Můj největší poznatek z @chipro: 1. Největší vylepšení vašeho produktu umělé inteligence pocházejí z rozhovoru s uživateli a pochopení jejich zpětné vazby, nikoli z přijetí nejnovějších modelů nebo přilepení k novinkám v oblasti umělé inteligence. Mnoho firem ztrácí čas debatami o tom, jakou technologii použít, když skutečné výhry pocházejí z lepší uživatelské zkušenosti a přípravy dat. 2. Většina problémů s produkty AI nejsou problémy AI. Když si společnosti myslí, že mají problém s výkonem umělé inteligence, obvykle se jedná o problém s uživatelskou zkušeností, mezeru v komunikaci v organizaci nebo problém s kvalitou dat. Jedna společnost si myslela, že jejich systém hodnocení potenciálních zákazníků pomocí umělé inteligence je rozbitý, ale skutečným problémem bylo, že marketingový tým nekladl správné otázky, aby získal užitečná data. 3. Na tom, jak data připravíte, záleží víc než na tom, jakou databázi si vyberete. Společnosti zaznamenávají největší nárůst výkonu umělé inteligence v lepší organizaci a přípravě svých informací – rozdělování obsahu na správné velikosti bloků, přidávání souhrnů, převod obsahu do formátu otázek a odpovědí – místo toho, aby se trápily nad tím, kterou technickou infrastrukturu použít. 4. Vaši nejvýkonnější pracovníci mají největší prospěch z nástrojů umělé inteligence. V kontrolovaném experimentu dosáhli nejvýkonnější inženýři největšího zvýšení produktivity díky asistentům kódování AI, nikoli těm nejvýkonnějším. Starší inženýři, kteří již věděli, jak řešit problémy, využívali umělou inteligenci k ještě rychlejší práci, zatímco ti méně výkonní často jen kopírovali a vkládali kód, kterému nerozuměli. 5. Jemné doladění by mělo být vaší poslední možností. Než začnete investovat do dolaďování modelu, vyzkoušejte nejprve jednodušší řešení: vylepšete výzvy, přidejte základní skripty pro následné zpracování nebo opravte datový řetězec. Jedna společnost zachytila 90 % chyb svého modelu pomocí jednoduchého skriptu. Jemné doladění způsobuje neustálé bolesti hlavy z údržby a mělo by se používat pouze tehdy, když je vše ostatní vyčerpáno na maximum. 6. Nemusíte být dokonalí, abyste vyhráli. Mnoho úspěšných společností volí při implementaci systémů umělé inteligence slovo "dostatečně dobré" před dokonalým. Spočítají, zda je lepší investovat dva inženýry do zlepšení přesnosti z 80 % na 85 % než použít stejné inženýry ke spuštění zcela nové funkce. Nová funkce často poskytuje větší hodnotu. 7. Produktivitu umělé inteligence je téměř nemožné měřit. Společnosti investují značné prostředky do kódovacích nástrojů AI, ale nemohou jasně prokázat, že fungují. Když jsou nuceni vybrat si mezi drahým předplatným umělé inteligence pro svůj tým nebo najmutím jednoho dalšího člověka, mnoho manažerů si vybere právě tuto osobu, ne nutně proto, že by umělá inteligence nepomáhala, ale proto, že počet zaměstnanců je hmatatelnější. 8. Na systémovém myšlení záleží více než na kódování. Vzhledem k tomu, že umělá inteligence automatizuje více úloh kódování, stává se schopnost porozumět tomu, jak různé komponenty spolupracují, tou nejcennější dovedností. Podle vedoucího učebních osnov informatiky na Stanfordu je kódování jen nástroj – skutečnou dovedností je porozumět tomu, jak systémy fungují, a navrhovat řešení problémů krok za krokem. 9. Dochází nám internetový text, na kterém bychom mohli trénovat. Svět v podstatě vyčerpal veřejně dostupná textová data pro trénování AI modelů. To znamená, že budoucí vylepšení nebudou pocházet ani tak z krmení modelů více daty, jako spíše z lepších trénovacích technik, lidské zpětné vazby a hledání nových zdrojů dat, jako je zvuk a video. 10. Mnoho lidí neví, co postavit, přestože mají výkonné nástroje. I s nástroji umělé inteligence, které dokážou vytvořit téměř cokoli, čelí mnoho zaměstnanců "krizi nápadů" – jednoduše nevědí, co vytvořit. Nejlepší přístup: věnujte týden tomu, abyste si všimli, co vás frustruje ve vaší každodenní práci, a poté vytvořte malé nástroje k vyřešení těchto konkrétních bolestivých bodů.