Il mio principale insegnamento da @chipro: 1. I maggiori miglioramenti del tuo prodotto AI derivano dal parlare con gli utenti e comprendere il loro feedback, non dall'adottare i modelli più recenti o rimanere incollati alle notizie sull'AI. Molte aziende perdono tempo a dibattere quale tecnologia utilizzare, quando i veri successi derivano da una migliore esperienza utente e dalla preparazione dei dati. 2. La maggior parte dei problemi dei prodotti AI non sono problemi di AI. Quando le aziende pensano di avere un problema di prestazioni dell'AI, di solito si tratta di un problema di esperienza utente, di una lacuna nella comunicazione organizzativa o di un problema di qualità dei dati. Un'azienda pensava che il suo sistema di scoring dei lead AI fosse rotto, ma il vero problema era che il team di marketing non stava ponendo le domande giuste per ottenere dati utili. 3. Come prepari i tuoi dati è più importante di quale database scegli. Le aziende vedono i maggiori guadagni nelle prestazioni dell'AI dalla migliore organizzazione e preparazione delle loro informazioni: suddividere i contenuti in porzioni della giusta dimensione, aggiungere riassunti, convertire i contenuti in formato domanda-risposta, piuttosto che tormentarsi su quale infrastruttura tecnica utilizzare. 4. I tuoi migliori performer traggono il massimo beneficio dagli strumenti AI. In un esperimento controllato, gli ingegneri con le migliori prestazioni hanno ottenuto il maggiore aumento di produttività dagli assistenti di codifica AI, non i performer più scarsi. Gli ingegneri senior che già sapevano come risolvere i problemi hanno utilizzato l'AI per lavorare ancora più velocemente, mentre i performer scarsi spesso copiavano e incollavano codice che non capivano. 5. Il fine-tuning dovrebbe essere l'ultima risorsa. Prima di investire nel fine-tuning di un modello, prova prima soluzioni più semplici: migliora i tuoi prompt, aggiungi script di post-elaborazione di base o correggi la tua pipeline di dati. Un'azienda ha catturato il 90% degli errori del suo modello con uno script semplice. Il fine-tuning crea mal di testa per la manutenzione continua e dovrebbe essere utilizzato solo quando tutto il resto è stato sfruttato al massimo. 6. Non devi essere perfetto per vincere. Molte aziende di successo scelgono "abbastanza buono" rispetto a perfetto quando implementano sistemi AI. Calcolano se investire in due ingegneri per migliorare l'accuratezza dall'80% all'85% sia meglio che utilizzare quegli stessi ingegneri per lanciare una nuova funzionalità. Spesso, la nuova funzionalità fornisce più valore. 7. La produttività dell'AI è quasi impossibile da misurare. Le aziende investono pesantemente in strumenti di codifica AI ma non possono dimostrare chiaramente che funzionano. Quando sono costretti a scegliere tra costose sottoscrizioni AI per il loro team o assumere una persona in più, molti manager scelgono la persona, non necessariamente perché l'AI non aiuti, ma perché il numero di dipendenti sembra più tangibile. 8. Il pensiero sistemico è più importante della codifica. Man mano che l'AI automatizza più compiti di codifica, la capacità di comprendere come diversi componenti lavorano insieme diventa la competenza più preziosa. Secondo il presidente del curriculum di CS di Stanford, la codifica è solo uno strumento: la vera abilità è comprendere come funzionano i sistemi e progettare soluzioni passo dopo passo ai problemi. 9. Stiamo esaurendo il testo su internet su cui addestrarci. Il mondo ha essenzialmente esaurito i dati testuali disponibili pubblicamente per addestrare i modelli AI. Ciò significa che i futuri miglioramenti deriveranno meno dall'alimentare i modelli con più dati e più da migliori tecniche di addestramento, feedback umano e dalla ricerca di nuove fonti di dati come audio e video. 10. Molte persone non sanno cosa costruire nonostante abbiano strumenti potenti. Anche con strumenti AI che possono costruire quasi tutto, molti dipendenti affrontano una "crisi di idee": semplicemente non sanno cosa creare. Il miglior approccio: trascorri una settimana a notare cosa ti frustra nel tuo lavoro quotidiano, poi costruisci piccoli strumenti per risolvere quei punti dolenti specifici.