Pencapaian 💪🧡 YouTube

Apakah AI memperlebar kesenjangan bakat?

Pelajaran terbesar saya dari @chipro: 1. Peningkatan terbesar pada produk AI Anda berasal dari berbicara dengan pengguna dan memahami umpan balik mereka, bukan dari mengadopsi model terbaru atau tetap terpaku pada berita AI. Banyak perusahaan membuang waktu untuk memperdebatkan teknologi mana yang akan digunakan, ketika kemenangan nyata berasal dari pengalaman pengguna dan persiapan data yang lebih baik. 2. Sebagian besar masalah produk AI bukanlah masalah AI. Ketika perusahaan berpikir bahwa mereka memiliki masalah kinerja AI, biasanya itu adalah masalah pengalaman pengguna, kesenjangan komunikasi organisasi, atau masalah kualitas data. Satu perusahaan mengira sistem penilaian prospek AI mereka rusak, tetapi masalah sebenarnya adalah bahwa tim pemasaran tidak mengajukan pertanyaan yang tepat untuk mendapatkan data yang berguna. 3. Bagaimana Anda menyiapkan data Anda lebih penting daripada database yang Anda pilih. Perusahaan melihat peningkatan kinerja AI terbesar mereka dari pengorganisasian dan persiapan informasi mereka dengan lebih baik—memecah konten menjadi potongan ukuran yang tepat, menambahkan ringkasan, mengubah konten menjadi format tanya jawab—daripada menderita tentang infrastruktur teknis mana yang akan digunakan. 4. Pemain terbaik Anda paling diuntungkan dari alat AI. Dalam eksperimen terkontrol, insinyur berkinerja tertinggi mendapatkan peningkatan produktivitas terbesar dari asisten pengkodean AI, bukan yang berkinerja terendah. Insinyur senior yang sudah tahu cara memecahkan masalah menggunakan AI untuk bekerja lebih cepat, sementara yang berkinerja rendah sering kali hanya menyalin dan menempelkan kode yang tidak mereka pahami. 5. Penyempurnaan harus menjadi pilihan terakhir Anda. Sebelum berinvestasi dalam menyempurnakan model, coba solusi yang lebih sederhana terlebih dahulu: tingkatkan petunjuk Anda, tambahkan skrip pasca-pemrosesan dasar, atau perbaiki alur data Anda. Satu perusahaan menangkap 90% kesalahan modelnya dengan skrip sederhana. Penyetelan halus menciptakan sakit kepala pemeliharaan berkelanjutan dan hanya boleh digunakan jika yang lainnya telah maksimal. 6. Anda tidak perlu sempurna untuk menang. Banyak perusahaan sukses memilih "cukup baik" daripada sempurna saat menerapkan sistem AI. Mereka menghitung apakah menginvestasikan dua insinyur untuk meningkatkan akurasi dari 80% menjadi 85% lebih baik daripada menggunakan insinyur yang sama untuk meluncurkan fitur yang sama sekali baru. Seringkali, fitur baru memberikan nilai lebih. 7. Produktivitas AI hampir tidak mungkin diukur. Perusahaan berinvestasi besar-besaran dalam alat pengkodean AI tetapi tidak dapat membuktikan dengan jelas bahwa mereka berfungsi. Ketika dipaksa untuk memilih antara langganan AI yang mahal untuk tim mereka atau mempekerjakan satu orang tambahan, banyak manajer memilih orang tersebut, bukan karena AI tidak membantu tetapi karena jumlah karyawan terasa lebih nyata. 8. Pemikiran sistem lebih penting daripada pengkodean. Saat AI mengotomatiskan lebih banyak tugas pengkodean, kemampuan untuk memahami bagaimana berbagai komponen bekerja sama menjadi keterampilan yang paling berharga. Menurut ketua kurikulum CS Stanford, pengkodean hanyalah alat—keterampilan sebenarnya adalah memahami cara kerja sistem dan merancang solusi langkah demi langkah untuk masalah. 9. Kami kehabisan teks internet untuk berlatih. Dunia pada dasarnya telah menghabiskan data teks yang tersedia untuk umum untuk melatih model AI. Ini berarti peningkatan di masa depan akan datang lebih sedikit dari memberi makan model lebih banyak data dan lebih banyak dari teknik pelatihan yang lebih baik, umpan balik manusia, dan menemukan sumber data baru seperti audio dan video. 10. Banyak orang tidak tahu apa yang harus dibangun meskipun memiliki alat yang kuat. Bahkan dengan alat AI yang dapat membangun hampir semua hal, banyak karyawan menghadapi "krisis ide"—mereka tidak tahu harus membuat apa. Pendekatan terbaik: luangkan waktu seminggu untuk memperhatikan apa yang membuat Anda frustrasi dalam pekerjaan sehari-hari, lalu bangun alat kecil untuk memecahkan masalah spesifik tersebut.