A minha maior lição do @chipro: 1. As maiores melhorias no seu produto de IA vêm de conversar com os utilizadores e entender o seu feedback, não de adotar os modelos mais recentes ou de estar colado às notícias de IA. Muitas empresas perdem tempo a debater qual tecnologia usar, quando as verdadeiras vitórias vêm de uma melhor experiência do utilizador e preparação de dados. 2. A maioria dos problemas de produtos de IA não são problemas de IA. Quando as empresas pensam que têm um problema de desempenho de IA, geralmente é um problema de experiência do utilizador, uma lacuna de comunicação organizacional ou um problema de qualidade de dados. Uma empresa pensou que o seu sistema de pontuação de leads de IA estava quebrado, mas o verdadeiro problema era que a equipa de marketing não estava a fazer as perguntas certas para obter dados úteis. 3. Como você prepara os seus dados importa mais do que qual base de dados você escolhe. As empresas veem os seus maiores ganhos de desempenho em IA a partir de uma melhor organização e preparação da sua informação—dividindo o conteúdo em pedaços do tamanho certo, adicionando resumos, convertendo conteúdo em formato de pergunta e resposta—em vez de agonizar sobre qual infraestrutura técnica usar. 4. Os seus melhores desempenhos beneficiam mais das ferramentas de IA. Numa experiência controlada, os engenheiros de maior desempenho obtiveram o maior aumento de produtividade com assistentes de codificação de IA, não os de menor desempenho. Engenheiros seniores que já sabiam como resolver problemas usaram IA para trabalhar ainda mais rápido, enquanto os de baixo desempenho muitas vezes apenas copiavam e colavam código que não entendiam. 5. O ajuste fino deve ser o seu último recurso. Antes de investir no ajuste fino de um modelo, experimente soluções mais simples primeiro: melhore os seus prompts, adicione scripts básicos de pós-processamento ou conserte o seu pipeline de dados. Uma empresa capturou 90% dos erros do seu modelo com um script simples. O ajuste fino cria dores de cabeça de manutenção contínuas e deve ser usado apenas quando tudo o mais já foi maximizado. 6. Você não precisa ser perfeito para vencer. Muitas empresas de sucesso escolhem "bom o suficiente" em vez de perfeito ao implementar sistemas de IA. Elas calculam se investir em dois engenheiros para melhorar a precisão de 80% para 85% é melhor do que usar esses mesmos engenheiros para lançar uma nova funcionalidade. Muitas vezes, a nova funcionalidade oferece mais valor. 7. A produtividade em IA é quase impossível de medir. As empresas investem pesadamente em ferramentas de codificação de IA, mas não conseguem provar claramente que funcionam. Quando forçados a escolher entre assinaturas caras de IA para a sua equipa ou contratar uma pessoa adicional, muitos gestores escolhem a pessoa, não necessariamente porque a IA não ajuda, mas porque a contagem de pessoal parece mais tangível. 8. O pensamento sistêmico importa mais do que codificação. À medida que a IA automatiza mais tarefas de codificação, a capacidade de entender como diferentes componentes funcionam juntos torna-se a habilidade mais valiosa. De acordo com o presidente do currículo de CS de Stanford, codificação é apenas uma ferramenta— a verdadeira habilidade é entender como os sistemas funcionam e projetar soluções passo a passo para problemas. 9. Estamos a ficar sem texto na internet para treinar. O mundo esgotou essencialmente os dados de texto disponíveis publicamente para treinar modelos de IA. Isso significa que as melhorias futuras virão menos de alimentar modelos com mais dados e mais de melhores técnicas de treinamento, feedback humano e encontrar novas fontes de dados como áudio e vídeo. 10. Muitas pessoas não sabem o que construir, apesar de terem ferramentas poderosas. Mesmo com ferramentas de IA que podem construir quase tudo, muitos funcionários enfrentam uma "crise de ideias"—simplesmente não sabem o que criar. A melhor abordagem: passe uma semana notando o que o frustra no seu trabalho diário, depois construa pequenas ferramentas para resolver esses pontos de dor específicos.