Suurin oppini @chipro: 1. Suurimmat parannukset tekoälytuotteeseesi tulevat keskustelemalla käyttäjien kanssa ja ymmärtämällä heidän palautteensa, ei ottamalla käyttöön uusimpia malleja tai pysymällä kiinni tekoälyuutisissa. Monet yritykset tuhlaavat aikaa keskustelemalla siitä, mitä teknologiaa käyttää, kun todelliset voitot tulevat paremmasta käyttökokemuksesta ja tietojen valmistelusta. 2. Useimmat tekoälytuotteiden ongelmat eivät ole tekoälyongelmia. Kun yritykset luulevat, että niillä on tekoälyn suorituskykyongelma, se on yleensä käyttäjäkokemusongelma, organisaation viestintäaukko tai tietojen laatuongelma. Eräs yritys ajatteli, että heidän tekoälyn liidien pisteytysjärjestelmänsä oli rikki, mutta todellinen ongelma oli, että markkinointitiimi ei kysynyt oikeita kysymyksiä saadakseen hyödyllistä tietoa. 3. Tietojen valmistelulla on enemmän merkitystä kuin valitsemallasi tietokannalla. Yritykset näkevät suurimmat tekoälyn suorituskyvyn parannukset tietojen paremmasta järjestämisestä ja valmistelusta – sisällön jakamisesta oikean kokoisiin osiin, yhteenvetojen lisäämisestä ja sisällön muuntamisesta kysymys-vastaus-muotoon – sen sijaan, että ne tuskailevat käytettävän teknisen infrastruktuurin kanssa. 4. Parhaat suoriutujasi hyötyvät eniten tekoälytyökaluista. Kontrolloidussa kokeessa tehokkaimmat insinöörit saivat suurimman tuottavuuden lisäyksen tekoälykoodausavustajilta, eivät heikoimmin suoriutuvilta. Vanhemmat insinöörit, jotka jo tiesivät kuinka ratkaista ongelmia, käyttivät tekoälyä toimiakseen entistä nopeammin, kun taas heikosti suoriutuvat usein vain kopioivat ja liittivät koodia, jota he eivät ymmärtäneet. 5. Hienosäädön tulisi olla viimeinen keinosi. Ennen kuin investoit mallin hienosäätöön, kokeile ensin yksinkertaisempia ratkaisuja: paranna kehotteita, lisää perusjälkikäsittelykomentosarjoja tai korjaa tietoputki. Eräs yritys sai 90 % mallinsa virheistä kiinni yksinkertaisella käsikirjoituksella. Hienosäätö aiheuttaa jatkuvaa huoltopäänsärkyä, ja sitä tulisi käyttää vain, kun kaikki muu on maksimoitu. 6. Sinun ei tarvitse olla täydellinen voittaaksesi. Monet menestyvät yritykset valitsevat tekoälyjärjestelmiä toteuttaessaan "riittävän hyvän" täydellisen sijaan. He laskevat, onko kahden insinöörin sijoittaminen tarkkuuden parantamiseen 80 prosentista 85 prosenttiin parempi kuin samojen insinöörien käyttäminen täysin uuden ominaisuuden käynnistämiseen. Usein uusi ominaisuus tarjoaa enemmän arvoa. 7. Tekoälyn tuottavuutta on lähes mahdotonta mitata. Yritykset investoivat voimakkaasti tekoälyn koodaustyökaluihin, mutta eivät pysty selkeästi todistamaan niiden toimivuutta. Kun monet johtajat joutuvat valitsemaan kalliiden tekoälytilausten tai yhden lisähenkilön palkkaamisen välillä, monet johtajat valitsevat henkilön, ei välttämättä siksi, että tekoäly ei auttaisi, vaan siksi, että henkilöstömäärä tuntuu konkreettisemmalta. 8. Systeemiajattelulla on enemmän merkitystä kuin koodauksella. Kun tekoäly automatisoi enemmän koodaustehtäviä, kyvystä ymmärtää, miten eri komponentit toimivat yhdessä, tulee arvokkain taito. Stanfordin tietojenkäsittelytieteen opetussuunnitelman puheenjohtajan mukaan koodaus on vain työkalu – todellinen taito on ymmärtää, miten järjestelmät toimivat, ja suunnitella vaiheittaisia ratkaisuja ongelmiin. 9. Internet-tekstiviestit ovat loppumassa. Maailma on käytännössä käyttänyt loppuun julkisesti saatavilla olevat tekstitiedot tekoälymallien kouluttamiseen. Tämä tarkoittaa, että tulevat parannukset eivät tule niinkään siitä, että malleille syötetään enemmän dataa, vaan enemmän paremmista koulutustekniikoista, ihmisten palautteesta ja uusien tietolähteiden, kuten äänen ja videon, löytämisestä. 10. Monet ihmiset eivät tiedä mitä rakentaa, vaikka heillä on tehokkaat työkalut. Vaikka tekoälytyökaluilla voidaan rakentaa melkein mitä tahansa, monet työntekijät kohtaavat "ideakriisin" – he eivät yksinkertaisesti tiedä, mitä luoda. Paras lähestymistapa: vietä viikko huomaamalla, mikä turhauttaa sinua päivittäisessä työssäsi, ja rakenna sitten pieniä työkaluja näiden kipupisteiden ratkaisemiseksi.