Min största lärdom från @chipro: 1. De största förbättringarna av din AI-produkt kommer från att prata med användare och förstå deras feedback, inte från att ta till sig de senaste modellerna eller hålla sig klistrad vid AI-nyheter. Många företag slösar tid på att diskutera vilken teknik de ska använda, när de verkliga vinsterna kommer från bättre användarupplevelse och dataförberedelse. 2. De flesta AI-produktproblem är inte AI-problem. När företag tror att de har ett problem med AI-prestanda är det vanligtvis ett problem med användarupplevelsen, en organisatorisk kommunikationslucka eller ett problem med datakvaliteten. Ett företag trodde att deras AI-system för lead scoring var trasigt, men det verkliga problemet var att marknadsföringsteamet inte ställde rätt frågor för att få användbar data. 3. Hur du förbereder dina data spelar större roll än vilken databas du väljer. Företag ser sina största AI-prestandavinster från att bättre organisera och förbereda sin information – dela upp innehåll i rätt storlek bitar, lägga till sammanfattningar, konvertera innehåll till frågor och svar-format – snarare än att våndas över vilken teknisk infrastruktur de ska använda. 4. De som presterar bäst drar mest nytta av AI-verktyg. I ett kontrollerat experiment fick de högst presterande ingenjörerna den största produktivitetsökningen från AI-kodningsassistenter, inte de lägst presterande. Seniora ingenjörer som redan visste hur man löser problem använde AI för att arbeta ännu snabbare, medan lågpresterande ofta bara kopierade och klistrade in kod som de inte förstod. 5. Finjustering bör vara din sista utväg. Innan du investerar i att finjustera en modell bör du först prova enklare lösningar: förbättra dina uppmaningar, lägga till grundläggande efterbearbetningsskript eller åtgärda din datapipeline. Ett företag fångade 90 % av sin modells misstag med ett enkelt manus. Finjustering skapar ständig underhållshuvudvärk och bör endast användas när allt annat har maxats. 6. Du behöver inte vara perfekt för att vinna. Många framgångsrika företag väljer "good enough" framför perfekt när de implementerar AI-system. De beräknar om det är bättre att investera två ingenjörer för att förbättra noggrannheten från 80 % till 85 % än att använda samma ingenjörer för att lansera en helt ny funktion. Ofta ger den nya funktionen mer värde. 7. AI-produktivitet är nästan omöjligt att mäta. Företag investerar mycket i AI-kodningsverktyg men kan inte tydligt bevisa att de fungerar. När de tvingas välja mellan dyra AI-prenumerationer för sitt team eller att anställa ytterligare en person, väljer många chefer personen, inte nödvändigtvis för att AI inte hjälper utan för att antalet anställda känns mer påtagligt. 8. Systemtänkande är viktigare än kodning. I takt med att AI automatiserar fler kodningsuppgifter blir förmågan att förstå hur olika komponenter fungerar tillsammans den mest värdefulla färdigheten. Enligt Stanfords lärosäte i datavetenskap är kodning bara ett verktyg – den verkliga färdigheten är att förstå hur system fungerar och utforma steg-för-steg-lösningar på problem. 9. Vi håller på att få slut på internettext att träna på. Världen har i princip uttömt offentligt tillgängliga textdata för träning av AI-modeller. Detta innebär att framtida förbättringar kommer att komma mindre från att mata modeller med mer data och mer från bättre träningstekniker, mänsklig feedback och att hitta nya datakällor som ljud och video. 10. Många människor vet inte vad de ska bygga trots att de har kraftfulla verktyg. Även med AI-verktyg som kan bygga nästan vad som helst står många anställda inför en "idékris" – de vet helt enkelt inte vad de ska skapa. Det bästa tillvägagångssättet: ägna en vecka åt att lägga märke till vad som frustrerar dig i ditt dagliga arbete och bygg sedan små verktyg för att lösa de specifika smärtpunkterna.