଦଳେ.
କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ପାଇଁ ନୂତନ କୌଶଳ ପ୍ରଶିକ୍ଷଣ ଅଲଗା। ଏହା ଜଣେ ବ୍ୟକ୍ତିଙ୍କୁ ଭିନ୍ନ ଏକ ଭୂମିକା ପାଇଁ ପ୍ରସ୍ତୁତ କରେ, ଅନେକ ସମୟରେ ତାଙ୍କର ବର୍ତ୍ତମାନ କାମ ବହୁତ ବଦଳୁଥିବାରୁ ଏହା ଆବଶ୍ୟକ ହୁଏ। ନୂତନ କୌଶଳ ଶିଖିବାକୁ ସାଧାରଣତଃ ଅଧିକ ସମୟ ଲାଗେ, ନୂତନ କାର୍ଯ୍ୟକ୍ଷେତ୍ରର ଜ୍ଞାନ ଦରକାର ହୁଏ ଏବଂ ଏହା ଯେତିକି ପ୍ରଶିକ୍ଷଣ ସମ୍ପର୍କିତ ନିଷ୍ପତ୍ତି, ସେତିକି କର୍ମୀବଳ ଯୋଜନା ସମ୍ପର୍କିତ ନିଷ୍ପତ୍ତି ମଧ୍ୟ। କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ବିଷୟରେ ପଚାରୁଥିବା ଅଧିକାଂଶ ଛୋଟ ଓ ମଧ୍ୟମ ଆକାରର ଦଳଙ୍କୁ ପ୍ରଥମେ ବର୍ତ୍ତମାନର କୌଶଳ ବଢ଼ାଇବା ଦରକାର।
ପ୍ରଶିକ୍ଷଣ ଓ ଦକ୍ଷତା ବୃଦ୍ଧି ମଧ୍ୟରେ ପାର୍ଥକ୍ୟ କ’ଣ?
ପ୍ରଶିକ୍ଷଣ ହେଉଛି ଏକ କାର୍ଯ୍ୟକଳାପ; ଦକ୍ଷତା ବୃଦ୍ଧି ହେଉଛି କାର୍ଯ୍ୟକ୍ଷେତ୍ରରେ ଲୋକେ କ’ଣ କରିପାରନ୍ତି, ସେଥିରେ ଆସୁଥିବା ପରିବର୍ତ୍ତନ। ଯଦି କେହି ଶିଖିଥିବା କଥା ପ୍ରୟୋଗ ନକରନ୍ତି କିମ୍ବା ଫଳାଫଳ ଯାଞ୍ଚ ନକରନ୍ତି, ତେବେ ଏକ ଦଳ ବହୁତ ପ୍ରଶିକ୍ଷଣ ସମ୍ପୂର୍ଣ୍ଣ କରି ମଧ୍ୟ ତାହାର ଦକ୍ଷତା ବଢ଼ିନପାରେ। ଏହି ପାର୍ଥକ୍ୟ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, କାରଣ ଏହା ଆପଣ କ’ଣ ମାପିବେ ତାହା ବଦଳାଇଦିଏ।
| କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ପ୍ରଶିକ୍ଷଣ | AI ଦକ୍ଷତା ବିକାଶ | କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ପାଇଁ ନୂତନ କୌଶଳ ପ୍ରଶିକ୍ଷଣ | |
|---|---|---|---|
| ଲକ୍ଷ୍ୟ | ବିଷୟବସ୍ତୁ କିମ୍ବା ଅଭ୍ୟାସ ଯୋଗାନ୍ତୁ | ବର୍ତ୍ତମାନର ଭୂମିକାରେ ଅଧିକ ଭଲ କାମ | ଏକ ଭିନ୍ନ ଭୂମିକା ପାଇଁ ପ୍ରସ୍ତୁତି |
| ସାଧାରଣତଃ ମିଳୁଥିବା ପ୍ରମାଣ | ଉପସ୍ଥିତି କିମ୍ବା ସମାପ୍ତି | ବାସ୍ତବ କାର୍ଯ୍ୟରେ ମିଳୁଥିବା ଧରଣର କାମର ନମୁନା | ନୂଆ କାର୍ଯ୍ୟଭୂମିକାର କାମରେ ପ୍ରଦର୍ଶନ |
| ସମୟସୀମା | ଏକ କାର୍ଯ୍ୟକ୍ରମ କିମ୍ବା ପାଠ୍ୟକ୍ରମ | ନିୟମିତ ଅଭ୍ୟାସର ସପ୍ତାହଗୁଡ଼ିକ | ନୂଆ କାର୍ଯ୍ୟକ୍ଷେତ୍ର ବିଷୟରେ ଶିଖିବା ସହିତ କିଛି ମାସ |
| ସାଧାରଣତଃ ଏହାର ଦାୟିତ୍ୱ କାହା ପାଖରେ ଥାଏ | ଶିକ୍ଷଣ ଓ ବିକାଶ ବିଭାଗ କିମ୍ବା ସେବା ପ୍ରଦାନକାରୀ | ସିଧାସଳଖ ତତ୍ତ୍ୱାବଧାନ କରୁଥିବା ପ୍ରବନ୍ଧକ ଏବଂ ଶିକ୍ଷାର୍ଥୀ | ଶିକ୍ଷାର୍ଥୀଙ୍କ ସହ ନେତୃତ୍ୱ ଓ ମାନବ ସମ୍ବଳ ବିଭାଗ |
ଆପଣଙ୍କ ଦଳର AI ଦକ୍ଷତାରେ ଥିବା ଅଭାବ କିପରି ଚିହ୍ନଟ କରିବେ?
ପ୍ରତ୍ୟେକ ଭୂମିକାରେ କରାଯାଉଥିବା କାମକୁ ସେହି କାମ ପାଇଁ ଆବଶ୍ୟକ ଦକ୍ଷତା ସହ ତୁଳନା କରନ୍ତୁ, ତାପରେ ଲୋକଙ୍କୁ ସେମାନେ କେତେ ଆତ୍ମବିଶ୍ୱାସୀ ବୋଲି ପଚାରିବା ବଦଳରେ ପ୍ରକୃତ କାମ ଦେଖନ୍ତୁ। ନିଜର ମୂଲ୍ୟାୟନ ସଂଗ୍ରହ କରିବା ମଧ୍ୟ ଉପଯୋଗୀ, କାରଣ ଏଥିରୁ କିଏ ଚିନ୍ତିତ ଓ କିଏ ଅତ୍ୟଧିକ ଆତ୍ମବିଶ୍ୱାସୀ ତାହା ଜଣାପଡ଼େ, କିନ୍ତୁ ଏହା ଦକ୍ଷତାର ପ୍ରମାଣ ନୁହେଁ।
ନର୍ଥଫୋଲ୍ଡ ଡିଜିଟାଲ ନାମକ ଏକ କାଳ୍ପନିକ 22-ଜଣିଆ ଡିଜିଟାଲ ସଂସ୍ଥାକୁ ଧରନ୍ତୁ। ପ୍ରତିଷ୍ଠାତ୍ରୀ ପ୍ରତ୍ୟେକ ଭୂମିକାର ତିନୋଟି ନିୟମିତ କାମ ତାଲିକାଭୁକ୍ତ କରନ୍ତି: ଗ୍ରାହକ ସମ୍ପର୍କ ପରିଚାଳକମାନେ ଗ୍ରାହକଙ୍କ ପାଇଁ କାମର ବିବରଣୀ ଓ ବୈଠକର ସାରାଂଶ ଲେଖନ୍ତି, ଡିଜାଇନରମାନେ କାମର ସଂକ୍ଷିପ୍ତ ନିର୍ଦ୍ଦେଶ ଓ ଛବି ତିଆରି ପାଇଁ ପ୍ରମ୍ପ୍ଟ ଲେଖନ୍ତି, ଏବଂ ଦୁଇଜଣ ସଫ୍ଟୱେର ବିକାଶକାରୀ ଦଲିଲ ଲେଖନ୍ତି। ସେ ପ୍ରତ୍ୟେକଙ୍କୁ ଏକ କାଳ୍ପନିକ ଗ୍ରାହକଙ୍କୁ ନେଇ ଅନୁମୋଦିତ AI ସାଧନରେ ଗୋଟିଏ ଛୋଟ କାମ ସମ୍ପୂର୍ଣ୍ଣ କରିବାକୁ କହନ୍ତି। ଫଳାଫଳରେ ଏକ ଧାରା ଦେଖାଯାଏ। ଅଧିକାଂଶ ଗ୍ରାହକ ସମ୍ପର୍କ ପରିଚାଳକ ସାବଲୀଳ ବିବରଣୀ ଲେଖନ୍ତି, କିନ୍ତୁ ସେଥିରେ ଅନ୍ତତଃ ଗୋଟିଏ ଏପରି ଦାବି ଥାଏ ଯାହାକୁ ଦିଆଯାଇଥିବା ନିର୍ଦ୍ଦେଶ ସମର୍ଥନ କରେ ନାହିଁ। ଡିଜାଇନରମାନେ ଭଲ ପ୍ରମ୍ପ୍ଟ ଲେଖନ୍ତି, କିନ୍ତୁ ସୃଷ୍ଟି ହୋଇଥିବା ଛବିର ବିକଳ୍ପ ପାଠ୍ୟକୁ କ୍ୱଚିତ୍ ଯାଞ୍ଚ କରନ୍ତି। ସଫ୍ଟୱେର ବିକାଶକାରୀମାନେ ପୂର୍ବରୁ ସତର୍କ ଅଛନ୍ତି।
ଅଭାବଟି ସେହିଠାରେ, ଏବଂ ତାହା ନିର୍ଦ୍ଦିଷ୍ଟ: ଗ୍ରାହକ ଖାତା ପରିଚାଳକଙ୍କ ପାଇଁ ଦାବି ଯାଞ୍ଚ, ଡିଜାଇନରଙ୍କ ପାଇଁ AI ତିଆରି କରିଥିବା ବର୍ଣ୍ଣନାର ସମୀକ୍ଷା, ଏବଂ ସଫ୍ଟୱେର ବିକାଶକାରୀଙ୍କ ପାଇଁ ପ୍ରାୟ କିଛି ନୁହେଁ। ସମସ୍ତଙ୍କ ପାଇଁ ଏକାଭଳି ପାଠ୍ୟକ୍ରମ ହୋଇଥିଲେ, ବିକାଶକାରୀଙ୍କ ସମୟ ମୌଳିକ ବିଷୟରେ ଯାଇଥାନ୍ତା ଏବଂ ଗ୍ରାହକ ଖାତା ପରିଚାଳକଙ୍କ ପ୍ରକୃତ ସମସ୍ୟାର ସମାଧାନ ହୋଇନଥାନ୍ତା। ଏପରି କାମକୁ କିପରି ନିରପେକ୍ଷ ଭାବରେ ପ୍ରସ୍ତୁତ କରିବେ, ତାହା AI ଦକ୍ଷତା ମୂଲ୍ୟାୟନ ମାର୍ଗଦର୍ଶିକାରେ ବୁଝାଯାଇଛି।
କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ବ୍ୟବହାରରେ ଦକ୍ଷତା ବଢ଼ାଇବା ପାଇଁ ଏକ ବ୍ୟବହାରିକ କାର୍ଯ୍ୟକ୍ରମ କିପରି ହୋଇଥାଏ?
ଏକ ଛୋଟ ଦଳ ପାଇଁ ବ୍ୟବହାରଯୋଗ୍ୟ କାର୍ଯ୍ୟକ୍ରମରେ ସାତଟି ପଦକ୍ଷେପ ରହିଛି। ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପ ଛୋଟ, ଏବଂ କୌଣସିଟି ପାଇଁ ସ୍ୱତନ୍ତ୍ର ତାଲିମ ଦଳ ଦରକାର ନାହିଁ।
ସୀମା ନିର୍ଦ୍ଧାରଣ କରନ୍ତୁ
ଅନୁମୋଦିତ ଉପକରଣଗୁଡ଼ିକର ନାମ ଦିଅନ୍ତୁ ଏବଂ ସେଗୁଡ଼ିକରେ କେଉଁ ସୂଚନା ଦିଆଯାଇପାରିବ ଓ କେଉଁ ସୂଚନା ଦିଆଯାଇପାରିବ ନାହିଁ ଲେଖି ରଖନ୍ତୁ। ଆରମ୍ଭ ପାଇଁ ଏକ ସଂକ୍ଷିପ୍ତ ନୀତି ଯଥେଷ୍ଟ।
ପ୍ରତ୍ୟେକ ଭୂମିକା ପାଇଁ କାମ ବାଛନ୍ତୁ
ପ୍ରତ୍ୟେକ ଭୂମିକା ପାଇଁ ବାରମ୍ବାର କରାଯାଉଥିବା ଦୁଇ କିମ୍ବା ତିନୋଟି କାମ ବାଛନ୍ତୁ, ଯେଉଁଥିରେ AI ସାହାଯ୍ୟ କରିପାରିବ ଏବଂ ଜଣେ ସମୀକ୍ଷକ ଫଳାଫଳ ଯାଞ୍ଚ କରିପାରିବେ।
ଆରମ୍ଭିକ ସ୍ତର ଆକଳନ କରନ୍ତୁ
ପ୍ରତ୍ୟେକ ବ୍ୟକ୍ତି ପ୍ରକୃତରେ କେଉଁ ସ୍ତରରେ ଅଛନ୍ତି ଜାଣିବା ପାଇଁ କେବଳ ସର୍ବେକ୍ଷଣ ନୁହେଁ, ଏକ ଛୋଟ ବ୍ୟବହାରିକ କାମ ଦିଅନ୍ତୁ।
ଛୋଟ ଛୋଟ ଅଧିବେଶନରେ ଅଭ୍ୟାସ କରନ୍ତୁ
ଗୋଟିଏ ଲମ୍ବା କର୍ମଶାଳା ବଦଳରେ, କାଳ୍ପନିକ କିମ୍ବା ଅନୁମୋଦିତ ସାମଗ୍ରୀ ଉପରେ ଅଭ୍ୟାସ କରିବା ପାଇଁ ଲୋକଙ୍କୁ ନିୟମିତ 10 ରୁ 15 ମିନିଟ୍ ସମୟ ଦିଅନ୍ତୁ।
ସ୍ପଷ୍ଟ ଭାବେ ଦିଆଯାଇଥିବା ମାନଦଣ୍ଡ ଅନୁସାରେ ସମୀକ୍ଷା କରନ୍ତୁ
ଲୋକେ କାମ ଦାଖଲ କରିବା ପୂର୍ବରୁ ଭଲ କାମ କିପରି ହେବା ଉଚିତ ତାହା ପ୍ରକାଶ କରନ୍ତୁ, ଏବଂ ଫଳାଫଳ ସହିତ ତାହା ପଛରେ ଥିବା ଯୁକ୍ତି ଉପରେ ମଧ୍ୟ ମତାମତ ଦିଅନ୍ତୁ।
ପ୍ରକୃତ କାମରେ ବ୍ୟବହାର ଆରମ୍ଭ କରନ୍ତୁ
କେହି ଅଭ୍ୟାସ ସଂସ୍କରଣଟି ଭଲ ଭାବେ କରିପାରିଲେ, ନୀତିର ସୀମା ମଧ୍ୟରେ ତାହାକୁ ପ୍ରକୃତ କାମରେ ପ୍ରୟୋଗ କରିବାକୁ ଦିଅନ୍ତୁ, ଏବଂ ସେହି କାମ ଜାଣିଥିବା କେହି ତାହା ଯାଞ୍ଚ କରନ୍ତୁ।
ସମୀକ୍ଷା କରନ୍ତୁ ଓ ପରିସର ବଢ଼ାନ୍ତୁ
ଏକ ମାସ ପରେ କାମର ନମୁନା ଓ ଉଠିଥିବା ପ୍ରଶ୍ନ ଦେଖନ୍ତୁ, କାମଗୁଡ଼ିକରେ ଆବଶ୍ୟକ ପରିବର୍ତ୍ତନ କରନ୍ତୁ ଏବଂ ପରବର୍ତ୍ତୀ ଦକ୍ଷତା କିମ୍ବା ଭୂମିକା ଯୋଡ଼ନ୍ତୁ।
ଦକ୍ଷତା ବୃଦ୍ଧିର ଗୋଟିଏ ଚକ୍ର କିପରି ଚାଲେ?
ଲେଜରଲାଇନ୍ ନାମକ ଏକ କାଳ୍ପନିକ 40 ଜଣିଆ ସଫ୍ଟୱେର୍ କମ୍ପାନୀର ବିକ୍ରୟ ପ୍ରତିନିଧି ପ୍ରିୟାଙ୍କ ପାଇଁ ଏଠାରେ ଗୋଟିଏ ଅଭ୍ୟାସ ଚକ୍ର ଦିଆଯାଇଛି। ତାଙ୍କ କାମ ହେଉଛି ସମ୍ଭାବ୍ୟ ଗ୍ରାହକଙ୍କ ଆବଶ୍ୟକତା ବୁଝିବା ପାଇଁ ହୋଇଥିବା ଆଲୋଚନା ପରେ ଏକ ଇମେଲ୍ ଲେଖିବା। ଦିଆଯାଇଥିବା ଟିପ୍ପଣୀ ଅନୁସାରେ ସମ୍ଭାବ୍ୟ ଗ୍ରାହକଙ୍କର 12 ଜଣ ଅର୍ଥ ବିଭାଗ କର୍ମଚାରୀ ଅଛନ୍ତି, ସେମାନେ ମାସ ଶେଷର ହିସାବ ବନ୍ଦ କରିବା ପାଇଁ ସ୍ପ୍ରେଡ୍ଶିଟ୍ ବ୍ୟବହାର କରନ୍ତି, ତାଙ୍କ ଆର୍ଥିକ ନିୟନ୍ତ୍ରକଙ୍କ ପାଇଁ ଏକ ପ୍ରଦର୍ଶନ ଚାହୁଁଛନ୍ତି ଏବଂ ବାର୍ଷିକ ବିଲ୍ ପାଇଁ ମୂଲ୍ୟ ବିଷୟରେ ପଚାରିଥିଲେ।
ତାଙ୍କର ପ୍ରଥମ ଅନୁରୋଧ ହେଉଛି: "ଏକ ଭଲ ବିକ୍ରୟ ଆଲୋଚନା ପରେ ପରବର୍ତ୍ତୀ ଯୋଗାଯୋଗ ପାଇଁ ଏକ ଇମେଲ୍ ଲେଖ।" ଖସଡ଼ାଟି ସମ୍ଭାବ୍ୟ ଗ୍ରାହକଙ୍କୁ ଧନ୍ୟବାଦ ଦିଏ, ଲେଜରଲାଇନ୍ "ସେମାନଙ୍କ ହିସାବ ବନ୍ଦ କରିବାର ସମୟ ଅଧା କରିଦେବ" ବୋଲି କହେ ଏବଂ "ଏହି ମାସରେ ଚୁକ୍ତି କଲେ ବିଶେଷ ରିହାତି" ଦେବାକୁ ପ୍ରସ୍ତାବ କରେ। ଏହି ଦୁଇଟି ମଧ୍ୟରୁ କୌଣସିଟି ଟିପ୍ପଣୀରେ ନାହିଁ। ମୂଲ୍ୟାୟନ ମାନଦଣ୍ଡ ଅନୁସାରେ, ସେ ଭାଷାର ସ୍ୱରରେ ଭଲ ଅଙ୍କ ପାଆନ୍ତି, କିନ୍ତୁ ପ୍ରମାଣ ଦିଗରେ ବିଫଳ ହୁଅନ୍ତି: ଇମେଲ୍ଟି କାର୍ଯ୍ୟଦକ୍ଷତା ବିଷୟରେ ଏକ ଦାବି ଏବଂ କାହାର ଅନୁମୋଦନ ନଥିବା ଏକ ପ୍ରସ୍ତାବ ଦେଉଛି।
ମତାମତଟି ସ୍ପଷ୍ଟ: ଟିପ୍ପଣୀଗୁଡ଼ିକ ଦିଅନ୍ତୁ, ଇମେଲ୍ରେ କ’ଣ ରହିବା ଦରକାର ଓ କ’ଣ ରହିବା ଉଚିତ ନୁହେଁ ତାହା କୁହନ୍ତୁ, ଏବଂ ଯେଉଁ ଦାବି ପାଇଁ ପ୍ରମାଣ ଦେଇପାରିବେ ନାହିଁ ତାହା ହଟାନ୍ତୁ। ତାଙ୍କର ଦ୍ୱିତୀୟ ଅନୁରୋଧ ଏପରି: "କେବଳ ଏହି କଲ୍ର ଟିପ୍ପଣୀ ବ୍ୟବହାର କରି ଜଣେ ଅର୍ଥ ବିଭାଗ ମୁଖ୍ୟଙ୍କୁ ପରବର୍ତ୍ତୀ ଯୋଗାଯୋଗ ପାଇଁ ଏକ ଇମେଲ୍ ଖସଡ଼ା ଲେଖନ୍ତୁ: [ଟିପ୍ପଣୀ]। ଆର୍ଥିକ ନିୟନ୍ତ୍ରକଙ୍କ ପାଇଁ ପ୍ରଦର୍ଶନଟି ନିଶ୍ଚିତ କରନ୍ତୁ ଏବଂ ଦୁଇଟି ସମୟ ପ୍ରସ୍ତାବ ଦିଅନ୍ତୁ। ବାର୍ଷିକ ବିଲିଂର ମୂଲ୍ୟ ମୁଁ ପରେ ପଠାଇବି ବୋଲି କୁହନ୍ତୁ। କାର୍ଯ୍ୟଦକ୍ଷତା ସମ୍ପର୍କିତ କୌଣସି ଦାବି ନୁହେଁ, କୌଣସି ରିହାତି ନୁହେଁ, 150 ଶବ୍ଦରୁ କମ୍।" ଖସଡ଼ାଟି ସଠିକ୍ ଅଛି। ସେ ଚାପ ପକାଇବା ଭଳି ଶୁଣାଯାଉଥିବା ଗୋଟିଏ ବାକ୍ୟ ସମ୍ପାଦନା କରନ୍ତି ଏବଂ ଏହାର କାରଣ ବୁଝାନ୍ତି।
ପରବର୍ତ୍ତୀ ଅଧିବେଶନରେ ତାଙ୍କୁ ଭିନ୍ନ ଟିପ୍ପଣୀ ସହ ଆଉ ଜଣେ ସମ୍ଭାବ୍ୟ ଗ୍ରାହକଙ୍କ ବିଷୟ ଦିଆଯାଏ। ମନେ ପକାଇ ନଦେଲେ ମଧ୍ୟ ଯଦି ସେ AIକୁ କାମଟି ଭଲ ଭାବେ ବୁଝାଇପାରନ୍ତି, ତେବେ ସେ ଦକ୍ଷତାକୁ ନୂଆ ପରିସ୍ଥିତିରେ ପ୍ରୟୋଗ କରିପାରୁଛନ୍ତି। ତାହା ନହେଲେ, ପାଠକ୍ରମଟି ଆହୁରି ସରଳ ଉଦାହରଣ ସହ ବ୍ୟାଖ୍ୟାକୁ ପୁନରାବୃତ୍ତି କରେ। ବ୍ୟାଖ୍ୟା, ପ୍ରୟାସ, ମୂଲ୍ୟାୟନ ମାନଦଣ୍ଡ ଅନୁସାରେ ମତାମତ ଏବଂ ଏକ ନୂଆ ଉଦାହରଣ—ଏହି ଚକ୍ର ହିଁ ଦକ୍ଷତା ବୃଦ୍ଧିର ମୂଳ, ତାହା କେଉଁ ଉପକରଣ କିମ୍ବା ସେବା ପ୍ରଦାନକାରୀ ଯୋଗାଇଥାଉ ନା କାହିଁକି।
ଏହା ଏକ ଚାକିରି ଭୂମିକା ସହ କିପରି ଜଡ଼ିତ, ଦେଖିବାକୁ ଚାହୁଁଛନ୍ତି କି?
ଦଳ ପାଇଁ ଯୋଜନାରେ ଥିବା ପରୀକ୍ଷାମୂଳକ ବ୍ୟବହାର ବିଷୟରେ ଜାଣନ୍ତୁ ↗କର୍ମଚାରୀମାନଙ୍କର AI ଦକ୍ଷତା ବଢ଼ାଇବାର ସବୁଠାରୁ ଭଲ ଉପାୟ କ’ଣ?
ସବୁଠାରୁ ନିର୍ଭରଯୋଗ୍ୟ ଉପାୟ ହେଉଛି ବ୍ୟକ୍ତିଙ୍କ ନିଜ କାର୍ଯ୍ୟଭୂମିକାର କାମ ଉପରେ ଛୋଟ ଛୋଟ ନିୟମିତ ଅଭ୍ୟାସ କରାଇବା ଏବଂ ସେ ଦେଖିପାରୁଥିବା ମାନଦଣ୍ଡ ଅନୁସାରେ ତାହାର ସମୀକ୍ଷା କରିବା। କର୍ମକ୍ଷେତ୍ରର ଅଧିକାଂଶ ଦକ୍ଷତା ପାଇଁ ଏହି ସମାନ ନୀତି କାମ କରେ। ପ୍ରଥମେ ଶିକ୍ଷଣ ବିଷୟବସ୍ତୁ ଦେଖିବା ସାହାଯ୍ୟକାରୀ ହୋଇପାରେ, କିନ୍ତୁ ଜଣକୁ ନିଜେ କାମ କରି ଦେଖାଇବାକୁ ଏବଂ ତାହା ଉପରେ ନିର୍ଦ୍ଦିଷ୍ଟ ମତାମତ ପାଇବାକୁ ହେଲେ ହିଁ ଆଚରଣ ବଦଳେ।
ବିଷୟବସ୍ତୁ ଅପେକ୍ଷା ପରିଚାଳକଙ୍କ ଭୂମିକା ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ। ଜଣେ ପରିଚାଳକ ଯେତେବେଳେ AI ଚିଠାକୁ କିପରି ଯାଞ୍ଚ କରନ୍ତି ତାହା ଦେଖାନ୍ତି, କେବଳ ଫଳାଫଳ ବଦଳରେ କରାଯାଇଥିବା ସଂଶୋଧନ ଦେଖିବାକୁ ଚାହାନ୍ତି ଏବଂ ଅଭ୍ୟାସ ପାଇଁ ସମୟ ସୁନିଶ୍ଚିତ କରନ୍ତି, ସେତେବେଳେ ଲୋକେ ଅଭ୍ୟାସ କରନ୍ତି। AI ବ୍ୟବହାରକୁ ଅଣଦେଖା କରାଗଲେ କିମ୍ବା ସନ୍ଦେହ ଦୃଷ୍ଟିରେ ଦେଖାଗଲେ, ଲୋକେ ଟୁଲ୍ଟିକୁ ଏଡ଼ାନ୍ତି କିମ୍ବା ଯାଞ୍ଚ ନକରି ଗୋପନରେ ବ୍ୟବହାର କରନ୍ତି। ସମୀକ୍ଷାକୁ କାମ ଉପରେ କେନ୍ଦ୍ରିତ ରଖନ୍ତୁ, ଲୋକଙ୍କ ଚାଟ୍ ଇତିହାସ ଉପରେ ନଜର ରଖିବା ଉପରେ ନୁହେଁ।
AI ଦକ୍ଷତା ବଢ଼ାଇବା ପାଇଁ କେଉଁ ବିକଳ୍ପଗୁଡ଼ିକ ଉପଲବ୍ଧ ଅଛି?
ମାଗଣା ସାର୍ବଜନୀନ ପାଠ୍ୟକ୍ରମଠାରୁ ଆରମ୍ଭ କରି ସ୍ୱତନ୍ତ୍ର ପ୍ଲାଟଫର୍ମ ପର୍ଯ୍ୟନ୍ତ ବିକଳ୍ପ ରହିଛି, ଏବଂ ପ୍ରତ୍ୟେକଟି ଭିନ୍ନ ଆବଶ୍ୟକତା ପାଇଁ ଉପଯୁକ୍ତ।
ମାଗଣା ସାର୍ବଜନୀନ କାର୍ଯ୍ୟକ୍ରମ
ବ୍ରିଟେନ୍ ସରକାରଙ୍କ AI ଦକ୍ଷତା ବୃଦ୍ଧି କାର୍ଯ୍ୟକ୍ରମର ସମ୍ପ୍ରସାରଣ ବିଷୟରେ 28 January 2026 ରେ ହୋଇଥିବା ଘୋଷଣାରେ ମାଗଣା ଅନଲାଇନ୍ AI ମୌଳିକ ପାଠ୍ୟକ୍ରମ ବିଷୟରେ କୁହାଯାଇଛି। ପ୍ରତ୍ୟେକ ପାଠ୍ୟକ୍ରମ ପାଇଁ 20 ମିନିଟ୍ରୁ କମ୍ ସମୟ ଲାଗେ, ଏବଂ AI ର ଛଅଟି ମୌଳିକ ଦକ୍ଷତାର ମାନଦଣ୍ଡ ଅନୁଯାୟୀ ଯାଞ୍ଚ କରାଯାଇଥିବା ପାଠ୍ୟକ୍ରମଗୁଡ଼ିକ ପାଇଁ ଏକ ଡିଜିଟାଲ୍ ବ୍ୟାଜ୍ ଦିଆଯାଏ। ସେହି ଘୋଷଣାରେ 2030 ସୁଦ୍ଧା 10 ନିୟୁତ କର୍ମଚାରୀଙ୍କ ଦକ୍ଷତା ବୃଦ୍ଧି କରିବାର ଲକ୍ଷ୍ୟ ମଧ୍ୟ ରଖାଯାଇଛି। ମୌଳିକ ଜ୍ଞାନ ପାଇଁ ଉପଯୋଗୀ, କିନ୍ତୁ ଆପଣଙ୍କ ଦଳର କାର୍ଯ୍ୟଭୂମିକା ଅନୁଯାୟୀ ପ୍ରସ୍ତୁତ ନୁହେଁ।
ନିଜ ଗତିରେ ଶିଖିବା ପାଇଁ ସାଧାରଣ ପାଠ୍ୟକ୍ରମ
16 ଅକ୍ଟୋବର 2026ରେ ଯାଞ୍ଚ କରାଯାଇଥିବା Googleର AIର ମୌଳିକ ବିଷୟ ପୃଷ୍ଠାରେ Courseraରେ ନିଜ ଗତିରେ ଶିଖିବା ପାଇଁ ଏକ ପାଠ୍ୟକ୍ରମ ବର୍ଣ୍ଣିତ ହୋଇଛି। ସେହି ପୃଷ୍ଠା ଅନୁଯାୟୀ, ଏହା ସମ୍ପୂର୍ଣ୍ଣ କରିବାକୁ ପାଞ୍ଚ ଘଣ୍ଟାରୁ କମ୍ ସମୟ ଲାଗେ ଏବଂ Googleର ପ୍ରମାଣପତ୍ର ମିଳେ। ସାଧାରଣ ମୌଳିକ ଜ୍ଞାନ ଚାହୁଁଥିବା ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଏହା ଉପଯୁକ୍ତ।
ପ୍ରଦାନକାରୀଙ୍କ ସହାୟତା କେନ୍ଦ୍ର
OpenAI, Anthropic, Google ଓ Microsoft ନିଜ ନିଜ ଟୁଲ୍ ପାଇଁ ମାଗଣା ମାର୍ଗଦର୍ଶନ ପ୍ରକାଶ କରନ୍ତି। ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସୁବିଧା କିପରି କାମ କରେ ବୋଲି ପ୍ରଶ୍ନ ଥିଲେ ଏଗୁଡ଼ିକ ସବୁଠାରୁ ଉପଯୁକ୍ତ।
ପାଠ୍ୟକ୍ରମ ସଂଗ୍ରହ
AI ବ୍ୟତୀତ ଅନ୍ୟ ଅନେକ ବିଷୟ ଚାହୁଁଥିବା ସଂସ୍ଥାଗୁଡ଼ିକ ପାଇଁ ବିସ୍ତୃତ ପାଠ୍ୟସୂଚୀ ଉପଯୁକ୍ତ। ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟଭୂମିକା ପାଇଁ AI ଅଭ୍ୟାସ କ୍ଷେତ୍ରରେ ଏଗୁଡ଼ିକ ସାଧାରଣତଃ ଅତି ସାଧାରଣ ହୋଇଥାଏ।
ଭୂମିକାଭିତ୍ତିକ ଅଭ୍ୟାସ ପ୍ଲାଟଫର୍ମ
ପ୍ରତ୍ୟେକ ଭୂମିକା ପାଇଁ ହାତେକଲମେ କାମ ଏବଂ ମତାମତକୁ କେନ୍ଦ୍ର କରି ତିଆରି ଟୁଲ୍। Tosheo.ai କୁ ଏହିପରି ଏକ ଟୁଲ୍ ଭାବେ ତିଆରି କରିବାକୁ ପ୍ରସ୍ତୁତି ଚାଲିଛି; ଏହାର ନିର୍ମାଣ ଏପର୍ଯ୍ୟନ୍ତ ଆରମ୍ଭ ହୋଇନାହିଁ ଏବଂ ଏହା 5 ରୁ 200 ଜଣିଆ ଦଳ ପାଇଁ ଯୋଜନା କରାଯାଇଛି।
କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ସମ୍ବନ୍ଧୀୟ ଦକ୍ଷତା ବୃଦ୍ଧି କାର୍ଯ୍ୟକ୍ରମଗୁଡ଼ିକ କାହିଁକି ଅଟକିଯାଏ?
ବିଷୟବସ୍ତୁର ଅଭାବ ଅପେକ୍ଷା ବ୍ୟବହାରିକ କାରଣରୁ ଅଧିକାଂଶ ପ୍ରୟାସ ଅଟକିଯାଏ। ଲୋକମାନଙ୍କୁ ଅଭ୍ୟାସ ପାଇଁ ସମୟ ଦିଆଯାଏ ନାହିଁ, ତେଣୁ ପ୍ରକୃତ କାମର ସମୟସୀମା ସହ ପ୍ରତିଯୋଗିତାରେ ପାଠ୍ୟକ୍ରମ ପଛରେ ପଡ଼ିଯାଏ। କେଉଁ ଉପକରଣ ଅନୁମୋଦିତ ତାହା ସ୍ପଷ୍ଟ ନଥାଏ, ତେଣୁ ସତର୍କ ଲୋକମାନେ ଅପେକ୍ଷା କରନ୍ତି ଓ ଅନ୍ୟମାନେ ବ୍ୟକ୍ତିଗତ ଖାତା ବ୍ୟବହାର କରନ୍ତି। ଉଦାହରଣ ଅନ୍ୟ ପେଶାରୁ ଆସେ, ତେଣୁ ଶିକ୍ଷାର୍ଥୀମାନେ ସେଗୁଡ଼ିକୁ କିପରି କାମରେ ଲଗାଇବେ ବୁଝିପାରନ୍ତି ନାହିଁ। କେତେଥର ପ୍ରବେଶ କରାଯାଇଛି ତାହା ଦ୍ୱାରା ପ୍ରଗତି ମପାଯାଏ, ଯାହା ଭଲ କାମ ବଦଳରେ କେବଳ ସକ୍ରିୟତାକୁ ପୁରସ୍କୃତ କରେ।
ଭୟ ଆଉ ଏକ କାରଣ। ଯଦି ଲୋକେ ଭାବନ୍ତି ଯେ କାହାକୁ ବଦଳାଯାଇପାରିବ ତାହା ଖୋଜିବା ପାଇଁ ଏହି କାର୍ଯ୍ୟକ୍ରମ ରହିଛି, କିମ୍ବା ସେମାନଙ୍କ ଚାଟ୍ ପଢ଼ାଯିବ, ତେବେ ସେମାନେ ଏଥିରୁ ଦୂରେଇ ଯାଆନ୍ତି। କାର୍ଯ୍ୟକ୍ରମ କାହିଁକି ରହିଛି, ପ୍ରବନ୍ଧକମାନେ କ’ଣ ଦେଖିବେ ଏବଂ କ’ଣ ଦେଖିବେ ନାହିଁ, ତାହା ସ୍ପଷ୍ଟ କରନ୍ତୁ। ଏହି କାରଣରୁ Tosheo.aiର ଯୋଜନାରେ ଥିବା ପ୍ରବନ୍ଧକ ଡ୍ୟାସବୋର୍ଡରେ ଦକ୍ଷତାର ପ୍ରଗତି ଓ ପାଠ ସମାପ୍ତି ଦେଖାଯାଏ, ମୂଳ ଚାଟ୍ ରେକର୍ଡ ନୁହେଁ।
AI ଦକ୍ଷତା ବୃଦ୍ଧିରେ Tosheo.ai କିପରି ସହାୟତା କରିବ ବୋଲି ଯୋଜନା କରାଯାଇଛି?
କୌଣସି ଶିକ୍ଷଣ ଦଳ ବିନା ପ୍ରତ୍ୟେକ ଶିକ୍ଷାର୍ଥୀଙ୍କ ପାଇଁ ଉପରୋକ୍ତ ଚକ୍ର ଚଲାଇବା ଉଦ୍ଦେଶ୍ୟରେ Tosheo.ai ର ପରିକଳ୍ପନା କରାଯାଇଛି। ଏସବୁ ଆରମ୍ଭ ସମୟ ପାଇଁ ଯୋଜନାରେ ଥିବା କାର୍ଯ୍ୟପରିସର। ପରିଚାଳକ ଭୂମିକା ଓ ଦଳ ବ୍ୟବହାର କରୁଥିବା ଟୁଲ୍ ବାଛିବେ, ଚାହିଁଲେ ପ୍ରସଙ୍ଗ ବୁଝାଇବା ପାଇଁ କମ୍ପାନୀର 1 ରୁ 5ଟି ଦଲିଲ ଯୋଡ଼ିବେ ଏବଂ ଲୋକଙ୍କୁ ଆମନ୍ତ୍ରଣ କରିବେ ବୋଲି ଯୋଜନା ରହିଛି। ପ୍ରତ୍ୟେକ ଶିକ୍ଷାର୍ଥୀ 5-ମିନିଟ୍ର ପ୍ରାରମ୍ଭିକ ଦକ୍ଷତା ଯାଞ୍ଚ କରିବେ, ତା’ପରେ ତାଙ୍କ ଦକ୍ଷତା ଅନୁଯାୟୀ ବଦଳୁଥିବା ପାଠ୍ୟକ୍ରମରେ 10 ରୁ 15 ମିନିଟ୍ର ପାଠ ପାଇବେ। ପ୍ରତ୍ୟେକ ପାଠ ଶେଷରେ ନିଜେ ଏକ କାର୍ଯ୍ୟ କରିବାକୁ ହେବ, ଯାହାକୁ AI ସ୍ପଷ୍ଟ ଦେଖାଯାଉଥିବା ମୂଲ୍ୟାୟନ ମାନଦଣ୍ଡ ଅନୁଯାୟୀ ଅଙ୍କ ଓ ନିର୍ଦ୍ଦିଷ୍ଟ ମତାମତ ଦେବ। ଅଙ୍କଗୁଡ଼ିକୁ ସମୀକ୍ଷା ପାଇଁ ଚିହ୍ନଟ କରାଯାଇପାରିବ। ପରିଚାଳକଙ୍କୁ ସାପ୍ତାହିକ ସାରାଂଶ ପଠାଯିବ ଏବଂ ନିଷ୍କ୍ରିୟ ଶିକ୍ଷାର୍ଥୀଙ୍କୁ ସ୍ମାରକ ପଠାଯିବ।
ଯୋଜନାଧୀନ ମୂଲ୍ୟ ଟିମ୍ ଯୋଜନାରୁ ଆରମ୍ଭ ହେବ, ଯେଉଁଥିରେ ପ୍ରତି ବ୍ୟବହାରକାରୀ ଲାଇସେନ୍ସ ଅନୁଯାୟୀ ଦେୟ ହେବ ଏବଂ ଅତିକମରେ ପାଞ୍ଚଟି ଲାଇସେନ୍ସ ଆବଶ୍ୟକ ହେବ। ସର୍ବାଧିକ 5ଟି ଲାଇସେନ୍ସ ପାଇଁ 7-ଦିନର ମାଗଣା ପରୀକ୍ଷାମୂଳକ ବ୍ୟବହାର ମିଳିବ। ମୂଲ୍ୟ ପୃଷ୍ଠାରେ ସବିଶେଷ ତଥ୍ୟ ଅଛି ଏବଂ ସମସ୍ତ ମୂଲ୍ୟ ଏକ ପ୍ରାରମ୍ଭିକ ଅନୁମାନ।
କେତେବେଳେ ଦକ୍ଷତା ବୃଦ୍ଧି କରିବା ଉପଯୁକ୍ତ ପଦକ୍ଷେପ ନୁହେଁ?
ପ୍ରକ୍ରିୟାଟି ନିଜେ ତ୍ରୁଟିପୂର୍ଣ୍ଣ ହୋଇଥିଲେ, ଯେପରିକି ଗ୍ରାହକଙ୍କୁ ଅଗ୍ରଗତି ଜଣାଇବାର ଦାୟିତ୍ୱ ଅସ୍ପଷ୍ଟ ଥିଲେ, AI ଅଭ୍ୟାସ କେବଳ ତ୍ରୁଟିପୂର୍ଣ୍ଣ କାମକୁ ଅଧିକ ଶୀଘ୍ର କରିବ। ପ୍ରଥମେ ପ୍ରକ୍ରିୟା ସୁଧାରନ୍ତୁ। କୌଣସି ଭୂମିକା ଏତେ ବଦଳୁଥିଲେ ଯେ ବ୍ୟକ୍ତିଙ୍କୁ ଭିନ୍ନ କ୍ଷେତ୍ରର ଜ୍ଞାନ ଦରକାର, ତାହା ନୂତନ କୌଶଳ ଶିକ୍ଷା, ଏବଂ ଏଥିପାଇଁ ଏକ କୌଶଳ ଶିକ୍ଷଣ ଉତ୍ପାଦ ଦେଇପାରୁଥିବା ଯୋଜନାଠାରୁ ଅଧିକ ଦୀର୍ଘମିଆଦି ଯୋଜନା ଦରକାର। ଲକ୍ଷ୍ୟଟି AI ମଡେଲ ସହ ଇଞ୍ଜିନିୟରିଂ କାମ କରିବା ହୋଇଥିଲେ, ବୈଷୟିକ ପାଠ୍ୟକ୍ରମ ଖୋଜନ୍ତୁ।
ଯଦି ଆପଣଙ୍କ ସଂସ୍ଥାକୁ କିଣିବା ପୂର୍ବରୁ ଏକକ ସାଇନ୍-ଅନ୍, ଶିକ୍ଷଣ ପରିଚାଳନା ବ୍ୟବସ୍ଥା ସହ ସଂଯୋଗ କିମ୍ବା ବୃହତ୍ ସଂସ୍ଥାର କ୍ରୟ ପ୍ରକ୍ରିୟା ଦରକାର, ତେବେ ସେଗୁଡ଼ିକ Tosheo.ai ର ଯୋଜନା କରାଯାଇଥିବା ଆରମ୍ଭିକ ସେବାର ଅଂଶ ନୁହେଁ। ବିକ୍ରୟ ଦଳ ମାଧ୍ୟମରେ ସେବା ଦେଉଥିବା ପ୍ରଦାନକାରୀ ଅଧିକ ଉପଯୁକ୍ତ ହୋଇପାରନ୍ତି।
ଉତ୍ସ ଓ ପରିସର
GOV.UK ରେ ସ୍କିଲ୍ସ ଇଂଲଣ୍ଡ, କାର୍ଯ୍ୟ ପାଇଁ AI ମୌଳିକ ଦକ୍ଷତାର ମାନଦଣ୍ଡ, 28 ଜାନୁଆରୀ 2026 ↗
Google, Google AIର ମୌଳିକ ବିଷୟ ପାଠ୍ୟକ୍ରମ ପୃଷ୍ଠା, 16 ଅକ୍ଟୋବର 2026ରେ ଯାଞ୍ଚ କରାଯାଇଛି ↗