Điều tôi rút ra lớn nhất từ @chipro: 1. Những cải tiến lớn nhất cho sản phẩm AI của bạn đến từ việc trò chuyện với người dùng và hiểu phản hồi của họ, chứ không phải từ việc áp dụng các mô hình mới nhất hay dán mắt vào tin tức AI. Nhiều công ty lãng phí thời gian tranh luận về công nghệ nào nên sử dụng, trong khi những thành công thực sự đến từ trải nghiệm người dùng tốt hơn và chuẩn bị dữ liệu. 2. Hầu hết các vấn đề sản phẩm AI không phải là vấn đề AI. Khi các công ty nghĩ rằng họ có vấn đề về hiệu suất AI, thường thì đó là vấn đề trải nghiệm người dùng, khoảng cách giao tiếp trong tổ chức, hoặc vấn đề chất lượng dữ liệu. Một công ty nghĩ rằng hệ thống chấm điểm AI của họ bị hỏng, nhưng vấn đề thực sự là đội ngũ marketing không đặt ra những câu hỏi đúng để có được dữ liệu hữu ích. 3. Cách bạn chuẩn bị dữ liệu của bạn quan trọng hơn việc bạn chọn cơ sở dữ liệu nào. Các công ty thấy rằng họ có được những cải thiện lớn nhất về hiệu suất AI từ việc tổ chức và chuẩn bị thông tin tốt hơn—phân chia nội dung thành các phần kích thước phù hợp, thêm tóm tắt, chuyển đổi nội dung thành định dạng câu hỏi và câu trả lời—thay vì đau đầu về việc sử dụng cơ sở hạ tầng kỹ thuật nào. 4. Những người làm việc tốt nhất sẽ hưởng lợi nhiều nhất từ các công cụ AI. Trong một thí nghiệm có kiểm soát, các kỹ sư có hiệu suất cao nhất nhận được sự tăng năng suất lớn nhất từ các trợ lý lập trình AI, không phải những người có hiệu suất thấp nhất. Các kỹ sư cấp cao đã biết cách giải quyết vấn đề sử dụng AI để làm việc nhanh hơn, trong khi những người có hiệu suất thấp thường chỉ sao chép và dán mã mà họ không hiểu. 5. Tinh chỉnh nên là lựa chọn cuối cùng của bạn. Trước khi đầu tư vào việc tinh chỉnh một mô hình, hãy thử các giải pháp đơn giản hơn trước: cải thiện các gợi ý của bạn, thêm các kịch bản xử lý hậu kỳ cơ bản, hoặc sửa chữa quy trình dữ liệu của bạn. Một công ty đã phát hiện 90% lỗi của mô hình chỉ với một kịch bản đơn giản. Tinh chỉnh tạo ra những cơn đau đầu về bảo trì liên tục và chỉ nên được sử dụng khi mọi thứ khác đã được tối đa hóa. 6. Bạn không cần phải hoàn hảo để chiến thắng. Nhiều công ty thành công chọn "đủ tốt" thay vì hoàn hảo khi triển khai các hệ thống AI. Họ tính toán xem việc đầu tư hai kỹ sư để cải thiện độ chính xác từ 80% lên 85% có tốt hơn việc sử dụng hai kỹ sư đó để ra mắt một tính năng hoàn toàn mới hay không. Thường thì, tính năng mới mang lại giá trị nhiều hơn. 7. Năng suất AI gần như không thể đo lường. Các công ty đầu tư mạnh vào các công cụ lập trình AI nhưng không thể chứng minh rõ ràng rằng chúng hoạt động. Khi bị buộc phải chọn giữa việc đăng ký AI đắt tiền cho đội ngũ của họ hoặc thuê thêm một người, nhiều quản lý chọn người, không nhất thiết vì AI không giúp ích mà vì số lượng nhân sự cảm thấy cụ thể hơn. 8. Tư duy hệ thống quan trọng hơn lập trình. Khi AI tự động hóa nhiều nhiệm vụ lập trình hơn, khả năng hiểu cách các thành phần khác nhau hoạt động cùng nhau trở thành kỹ năng quý giá nhất. Theo chủ tịch chương trình CS của Stanford, lập trình chỉ là một công cụ—kỹ năng thực sự là hiểu cách các hệ thống hoạt động và thiết kế các giải pháp từng bước cho các vấn đề. 9. Chúng ta đang cạn kiệt văn bản trên internet để đào tạo. Thế giới về cơ bản đã cạn kiệt dữ liệu văn bản công khai có sẵn để đào tạo các mô hình AI. Điều này có nghĩa là những cải tiến trong tương lai sẽ đến ít hơn từ việc cung cấp thêm dữ liệu cho các mô hình và nhiều hơn từ các kỹ thuật đào tạo tốt hơn, phản hồi của con người, và tìm kiếm các nguồn dữ liệu mới như âm thanh và video. 10. Nhiều người không biết phải xây dựng gì mặc dù có những công cụ mạnh mẽ. Ngay cả với các công cụ AI có thể xây dựng gần như bất cứ điều gì, nhiều nhân viên gặp phải "khủng hoảng ý tưởng"—họ đơn giản không biết phải tạo ra điều gì. Cách tiếp cận tốt nhất: dành một tuần để nhận ra điều gì làm bạn khó chịu trong công việc hàng ngày, sau đó xây dựng các công cụ nhỏ để giải quyết những điểm đau cụ thể đó.