Moje największe wnioski od @chipro: 1. Największe ulepszenia w Twoim produkcie AI pochodzą z rozmów z użytkownikami i zrozumienia ich opinii, a nie z przyjmowania najnowszych modeli czy śledzenia wiadomości o AI. Wiele firm marnuje czas na debaty, którą technologię wybrać, podczas gdy prawdziwe zyski pochodzą z lepszego doświadczenia użytkownika i przygotowania danych. 2. Większość problemów z produktami AI nie jest problemami AI. Kiedy firmy myślą, że mają problem z wydajnością AI, zazwyczaj jest to problem z doświadczeniem użytkownika, luka w komunikacji organizacyjnej lub problem z jakością danych. Jedna firma myślała, że ich system oceny leadów AI jest zepsuty, ale prawdziwym problemem było to, że zespół marketingowy nie zadawał właściwych pytań, aby uzyskać użyteczne dane. 3. To, jak przygotowujesz swoje dane, ma większe znaczenie niż to, którą bazę danych wybierzesz. Firmy widzą największe zyski wydajności AI z lepszego organizowania i przygotowywania swoich informacji — dzielenia treści na odpowiednie kawałki, dodawania podsumowań, przekształcania treści w format pytanie-odpowiedź — zamiast męczyć się nad tym, jaką infrastrukturę techniczną wybrać. 4. Twoi najlepsi wykonawcy najbardziej korzystają z narzędzi AI. W kontrolowanym eksperymencie najwyżej oceniani inżynierowie uzyskali największy wzrost wydajności dzięki asystentom kodowania AI, a nie najniżej oceniani. Starsi inżynierowie, którzy już wiedzieli, jak rozwiązywać problemy, używali AI, aby pracować jeszcze szybciej, podczas gdy słabsi wykonawcy często po prostu kopiowali i wklejali kod, którego nie rozumieli. 5. Dostosowywanie powinno być Twoją ostatnią deską ratunku. Zanim zainwestujesz w dostosowywanie modelu, spróbuj najpierw prostszych rozwiązań: popraw swoje zapytania, dodaj podstawowe skrypty przetwarzania po, lub napraw swój pipeline danych. Jedna firma wychwyciła 90% błędów swojego modelu za pomocą prostego skryptu. Dostosowywanie tworzy ciągłe problemy z utrzymaniem i powinno być stosowane tylko wtedy, gdy wszystko inne zostało maksymalnie wykorzystane. 6. Nie musisz być doskonały, aby wygrać. Wiele udanych firm wybiera "wystarczająco dobre" zamiast doskonałego przy wdrażaniu systemów AI. Obliczają, czy inwestowanie w dwóch inżynierów, aby poprawić dokładność z 80% do 85%, jest lepsze niż wykorzystanie tych samych inżynierów do uruchomienia całkowicie nowej funkcji. Często nowa funkcja przynosi więcej wartości. 7. Wydajność AI jest niemal niemożliwa do zmierzenia. Firmy inwestują znaczne sumy w narzędzia do kodowania AI, ale nie mogą wyraźnie udowodnić, że działają. Kiedy muszą wybierać między drogimi subskrypcjami AI dla swojego zespołu a zatrudnieniem jednej dodatkowej osoby, wielu menedżerów wybiera osobę, niekoniecznie dlatego, że AI nie pomaga, ale dlatego, że liczba pracowników wydaje się bardziej namacalna. 8. Myślenie systemowe ma większe znaczenie niż kodowanie. W miarę jak AI automatyzuje coraz więcej zadań kodowania, umiejętność zrozumienia, jak różne komponenty współpracują ze sobą, staje się najcenniejszą umiejętnością. Według przewodniczącego programu CS na Uniwersytecie Stanforda, kodowanie to tylko narzędzie — prawdziwą umiejętnością jest zrozumienie, jak działają systemy i projektowanie krok po kroku rozwiązań problemów. 9. Kończą nam się teksty w internecie do trenowania. Świat zasadniczo wyczerpał publicznie dostępne dane tekstowe do trenowania modeli AI. Oznacza to, że przyszłe ulepszenia będą pochodzić mniej z dostarczania modelom większej ilości danych, a bardziej z lepszych technik treningowych, ludzkiej opinii i znajdowania nowych źródeł danych, takich jak dźwięk i wideo. 10. Wiele osób nie wie, co zbudować, mimo że mają potężne narzędzia. Nawet z narzędziami AI, które mogą zbudować prawie wszystko, wielu pracowników boryka się z "kryzysem pomysłów" — po prostu nie wiedzą, co stworzyć. Najlepsze podejście: spędź tydzień, zauważając, co Cię frustruje w codziennej pracy, a następnie zbuduj małe narzędzia, aby rozwiązać te konkretne problemy.